Machine Learning vs. Deep Learning

Die zwei Teilbereiche der künstlichen Intelligenz: Machine Learning und Deep Learning lassen sich häufig nur schwer unterscheiden. In diesem Artikel zeigen die Unterschiede zwischen diesen Begriffen auf und geben Hinweise, wann welches Verfahren zu nutzen ist.

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.

Maschinelles Lernen (Machine Learning, 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.

KI, maschinelles Lernen und Deep Learning
KI, maschinelles Lernen und Deep Learning.

Beispiele für maschinelles Lernen sind Produktempfehlungen bei Amazon, Vorhersage des Kundenverhaltens, selbstfahrende Autos und die Erkennung von Kreditkartenbetrug.

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.

Machine Learning vs. Deep Learning: Wo ist der Unterschied?
Machine Learning vs. Deep Learning: Wo ist der Unterschied?

Der größte Unterschied zwischen den beiden Verfahren ist, dass beim maschinellen Lernen der Mensch eine wichtigere Rolle in der Datenaufbereitung spielt. Deep Learning hingegen übernimmt große Anteile der Datenaufbereitung (Feature Engineering) durch die Verarbeitung der Informationen in künstlichen neuronalen Netzen.

Was ist Machine Learning?

Maschinelles Lernen ist eine Teilmenge der künstlichen Intelligenz. Es entwickelt eigene Algorithmen, die sich ohne menschliches Zutun modifizieren. Dabei funktioniert es immer nach dem gleichen Prinzip:

  • die Eingabe von Daten mit bekannten Zusammenhängen,
  • as „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 vorhersage von Kundenverhalten. Machine Learning integriert Intelligenz in Geschäftsprozesse, um Entscheidungen genauer zu treffen.

arten von machine learning
Arten von Machine Learning.

Teilgebiet: Deep Learning

Das Teilgebiet Deep Learning hat sich in den letzten Jahren aus zwei Gründen zu einem der zentralen Entwicklungstreiber im Bereich der Künstlichen Intelligenz entwickelt:

  • Es erzielt besonders gute Ergebnisse, wenn große Datenmengen (Big Data) für das Training des Netzwerks zur Verfügung stehen.
  • Die Deep-Learning-Algorithmen sind dem menschlichen Gehirn nachempfunden

Besonders der zweite Punkt ist interessant. Denn es wurde lange Zeit angenommen, dass diese geistigen Prozesse allein dem Menschen vorbehalten sind.

Vergleich Machine Learning und Deep Learning

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.

Wer mehr über Machine Learning erfahren möchte: hier haben wir die Grundlagen von Maschine Learning erläutert.

Deep Learning

Deep Learning verwendet künstlich erzeugte Neuronen, um Muster zu erkennen. Deren Struktur ähnelt dem neuronalen Netzwerk im menschlichen Gehirn: 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.

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.

künstliche neuronale Netze sind das zentrae´le Element im Deep Learning
Aufbau eines künstlichen Neuronalen Netzes: Die Grundlage des Deep Learnings.

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.

Wann ist welches Verfahren sinnvoll?

Machine Learning funktioniert besser bei strukturierten Daten. Das können Datensätze aus einer Datenbank oder Excel-Tabellen 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.

Deep Learning hingegen funktioniert am besten bei unstrukturierten Daten wie Texten, Bildern, Musik oder Sprache. Dabei sucht sich das tiefe Lernen die Strukturen, die es benötigt, selbst. Voraussetzung für ein gutes Modell ist eine große Datenmenge, denn Deep Learning Verfahren brauchen viele Daten, um eine gute Modellgüte zu erreichen.

Wann und warum Deep Learning
Warum Deep Learning? Quelle: Andrew Ng

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.

Deep Learning hingegen benötigt diese Merkmale nicht. Es sucht sie sich über seine Schichten und Zwischenneuronen selber. 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.

Ihr Ansprechparnter: Laurenz Wuttke

Wir entwickeln Künstliche Intelligenz, mit der Sie mehr aus Ihren Kundendaten machen – für wachsende Umsätze und eine nachhaltig hohe Kundenzufriedenheit.
Laurenz Wuttke

Auch interessant für Sie