Deep Learning vs. maschinelles Lernen: Was ist der Unterschied?

Mit den jüngsten Fortschritten auf dem Gebiet der künstlichen Intelligenz (KI) Schritt zu halten, kann überwältigend erscheinen. Wenn Sie aber an den Grundlagen interessiert sind, können Sie viele KI-Innovationen auf zwei Konzepte zurückführen: Maschinelles Lernen und Deep Learning.

Beispiele für maschinelles Lernen und Deep Learning finden sich überall. Sie machen selbstfahrende Autos zur Realität und sind der Grund dafür, dass Netflix weiß, welche Serie Sie vermutlich als Nächstes sehen wollen, oder dass Facebook erkennt, wessen Gesicht auf einem Foto zu sehen ist.

Maschinelles Lernen und Deep Learning wirken oft wie austauschbare Schlagworte, aber es gibt sehr wohl Unterschiede zwischen ihnen. Worum handelt es sich also bei diesen beiden Konzepten, die in so vielen Gesprächen über KI eine Rolle spielen? Und worin unterscheiden sie sich? Lesen Sie weiter, um es herauszufinden.

Deep Learning vs. maschinelles Lernen

Um die Unterschiede zwischen maschinellem Lernen und Deep Learning zu verstehen, muss man als erstes verstehen, dass Deep Learning maschinelles Lernen ist.

Genauer gesagt: Deep Learning wird als eine Weiterentwicklung des maschinellen Lernens angesehen. Es nutzt ein programmierbares neuronales Netz, um Maschinen in die Lage zu versetzen, ohne menschliche Hilfe präzise Entscheidungen zu treffen.

Für alle, die sich zum ersten Mal mit dem Thema auseinandersetzen, sollten wir jedoch zunächst einmal den Begriff „maschinelles Lernen“ definieren.

Wie funktioniert maschinelles Lernen?

Ein einfaches Beispiel für einen maschinellen Lernalgorithmus ist ein On-Demand Musik-Streaming-Service. Damit der Service entscheiden kann, welche neuen Songs oder Künstler:innen er den Hörer:innen empfehlen soll, gleichen solche Algorithmen deren Vorlieben mit denen anderen Hörer:innen, die einen ähnlichen Musikgeschmack haben, ab. Diese Technik, oft einfach als KI bezeichnet, wird für viele Services eingesetzt, die automatisierte Empfehlungen geben.

Maschinelles Lernen beinhaltet viel komplexe Mathematik und Programmierung, die aber letztlich die gleiche mechanische Funktion erfüllt wie eine Taschenlampe, ein Auto oder ein Bildschirm. Wenn wir sagen, dass etwas zum „maschinellen Lernen“ fähig ist, bedeutet das: Es führt mit den Daten, die ihm zur Verfügung gestellt werden, eine Funktion aus und wird darin mit der Zeit immer besser. Das ist so, als hätte man eine Taschenlampe, die sich immer dann einschaltet, wenn man sagt „Es ist dunkel“, aber im Laufe der Zeit auch verschiedene andere Sätze erkennt, die das Wort „dunkel“ enthalten.

Maschinelles Lernen ist über viele Branchen hinweg die Grundlage für alle möglichen automatisierten Aufgaben – von Datensicherheitsfirmen, die Malware aufspüren, bis hin zu Finanzfachleuten, die Hinweise auf vorteilhafte Handelsgeschäfte erhalten möchten. Die KI-Algorithmen sind programmiert, ständig zu lernen, so wie ein virtueller persönlicher Assistent – und das machen sie ziemlich gut.

Wirklich interessant (und spannend) wird die Lernfähigkeit von Maschinen aber, wenn wir in den Bereich des Deep Learning und der tiefen neuronalen Netze einsteigen.

Wie funktioniert Deep Learning?

Ein Deep-Learning-Modell ist darauf ausgelegt, Daten laufend nach einer logischen Struktur zu analysieren, ähnlich wie ein Mensch Schlussfolgerungen ziehen würde. Um diese Analyse durchzuführen, nutzen Deep-Learning Anwendungen eine mehrschichtige Struktur von Algorithmen, die als künstliches neuronales Netz bezeichnet wird. Der Aufbau eines künstlichen neuronalen Netzes orientiert sich am biologischen Netz der Neuronen im menschlichen Gehirn. So entsteht ein Lernsystem, das viel leistungsfähiger ist als die Standardmodelle für maschinelles Lernen.

Schwierig ist allerdings, sicherzustellen, dass ein Deep-Learning-Modell keine falschen Schlüsse zieht – wie bei anderen Formen der KI ist viel Training erforderlich, um die Lernprozesse in die richtigen Bahnen zu lenken. Wenn es jedoch funktioniert wie vorgesehen, wird funktionales Deep Learning oft als wissenschaftliches Wunder angesehen und von vielen als das Rückgrat wahrer künstlicher Intelligenz betrachtet.

