{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"language":"de","description":"Erfahren Sie, was Deep Learning auszeichnet, wie neuronale Netze funktionieren, welche Modellarchitekturen dominieren und wie Sie Deep-Learning-Anwendungen in großem Stil im Unternehmen operationalisieren.","title":"Deep Learning: Enterprise-Anwendungsfälle, Modelle und Funktionsweise | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":mappedPath":"/de/artificial-intelligence/machine-learning/deep-learning/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},":items":{"experiencefragment-banner":{"id":"experiencefragment-d071aa1770","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence/machine-learning/deep-learning"},"experiencefragment-header":{"id":"experiencefragment-307fddf28d","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence/machine-learning/deep-learning"},"responsivegrid":{"columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"flexible_column_cont_561227620":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1237443307":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12"},":items":{"flexible_column_cont":{"id":"flexible-column-container-68a9a70f3f","propertiesId":"hub-hero-breadcrumbs","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-bf34a99d52",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-92c4ac41f8","items":[{"id":"breadcrumb-92c4ac41f8-item-b4dc78da23","link":{"valid":true,"url":"/de/artificial-intelligence/"},"active":false,"current":false,"title":"Künstliche Intelligenz",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-92c4ac41f8-item-1b882f3034","link":{"valid":true,"url":"/de/artificial-intelligence/machine-learning/"},"active":false,"current":false,"title":"Machine Learning",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-92c4ac41f8-item-94a4b63a01","link":{"valid":true,"url":"/de/artificial-intelligence/machine-learning/deep-learning/"},"active":true,"current":true,"title":"Deep Learning",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-5407d33558","propertiesId":"hub-hero","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-47c0e556be",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-f6c93005f8","additionalClasses":"hub-hero__headline","type":"heading1","lines":["Deep Learning: Wie neuronale Netze komplexe Daten in Unternehmens-KI verwandeln"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-bf141aff43","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003EDeep Learning nutzt neuronale Netze, die Muster erlernen, um Unternehmen dabei zu helfen, Signale in komplexen Daten zu finden. Aber diese Modelle in Business Value zu verwandeln, erfordert mehr als nur Training. Dazu sind geregelte Daten, eine skalierbare Infrastruktur, sorgfältige Evaluierung und produktionsbereite MLOps erforderlich.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"id":"container-8e23fae544",":type":"snowflake-site/components/container",":items":{"content_chip":{"id":"content-chip-56fbe49bbd","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Biografie lesen"},"image":{"id":"image","height":"800","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?preferwebp=true&quality=85","alt":"Laurie MacPherson","lazyEnabled":true,"width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","Technical Writer, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip_copy":{"id":"content-chip-ed0b256e98","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/authors/gulnaz-sharipova/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Biografie lesen"},"image":{"id":"image","height":"512","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--f7c921fe-d10f-4d90-ac38-c79aff7cf132/gulnaz-photo.jpg?preferwebp=true&quality=85","alt":"Gulnaz Sharipova","lazyEnabled":true,"width":"512",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Gulnaz Sharipova","Lokale Redakteurin, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip","content_chip_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-1191e04086",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-67bf07f625","youtubeVideoId":"-HWNc-Hd90U","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}},":itemsOrder":["youtube"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1237443307":{"id":"flexible-column-container-eebc0a01e0","propertiesId":"hub-hero-related-topics","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container border-top","layout":"SIMPLE","id":"container-14993f5292",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text":{"id":"text-6a7328c91c","additionalClasses":"seo-hub-hero__related-topic-lable","text":"\u003Cp\u003EDeep Learning Themen:\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_489983153":{"id":"text-70998b922a","additionalClasses":"related-topics","text":"\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/fundamentals/computer-vision/\"\u003EComputer Vision\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/fundamentals/neural-network/\"\u003ENeuronale Netze\u003C/a\u003E\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text","text_489983153"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-6d8b34a318","propertiesId":"hub-body","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"hub-body-content",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"callout__0":{"id":"text-48c684daf0","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EDEFINITION VON DEEP LEARNING\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EDeep Learning ist eine Teildisziplin des Machine Learning, die künstliche neuronale Netzwerke mit vielen Schichten verwendet, um Muster aus Daten zu lernen. Jede Schicht transformiert die Eingabe ein wenig, wodurch das System zunehmend komplexere Merkmale lernen kann.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text__0":{"id":"text-280d49bcd6","text":"\u003Cp\u003EDeep Learning erweitert die Möglichkeiten der Mustererkennung. Regelbasierte Systeme und traditionelle Analytics sind auf strukturierte Eingaben und explizite Logik angewiesen, während Deep-Learning-Modelle Schichten künstlicher Neuronen verwenden, um Repräsentationen aus Daten zu lernen – was sie besonders nützlich für Bilder, Sprache, gesprochene Sprache, Videos und andere komplexe Eingaben macht.\u003C/p\u003E\n\u003Cp\u003EDie Operationalisierung von Deep Learning in einem geschäftlichen Umfeld ist eine andere Disziplin als die isolierte Erstellung eines Modells. Deep Learning-Modelle erfordern in der Regel große Datensätze, eine GPU-basierte Rechenressource, eine sorgfältige Evaluierung und eine starke Governance in Bezug darauf, wie Modelle trainiert, versioniert, bereitgestellt und überwacht werden. Teams benötigen eine Infrastruktur, um Modelle in großem Maßstab zu entwickeln, zu trainieren, bereitzustellen und zu verwalten, und diese Infrastruktur muss sich in der Nähe der Daten und Workflows befinden, für die diese Modelle entwickelt wurden.