Die zwei Teilbereiche der künstlichen Intelligenz: Machine Learning und Deep Learning lassen sich häufig nur schwer unterscheiden. In diesem Artikel zeigen ich die Unterschiede zwischen diesen Begriffen auf und gebe Hinweise, wann welches Verfahren zu nutzen ist.
Lassen Sie uns direkt ins Thema einsteigen:
- Einführung in künstliche Intelligenz
- Was ist der Unterschied zwischen Machine Learning und Deep Learning?
- Wann ist welches Verfahren sinnvoll?
- Zusammenfassung
Einführung in künstliche Intelligenz
Betrachtet man die Fortschritte, die die Künstliche Intelligenz seit ihren Anfängen in den 1950er Jahren gemacht hat, so ist ein deutlicher Anstieg der Entwicklungen und Anwendungen zu erkennen.
Machine Learning (maschinelles Lernen, ML) und Deep Learning (tiefes Lernen, DL) sind Teilbereiche der Künstlichen Intelligenz.
In den 2010er Jahren ist mehr passiert als in allen Jahren zuvor. Während sich die Ideen des „normalen“ statistischen maschinellen Lernens, der Entscheidungsbäume, Nächster-Nachbar-Klassifikationen und Ähnliches aus einer bestimmten mathematischen Logik entwickelt haben, gibt es für Deep Learning (tiefes Lernen) ein Modell aus der Natur: biologische neuronale Netze. Die gängigsten modernen Anwendungen sind dabei die Sprach-, Text- und Bilderkennung.
Was ist Machine Learning?
Maschinelles Lernen ist eine Teilmenge der künstlichen Intelligenz. Es versetzt Systeme in die Lage, selbstständig aus Daten zu lernen und sich zu verbessern, ohne explizit programmiert zu sein. Dabei funktioniert es immer nach dem gleichen Prinzip:
- die Eingabe von Daten mit bekannten Zusammenhängen,
- das „Lernen“ von Strukturen, um sie später auf unbekannte Zusammenhänge anzuwenden.
Maschinelles Lernen betrifft alle Branchen – von der Suche nach Malware in der IT-Sicherheit über die Wettervorhersage bis hin zu der Vorhersage des Kundenverhaltens. Machine Learning integriert Intelligenz in Geschäftsprozesse, um Entscheidungen genauer zu treffen.
Klassisches Maschinelles Lernen
Das maschinelle Lernen verwendet Algorithmen, um Daten zu analysieren. Aus diesen Daten lernt ML und trifft fundierte Entscheidungen. Es besteht aus einer Sammlung von mathematischen Methoden der Mustererkennung.
Diese Verfahren erkennen Muster exemplarisch durch die bestmögliche Zerlegung von Datensätzen in hierarchische Strukturen (z.B. Entscheidungsbäume, Regression, KNN). Maschinelles Lernen erfordert komplexe Mathematik und Programmierung (häufig Python), um die gewünschten Funktionen und Ergebnisse zu erreichen.
Beispiele für maschinelles Lernen sind Produktempfehlungen bei Amazon, Vorhersage des Kundenverhaltens, selbstfahrende Autos und die Erkennung von Kreditkartenbetrug.
Wer mehr über Machine Learning erfahren möchte: hier haben wir die Grundlagen von Maschine Learning erläutert.
Was ist Deep Learning?
Deep Learning ist einfach nur ein spezieller Teilbereich des maschinellen Lernens. Es imitiert das menschliche Lernverhalten mittels großer Datenmengen. In einem „tiefen Lernalgorithmus“ oder einem „tiefen neuronalen Netzwerk“ gibt es zahlreiche Zwischenschichten zwischen den Eingangs- und Ausgangsdaten.
Deep Learning verwendet künstlich erzeugte Neuronen, um Muster zu erkennen. Deren Struktur ähnelt dem neuronalen Netzwerk im menschlichen Gehirns: Tiefes Lernen verwendet nämlich verschiedene Schichten in den neuronalen Netzwerken:
- Die erste Schicht des neuronalen Netzwerks, die sichtbare Eingangsschicht, verarbeitet eine Rohdateneingabe, beispielsweise die einzelnen Pixel eines Bildes.
- Über mehrere verborgene Schichten und Ebenen werden die Informationen weiterverarbeitet und reduziert.
- Die Ausgabeschicht führt schließlich zum Ergebnis.
Die Eingangsneuronen werden dabei über die Zwischenneuronen auf unterschiedliche Weise mit den Ausgangsneuronen verknüpft. Im Nachhinein ist es in der Regel aber nicht mehr nachvollziehbar, welche Entscheidungen auf der Grundlage welcher Daten getroffen wurden – die Maschine verfeinert automatisch die Entscheidungsregeln.
Der Vorteil von Deep Learning ist unter anderem die tiefe Abstraktion von Korrelationen zwischen Eingangsdaten und Ausgangsdaten. Dies geschieht über mehrere Ebenen der Netzwerke. Tiefes Lernen löst sehr konkrete Probleme. Algorithmen, die das vertiefte Lernen beherrschen, lernen mit jeder Berechnung besser. Es hat sich in den letzten Jahren zu einem der zentralen Entwicklungstreiber im Bereich der künstlichen Intelligenz entwickelt.
Wer mehr über Deep Learning erfahren möchte: hier geht’s zu einer detaillierten Übersicht zu dem Thema: Was ist Deep Learning?
Was ist der Unterschied zwischen Machine Learning und Deep Learning?
