Deep Learning vs. Machine Learning

Deep Learning ist eine spe­zia­li­sier­te Form von Machine Learning, die neuronale Netzwerke mit vielen Schichten nutzt, während Machine Learning oft mit ein­fa­che­ren Al­go­rith­men wie Ent­schei­dungs­bäu­men oder linearen Modellen arbeitet. Der tiefere Netz­werk­auf­bau erlaubt es Deep Learning, kom­ple­xe­re Muster in großen Da­ten­men­gen zu erkennen.

Close

Sowohl Machine Learning als auch Deep Learning sind Teil­be­rei­che der künst­li­chen In­tel­li­genz. Im Ergebnis führen beide Ansätze dazu, dass Computer in­tel­li­gen­te Ent­schei­dun­gen treffen können. Deep Learning ist al­ler­dings eine Unterform von Machine Learning, da es auf un­be­auf­sich­tig­tem Lernen basiert.

Die In­tel­li­genz be­schränkt sich in beiden Fällen auf einzelne An­wen­dungs­fäl­le. Man spricht von einer schwachen künst­li­chen In­tel­li­genz im Gegensatz zur starken künst­li­chen In­tel­li­genz, die ähnlich wie der Mensch auf vielen Gebieten und unter vielen Umständen in der Lage wäre, in­tel­li­gent zu ent­schei­den.

Deep Learning vs. Machine Learning: Was sind die Un­ter­schie­de?

Machine Learning ist die his­to­risch ältere und ein­fa­che­re Tech­no­lo­gie. Sie arbeitet mit einem Al­go­rith­mus, den das System selbst anpasst, nachdem es durch einen Menschen Feedback erhalten hat. Vor­aus­set­zung für den Einsatz der Tech­no­lo­gie ist das Vorliegen von struk­tu­rier­ten Daten. Das System wird zunächst mit ka­te­go­ri­sier­ten und struk­tu­rier­ten Daten gefüttert und versteht auf diese Weise, wie neue Daten solcher Art ein­zu­ord­nen sind. Je nach Ein­ord­nung führt das System an­schlie­ßend pro­gram­mier­te Ak­ti­vi­tä­ten aus. Es erkennt zum Beispiel, ob ein Hund oder eine Katze auf einem Foto zu erkennen sind, und ver­schiebt die Dateien jeweils in un­ter­schied­li­che Ordner.

Nach einer ersten An­wen­dungs­pha­se erfolgt die Op­ti­mie­rung des Al­go­rith­mus durch mensch­li­ches Feedback, indem das System über falsche Zu­ord­nun­gen und die korrekte Ka­te­go­ri­sie­rung in­for­miert wird.

Beim Deep Learning sind keine struk­tu­rier­ten Daten notwendig. Das System arbeitet mit mehr­schich­ti­gen neu­ro­na­len Netzen, die ver­schie­de­ne Al­go­rith­men kom­bi­nie­ren und die dem mensch­li­chen Gehirn nach­emp­fun­den sind. Dadurch ist es dem System möglich, auch un­struk­tu­rier­te Daten zu be­ar­bei­ten.

Der Ansatz ist vor allem für komplexe Aufgaben geeignet, wenn nicht alle Aspekte von Objekten im Vorfeld ka­te­go­ri­siert werden können. Beim Deep Learning findet das System selbst geeignete Un­ter­schei­dungs­merk­ma­le. In jeder Schicht wird der Input auf ein weiteres Merkmal un­ter­sucht und das System ent­schei­det anhand dessen am Ende, wie der Input ein­zu­ord­nen ist.

Wichtig: Das System findet beim Deep Learning selbst geeignete Un­ter­schei­dungs­merk­ma­le in den Daten, ohne dass eine Ka­te­go­ri­sie­rung von außen vor­ge­ge­ben werden muss. Ein Training durch einen Ent­wick­ler oder eine Ent­wick­le­rin ist nicht notwendig. Das System prüft selbst, ob sich aufgrund von neuem Input Ein­ord­nun­gen verändern oder neue Ka­te­go­rien ergeben.

Während Machine Learning bereits mit einer über­schau­ba­ren Da­ten­ba­sis funk­tio­niert, braucht Deep Learning we­sent­lich mehr Daten. Über 100 Millionen Da­ten­punk­te sollte das System zur Verfügung haben, wenn es ver­läss­li­che Er­geb­nis­se liefern soll.

