Künstliche Intelligenz findet Anwendung in verschiedenen Bereichen, wie z.B. in Chatbot-Systemen zur Verbesserung des Kundenservice, in Cybersicherheitsstrategien oder in der Produktionskette verschiedener Unternehmen. Diese breite Technologie verfügt über zwei Schlüsseluntergruppen in ihrer Entwicklung: Deep Learning und Machine Learning, die einige wesentliche Unterschiede aufweisen.
“Es ist wichtig zu beachten, dass Deep Learning (DL) eine Unterart des Machine Learning (ML) ist. Wenn wir also über DL sprechen, beziehen wir uns auf einen spezialisierteren Typ von ML, dessen Architektur auf komplexeren neuronalen Netzwerken basiert”, erklärt Montserrat Sacie, Data Scientist bei BBVA AI Factory. Um die Unterschiede zwischen künstlicher Intelligenz, Maschinelles Lernen und Deep Learning zu verstehen, können wir die Analogie einer russischen Teepuppe (Matroschka) verwenden, erklärt Daniel González Medina, Dozent des Masterstudiums in Datenwissenschaft und Big Data an der IEBS Business School. Die größere Puppe würde künstliche Intelligenz repräsentieren, ein breites Feld, das sich der Schaffung von Maschinen widmet, die in der Lage sind, menschliche Fähigkeiten nachzuahmen. Innerhalb der KI haben wir Machine Learning, einen Bereich, der sich auf Techniken konzentriert, die es Maschinen ermöglichen, spezifische Aufgaben aus Daten zu erlernen. Die kleinste Puppe wäre Deep Learning, das versucht, die Art und Weise, wie Menschen denken und lernen, nachzuahmen.
Um die Unterschiede zwischen Deep Learning und Machine Learning zu identifizieren, müssen wir tiefer in die Funktionsweise dieser Disziplinen eintauchen: Machine Learning beherrscht die Mustererkennung und das Erstellen von Vorhersagen und Empfehlungen durch die Verarbeitung großer Datenmengen. “Es ist so, als ob man eine Taschenlampe hätte, die sich einschaltet, wenn man ‘es ist dunkel’ sagt, so würde sie verschiedene Sätze mit dem Wort ‘dunkel’ erkennen”, gibt das US-Softwareunternehmen Zendesk als Beispiel. Deep Learning hingegen ist darauf ausgelegt, Daten zu analysieren und menschenähnliche Schlussfolgerungen zu ziehen, wobei es sich auf eine geschichtete Algorithmusstruktur namens künstliches neuronales Netzwerk verlässt.
Die Autoren erklären in einem Artikel des Massachusetts Institute of Technology (MIT): “Neuronale Netzwerke, die dem menschlichen Gehirn nachempfunden sind, bestehen aus tausenden oder sogar Millionen dicht miteinander verbundenen einzelnen Verarbeitungsknoten, die in Knotenschichten organisiert sind.” Somit würde die Deep-Learning-Technologie ihre automatischen Fähigkeiten erweitern. Laut Google besteht der Hauptunterschied zwischen den beiden Technologien darin, dass Deep Learning “weniger menschliches Eingreifen erfordert”. “Im Wesentlichen kann Deep Learning aus eigenen Fehlern lernen, während Machine Learning ein menschliches Eingreifen benötigt”, heißt es. Als Ergebnis benötigt Deep Learning auch viel mehr Daten und Rechenleistung. “Machine Learning kann in der Regel mit Servern, die CPUs ausführen, durchgeführt werden, während Deep Learning oft leistungsstärkere Chips wie GPUs erfordert”, fügen sie hinzu.