Beantwortet von der Redaktion von Business.Digital Stand
Der Unterschied zum klassischen Machine Learning liegt darin, wer die Merkmale festlegt. Bei klassischen Verfahren definiert ein Mensch, worauf das Modell achten soll. Ein tiefes neuronales Netz erarbeitet sich diese Merkmale selbst aus den Daten.
Machine Learning ist der übergeordnete Begriff. Es gibt viele ML-Methoden: Entscheidungsbäume, Support Vector Machines, lineare Regression. Deep Learning ist eine davon, die besonders gut für unstrukturierte Daten geeignet ist: Bilder, Texte, Audio, Video.
Was macht Deep Learning so leistungsfähig?
Klassisches Machine Learning braucht “Feature Engineering”. Jemand muss vorher entscheiden, welche Merkmale der Daten relevant sind. Bei einem Bildklassifikations-Problem müsste man per Hand definieren: Kanten suchen, Farben messen, Formen erkennen. Deep Learning macht das selbst. Die frühen Schichten des Netzwerks lernen einfache Muster (Kanten, Kontraste), mittlere Schichten kombinieren diese zu Strukturen (Ohren, Augen), tiefe Schichten erkennen komplexe Konzepte (Katze, Hund).
Das hat Deep Learning in den 2010er Jahren durchgesetzt. Vorher waren die Methoden bekannt, aber die verfügbare Rechenleistung und Datenmenge reichten nicht. Beides explodierte in dieser Periode.
Wo kommt Deep Learning zum Einsatz?
Spracherkennung, Sprachmodelle, Bildgeneratoren, Übersetzungstools, medizinische Bildanalyse, autonomes Fahren, Produktempfehlungssysteme. Die meisten der bekannten KI-Anwendungen basieren auf Deep Learning.
Für Unternehmen bedeutet das: Die Leistungsfähigen Werkzeuge, die heute über APIs verfügbar sind, nutzen im Hintergrund Deep-Learning-Modelle. Du musst das nicht selbst bauen, aber ein grundlegendes Verständnis hilft bei der richtigen Einschätzung, was möglich ist. Mehr dazu in einer KI-Beratung.