Der Deep-Learning-Schub um 2012 steht für eine Phase, in der große Datenmengen, leistungsfähige Grafikprozessoren und tiefe neuronale Netze zusammenkommen. Besonders in der Bild- und Spracherkennung werden deutliche Fortschritte sichtbar. Die Verfahren beruhen nicht auf explizit programmierten Regeln für jeden Einzelfall, sondern auf trainierten Modellen, die Muster aus Daten ableiten. Damit verschiebt sich die Aufmerksamkeit von klassischer Programmierung zu Daten, Modellarchitektur, Training und Bewertung.
D-Book-Wiki · Ereignisartikel
Deep-Learning-Schub
Maschinelles Lernen wird durch Daten, GPUs und Modelle massiv leistungsfähiger.
Deep Learning macht maschinelles Lernen zu einer breiten technischen und wirtschaftlichen Kraft. Es verändert, was als automatisierbar gilt, und bereitet viele spätere KI-Anwendungen vor. Für die Timeline verbindet es Datenmengen, Hardwarebeschleunigung, Statistik und gesellschaftliche Wirkung.
Kurzüberblick
Maschinelles Lernen wird durch Daten, GPUs und Modelle massiv leistungsfähiger.
Überblick
Abgrenzung
Aus dem bestehenden Ereigniskern materialisierte Standardfassung. Relationen, Quellen und didaktische Vertiefung werden separat geprüft.
Sachanalyse
Überblick
Historischer und fachlicher Prozess
Der Deep-Learning-Schub um 2012 steht für eine Phase, in der große Datenmengen, leistungsfähige Grafikprozessoren und tiefe neuronale Netze zusammenkommen. Besonders in der Bild- und Spracherkennung werden deutliche Fortschritte sichtbar. Die Verfahren beruhen nicht auf explizit programmierten Regeln für jeden Einzelfall, sondern auf trainierten Modellen, die Muster aus Daten ableiten. Damit verschiebt sich die Aufmerksamkeit von klassischer Programmierung zu Daten, Modellarchitektur, Training und Bewertung.
Bedeutung
Deep Learning macht maschinelles Lernen zu einer breiten technischen und wirtschaftlichen Kraft. Es verändert, was als automatisierbar gilt, und bereitet viele spätere KI-Anwendungen vor. Für die Timeline verbindet es Datenmengen, Hardwarebeschleunigung, Statistik und gesellschaftliche Wirkung.
Quellen
Weitere Quellen
- +
Krizhevsky, Sutskever, Hinton: ImageNet Classification with Deep Convolutional Neural Networks
Primär-/Forschungspapier zum Deep-Learning-Schub im Kontext von ImageNet und tiefen neuronalen Netzen.
Bedeutungsschichten im D-BookLineages, Concepts, Ort und Statistik als nachgeordnete Kontextdimensionen.2 Bezüge
Bedeutungsschichten im D-Book
Einordnung
Der Deep-Learning-Schub entsteht im Zusammenspiel großer Datenmengen, leistungsfähiger Grafikprozessoren, offener Benchmarks und neuronaler Netzarchitekturen. Das Ereignis markiert keine plötzliche Erfindung von KI, sondern eine neue Leistungsphase maschinellen Lernens. Der Kontext ist wissenschaftlich und industriell zugleich: Forschungserfolge werden schnell in Plattformen, Produkte und automatisierte Entscheidungsprozesse übersetzt.
Verbindungen im D-Book
Die folgenden Fachbegriffe ordnen das Ereignis relational in das D-Book-Wissensnetz ein. Die Beziehungsbeschreibungen stammen aus den kuratierten Concept-Zuordnungen des Ereignisdatensatzes.
Fachliche Concepts
Concepts binden das Ereignis an den fachlichen Begriffskern und fuehren bei vorhandenen Ankern ins Glossar.
Medien und ZusatzassetsPrimärmedium, Atlas-Preview, Statistikansichten und kuratierte Asset-Abschnitte.9 Assets
Medien und Zusatzassets
Datenpfad und RelationenRelationale Vorlinien, Fortsetzungen und Kontextpfade aus den History-Daten.12 Relationen
Relationspfade
Vorlinien
- Dartmouth Workshop und KI als Forschungsfeld1956bereitet vor
Dartmouth markiert KI als Forschungsprogramm lange vor Deep Learning.
- CUDA, GPU-Rechnen und KI-Infrastruktur2006bereitet vor
GPU-Rechnen wird eine wesentliche Voraussetzung des Deep-Learning-Schubs.
- Backpropagation und lernende Netze1986bereitet vor
Backpropagation wird im Deep-Learning-Schub praktisch folgenreich. Backpropagation bereitet spätere Deep-Learning-Erfolge vor.
- Generative KI2022beeinflusst
V1-related-Verweis aus lokalem Datensatz
- Suchmaschinen1994 bis 1998beeinflusst
V1-related-Verweis aus lokalem Datensatz
Fortsetzungen
- Transformer-Architektur2017setzt fort
Transformer bauen auf der Deep-Learning-Entwicklung auf.
- AlphaFold und wissenschaftliche KI2020setzt fort
AlphaFold nutzt die Leistungsentwicklung datengetriebener Modelle.
- Transformer-Architektur2017bereitet vor
Deep Learning führt zu neuen Modellarchitekturen.
- Suchmaschinen1994 bis 1998beeinflusst
V1-related-Verweis aus lokalem Datensatz
- Generative KI2022beeinflusst
V1-related-Verweis aus lokalem Datensatz
Kontext
- Python und lesbare Mehrzweckprogrammierung1991Kontext zu
Python wird später zu einem wichtigen Werkzeug in Datenanalyse und maschinellem Lernen.
- LISP und symbolische KI1958Kontext zu
LISP markiert die symbolische KI-Linie im Kontrast zu datengetriebenem Deep Learning.