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-deep-learning":{"id":"title-v2-b77420dea2","additionalClasses":"anchor-title anchor-title--what-is-deep-learning","type":"heading2","lines":["Was ist Deep Learning?"],":type":"snowflake-site/components/title-v2"},"text_what-is-deep-learning_0":{"id":"text-ea340e9756","text":"\u003Cp\u003EDeep Learning ist ein Teilbereich des maschinellen Lernens, der mehrschichtige neuronale Netzwerke verwendet, um Muster aus Daten zu lernen. Ein neuronales Netzwerk besteht aus verbundenen Knoten oder künstlichen Neuronen, die in Schichten angeordnet sind. Jede Schicht transformiert die empfangenen Daten und gibt eine Repräsentation an die nächste Schicht weiter, wodurch das Modell zunehmend abstraktere Muster lernen kann, während sich die Informationen durch das Netzwerk bewegen.\u003C/p\u003E\r\n\u003Cp\u003EIn einem Bildmodell lernen frühe Schichten möglicherweise Kanten und Texturen, während spätere Schichten Formen oder Objekte lernen. In einem Sprachmodell können Schichten Beziehungen zwischen Token, Satzstruktur und Kontext lernen. In einem Modell, das mit Verhaltens- oder Transaktionsdaten trainiert wurde, können Schichten Kombinationen von Signalen lernen, die manuell schwer zu definieren sind, wie z. B. Timing, Geräteverhalten und historische Aktivitäten.\u003C/p\u003E\r\n\u003Cp\u003EDer Begriff „Deep“ bezieht sich auf die Anzahl der Schichten im Netzwerk, nicht auf menschenähnliches Denken. Ein Deep-Learning-Modell versteht ein medizinisches Bild, einen gesprochenen Befehl oder eine Kundennachricht nicht so, wie es ein Mensch tut. Es lernt statistische Beziehungen aus Trainingsdaten und verwendet diese gelernten Beziehungen dann, um Vorhersagen, Klassifizierungen oder generierte Ausgaben zu erstellen.\u003C/p\u003E\r\n\u003Cp\u003EErgänzende Grundlagen finden Sie in unserem Leitfaden zu \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/\"\u003EMachine Learning\u003C/a\u003E sowie in unseren Ressourcen zu \u003Ca href=\"https://www.snowflake.com/de/fundamentals/generative-ai-architecture-models-applications/\"\u003Egenerativer KI\u003C/a\u003E und \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/mlops/\"\u003EMLOps\u003C/a\u003E.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ci\u003EErfahren Sie, wie das Cybersecurity-Startup DeepTempo Deep Learning einsetzt, um KI-gestützten Sicherheitsbedrohungen zu begegnen:\u003C/i\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"yt_what-is-deep-learning_0":{"id":"embed-5a9db241e6","youtubeVideoId":"r3TL5aMUNHs","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"},"title_deep-learning-examples-and-use-cases":{"id":"title-v2-b3da72bee5","additionalClasses":"anchor-title anchor-title--deep-learning-examples-and-use-cases","type":"heading2","lines":["Deep-Learning-Beispiele und -Anwendungsfälle"],":type":"snowflake-site/components/title-v2"},"text_deep-learning-examples-and-use-cases_0":{"id":"text-7daf994b02","text":"\u003Cp\u003ESeine volle Stärke entfaltet Deep Learning bei der Analyse hochkomplexer Datenstrukturen — insbesondere dann, wenn sich die entscheidenden Signale durch manuell definierte Merkmale (Features) kaum erfassen lassen.\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cstrong\u003EBetrugserkennung (Fraud Detection):\u003C/strong\u003E Teams für Finanzdienstleistungen können Deep Learning nutzen, um verdächtige Transaktionsmuster anhand von Zeitreihen, Kontoverhalten, Gerätedaten und Händleraktivitäten zu identifizieren. Ein Modell kann subtile Kombinationen von Signalen lernen, die mit statischen Regeln schwer zu erfassen sind, obwohl Teams bei Entscheidungen mit hohem Risiko weiterhin Erklärbarkeit, Review-Workflows und Kontrollen benötigen.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EVorausschauende Wartung:\u003C/strong\u003E Hersteller, Versorgungs- und Transportunternehmen können Modelle mit Sensormesswerten, Vibrationsmustern, Temperaturänderungen und Wartungshistorien trainieren. Ein Deep Learning-Modell kann Frühwarnsignale erlernen, die Teams dabei helfen, Geräteausfälle vorherzusagen, bevor ein sichtbarer Ausfall oder eine Betriebsstörung auftritt.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EEmpfehlungssysteme:\u003C/strong\u003E Einzelhändler, Medienunternehmen und digitale Plattformen nutzen Deep Learning, um Beziehungen zwischen Nutzern, Produkten, Inhalten und Verhalten zu modellieren. Diese Systeme optimieren die Personalisierung, indem sie kontinuierlich aus Klickpfaden, Kaufhistorien, Sehgewohnheiten, Produktattributen und kontextuellen Echtzeit-Signalen lernen.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EMedizinische Bildgebung (Medical Imaging):\u003C/strong\u003E Einrichtungen aus dem Gesundheitswesen und den Life Sciences nutzen Deep Learning für bildbasierte Aufgaben, wie das Erkennen von Mustern in radiologischen Scans, pathologischen Präparaten oder ophthalmologischen Bildern. Diese Modelle können klinische Workflows unterstützen, erfordern jedoch eine stringente Validierung, menschliche Aufsicht und Governance, da die Modellausgaben die Patientenversorgung beeinflussen können.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003ENatural Language Processing und Chatbots:\u003C/strong\u003E Deep-Learning-Modelle können Text klassifizieren, Entitäten extrahieren, Dokumente zusammenfassen, Sprache übersetzen und Konversationsassistenten betreiben. Transformer-Modelle sind hier besonders wichtig, da sie Aufmerksamkeitsmechanismen nutzen, um sequenzübergreifende Beziehungen zu lernen, was den Modellen hilft, den Kontext in Sprache, Code, Audio und multimodalen Eingaben zu erfassen.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EAutonome Fahrzeuge und Robotik:\u003C/strong\u003E Deep-Learning-Modelle helfen Systemen dabei, Sensordaten zu interpretieren, Objekte zu erkennen, Bewegungen abzuschätzen und Aktionen zu planen. Diese Anwendungsfälle kombinieren typischerweise Computer Vision, Reinforcement Learning, Simulation und Sicherheitskontrollen.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003ESpracherkennung:\u003C/strong\u003E Deep Learning kann gesprochene Sprache in Text konvertieren, Sprecher identifizieren, Befehle erkennen oder Audiomuster analysieren. Diese Systeme basieren meist auf einer Kombination aus akustischer Modellierung, Language Modeling und sequenzieller Datenverarbeitung.\u003C/li\u003E\n\u003C/ul\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_deep-learning-examples-and-use-cases_0":{"id":"text-d2c5e73520","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EWICHTIGSTE ERKENNTNIS\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EDeep Learning ist am nützlichsten, wenn das Problem von der Identifizierung von Mustern in komplexen Daten abhängt, wie z. B. Bildern, Sprache, Audio, Video, Sensormesswerten oder verbundenen Entitäten.