Deep Learning ist ein Teil des Machine Learning. Und beides wiederum sind ein Teil der künstlichen Intelligenz. 

Doch was genau ist der Unterschied?

Künstliche Intelligenz oder auch Artificial Intelligence ist ein Überbegriff und beschreibt den groben Ansatz, mit Maschinen intelligentes menschliches Verhalten zu imitieren, um dadurch Probleme zu lösen.

Das Vorhaben menschliches Verhalten zu imitieren ist nicht neu: Der Begriff „künstliche Intelligenz“ wurde erstmals 1956 auf einem Symposium der Dartmouth Conference von John McCarthy verwendet. Dieses legendäre, zweimonatige Forschungsprojekt gilt als offizieller Startschuss akademischer Forschung auf diesem Gebiet. Richtig relevant wurde KI allerdings erst in den letzten Jahrzehnten. Dies liegt zum einen an der in den letzten Jahren stark gestiegenen Rechenleistung, zum anderen an der ebenfalls stark gestiegenen Verfügbarkeit von Daten (wie Bilder und Videos im Internet). Wir kommen später nochmal darauf zurück und warum das so wichtig ist. 

Ein einfaches, allgemeines Beispiel für den Einsatz von KI ist ein Spamfilter in Ihrem E-Mail-Postfach: Eine Person würde bestimmte E-Mails manuell anhand von bestimmten Merkmalen (Absenderadresse, bestimmte Wörter in der Betreffzeile usw.) organisieren. Dieser Vorgang kann auch „künstlich“ nachgebildet werden: Indem man ein Programm baut, dass genau diese Aufgabe übernimmt. Solange die Merkmale vorher eingestellt werden, kann es dann die Mails anhand dieser Kriterien in verschiedene Ordner einsortieren. Das Programm imitiert also menschliches Verhalten – und ist damit eine künstliche Intelligenz.

Jedoch zugegebenermaßen eine sehr eingeschränkte. Sollte sich jetzt der Betreff oder die Adresse ändern, so wäre das Programm (oder auch KI) überfordert und würden nicht mehr funktionieren. 

Machine Learning ist eine Technologie, die eingesetzt wird, um künstliche Intelligenz zu erreichen.

Machine Learning, auch „maschinelles Lernen“ oder kurz „ML“ genannt, ist ein Teilbereich der künstlichen Intelligenz. Hinter dem Begriff Machine Learning verbergen sich Algorithmen, die Daten analysieren, daraus lernen und basierend auf dem Gelernten anschließend fundierte Entscheidungen treffen. Im Prinzip ein Spam Filter, der aufgrund des Nutzerverhaltens lernt, welche Mail Spam ist und welche nicht. 

Ein bisschen detaillierter:  Beim Machine Learning werden zunächst Daten (wie Bilder, Videos, Audiodateien, Tabellen, Statistiken etc.) gesammelt und in das Programm eingespeist – der Input. Diese Daten werden dann von ausgefeilten Algorithmen verwendet, Daten analysieren und basierend auf ihnen Vorhersagen oder Entscheidungen treffen. Das Besondere ist, dass maschinelle Lernprogramme ohne menschliches Zutun lernen. 

Zurück zu unserem Spam-Filter-Beispiel: Zunächst zeigen Sie dem System viele verschiedene Nicht-Spam-E-Mails. Dann werden ihm viele verschiedene Spam-E-Mails angezeigt. Das System analysiert diese E-Mails, findet Gemeinsamkeiten und Unterschiede (Data Mining) und erstellt eigene Regeln, nach denen die E-Mails als Spam oder Nicht-Spam klassifiziert werden. Je mehr Daten so ein System erhält, desto mehr kann es lernen und desto intelligenter wird es. Andere Anwendungsbeispiele von einem ML-System sind:

• Die Gesichtserkennungsfunktion auf ihrem Smartphone
• Serien- und Produktvorschläge 
• Das Feed in ihrem Instagram-account
• Das Ausliefern der Ergebnisse Ihrer Google-Suche

Generell gilt: Je mehr Daten der Algorithmus bekommt, desto präziser das Ergebnis. Jetzt wird auch klar, warum Machine Learning erst in den letzten 20 Jahren wirklich fahrt aufgenommen hat. Erst mit der (Weiter-) Entwicklung der Computer konnten genug Datensätze, aber auch genug Rechenleistung zur Verfügung gestellt werden. Machine Learning klingt nun wie echte Intelligenz,  ist es aber auch nur eingeschränkt. Einem ML-System muss trotzdem zu Beginn gesagt werden: Dies ist eine Spam-Mail – und diese ist keine. Anpassungen müssen also manuell durchgeführt werden oder es muss von vornherein feststehen, was die „richtige Lösung“ des  abgebildeten Prozesses ist. Doch der Mensch wäre nicht der Mensch, wenn er nicht versuchen würde dafür eine Lösung zu finden.  

Beim Deep Learning handelt es sich um die Weiterentwicklung des Machine Learning. Deep Learning beschreibt Algorithmen, die mit jeder Berechnung dazulernen, Anpassungen selber vornehmen und selbst entscheiden was die „richtige Lösung“ ist. 

Deep Learning basiert auf künstlichen neuronalen Netzwerken (KNN) und hat sich unser menschliches Gehirn zum Vorbild genommen. Neuronale Netzwerke sind in verschiedenen Schichten aufgebaut, welche ihre eigenen Knotenpunkte haben und recht undurchsichtlich sind – eben wie unser Gehirn. Für einen detailliertere Ausführung über KNN’s, schaut in diesem Blogbeitrag vorbei!

Grundlegend geht Deep Learning aber vor wie Menschen es mit neuen Information machen würden: Es nimmt etwas wahr, „denkt“ darüber nach und zieht daraus eine Schlussfolgerung. Entgegen zu einem Menschen kann ein Deep-Learning-System jedoch viel größere Datenberge schneller untersuchen, als es einem Menschen jemals möglich wäre. 

Um zu Lernen werden beim Deep Learning jedoch auch weitaus mehr Datenmengen  und  Rechenleistung als beim Machine Learning benötigt. Ein Beispiel für eine Anwendung von Deep Learning ist die Spracherkennung. So kann Siri von Apple (oder auch Alexa von Google)  dank des Deep Learnings ihren Wortschatz selbstständig mit neuen Wörtern oder Wortwendungen erweitern.