Praktisch gesehen ist Deep Learning eine Teilmenge von Machine Learning. Daher ist tiefes Lernen technisch gesehen immer maschinelles Lernen. Allerdings sind die Fähigkeiten unterschiedlich.
Folgende Tabelle zeigt die Hauptunterschiede zwischen Machine Learning und Deep Learning:
| Machine Learning | Deep Learning | |
| Datenstruktur | Strukturierte Daten | Unstrukturierte und strukturierte Daten |
| Datensatzgröße | Klein – Groß | Groß |
| Hardware | Funktioniert mit einfacher Hardware. | Braucht leistungsstarke Computer (mit GPUs). Neuronale Netze multiplizieren Matrizen, die sehr viel Rechenzeit brauchen – GPUs beschleunigen den Vorgang. |
| Feature Extraktion | Sie müssen die Merkmale in der Regel verstehen. | Sie müssen die Merkmale nicht verstehen. |
| Laufzeit | Ein paar Minuten bis Stunden | Bis zu Wochen und Monaten. Künstliche neuronale Netze müssen einen enorm viele Gewichte berechnen. |
| Interpretierbarkeit | Einige Algorithmen sind leicht zu interpretieren (Logistische Regression, einfache Entscheidungsbäume), andere sind fast unmöglich (SVM, XGBoost). | Schwer zu interpretieren und oft unmöglich. |
Der Hauptunterschied zwischen Machine Learning und Deep Learning liegt in der Fähigkeit, durch künstliche neuronale Netzwerke (KNN), unstrukturierte Daten zu verarbeiten. Denn Deep Learning durch KNNs ist in der Lage unstrukturierte Informationen wie Texte, Bilder, Töne und Videos in numerische Werte umzuwandeln. Diese extrahierten Informationen werden dann zur Mustererkennung oder zum weiteren Lernen verwendet.
Klassisches Machine Learning, also bspw. anhand von Entscheidungsbaumverfahren, ist nicht in der Lage, diese unstrukturierten Daten sinnvoll zu verarbeiten. Somit können zum Beispiel nicht einfach Bilder als Eingabedaten genutzt werden, um einen Algorithmus zur Objekterkennung zu trainieren. An dieser Stelle müsste dann immer aufwendiges Feature Engineering durch einen Menschen betrieben werden.
Wann ist welches Verfahren sinnvoll?
Wann setzt man Machine Learning ein?
Machine Learning funktioniert besser bei strukturierten Daten. Das können Datensätze aus einer Datenbank oder Excel-Tabelle sein. Dabei haben die einzelnen Datenfelder einen Sinn und eine Struktur. Aus diesen Strukturen bildet das Machine Learning seine Algorithmen, die diese Strukturen auf neue, unbekannte Informationen durchsucht.
Ein Beispiel ist der Klassiker des Internets: Katzenbilder. Um eine Klassifikation von beliebigen Bildern nach dem Prinzip „Ist dies eine Katze oder nicht?“ zu erreichen, benötigt das klassische maschinelle Lernen Strukturen. Daher müssen spezifische Merkmale von Katzenbildern vorher definiert werden (Gesicht, Ohren, Farbe etc.). Aus diesen Merkmalen können die richtigen Algorithmen zur korrekten Klassifikation gelernt werden.
Wann setzt man Deep Learning ein?
Deep Learning hingegen funktioniert am besten bei unstrukturierten Daten wie Texten, Bildern, Musik oder Sprache. Dabei sucht sich das tiefe Lernen selbst die Strukturen, die es benötigt. Voraussetzung für ein gutes Modell ist eine große Datenmenge, denn Deep Learning Verfahren brauchen viele Daten, um eine gute Modellgüte zu erreichen.
Bleiben wir beim Beispiel der Bilderkennung: Deep Learning sucht sich die Merkmale über seine Schichten und Zwischenneuronen eigenständig. Die künstlichen neuronalen Netzwerke senden die Bilddaten durch verschiedene Schichten des Netzwerks, wobei jedes Netzwerk hierarchisch spezifische Merkmale von Bildern definiert. Nachdem die Daten in den Schichten verarbeitet wurden, findet das System die geeigneten Identifikatoren für die Klassifizierung aus den Bildern. Dafür werden allerdings auch deutlich mehr Daten benötigt.
Hier eine Infografik, die die Unterschiede zwischen den beiden Methoden zeigt:
Zusammenfassung
Machine Learning bezeichnet eine Form von Algorithmus, der selbstständig Muster in Daten erkennen kann. Entscheidend ist die Vorbereitung und Strukturierung der Daten, denn maschinelles Lernen setzt eine definierte Zielgerade voraus.
Ist dies nicht der Fall, kann keine vernünftige Analyse gemacht werden, auf der schlussendlich die Vorhersagen basieren. Am besten funktioniert Machine Learning mit kleinen, strukturierten Datenmengen, wie beispielsweise Kundeninformationen oder Lagerbestände.
Hier gibt es mehr Informationen zu Machine Learning.
Deep Learning ist eine Unterart von Machine Learning und zeichnet sich durch die selbständige Datenaufbereitung und Feature-Extraktion aus. Besonders sind hierbei der Aufbau und die Funktionsweise der Programme. Dem menschlichen Lernverhalten nachempfunden, durchlaufen DL-Systeme viele Iterationen, um Muster in den selbstständig aufbereiteten Daten zu erkennen. Dieser Prozess funktioniert am besten mit großen Datenmengen und ist für komplexe Aufgaben, wie beispielsweise Spracherkennung oder autonomes Fahren geeignet.
Hier klicken, um mehr über die Funktionsweise von DL zu lernen.