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_how-does-deep-learning-work":{"id":"title-v2-17c4df9987","additionalClasses":"anchor-title anchor-title--how-does-deep-learning-work","type":"heading2","lines":["Wie funktioniert Deep Learning?"],":type":"snowflake-site/components/title-v2"},"text_how-does-deep-learning-work_0":{"id":"text-4872713d3c","text":"\u003Cp\u003EEin Deep-Learning-Modell lernt, indem es wiederholt seine Ausgaben mit dem erwarteten Ergebnis vergleicht, die Differenz misst und interne Parameter anpasst, um zukünftige Fehler zu reduzieren.\u003C/p\u003E\n\u003Cp\u003EDer Prozess beginnt mit Eingabedaten. Bei einem Bildmodell könnte die Eingabe aus Pixelwerten bestehen. Bei einem Sprachmodell könnte die Eingabe aus Tokens bestehen. Bei einem Zeitreihenmodell könnte die Eingabe eine Sequenz von Sensormesswerten oder Transaktionsereignissen sein. Das Modell leitet diese Eingabe durch Schichten, wobei jede Schicht mathematische Transformationen mithilfe erlernter Parameter, sogenannter Gewichte, anwendet.\u003C/p\u003E\n\u003Cp\u003EDie Ausgabeschicht erzeugt eine Vorhersage, eine Klassifizierung oder ein generiertes Ergebnis. Eine Verlustfunktion misst dann, wie weit die Ausgabe von der gewünschten Antwort entfernt ist. In einem Klassifizierungsmodell könnte der Verlust widerspiegeln, wie sicher das Modell die falsche Kategorie vorhergesagt hat. In einem Prognosemodell könnte sie die Differenz zwischen dem vorhergesagten Wert und dem tatsächlichen Wert messen.\u003C/p\u003E\n\u003Cp\u003EBackpropagation ist die Trainingsmethode, die das Fehlersignal rückwärts durch das Netzwerk sendet. Das Modell verwendet dieses Signal, um Gewichte in früheren Schichten anzupassen, typischerweise durch gradientenbasierte Optimierung. Über viele Trainingsiterationen hinweg aktualisiert das Modell seine Parameter, sodass es den Verlust bei Trainingsbeispielen reduzieren und idealerweise bei neuen Daten gut abschneiden kann.\u003C/p\u003E\n\u003Cp\u003EDer wichtige Punkt für Unternehmen ist, dass das Training nicht nur eine Modellierungsaufgabe ist. Entwicklungsteams benötigen eine strukturierte Datenaufbereitung, reproduzierbare Experimente, Evaluierungsmetriken, Rechenressourcen, Versionierung, etablierte Deployment-Pipelines und Monitoring. Ein Deep Learning-Modell kann in einem Notebook gut funktionieren, in der Produktion jedoch scheitern, wenn sich die Eingabedaten ändern, die Inference-Kosten zu hoch sind oder das Modell nicht im Rahmen der Risikoanforderungen der Organisation verwaltet werden kann.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_types-of-deep-learning-models":{"id":"title-v2-28590e9e7a","additionalClasses":"anchor-title anchor-title--types-of-deep-learning-models","type":"heading2","lines":["Typen von Deep-Learning-Modellen"],":type":"snowflake-site/components/title-v2"},"text_types-of-deep-learning-models_0":{"id":"text-714043d60f","text":"\u003Cp\u003EDeep Learning ist kein einzelner Modelltyp. Verschiedene Architekturen sind darauf ausgelegt, unterschiedliche Arten von Strukturen in Daten zu verarbeiten: Pixel in einem Bild, Token in einem Satz, Ereignisse in einer Sequenz, Knoten in einem Graphen oder Signale über mehrere Modalitäten hinweg. Die Wahl des richtigen Modells beginnt in der Regel mit der Art des Problems, der Art der verfügbaren Daten und der Art der Ausgabe, die das System erzeugen muss.\u003C/p\u003E\n\u003Ctable\u003E\u003Cthead\u003E\u003Ctr\u003E\u003Cth\u003ETyp\u003C/th\u003E\u003Cth\u003EIdeales Einsatzgebiet\u003C/th\u003E\u003Cth\u003EBeispiele\u003C/th\u003E\u003C/tr\u003E\u003C/thead\u003E\n\u003Ctbody\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EFeedforward Neural Networks\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EGrundlegende Vorhersage und Klassifizierung von strukturierten Daten\u003C/td\u003E\u003Ctd\u003EMultilayer-Perzeptronen (MLPs)\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EConvolutional Neural Networks\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EBilder, Videos und räumliche Muster\u003C/td\u003E\u003Ctd\u003EResNet, VGG, EfficientNet\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003ERecurrent Neural Networks\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003ESequenzen und Zeitreihendaten\u003C/td\u003E\u003Ctd\u003ERNN, LSTM, GRU\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003ETransformer\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003ESprach-, Bild-, Audio- und multimodale Aufgaben\u003C/td\u003E\u003Ctd\u003EGPT, BERT, T5, Vision Transformer\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EAutoencoder\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EDatenkompression, Rauschreduzierung und Anomalieerkennung\u003C/td\u003E\u003Ctd\u003EVariational Autoencoder (VAEs), Denoising Autoencoder\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EGenerative Adversarial Networks\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EGenerierung von realistischen Bildern, Audio und Daten\u003C/td\u003E\u003Ctd\u003EGAN, StyleGAN, CycleGAN\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EDiffusionsmodelle\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EHochwertige Bild-, Audio- und Videogenerierung\u003C/td\u003E\u003Ctd\u003EDDPM, Modelle auf Basis von Stable Diffusion\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EGraph-neuronale Netze\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003ERepräsentation von Daten als Knoten und Kanten (Graphenstrukturen)\u003C/td\u003E\u003Ctd\u003ESoziale Netzwerke, Moleküle, Empfehlungsgraphen\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EDeep Reinforcement Learning (DRL-Modelle)\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EErlernen von Aktionen durch Belohnungen\u003C/td\u003E\u003Ctd\u003EDQN, Systeme im AlphaGo-Stil\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EMultimodale Modelle\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EKombination von Text, Bild, Audio und Video\u003C/td\u003E\u003Ctd\u003EVision-Language-Modelle, Bildbeschreibungs-Systeme\u003C/td\u003E\u003C/tr\u003E\n\u003C/tbody\u003E\u003C/table\u003E\n\u003Ch3\u003EFeedforward Neural Networks\u003C/h3\u003E\n\u003Cp\u003EBei Feedforward-Netzen fließt der Datenstrom in eine Richtung: von der Eingabeschicht über die verborgenen Schichten direkt zur Ausgabeschicht. Sie werden häufig für strukturierte Vorhersage- und Klassifizierungsaufgaben verwendet, bei denen die Eingabemerkmale bereits klar definiert sind, wie etwa bei der Vorhersage von Abwanderung, der Risikoklassifizierung oder dem Lead-Scoring.\u003C/p\u003E\n\u003Ch3\u003EConvolutional Neural Networks\u003C/h3\u003E\n\u003Cp\u003EConvolutional Neural Networks, oft als CNNs bezeichnet, sind darauf ausgelegt, räumliche Muster zu erkennen. Sie werden häufig für Bilder und Videos verwendet, da sie lokale Muster wie Kanten, Texturen und Formen erlernen und diese Signale dann zu übergeordneten Repräsentationen kombinieren können.