KI, maschinelles Lernen und Deep Learning: die Unterschiede einfach erklärt

Eine Landkarte aus drei Kreisen

Stellen Sie sich drei ineinanderliegende Kreise vor. Der äußere ist die künstliche Intelligenz, der mittlere das maschinelle Lernen, der innere das Deep Learning. Jeder Kreis liegt im vorigen: Deep Learning ist maschinelles Lernen, und maschinelles Lernen ist KI – aber nicht umgekehrt.

Künstliche Intelligenz: das weiteste Feld

Unter KI fallen alle Techniken, mit denen sich ein System „intelligent“ verhält. Dazu gehören auch klassische Systeme mit von Fachleuten geschriebenen Regeln, etwa „Wenn der Patient Fieber und Husten hat, empfiehl diese Untersuchung“. Nicht jede KI lernt aus Daten.

Maschinelles Lernen: aus Beispielen lernen

Beim maschinellen Lernen schreibt niemand die Regeln: Das System leitet sie aus einer Menge von Beispielen ab. Es gibt drei Hauptfamilien:

• Überwachtes Lernen: Die Beispiele tragen bereits die Antwort (E-Mails als Spam oder Nicht-Spam markiert), und das Modell lernt, sie vorherzusagen.
• Unüberwachtes Lernen: Es gibt keine Antworten, das Modell sucht selbst nach Gruppen und Mustern (zum Beispiel Segmente ähnlicher Kunden).
• Bestärkendes Lernen: Das System probiert Aktionen aus und erhält Belohnungen oder Strafen (Spiele, Robotik, Optimierung).

Deep Learning: tiefe neuronale Netze

Deep Learning nutzt künstliche neuronale Netze mit vielen Schichten. Jede Schicht verarbeitet die Daten und gibt sie an die nächste weiter, bis auch sehr komplexe Muster erkannt werden. Besonders wirksam ist es bei unstrukturierten Daten wie Bildern, Audio und Text, braucht aber viele Daten und viel Rechenleistung. Es steckt hinter Spracherkennung, Bilderkennung, maschineller Übersetzung und großen Sprachmodellen.

Wann Sie was brauchen

• Klare, stabile Regeln: Oft genügt klassische Software, ganz ohne KI.
• Tabellarische Daten (Kunden, Umsätze, Transaktionen) und Prognoseaufgaben: Klassisches maschinelles Lernen wie Regressionen und Entscheidungsbäume funktioniert oft gut und ist leichter zu erklären.
• Bilder, Audio, Freitext: Deep Learning ist meist die beste Wahl.

Warum die Unterscheidung für Unternehmen zählt

Die falsche Technik kostet Geld: Ein Deep-Learning-Modell braucht mehr Daten und mehr Rechenleistung und ist schwerer zu erklären als ein klassisches Modell. Erklärbarkeit ist auch für die Compliance wichtig: Wenn ein System Menschen betrifft, etwa bei Personalauswahl oder Kreditvergabe, muss man seine Entscheidungen begründen können.