Ein gutes Beispiel für Deep Learning ist AlphaGo von Google. Google hat ein Computerprogramm mit einem eigenen neuronalen Netz entwickelt, das gelernt hat, das abstrakte Brettspiel Go zu spielen, das bekanntlich einen scharfen Verstand und gute Intuition erfordert. Durch das Spielen gegen professionelle Go-Spieler lernte das Deep-Learning-Modell von AlphaGo, auf einem im K -Bereich noch nie dagewesenen Niveau zu spielen – und zwar ohne dass ihm gesagt wurde, wann es einen bestimmten Zug machen sollte (wie es bei einem Standardmodell des maschinellen Lernens nötig wäre).

AlphaGo sorgte für großes Aufsehen, als es mehrere weltbekannte „Meister:innen“ des Spiels besiegte – eine Maschine konnte nicht nur die komplexen Techniken und abstrakten Aspekte des Spiels erfassen, sondern wurde auch zu einem der besten Spieler. Es war ein Wettstreit zwischen menschlicher und künstlicher Intelligenz, aus dem letztere als Sieger hervorging.

Ein praktischerer Anwendungsfall wäre eine Bilderkennungs-App, die anhand eines Fotos eine Blumenart oder eine Vogelart identifizieren kann. Hinter dieser Einstufung von Bildern steht ein tiefes neuronales Netzwerk. Deep Learning kann auch Spracherkennung und Übersetzung ermöglichen und selbstfahrende Autos steuern – im wahrsten Sinne des Wortes.

Der Unterschied zwischen maschinellem Lernen und Deep Learning

Praktisch gesehen ist Deep Learning nur eine Unterkategorie des maschinellen Lernens. Deep Learning funktioniert tatsächlich ähnlich wie maschinelles Lernen (deshalb werden diese Begriffe oft synonym verwendet). In ihren Fähigkeiten unterscheiden sie sich jedoch.

Einfache Modelle für maschinelles Lernen werden zwar bei der Ausführung ihrer spezifischen Funktionen immer besser, wenn sie neue Daten erhalten, aber dennoch ist ein gewisses Maß an menschlichem Eingreifen erforderlich. Wenn ein KI-Algorithmus eine ungenaue Vorhersage ausgibt, müssen die Entwickler:innen eingreifen und Anpassungen vornehmen. Algorithmen von Deep-Learning-Modellen können mithilfe ihres eigenen neuronalen Netzes feststellen, ob eine Vorhersage zutreffend ist oder nicht – menschliche Hilfe ist nicht erforderlich.

Nehmen wir noch einmal das Beispiel mit der Taschenlampe: Sie kann so programmiert werden, dass sie sich einschaltet, sobald jemand ein akustisches Signal durch Sprechen des Wortes „dunkel“ gibt. Da sie immer weiter lernt, könnte sie diese Aufgabe irgendwann auch dann ausführen, wenn sie einen beliebigen Satz hört, der dieses Wort enthält. Hätte die Taschenlampe aber ein Deep-Learning-Modell, könnte sie erkennen, dass sie sich auch bei den Hinweisen „Ich kann nichts sehen“ oder „Der Lichtschalter funktioniert nicht“ einschalten sollte, vielleicht in Kombination mit einem Lichtsensor.

Ein Deep-Learning-Modell ist in der Lage, durch seine eigene Berechnungsmethode zu lernen – eine Technik, die den Eindruck erweckt, als hätte es ein eigenes Gehirn.

Zur Zusammenfassung hier noch einmal die wichtigsten Unterschiede zwischen maschinellem Lernen und Deep Learning:

• Maschinelles Lernen nutzt Algorithmen, um Daten zu analysieren, aus diesen Daten zu lernen und auf der Grundlage des Gelernten fundierte Entscheidungen zu treffen.
• Deep Learning ordnet Algorithmen in Schichten an, um ein „künstliches neuronales Netz“ zu schaffen, das selbständig lernen und intelligente Entscheidungen treffen kann.
• Deep Learning ist eine Unterkategorie des maschinellen Lernens. Obwohl beide im weitesten Sinne unter die Kategorie der künstlichen Intelligenz fallen, ist Deep Learning der Motor der Art von KI, die den menschenähnlichsten Eindruck macht.

Was sind die unterschiedlichen Arten des maschinellen Lernens?

Um ein wenig tiefer in die Materie einzutauchen, werden wir uns die drei Haupttypen des maschinellen Lernens ansehen und herausfinden, wie sie sich voneinander unterscheiden.

Was sind die verschiedenen Arten von Deep-Learning-Algorithmen?

Maschinelles Lernen kann Computer in die Lage versetzen, bemerkenswerte Leistungen zu bringen. Was sie jedoch nicht können, ist die menschliche Intelligenz nachzuahmen. Tiefe neuronale Netze hingegen sind nach dem Vorbild des menschlichen Gehirns aufgebaut und stellen eine noch komplexere Stufe der künstlichen Intelligenz dar.

Es gibt verschiedene Arten von Deep-Learning-Algorithmen. Wir werden uns die gängigsten Modelle ansehen.