\u003C/p\u003E\n\u003Ch3\u003ERecurrent Neural Networks\u003C/h3\u003E\n\u003Cp\u003ERekurrente neuronale Netze verarbeiten Sequenzen, indem sie Informationen aus früheren Schritten in spätere Schritte übertragen. Long Short-Term Memory-Netzwerke und Gated Recurrent Units wurden häufig für Sprach- und Zeitreihenaufgaben verwendet, da sie Reihenfolge und zeitliche Abhängigkeit modellieren können, obwohl Transformer sie in vielen Sprach- und multimodalen Systemen ersetzt haben.\u003C/p\u003E\n\u003Ch3\u003ETransformer\u003C/h3\u003E\n\u003Cp\u003ETransformer verwenden Aufmerksamkeitsmechanismen, um Beziehungen über eine Sequenz hinweg zu modellieren. Anstatt Token streng nacheinander zu verarbeiten, lernen sie, welche Teile der Eingabe sich gegenseitig beeinflussen sollten. Diese Architektur bildet die Grundlage für viele moderne Sprachmodelle, Vision-Language-Modelle und andere Foundation Models.\u003C/p\u003E\n\u003Ch3\u003EAutoencoder\u003C/h3\u003E\n\u003Cp\u003EAutoencoder lernen komprimierte Darstellungen von Eingabedaten und rekonstruieren dann die ursprüngliche Eingabe aus dieser komprimierten Form. Sie können nützlich sein, um die Dimensionalität zu reduzieren, Rauschen zu entfernen und Anomalien zu erkennen, da Rekonstruktionsfehler Datenpunkte aufdecken können, die von normalen Mustern abweichen.\u003C/p\u003E\n\u003Ch3\u003EGenerative Adversarial Networks\u003C/h3\u003E\n\u003Cp\u003EGenerative Adversarial Networks (GANs) nutzen zwei Netzwerke: einen Generator, der synthetische Ausgaben erzeugt, und einen Diskriminator, der bewertet, ob diese Ausgaben realen Daten ähneln. GANs werden bereits für die Bildgenerierung, Style-Transfer und synthetische Datengenerierung eingesetzt, obwohl sie sich nur schwer zuverlässig trainieren lassen.\u003C/p\u003E\n\u003Ch3\u003EDiffusionsmodelle\u003C/h3\u003E\n\u003Cp\u003EDiffusionsmodelle generieren Ergebnisse, indem sie lernen, wie sich ein Verrauschungsprozess umkehren lässt. Sie werden häufig mit der Erzeugung hochwertiger Bilder in Verbindung gebracht und auch für Audio-, Video- und andere generative Aufgaben eingesetzt. In Unternehmensumgebungen hängt ihr Wert vom Anwendungsfall, den Datenrechten, den Latenzanforderungen und den Kontrollen der Content Governance ab.\u003C/p\u003E\n\u003Ch3\u003EGraph-neuronale Netze\u003C/h3\u003E\n\u003Cp\u003EGraph-neuronale Netze modellieren Daten als Knoten und Kanten. Sie sind nützlich, wenn Beziehungen zwischen Entitäten genauso wichtig sind wie die Entitäten selbst, wie z. B. Kunden und Produkte in einem Empfehlungsgraph, Konten und Transaktionen in einem Betrugsnetzwerk oder Moleküle und Bindungen in der Arzneimittelforschung.\u003C/p\u003E\n\u003Ch3\u003EDeep Reinforcement Learning (DRL-Modelle)\u003C/h3\u003E\n\u003Cp\u003EDeep Reinforcement Learning kombiniert neuronale Netze mit belohnungsbasiertem Lernen. Anstatt nur aus beschrifteten Beispielen zu lernen, lernt ein:e Agent:in, indem er Aktionen ausführt, Belohnungen oder Strafen erhält und sein Verhalten im Laufe der Zeit anpasst. Diese Modelle werden in Robotik, Spielen, Optimierung und einigen autonomen Entscheidungssystemen eingesetzt.\u003C/p\u003E\n\u003Ch3\u003EMultimodale Modelle\u003C/h3\u003E\n\u003Cp\u003EMultimodale Modelle verarbeiten mehrere Datentypen, wie z. B. Text und Bilder, Audio und Video oder strukturierte Datensätze und unstrukturierte Dokumente. Ein multimodales Kundensupportmodell kann beispielsweise ein Produktbild, ein Supportticket, eine Kaufhistorie und einen Text zur Fehlerbehebung zusammen analysieren, anstatt jede Eingabe als separates System zu behandeln.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ml-vs-deep-learning-vs-generative-ai":{"id":"title-v2-bdb04b6ce0","additionalClasses":"anchor-title anchor-title--ml-vs-deep-learning-vs-generative-ai","type":"heading2","lines":["ML vs. Deep Learning vs. Generative KI"],":type":"snowflake-site/components/title-v2"},"text_ml-vs-deep-learning-vs-generative-ai_0":{"id":"text-367b5459c9","text":"\u003Cp\u003EMaschinelles Lernen, Deep Learning und generative KI sind verwandt, aber sie beschreiben verschiedene Bereiche. ML ist die übergeordnete Disziplin. Deep Learning ist eine Untergruppe von ML und generative KI ist eine Untergruppe von Deep Learning.\u003C/p\u003E\r\n\u003Cp\u003EML umfasst alle Systeme, die Muster aus Daten lernen, anstatt explizit programmierten Regeln zu folgen. Deep Learning nutzt mehrschichtige neuronale Netze – nützlich, wenn Eingaben komplex oder unstrukturiert genug sind, dass einfachere Modelle Schwierigkeiten haben, das Signal zu finden. Bilderkennung, Sprachverarbeitung und Dokumentenverständnis sind weit verbreitete Anwendungen. Deep Learning kann jedoch mit strukturierten Daten arbeiten, wenn das Problem es rechtfertigt.\u003C/p\u003E\r\n\u003Cp\u003EGenerative KI bezieht sich auf Systeme, die neue Inhalte – Text, Bilder, Code oder Audio – produzieren, anstatt sie zu klassifizieren oder vorherzusagen. Die meisten generativen KI-Systeme basieren auf Transformer- oder Diffusionsarchitekturen, doch die Kategorie deckt nicht das gesamte Deep Learning ab.\u003C/p\u003E\r\n\u003Cp\u003EDie meisten Unternehmens-\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/\"\u003EKI-Systeme\u003C/a\u003E kombinieren Ansätze, anstatt sich ordentlich in ein Paradigma einzufügen. Ein Basismodell, das mit beschrifteten Beispielen trainiert wurde, kann beispielsweise durch Transfer Learning für eine damit verbundene Aufgabe angepasst und dann durch menschliches Feedback optimiert werden. Wenn beschriftete Daten rar sind, können unüberwachte Methoden Strukturen aufdecken, die das Modell sonst übersehen würde.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_ml-vs-deep-learning-vs-generative-ai_0":{"id":"text-9fa003531e","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003EHÄUFIGER FALLSTRICK\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EDeep Learning sollte nicht als Standard für KI-Probleme gelten. Wenn ein einfacheres ML-Modell zuverlässige Ergebnisse mit geringeren Kosten, klareren Erklärungen und geringerer betrieblicher Komplexität liefern kann, kann Deep Learning mehr Aufwand als Nutzen bedeuten.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_advantages-and-disadvantages-of-deep-learning":{"id":"title-v2-915eb351bf","additionalClasses":"anchor-title anchor-title--advantages-and-disadvantages-of-deep-learning","type":"heading2","lines":["Vor- und Nachteile von Deep Learning"],":type":"snowflake-site/components/title-v2"},"text_advantages-and-disadvantages-of-deep-learning_0":{"id":"text-2e6df11574","text":"\u003Cp\u003EDeep Learning wird in Unternehmensumgebungen eingesetzt, da es komplexe Muster aus großen Datenmengen lernen kann. Es ist nützlich für Aufgaben wie Bilder, Sprache, Videos, Empfehlungen, Sensorstreams und andere Datentypen, bei denen das relevante Signal für eine Person, die Regeln schreibt oder Features auswählt, möglicherweise nicht offensichtlich ist.