Die Fortschritte im Bereich der künstlichen Intelligenz sind für viele Zeitgenossen eher unverständlich. Doch im Grunde läuft es auf zwei Konzepte hinaus, von denen Du sicher schon etwas gehört hast: Machine Learning und Deep Learning. Diese Begriffe werden oft durcheinander geworfen, sodass sie wie austauschbare Schlagworte erscheinen. Deshalb ist es wichtig, die Unterschiede zu verstehen. Was sind das also für Ansätze, die zurzeit die Diskussionen über die KI beherrschen? Worin genau unterscheiden sie sich?
Was ist Machine Learning?
Ein einfaches Beispiel für Machine Learning ist ein Streamingdienst für Videos. Damit der Service entscheiden kann, welche neuen Videos oder Darsteller er dem Kunden empfehlen kann, müssen Algorithmen in einem Lernprozess die Vorlieben des Zuschauers kennen, sie mit anderen Zuschauern vergleichen, die einen ähnlichen Geschmack haben.
Die grundlegende Definition für maschinelles Lernen lautet:
Algorithmen, die Daten analysieren, aus diesen Analysen lernen und das Gelernte anwenden, um fundierte Entscheidungen zu treffen.
Maschinelles Lernen führt zu einer Vielzahl automatisierter Aufgaben. Es betrifft so gut wie alle Branchen – von der Suche nach Malware bei Unternehmen für IT-Sicherheit, der Wettervorhersage bis hin zum Aktien-Broker, der nach günstigen Trades Ausschau hält. Die Algorithmen sind so konzipiert, dass sie wie virtuelle persönliche Assistenten funktionieren.
Machine Learning erfordert eine komplexe Mathematik und viel Kodierung, um schließlich die gewünschten Funktionen und Ergebnisse zu erhalten. In der Praxis scheitert das Verfahren jedoch oft daran, dass die Algorithmen nicht genügend Daten zur Verfügung haben. Wirklich interessant wird es, wenn die Computer neue Tricks lernen. In diesem Fall sprechen wir von Deep Learning.
Was ist Deep Learning?
Deep Learning ist eine Teilmenge von Machine Learning. Tiefgehendes Lernen funktioniert in ähnlicher Weise, deshalb werden die beiden Begriffe oft vertauscht. Die Systeme haben jedoch unterschiedliche Fähigkeiten. Algorithmen, die tiefgehendes Lernen beherrschen, lernen dazu und werden mit jeder Berechnung besser. Während beim maschinellen Lernen ein Programmierer eingreifen muss, um Anpassungen vorzunehmen, bestimmen beim Deep Learning die Algorithmen selber, ob ihre Prognose richtig oder falsch ist.
Kehren wir zurück zu unserem Beispiel mit dem Video-Streamingdienst. Die Algorithmen können so programmiert werden, dass sie auf bestimmte Phrasen reagieren, die in den Filmen enthalten sind. Algorithmen, die nach dem Deep Learning funktionieren, versuchen durch die kontinuierliche Analyse von Daten mit einer bestimmten logischen Struktur, ähnliche Schlussfolgerungen zu ziehen, wie ein Mensch es tun würde. Um diese zu erreichen, verwendet Deep Learning eine mehrschichtige Struktur von Algorithmen, die neuronales Netz genannt wird.
Was ist ein neuronales Netzwerk?
Das Design des neuronalen Netzwerks orientiert sich an der Struktur des menschlichen Gehirns. Genauso wie wir unser Gehirn verwenden, um Muster zu identifizieren und verschiedene Arten von Informationen zu klassifizieren, können Deep Learning Algorithmen gelehrt werden, dieselben Aufgaben für Maschinen auszuführen. Das macht tiefgehendes Lernen wesentlich leistungsfähiger als maschinelles Lernen. Immer wenn wir eine neue Information erhalten, versucht das Gehirn, diese mit bekannten Objekten zu vergleichen. Das gleiche Konzept wird auch von Deep-Learning-Algorithmen verwendet.
Trotzdem ist es nicht ganz einfach, die Algorithmen von tiefgehendes Lernen davon abzuhalten, falsche Schlüsse zu ziehen. Wenn es jedoch funktioniert, ist Deep Learning eine wissenschaftliche Errungenschaft und möglicherweise der Durchbruch auf dem Gebiet der künstlichen Intelligenz.
Ein gutes Beispiel für tiefgehendes Lernen sind Computerprogramme, die Schach oder Go spielen können. Beide Brettspiele benötigen einen klaren Verstand und Intuition. Durch das Spielen gegen professionelle Spieler, lernen die Algorithmen nicht nur die Prinzipien der Spiele, sondern auch die Wege zum Erfolg. Durch Deep Learning sind die Computer in der Lage, auf einem Niveau zu spielen, das bisher unerreicht war. Die Algorithmen haben nicht nur die komplexen und abstrakten Aspekte der Spiele verstanden, sondern können auch die besten Spieler schlagen.
Deep Learning vs. Machine Learning: Was ist der Unterschied?
Um die Unterschiede zwischen den beiden zusammenzufassen, kann man sagen:
- Maschinelles Lernen verwendet Algorithmen, um Daten zu analysieren, aus diesen Daten zu lernen und fundierte Entscheidungen zu treffen, die auf dem Gelernten basieren.
- Deep Learning strukturiert Algorithmen in Schichten, um ein künstliches neuronales Netzwerk zu schaffen, das selbstständig lernen und intelligente Entscheidungen treffen kann.
- Deep Learning ist ein Teilbereich des maschinellen Lernens. Während beide unter die breite Kategorie der künstlichen Intelligenz fallen, ist tiefgehendes Lernen das, was die künstliche Intelligenz vorantreibt.
Schon in naher Zukunft werden innovative Deep Learning Anwendungen auf den Markt kommen, die helfen, sinnvolle Entscheidungen zu treffen. Wie zum Beispiel:
- Text- und Bildersuche bei den Suchmaschinen
- Medizinische Diagnosen
- Erkennung von Gesichtern und Fahrzeugkennzeichen
- Automatische E-Mail-Marketing mit Zielgruppenerkennung
- Automatische Übersetzungen und Foto-Tagging
- Online- Werbung
Fazit
Der einfachste Weg, den Unterschied zwischen maschinellem Lernen und tiefgehendem Lernen zu verstehen, ist zu wissen, dass tiefgehendes Lernen ein Teil des maschinelles Lernens ist. Genauer gesagt, es ist die nächste Evolutionsstufe des maschinellen Lernens. Schon bald werden Maschinen wissen, wie sie ihre eigenen Entscheidungen treffen können, ohne dass ein Programmierer ihnen dies sagt.