\u201eK\u00fcnstliche Intelligenz“ und \u201eMachine Learning“ werden im Alltag oft f\u00fcr dasselbe gehalten. In Stellenanzeigen, in den Medien und auf Produktseiten stehen sie meist nebeneinander, als w\u00e4ren sie austauschbar. Das sind sie nicht. Wer eine Weiterbildung plant oder verstehen will, wor\u00fcber gerade alle reden, kommt mit der sauberen Unterscheidung deutlich weiter. Dieser Artikel trennt die drei Begriffe, die st\u00e4ndig durcheinandergeraten: KI, Machine Learning und Deep Learning.<\/p>\n\n\n\n
K\u00fcnstliche Intelligenz ist der Oberbegriff f\u00fcr alle Verfahren, die Computer Aufgaben l\u00f6sen lassen, f\u00fcr die man sonst menschliche Intelligenz braucht. Machine Learning ist ein Teilgebiet davon: die Methode, bei der ein System aus Daten lernt, statt festen Regeln zu folgen. Kurz gesagt: Jedes Machine Learning ist KI, aber nicht jede KI ist Machine Learning.<\/p>\n\n\n\n
K\u00fcnstliche Intelligenz<\/a> beschreibt ein Ziel, keine bestimmte Technik. Gemeint ist, dass eine Maschine Aufgaben erledigt, die sonst menschliches Denken verlangen: Sprache verstehen, Bilder deuten, planen, Entscheidungen treffen.<\/p>\n\n\n\n Wichtig ist, dass es daf\u00fcr verschiedene Wege gibt. Eine KI kann auf starren Wenn-Dann-Regeln beruhen, die ein Mensch von Hand aufgeschrieben hat. Ein einfaches Schachprogramm oder ein regelbasiertes System, das Antr\u00e4ge nach festen Kriterien sortiert, ist bereits KI, ganz ohne Lernen. Solche Systeme sind gut nachvollziehbar, aber sie werden nie besser, als ihre Regeln es zulassen.<\/p>\n\n\n\n Ein Punkt r\u00e4umt viele Missverst\u00e4ndnisse aus: Alle heute genutzten Systeme<\/a> sind sogenannte \u201eschwache KI“. Sie sind auf eine eng umrissene Aufgabe spezialisiert. Ein \u00dcbersetzungssystem \u00fcbersetzt, ein Empfehlungssystem empfiehlt. Eine KI mit allgemeinem Alltagsverstand, die frei zwischen Aufgaben wechselt, gibt es nicht. Wenn in den Medien von \u201eder KI“ die Rede ist, ist fast immer ein spezialisiertes System gemeint.<\/p>\n\n\n\n Machine Learning ist der Teil der KI, der in den letzten Jahren f\u00fcr die meisten Fortschritte gesorgt hat. Statt Regeln zu bekommen, lernt ein Modell aus Beispielen. Man zeigt ihm historische Daten, es erkennt darin Muster und wendet sie auf neue F\u00e4lle an.<\/p>\n\n\n\n Der Unterschied zur regelbasierten KI ist grundlegend. Ein regelbasiertes System kann nur, was jemand ihm vorgeschrieben hat. Ein lernendes System entdeckt Zusammenh\u00e4nge, an die niemand gedacht hat, solange genug Daten vorhanden sind. Daf\u00fcr ist sein Ergebnis nie eine feste Wahrheit, sondern eine Wahrscheinlichkeit.<\/p>\n\n\n\n Ein Beispiel macht den Unterschied greifbar. Ein regelbasierter Spam-Filter blockiert Mails mit bestimmten, vorher eingetragenen W\u00f6rtern. Ein lernender Spam-Filter bekommt zehntausende markierte Mails und leitet selbst ab, was Spam ausmacht. Er passt sich an, wenn sich die Tricks der Absender \u00e4ndern. Der regelbasierte Filter tut das nicht.<\/p>\n\n\n\n Ein wichtiger Punkt f\u00fcr die Praxis: Klassisches Machine Learning braucht Menschen, die die Daten vorbereiten und die richtigen Merkmale herausarbeiten. Diese Aufbereitung, das Feature Engineering, ist oft der aufwendigste Teil und genau dort liegt die Arbeit von Datenexpert:innen. Wie dieses Lernen aus Daten Schritt f\u00fcr Schritt funktioniert<\/a>, zeigt der ausf\u00fchrliche \u00dcberblick.<\/p>\n\n\n\n Ein dritter Begriff geistert durch fast jeden Text zum Thema: Deep Learning. Es ist keine Alternative zum Machine Learning, sondern ein Spezialfall davon.<\/p>\n\n\n\n Deep Learning arbeitet mit k\u00fcnstlichen neuronalen Netzen<\/a>, die aus vielen Schichten bestehen. Daher das \u201edeep“, tief. Der praktische Vorteil: Diese Netze k\u00f6nnen unstrukturierte Rohdaten wie Bilder, Sprache oder Ton direkt verarbeiten und suchen sich die wichtigen Merkmale selbst, ohne dass ein Mensch sie vorher benennt.<\/p>\n\n\n\n Das macht Deep Learning stark bei Aufgaben, die klassisches Machine Learning \u00fcberfordern: Gesichtserkennung, Sprach\u00fcbersetzung und Spracherkennung<\/a> sind daf\u00fcr typische Alltagsbeispiele. Der Preis daf\u00fcr ist hoch. Deep Learning braucht sehr gro\u00dfe Datenmengen, oft Millionen von Beispielen, und viel Rechenleistung. Und es hat einen Haken, der gerade in kritischen Bereichen z\u00e4hlt: Die Entscheidungen tiefer Netze sind f\u00fcr Menschen kaum noch nachvollziehbar. Man spricht von der \u201eBlack Box“, einem Problem, an dessen Absicherung Forschungsinstitute wie das Fraunhofer IKS<\/a> arbeiten.<\/p>\n\n\n\n Am einfachsten merkt man sich die drei Begriffe als ineinander liegende Kreise. Deep Learning steckt im Machine Learning, und Machine Learning steckt in der k\u00fcnstlichen Intelligenz.<\/p>\n\n\n\nMachine Learning: die lernende Methode<\/h2>\n\n\n\n
Deep Learning: die tiefe Schicht<\/h2>\n\n\n\n
KI, Machine Learning und Deep Learning im Vergleich<\/h2>\n\n\n\n