\u003C/p\u003E\n\u003Cp\u003EAußerdem kann es den Bedarf an manuellem Feature Engineering reduzieren. In vielen traditionellen ML-Workflows verbringen Data Scientists viel Zeit mit der Entscheidung, welche Features das Problem darstellen sollten. Deep-Learning-Modelle können nützliche Darstellungen direkt aus Daten lernen, obwohl Teams robuste Best Practices zur Aufbereitung, Kennzeichnung, Bewertung und Überwachung von Daten benötigen.\u003C/p\u003E\n\u003Cp\u003EDeep Learning kann sich verbessern, wenn mehr Daten und Rechenressourcen verfügbar werden, insbesondere wenn das Problem von der Skalierung profitiert. Darüber hinaus unterstützt es Transfer Learning, das es Teams ermöglicht, ein auf einem großen Dataset trainiertes Modell an eine damit verbundene Aufgabe anzupassen. Dies kann die Menge der benötigten aufgabenspezifischen Daten reduzieren und den Weg von Experimenten zu nützlicher Performance verkürzen.\u003C/p\u003E\n\u003Cp\u003EDie Kompromisse sind jedoch erheblich. Deep-Learning-Modelle erfordern oft große Mengen an hochwertigen Daten, und das Training kann teuer sein, da es GPUs oder andere spezielle Rechenressourcen erfordern kann. Auch diese Modelle lassen sich nur schwer interpretieren, insbesondere wenn sie viele Ebenen und Parameter enthalten. Das bringt Herausforderungen in Bereichen mit sich, in denen Teams das Modellverhalten erklären, prüfen oder begründen müssen.\u003C/p\u003E\n\u003Cp\u003EDeep-Learning-Modelle können ebenfalls zu Overfitting neigen. Ein Modell kann mit Trainingsdaten gut abschneiden, aber bei neuen Beispielen scheitern, wenn es Rauschen, Abkürzungen oder Muster gelernt hat, die sich nicht verallgemeinern. Bias in den Trainingsdaten kann sich ebenfalls auf das Modellverhalten auswirken, insbesondere wenn das Modell in wichtigen Kontexten wie Kreditvergabe, Einstellung, Gesundheitswesen oder öffentlichen Dienstleistungen eingesetzt wird.\u003C/p\u003E\n\u003Cp\u003EDeep Learning ist dann leistungsstark, wenn das Problem komplexe Muster umfasst, das Unternehmen über genügend relevante Daten verfügt und Teams die Anforderungen an Rechenressourcen, Auswertung und Governance unterstützen können. Aber es kann schlecht passen, wenn das Dataset klein ist, das Geschäftsproblem einfach ist, das Budget begrenzt ist oder klare Erklärungen wichtiger sind als geringfügige Genauigkeitsgewinne.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_deep-learning-on-snowflake":{"id":"title-v2-c9081744dd","additionalClasses":"anchor-title anchor-title--deep-learning-on-snowflake","type":"heading2","lines":["Deep Learning auf Snowflake"],":type":"snowflake-site/components/title-v2"},"text_deep-learning-on-snowflake_0":{"id":"text-76c59caeb4","text":"\u003Cp\u003ETeams, die Deep Learning nutzen, müssen auf geregelte Daten zugreifen, Features vorbereiten, Experimente durchführen, Modelle trainieren, Versionen verfolgen, Modelle zur Inferenz bereitstellen und die Performance im Laufe der Zeit überwachen. Snowflake unterstützt diese Workflows mit \u003Ca href=\"https://www.snowflake.com/de/product/features/end-to-end-ml-workflows/\"\u003ESnowflake ML\u003C/a\u003E.\u003C/p\u003E\r\n\u003Cp\u003ESnowflake ML bietet Funktionen zur Aufbereitung von Daten, Erstellung und Verwendung von Features, Training von Modellen mit CPUs oder GPUs, Bewertung von Modellen, Operationalisierung von Pipelines, Bereitstellung von Modellen und Überwachung von Produktionsmodellen.\u003C/p\u003E\r\n\u003Cp\u003EContainer Runtime für ML bietet Teams vorkonfigurierte, anpassbare Umgebungen für ML in Snowpark Container Services. Snowflake Notebooks bieten eine interaktive Entwicklungsumgebung, in der Teams mit Daten-, Code- und ML-Workflows arbeiten können. In Kombination mit Container Runtime können Notebooks fortschrittliche Data Science- und ML-Workloads mit Software- und Hardwareoptionen unterstützen, die für anspruchsvollere Trainings- und Experimentieranforderungen entwickelt wurden.\u003C/p\u003E\r\n\u003Cp\u003EDie Snowflake Model Registry hilft Teams bei der Verwaltung von Modellen und Metadaten in Snowflake, unabhängig von Herkunft und Typ. Nach dem Training können Teams ein Modell in der Registry protokollieren, Versionen verwalten und Inferenzen in Snowflake ausführen. Die Snowflake-Dokumentation beschreibt die Registry als eine Möglichkeit, Modelle und ihre Metadaten sicher zu verwalten und den Weg von der Entwicklung zur Produktion zu vereinfachen.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_deep-learning-in-enterprise-environments":{"id":"title-v2-a280baa44c","additionalClasses":"anchor-title anchor-title--deep-learning-in-enterprise-environments","type":"heading2","lines":["Deep Learning in Unternehmensumgebungen"],":type":"snowflake-site/components/title-v2"},"text_deep-learning-in-enterprise-environments_0":{"id":"text-a6f55f06d8","text":"\u003Cp\u003EDeep Learning kann Unternehmen dabei helfen, Daten zu nutzen, die zuvor zu komplex waren, um sie gut zu modellieren. Der Wert hängt jedoch von den Kontrollen ab, die diese Modelle in der Produktion nutzbar, nachvollziehbar und zuverlässig machen. Die Teams müssen wissen, welche Daten das Modell geformt haben, wie das Modell bewertet wurde, wo es bereitgestellt wird, was sich seit dem Training geändert hat und wer verantwortlich ist, wenn sich die Ausgabe auf einen Workflow auswirkt.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_deep-learning-in-enterprise-environments_0":{"id":"text-b4a444447c","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EWICHTIGSTE ERKENNTNIS\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EDeep Learning hilft Unternehmen, Muster in komplexen Daten zu finden, die herkömmliche Ansätze oft übersehen. Doch um unternehmerischen Mehrwert zu liefern, braucht es mehr als nur das Training eines Modells – es hängt von den Daten, der Infrastruktur, der Governance und den betrieblichen Prozessen ab, die für die Bereitstellung und Verwaltung von KI in großem Umfang erforderlich sind.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["callout__0","text__0","title_what-is-deep-learning","text_what-is-deep-learning_0","yt_what-is-deep-learning_0","title_deep-learning-examples-and-use-cases","text_deep-learning-examples-and-use-cases_0","callout_deep-learning-examples-and-use-cases_0","title_how-does-deep-learning-work","text_how-does-deep-learning-work_0","title_types-of-deep-learning-models","text_types-of-deep-learning-models_0","title_ml-vs-deep-learning-vs-generative-ai","text_ml-vs-deep-learning-vs-generative-ai_0","callout_ml-vs-deep-learning-vs-generative-ai_0","title_advantages-and-disadvantages-of-deep-learning","text_advantages-and-disadvantages-of-deep-learning_0","title_deep-learning-on-snowflake","text_deep-learning-on-snowflake_0","title_deep-learning-in-enterprise-environments","text_deep-learning-in-enterprise-environments_0","callout_deep-learning-in-enterprise-environments_0"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"id":"container-90e6a78dde",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-61e2982674","additionalClasses":"eyebrow-text","text":"\u003Cp\u003EIn diesem Leitfaden\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular"},"text_copy":{"id":"text-58d1d2a700","additionalClasses":"page-toc","text":"\u003Cul\u003E\u003Cli data-anchor=\"what-is-deep-learning\"\u003EWas ist Deep Learning?