Was ist der Unterschied zwischen Machine-Learning und Deep-Learning?

Der Versuch, nachzuvollziehen, wie künstliche Intelligenz heutzutage funktioniert, kann durchaus überwältigend sein, doch im Grunde genommen geht es lediglich um zwei Konzepte, von denen Sie sicherlich schon einmal gehört haben:  „Machine-Learning“ (maschinelles Lernen) und „Deep-Learning“ (tiefgehendes Lernen). Keines dieser beiden Konzepte ist jedoch vollkommen neu, die Art und Weise, wie sie eingesetzt werden, entwickelt sich allerdings kontinuierlich weiter. Dank Machine-Learning und Deep-Learning weiß Netflix beispielsweise, was Sie womöglich gerne im Fernsehen schauen möchten, und Facebook setzt diese beiden Konzepte ein, um das Gesicht eines Freundes auf einem Foto zu erkennen. Auch ein Kundendienstberater kann mithilfe dieser Konzepte herausfinden, ob Sie mit Ihrer Kundenberatung zufrieden sein werden.

Was genau bedeuten also diese Schlagwörter, die in jeder Unterhaltung über künstliche Intelligenz vorkommen, und wie unterscheiden sich diese beiden Konzepte genau voneinander? Und viel wichtiger noch, welchen Einfluss haben sie auf den Kundendienst?

Was ist der Unterschied zwischen Machine-Learning und Deep-Learning?

Hier eine grundlegende Definition von Machine-Learning:

“Algorithmen, die Daten analysieren, von ihnen lernen und das Gelernte dann anwenden, um fundierte Entscheidungen zu treffen”

Ein einfaches Beispiel dafür ist ein On-Demand-Streaming-Service für Musik. Apps wie Pandora oder Spotify bringen Algorithmen zum Einsatz, um Informationen über Ihre Musikvorlieben zu erhalten, die sie dann verwenden, um eine Vorhersage darüber zu treffen, welche andere Musik Ihnen vielleicht gefallen könnte. Machine-Learning kommt bereits in den unterschiedlichsten Branchen zum Einsatz, um sowohl einfache als auch anspruchsvolle Aufgaben zu automatisieren, vom Aufspüren von Malware für Datensicherheitsfirmen bis hin zur Unterstützung von Finanzexperten beim Erkennen von profitablen Geschäften.

Was ist also nun der Unterschied zwischen Machine-Learning und Deep-Learning? Technisch gesehen handelt es sich bei Deep-Learning eigentlich um Machine-Learning, doch während ein normales Machine-Learning-Modell beigebracht bekommen müsste, wie es eine präzise Vorhersage treffen soll (indem man es mit noch mehr Daten füttert), ist ein Deep-Learning-Modell dazu in der Lage, dies ganz alleine zu erlernen. Dabei geht es genau wie ein Mensch vor, der Informationen erhält, diese analysiert und dann eine Schlussfolgerung daraus zieht. Um diese Vorgehensweise umzusetzen, verwendet Deep-Learning eine Struktur aus verschieden Algorithmus-Schichten, die „Künstliches neuronales Netz” genannt wird. Deren Aufbau ähnelt dem (biologischen) neuronalen Netz, das im menschlichen Gehirn zum Einsatz kommt.

Ein großartiges Beispiel für Deep-Learning ist AlphaGo von Google: Google hat ein Computer-Programm entwickelt, das gelernt hat, wie man das abstrakte Brettspiel Go spielt, ein Spiel, für das man bekannterweise ein gutes menschliches Gespür haben muss. Durch die Ausstattung von AlphaGo mit einem Deep-Learning-Modell hat das Programm gelernt, das Spiel auf professionellem Niveau zu spielen, indem es gegen andere professionelle Go-Spieler angetreten ist. Der Unterschied zu einem normalen Machine-Learning-Modell ist, dass das Programm nicht gesagt bekommen hat, wann es einen bestimmten Spielzug ausführen soll.

Wir fassen also noch einmal zusammen:

• Machine-Learning verwendet Algorithmen, um Daten zu analysieren, von ihnen zu lernen und fundierte Entscheidungen auf Basis des Gelernten zu treffen.
• Deep-Learning ordnet Algorithmen in Schichten an, um ein „künstliches neuronales Netzwerk” zu schaffen, das alleine dazu in der Lage ist, zu lernen und Entscheidungen zu treffen.
• Deep-Learning ist also ein Teilgebiet des Machine-Learning. Zwar fallen beide Modelle unter die breite Kategorie „Künstliche Intelligenz”, allerdings wird der Begriff Deep-Learning verwendet, um zu beschreiben, wie menschenähnliche künstliche Intelligenz funktioniert.

Welchen Einfluss haben Machine-Learning und Deep-Learning auf den Kundendienst?

Eine Vielzahl der heutigen Anwendungen im Kundendienst, bei denen künstliche Intelligenz zum Einsatz kommt, verwendet Machine-Learning-Algorithmen, um Self-Service-Funktionen anzubieten, die Produktivität der Berater zu steigern und den Kundendienst schließlich zuverlässiger werden zu lassen. Diese Anwendungen lernen, sehr schnell präzise Vorhersagen zu treffen, was zum Teil auf einen kontinuierlichen Fluss eingehender Kundenanfragen zurückzuführen ist. In diesem frühen Stadion der Verbreitung künstlicher Intelligenz haben Branchenführer herausgefunden, dass die praktischste Anwendung künstlicher Intelligenz für Unternehmen beim Kundendienst liegt.

Es sei außerdem erwähnt, dass Deep-Learning stets weiterentwickelt wird und wir dadurch im Kundendienst immer fortschrittlichere Anwendungen im Bereich künstliche Intelligenz antreffen können. Ein großartiges Beispiel ist Zendesks eigener Antwort-Bot, der ein integriertes Deep-Learning-Modell enthält, um den Inhalt und den Kontext eines Support-Tickets besser zu verstehen. In naher Zukunft dürfen Sie mit noch mehr innovativen Anwendungen im Bereich Deep-Learning rechnen und im Zuge dessen von einem verbesserten Kundendienst profitieren.