Zudem ist die Tech­no­lo­gie für Deep Learning auf­wen­di­ger zu rea­li­sie­ren. Sie benötigt mehr IT-Res­sour­cen und ist deutlich kos­ten­in­ten­si­ver als Machine Learning.

Un­ter­schie­de von Deep Learning und Machine Learning im Überblick

Un­ter­schied­li­che An­wen­dungs­ge­bie­te

Man könnte Machine Learning als Vor­gän­ger­tech­no­lo­gie von Deep Learning be­trach­ten. Tat­säch­lich lassen sich auch alle Aufgaben, die mittels Machine Learning gelöst werden können, auch von Deep Learning be­ar­bei­ten. Es wäre also nicht nötig, Deep Learning vs. Machine Learning abzuwägen.

Da Deep Learning we­sent­lich mehr Res­sour­cen benötigt, ist dies aber kein ef­fi­zi­en­tes Vorgehen. Die An­wen­dungs­ge­bie­te beider Tech­no­lo­gien sind deshalb in der Regel klar getrennt und was Machine Learning lösen kann, wird durch Machine Learning gelöst.

Für Un­ter­neh­men bringt der Einsatz beider Tech­no­lo­gien einen enormen Wett­be­werbs­vor­teil, da sowohl Machine Learning als auch Deep Learning noch längst nicht zum Standard des Un­ter­neh­mens­all­tags gehören.

An­wen­dungs­ge­bie­te: Deep Learning vs. Machine Learning

Im Bereich On­line­mar­ke­ting setzen Un­ter­neh­men häufig Marketing-Analytics-Tools ein, die auf Machine Learning basieren. Sie werten vor­han­de­ne Daten aus und können ver­läss­li­che Prognosen geben, welche Art von Content zu Con­ver­si­ons führt, welche Inhalte Kundinnen und Kunden lesen wollen und welche Mar­ke­ting­ka­nä­le haupt­säch­lich in einen Kauf münden.

Auch Kun­den­sup­port-Chatbots können auf Machine Learning beruhen. Dann ori­en­tie­ren sie sich an Schlag­wor­ten, die in der Nut­zer­an­fra­ge enthalten sind, und können den Kunden oder die Kundin durch Rück­fra­gen bzw. Ent­schei­dungs­fra­gen im Dialog zur ge­wünsch­ten In­for­ma­ti­on leiten. Chatbots, die jedoch auf Deep Learning basieren, verstehen na­tür­li­che Sprache von Menschen und sind nicht darauf an­ge­wie­sen, dass bestimmte Schlag­wor­te verwendet werden. Der Dialog ist we­sent­lich ef­fi­zi­en­ter und die an­ge­bo­te­ne Lösung treff­si­che­rer.

Digitale Sprach­as­sis­ten­ten wie Siri, Alexa und Google basieren mitt­ler­wei­le nahezu immer auf Speech Synthesis und Deep Learning. Auch im Un­ter­neh­mens­kon­text halten die ersten Sprach­as­sis­ten­ten Einzug. Nut­ze­rin­nen und Nutzer können sie in na­tür­li­cher Sprache bei­spiels­wei­se bitten, Be­stel­lun­gen auf­zu­ge­ben, E-Mails zu versenden, Reports zu erstellen oder Re­cher­chen aus­zu­füh­ren. Frühere, auf Machine Learning ba­sie­ren­de Systeme, waren nicht in der Lage, Sprach­nu­an­cen wahr­zu­neh­men, und eignen sich somit weniger gut.

Während Machine Learning im Bereich der Business In­tel­li­gence auch dazu genutzt werden kann, wichtige Un­ter­neh­mens­da­ten zu vi­sua­li­sie­ren und Prognosen für mensch­li­che Ent­schei­den­de nach­voll­zieh­bar zu machen, können mit Deep-Learning-Systemen im Bereich ge­ne­ra­ti­ver KI sogar eigene Grafiken und Bilder basierend auf einfachen Prompts erstellt werden. Ebenfalls hilfreich in der Con­ten­ter­stel­lung sind Ansätze wie Large Language Models oder Natural Language Pro­ces­sing, die auch auf Deep-Learning-Al­go­rith­men aufbauen.