\u003C/li\u003E\u003Cli data-anchor=\"deep-learning-examples-and-use-cases\"\u003EDeep-Learning-Beispiele und -Anwendungsfälle\u003C/li\u003E\u003Cli data-anchor=\"how-does-deep-learning-work\"\u003EWie funktioniert Deep Learning?\u003C/li\u003E\u003Cli data-anchor=\"types-of-deep-learning-models\"\u003ETypen von Deep-Learning-Modellen\u003C/li\u003E\u003Cli data-anchor=\"ml-vs-deep-learning-vs-generative-ai\"\u003EML vs. Deep Learning vs. Generative KI\u003C/li\u003E\u003Cli data-anchor=\"advantages-and-disadvantages-of-deep-learning\"\u003EVor- und Nachteile von Deep Learning\u003C/li\u003E\u003Cli data-anchor=\"deep-learning-on-snowflake\"\u003EDeep Learning auf Snowflake\u003C/li\u003E\u003Cli data-anchor=\"deep-learning-in-enterprise-environments\"\u003EDeep Learning in Unternehmensumgebungen\u003C/li\u003E\u003C/ul\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},":itemsOrder":["container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false},"flexible_column_cont_1786318617":{"id":"flexible-column-container-e52abcb87a","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy":{"id":"title-v2-1f3bf76c90","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Häufig gestellte Fragen"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-f0c50940a6","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003EIhre häufigen Fragen zu Deep Learning – beantwortet von Snowflake-Expert:innen\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-90310c3687","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Ist Deep Learning dasselbe wie maschinelles Lernen?","richText":"\u003Cp\u003ENein. Deep Learning ist eine Teilmenge von ML. ML beinhaltet viele verschiedene Techniken, darunter lineare Modelle, Entscheidungsbäume, Gradient Boosting, Clustering und neuronale Netze. Deep Learning nutzt speziell mehrschichtige neuronale Netze, um Muster aus Daten zu lernen.\u003C/p\u003E"},{"title":"Ist Deep Learning dasselbe wie generative KI?","richText":"\u003Cp\u003ENein. Generative KI nutzt oft Deep Learning, aber die Begriffe sind nicht dieselben. Deep Learning kann Bilder klassifizieren, die Nachfrage prognostizieren, Betrug erkennen oder Anomalien erkennen, ohne neue Inhalte zu generieren. Generative KI nutzt Modelle, um neue Texte, Bilder, Code, Audio, Videos oder andere Ausgaben zu erstellen.\u003C/p\u003E"},{"title":"Warum braucht Deep Learning so viele Daten?","richText":"\u003Cp\u003EDeep-Learning-Modelle haben oft viele Parameter, was bedeutet, dass sie genug Beispiele brauchen, um nützliche Muster zu lernen, anstatt sich die Trainingsdaten zu merken. In einigen Fällen können kleinere Datasets noch funktionieren, insbesondere mit Transfer Learning. Die Modellperformance hängt jedoch stark von der Datenqualität, der Aufgabenkomplexität und dem Bewertungsdesign ab.\u003C/p\u003E"},{"title":"Welche Daten eignen sich am besten für Deep Learning?","richText":"\u003Cp\u003EDeep Learning eignet sich besonders für unstrukturierte und hochdimensionale Daten wie Bilder, Text, Audio, Video und Sensordaten. Sie kann auch mit strukturierten Daten verwendet werden, obwohl herkömmliche ML-Techniken für viele tabellarische Prognoseprobleme einfacher, erklärbarer und kostengünstiger sein können.\u003C/p\u003E"},{"title":"Was ist eine neuronale Netzschicht?","richText":"\u003Cp\u003EEine neuronale Netzebene ist eine Reihe künstlicher Neuronen, die Eingangsdaten transformiert, bevor sie an die nächste Ebene weitergegeben werden. Frühere Ebenen lernen oft einfachere Muster, während spätere Ebenen abstraktere Darstellungen lernen, die die endgültige Vorhersage oder Ausgabe unterstützen.\u003C/p\u003E"},{"title":"Was ist Backpropagation?","richText":"\u003Cp\u003EBackpropagation ist die Trainingsmethode, mit der neuronale Netze ihre internen Gewichte aktualisieren können. Sie arbeitet rückwärts vom Fehler des Modells, berechnet, wie viel unterschiedliche Gewichte zu diesem Fehler beigetragen haben und passt diese Gewichte an, um den zukünftigen Verlust zu reduzieren.\u003C/p\u003E"},{"title":"Wann sollte ein Unternehmen Deep Learning nutzen?","richText":"\u003Cp\u003EEin Unternehmen sollte Deep Learning in Betracht ziehen, wenn es um komplexe Daten, große Mengen an Beispielen und Mustern geht, die sich nur schwer manuell definieren lassen. Vielleicht ist es nicht die beste Wahl, wenn ein einfacheres Modell das Problem mit geringeren Kosten, besserer Erklärbarkeit und weniger betrieblichem Aufwand lösen kann.\u003C/p\u003E"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-a8e45c1e62","propertiesId":"hub-explore-resources-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-4b08734c48",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-b067d0284d","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["KI-Ressourcen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-3df76bc943","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-explore-resources-grid-inner",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-1541c4114c","tagText":"BLOG","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/startup-spotlight-deeptempo-cybersecurity-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Weiterlesen"},"headline":{"id":"title-v2-c49ad59a95","type":"heading5","lines":["Snowflake Startup Spotlight: DeepTempo"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_1":{"id":"content-chip-410b47cb89","tagText":"LEITFADEN","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/developers/guides/develop-and-manage-ml-models-with-feature-store-and-model-registry/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Weiterlesen"},"headline":{"id":"title-v2-aabe2519f2","type":"heading5","lines":["Develop and Manage ML Models with Feature Store and Model Registry"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-9e53d73274","tagText":"BLOG","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/engineering-blog/machine-learning-container-runtime/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Weiterlesen"},"headline":{"id":"title-v2-14cf859f86","type":"heading5","lines":["Maschinelles Lernen mit Snowflake Container