Convolutional Neural Networks

Convolutional Neural Networks (faltende neuronale Netze, CNNs) sind Algorithmen, die speziell für Bildverarbeitung und Objekterkennung entwickelt wurden. Die „Faltung“ ist ein einzigartiger Prozess, bei dem ein Bild gefiltert wird, um jedes Element darin zu analysieren.

CNNs werden häufig eingesetzt, um Computer Vision zu ermöglichen, einen Bereich der künstlichen Intelligenz, der Maschinen beibringt, die sichtbare Welt zu verarbeiten. Ein häufiges Einsatzgebiet von Computer Vision ist Gesichtserkennungstechnologie.

Rekurrente neuronale Netze

Rekurrente neuronale Netze (RNNs) haben integrierte Rückkopplungsschleifen, durch die sich die Algorithmen an vergangene Datenpunkte „erinnern“ können. RNNs können dieses Gedächtnis für vergangene Ereignisse nutzen, um aktuelle Ereignisse zu verstehen oder sogar die Zukunft vorherzusagen.

Ein tiefes neuronales Netz kann besser „denken“, wenn es über dieses Maß an Kontext verfügt. So kann sich beispielsweise eine Karten-App mit einem RNN „merken“, wann der Verkehr tendenziell zunimmt. Dieses Wissen kann sie dann einsetzen, um eine alternative Route zu empfehlen, bevor man in den Berufsverkehr gerät.

Daten als Treibstoff der Zukunft

Angesichts der riesigen Menge an neuen Daten, die das aktuelle „Big-Data-Zeitalter“ hervorbringt, werden wir mit Sicherheit Innovationen erleben, die wir uns heute noch nicht einmal vorstellen können. Laut Expert:innen für Datenwissenschaft wird es sich bei einigen dieser Durchbrüche wahrscheinlich um Deep-Learning-Programme handeln.

Andrew Ng, ehemaliger Chefwissenschaftler der führenden chinesischen Suchmaschine Baidu und einer der Leiter des Google Brain Project, fand im Gespräch mit Wired eine großartige Analogie für Deep Learning-Modelle:

„Ich glaube, mit KI ist es wie mit dem Bau eines Raumschiffs – man braucht ein riesiges Triebwerk und jede Menge Treibstoff“, sagte er dem Wired-Autor Caleb Garling. „Wenn Sie ein großes Triebwerk und eine winzige Menge Treibstoff haben, werden Sie es nicht bis in die Umlaufbahn schaffen. Wenn Sie ein winziges Triebwerk und eine Tonne Treibstoff haben, können Sie nicht einmal abheben. Um eine Rakete zu bauen, brauchen Sie einen riesigen Motor und jede Menge Treibstoff. Bei der Analogie zum Deep Learning sind die Deep-Learning-Modelle das Triebwerk der Rakete und der Treibstoff sind die riesigen Datenmengen, mit denen wir diese Algorithmen füttern können.“

Was maschinelles Lernen und Deep Learning für den Kundenservice bedeuten

Viele der heutigen KI-Anwendungen im Kundenservice nutzen Algorithmen für maschinelles Lernen. Sie werden eingesetzt, um Self-Service zu fördern, die Produktivität von Kundendienst-Mitarbeiter:innen zu steigern und Arbeitsabläufe zuverlässiger zu machen.

Die Daten, die in diese Algorithmen eingespeist werden, kommen aus einem konstanten Fluss von eingehenden Kundenanfragen und beinhalten relevante Informationen über die Probleme, denen sich Kund:innen gegenübersehen. Die Zusammenführung all dieser Daten in einer KI-App führt wiederum zu schnelleren und präziseren Vorhersagen. Dadurch ist künstliche Intelligenz für viele Unternehmen zu einer vielversprechenden Perspektive geworden, und Branchenführer spekulieren, dass die meisten praktischen Anwendungsfälle für geschäftsbezogene KI im Kundenservice liegen werden.

Maschinelles Lernen und Deep Learning werden zum Beispiel beide für die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) eingesetzt – einen Zweig der Informatik, der es Computern ermöglicht, Text und Sprache zu verstehen. In der CX-Welt sind Alexa von Amazon und Siri von Apple zwei gute Beispiele für „virtuelle Kundendienst-Mitarbeiter“, die mithilfe von Spracherkennung Fragen von Verbraucher:innen beantworten können.

KI-gestützte Kundenservice-Bots nutzen dieselben Lernmethoden auch, um auf getippte Texte zu reagieren. Ein großartiges Beispiel aus der Praxis sind die Erweiterten Bots von Zendesk. Es handelt sich bei ihnen um spezielle Bots für Messaging und E-Mail, die die umfangreichste, speziell auf CX-Teams in Ihrer Branche ausgerichtete Datenbank von Kundenintentionen nutzen, um personalisiertere und präzisere Antworten zu geben, Kundendienst-Mitarbeiter:innen höhere Produktivität zu ermöglichen und die Einrichtung zu beschleunigen.

Weitere Infos zu unseren Tools für Bot-Erstellung.