Runtime"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-ba924456f2","tagText":"LEITFADEN","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/developers/guides/agentic-machine-learning-best-practices-cortex-code/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Weiterlesen"},"headline":{"id":"title-v2-5fe70472b7","type":"heading5","lines":["Agentic Machine Learning Best Practices with Snowflake CoCo"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_561227620":{"id":"flexible-column-container-713675e559","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-large","bottomPadding":"extra-large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-32008525f7",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"flexible_column_cont":{"id":"flexible-column-container-70c100b238","propertiesId":"hub-explore-topics-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-7b73b4ed82",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-e51e4d6e03","additionalClasses":"hub-explore-topics-header__headline","type":"heading2","lines":["KI-Themen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-723569c814","additionalClasses":"hub-explore-topics-header__subheadline","text":"\u003Cp\u003ETiefe Einblicke in jeden Aspekt künstlicher Intelligenz\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2","text"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_850139482":{"id":"flexible-column-container-16a4046ccc","propertiesId":"hub-explore-topics-grid","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-aec6db5d57",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2":{"id":"card-v2-9f2791c13d","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EGrundlegender Leitfaden für Unternehmens-KI: Wie sie funktioniert, wohin sie sich entwickelt und was sie für Ihr Unternehmen bedeutet.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["Künstliche Intelligenz"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/artificial-intelligence/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Hier mehr erfahren"},"type":"content-card"}},":itemsOrder":["card_v2"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-e3892f5302",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2":{"id":"card-v2-2f3a765e09","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EFrameworks, Richtlinien und Aufsichtsmodelle für das Management von KI-Risiken, Verantwortlichkeiten, Compliance und betrieblicher Kontrolle.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["KI-Governance"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/artificial-intelligence/ai-governance/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Hier mehr erfahren"},"type":"content-card"}},":itemsOrder":["card_v2"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-a519a551d7",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2":{"id":"card-v2-78cccce62c","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EPrinzipien und Governance-Praktiken für den Aufbau von KI-Systemen, die transparent, fair, verantwortlich und sicher sind.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["KI-Ethik"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-ethics/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Hier mehr erfahren"},"type":"content-card"}},":itemsOrder":["card_v2"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_850139482"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1237443307","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_561227620"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-c0ca7a3885",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-bf8d4da3a6","title":" ","cssContent":".snowflake-flexible-column-container-gray-10-bg\u003E.snowflake-flexible-column-container{background-color:var(--ui-background-05) !important}.text-size-regular:has(.seo-hub-hero__related-topic-label){display:flex;align-items:center}.hub-hero__headline span{text-transform:none !important}.hub-hero__subheadline p{max-width:70ch;margin-top:8px}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:24px 48px 0 0 !important}.hub-hero__authors .heading-5-v2{gap:var(--spacing-00)}.hub-hero__authors .snowflake-content-chip-button{display:none !important}.hub-hero__authors .snowflake-person-chip-content .body-2,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line{font-size:16px !important;line-height:20px !important;font-family:\"Lato\",sans-serif !important;color:#000 !important;font-weight:600 !important}.hub-hero__authors .snowflake-person-chip-content .body-3,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400 !important;color:var(--text-05) !important;font-size:16px !important}.hub-hero__authors .snowflake-image-container img{aspect-ratio:1 !important;border-radius:100%;overflow:hidden}.hub-hero__authors .snowflake-person-chip-avatar{width:56px;height:56px}.hub-hero__authors .snowflake-content-chip{align-items:center;display:inline-flex}.hub-hero__authors .snowflake-content-chip-image{max-width:56px;line-height:0;margin-right:var(--spacing-03)}.hub-hero__authors .snowflake-person-chip-inner-horizontal{gap:var(--spacing-03)}@media screen and (min-width:1367px){.hub-hero__headline .heading-1-v2{font-size:48px;line-height:44px}}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:24px}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::before,#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::after{display:none}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.text-color-text-05 .snowflake-text h2,.text-color-text-05.cq-Editable-dom h2,.text-color-text-05 .snowflake-text h3,.text-color-text-05.cq-Editable-dom h3,.text-color-text-05 .snowflake-text h4,.text-color-text-05.cq-Editable-dom h4,.text-color-text-05 .snowflake-text h5,.text-color-text-05.cq-Editable-dom h5,.text-color-text-05 .snowflake-text h6,.text-color-text-05.cq-Editable-dom h6{color:#000 !important}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor_597730182":{"id":"markup-editor-85b69fd659","title":" ","cssContent":".sf-copy-markdown [data-copy-md]{display:inline-flex;align-items:center;gap:6px;padding:8px 16px;font-family:'Texta',sans-serif;text-transform:uppercase;font-weight:800 !important;font-size:14px;font-weight:500;color:#11567f;background:#f0faff;border:1px solid #b8e6f9;border-radius:24px;cursor:pointer;transition:background .2s ease,border-color .2s ease,color .2s ease}.sf-copy-markdown [data-copy-md]:hover{background:#ddf3fc;border-color:#29b5e8}.sf-copy-markdown [data-copy-md][data-copied=\"1\"]{color:#0f7b3e;background:#ecfdf5;border-color:#6ee7a0;pointer-events:none}.sf-copy-markdown [data-copy-md] svg{flex-shrink:0}.longform-conten .snowflake-content-chip-white-bg .snowflake-content-chip{box-shadow:0 0 24px 4px rgba(0,0,0,.02),0 4px 8px 0 rgba(0,0,0,.04);flex-direction:row-reverse;align-items:center}.longform-conten .snowflake-content-chip-button{display:none}.longform-conten .snowflake-content-chip-image__inner{aspect-ratio:5 / 3;display:flex;justify-content:center;align-items:center;background-color:var(--ui-01);border-radius:4px}.longform-conten .snowflake-content-chip-image{margin-right:0;margin-left:48px}.longform-conten .snowflake-content-chip-image img{width:50%;border-radius:0 !important;object-fit:contain}.longform-content .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-size:14px !important;font-weight:400 !important;color:rgba(0,0,0,.6) !important;margin-top:8px !important}.page-toc ul li:first-child{padding-top:0 !important}.page-toc ul li:last-child{padding-bottom:0 !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{flex-grow:1}.sf-copy-markdown{margin-top:40px !important}.page-toc ul{margin-top:16px !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;justify-content:space-between}.sf-copy-markdown{}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E strong,.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:80ch}#hero:has(.snowflake-youtube-lite) .seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{width:100%;flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor":{"id":"markup-editor-591396e759","title":" ","cssContent":"div.snowflake-breadcrumb a.snowflake-breadcrumb-item,.snowflake-breadcrumb div.snowflake-breadcrumb-item{text-transform:none;font-weight:500}.snowflake-breadcrumb svg{display:none !important}.snowflake-breadcrumb a:has(svg)::after{content:'/';margin:0 12px;color:#666}.hub-sidebar{padding:0 40px}.sticky-sidebar{max-width:340px;margin-left:auto}.page-toc ul{list-style-type:none;padding:0}.page-toc li{padding:8px 16px;border-left:4px solid var(--ui-01);cursor:pointer;transition:300ms ease all}.page-toc li:hover{color:var(--ui-01);border-color:#7fd3f1;transition:300ms ease all}.callout,.customer-card{background-color:#eef9fd;border-left:4px solid var(--ui-01);padding:24px 24px 24px 32px;border-radius:4px}.logo-container{max-width:180px}.longform-content li{margin-top:1rem !important}div.longform-content p{max-width:80ch}.bolder .snowflake-title-v2-line{font-weight:900 !important}.border-top\u003Ediv{border-top:1px solid #ccc;padding-top:48px}.related-topics ul{list-style-type:none;padding:0;margin:0;display:flex;gap:8px;flex-wrap:wrap}.related-topics li{display:inline-block;border:1px solid #ccc;padding:4px 12px;border-radius:24px}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-title-v2 .heading-6-v2,div.longform-content .snowflake-text .heading-6-v2{text-transform:none !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2{margin-top:1.5rem !important;line-height:1.1 !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-family:Lato,sans-serif !important;font-weight:800 !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{text-transform:none !important;font-size:28px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:22px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:18px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:16px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:14px !important}@media screen and (min-width:992px){div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{font-size:38px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:26px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:22px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:18px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:16px !important}}.sticky-sidebar .page-toc li.is-active{font-weight:600;color:var(--snow-blue,#29b5e8)}.sticky-sidebar .page-toc li[data-anchor]{cursor:pointer}.longform-content table{margin-top:24px;margin-bottom:24px;width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}.longform-content table thead{background-color:var(--ui-01)}.longform-content th,.longform-content td{min-width:120px;border:2px solid var(--ui-background-09);padding:var(--spacing-01)}.longform-content ol{margin-top:0 !important}.longform-content ol li{margin-bottom:1rem !important}.longform-content ul li{margin:0;padding:0 0 0 32px;position:relative}.longform-content ul{list-style-type:none}.longform-content ul li::before{content:\"\";display:block;border-radius:100%;background:#29b5e8;width:18px;height:18px;position:absolute;top:4px;left:0;border:5px solid #e5f2f7;box-sizing:border-box}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container{max-width:200px}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container img{object-fit:contain}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:0 !important}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{margin-right:16px !important;flex-shrink:0}","jsContent":"(function(){var OFFSET=100;if(window.gsap&&window.ScrollTrigger){gsap.registerPlugin(ScrollTrigger);var sidebar=document.querySelector('.sticky-sidebar');var body=document.querySelector('.longform-content');if(sidebar&&body){ScrollTrigger.create({trigger:sidebar,start:'top 100px',endTrigger:body,end:'bottom bottom',pin:sidebar,pinSpacing:false});}}document.addEventListener('click',function(e){var li=e.target.closest('li[data-anchor]');if(!li)return;var slug=li.getAttribute('data-anchor');var heading=document.querySelector('.anchor-title--'+CSS.escape(slug));if(!heading)return;e.preventDefault();var top=heading.getBoundingClientRect().top+window.pageYOffset-OFFSET;window.scrollTo({top:top,behavior:'smooth'});history.replaceState(null,'','#'+slug);},false);var headings=document.querySelectorAll('[class*=\"anchor-title--\"]');if(headings.length&&'IntersectionObserver'in window){var io=new IntersectionObserver(function(entries){entries.forEach(function(entry){if(!entry.isIntersecting)return;var cls=Array.from(entry.target.classList).find(function(c){return c.indexOf('anchor-title--')===0;});if(!cls)return;var slug=cls.replace('anchor-title--','');document.querySelectorAll('li[data-anchor]').forEach(function(li){li.classList.toggle('is-active',li.getAttribute('data-anchor')===slug);});});},{rootMargin:'-20% 0px -70% 0px',threshold:0});headings.forEach(function(h){io.observe(h);});}})();",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":true},"experiencefragment-footer":{"id":"experiencefragment-f943f1a4c1","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence/machine-learning/deep-learning"},"experiencefragment":{"id":"experiencefragment-0dc5192193","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence/machine-learning/deep-learning"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],"analyticsContentTags":[],"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/de/artificial-intelligence/machine-learning/deep-learning","language":"de","category":"general","pageName":"Deep Learning: Wie neuronale Netze komplexe Daten in Enterprise-KI verwandeln","contentTags":[]},":path":"/content/snowflake-site/global/de/artificial-intelligence/machine-learning/deep-learning",":hierarchyType":"page","analyticsEnabled":true,"coveoConfig":{"searchHub":"snowflake.com","pipeline":"snowflake.com","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","organizationId":"snowflakecomputingproduction8neljofn"},"isPasswordProtected":false,"locale":"de"}