Was ist der Unterschied zwischen Deep Learning, Machine Learning und künstlicher Intelligenz?

Die künstliche Intelligenz ist ein weites Feld mit vielen miteinander verbundenen Begriffen und Konzepten und wird oft als Sammelbegriff für jede Art intelligenter Maschine verwendet. In Wirklichkeit sind künstliche Intelligenz, Machine Learning und Deep Learning unterschiedliche Begriffe mit feinen Unterschieden.

Wenn Sie mehr darüber erfahren möchten, wie Ihr Unternehmen von künstlicher Intelligenz und Machine Learning profitieren kann, lesen Sie hier mehr zu den KI- und ML-Produkten und -Lösungen von Google Cloud.

Neukunden erhalten ein Guthaben von bis zu 300 $, um Vertex AI und andere Google Cloud-Produkte auszuprobieren. 

Wenn Sie mehr über die Beziehung zwischen KI, Deep Learning und maschinellem Lernen erfahren möchten, lesen Sie weiter.

Was ist Deep Learning?

Deep Learning ist eine Untergruppe des maschinellen Lernens, die künstliche neuronale Netzwerke verwendet, um Informationen zu verarbeiten und zu analysieren. Neuronale Netzwerke bestehen aus Rechenknoten, die innerhalb von Deep-Learning-Algorithmen geschichtet sind. Jede Ebene enthält eine Eingabe-, eine Ausgabe- und eine verborgene Ebene. Das neuronale Netzwerk wird mit Trainingsdaten gefüttert, die dem Algorithmus beim Lernen helfen und die Genauigkeit verbessern. Wenn ein neuronales Netzwerk neben den Eingabe- und Ausgabeschichten mehrere verborgene Schichten enthält, wird es als tiefes neuronales Deep-Learning-Netzwerk bezeichnet. Dies ist die Grundlage für Deep Learning.

Deep-Learning-Algorithmen sind von der Funktionsweise des menschlichen Gehirns inspiriert und eignen sich besonders gut für die Analyse großer Mengen unstrukturierter Daten. Sie werden in vielen Aufgaben eingesetzt, die wir heute als KI betrachten, einschließlich Bild- und Spracherkennung, Objekterkennung und Natural Language Processing. Deep Learning kann nicht lineare, komplexe Korrelationen innerhalb von Datasets herstellen, erfordert jedoch mehr Trainingsdaten und Rechenressourcen als maschinelles Lernen.

Zu den gängigen Arten neuronaler Netzwerke, die für Deep Learning verwendet werden, gehören:

  • Neuronale Feed-Forward-Netzwerke (FF) sind eine der ältesten Formen neuronaler Netzwerke, bei denen Daten durch Ebenen von künstlichen Neuronen fließen, bis die Ausgabe erreicht wird.
  • Rekurrentes neuronales Netz (RNN) unterscheidet sich von den neuronalen Feed-Forward-Netzwerkmodelle insofern, als sie in der Regel Zeitachsendaten oder Daten verwenden, die Sequenzen enthalten. Recurrent neuronale Netzwerke verfügen über einen „Gedächtnis“ dessen, was in der vorherigen Schicht passiert ist, abhängig von der Ausgabe der aktuellen Schicht.
  • Langzeit-/Kurzzeitspeicher (LSTM) ist eine erweiterte Form von RNN, die sich mithilfe von Speichern daran „erinnern“ kann, was in den vorherigen Ebenen passiert ist.
  • Convolutional Neural Networks (CNN) umfassen einige der gängigsten neuronalen Netzwerke der modernen künstlichen Intelligenz und verwenden mehrere verschiedene Schichten (eine Convolutional-Schicht und dann eine Pooling-Schicht), die verschiedene Teile eines Bildes filtern, bevor sie es darstellen. wieder zusammengefügt (in der vollständig verbundenen Schicht).
  • Generative Adversarial Networks (GANs) umfassen zwei neuronale Netzwerke („Generator“ und „Diskriminator“), die in einem Spiel miteinander konkurrieren, was letztendlich die Genauigkeit der Ausgabe verbessert.

Was ist Machine Learning?

Maschinelles Lernen ist eine Untergruppe künstlicher Intelligenz, die es einem System ermöglicht, autonom zu lernen und sich zu verbessern, ohne explizit programmiert zu werden. Algorithmen für maschinelles Lernen erkennen Muster und Daten und treffen Vorhersagen, wenn neue Daten in das System eingegeben werden.

Beim maschinellen Lernen werden in der Regel verschiedene Modelle verwendet, darunter:

Beaufsichtigtes Lernen

Das überwachte Lernen ist ein Modell für maschinelles Lernen, das mit Labels versehene Trainingsdaten (strukturierte Daten) verwendet, um einer Ausgabe eine bestimmte Eingabe zuzuordnen. Beim überwachten Lernen ist die Ausgabe bekannt (z. B. beim Erkennen des Bildes eines Apfels) und das Modell wird mit Daten der bekannten Ausgabe trainiert. Einfach ausgedrückt: Damit der Algorithmus Bilder von Äpfeln erkennt, füttern Sie ihn mit Bildern, die als Äpfel gekennzeichnet sind.

Zu den am häufigsten verwendeten Algorithmen für überwachtes Lernen gehören:

  • Lineare Regression
  • K-nächstgelegene Nachbarn
  • Naive Bayes
  • Polynom Regression
  • Entscheidungsbäume

Unbeaufsichtigtes Lernen

Unüberwachtes Lernen ist ein Modell für maschinelles Lernen, das Daten ohne Label (unstrukturierte Daten) verwendet, um Muster zu lernen. Anders als beim überwachten Lernen ist die Ausgabe nicht im Voraus bekannt. Der Algorithmus lernt viel aus den Daten, ohne dass Menschen dazu etwas tun (ist also unbeaufsichtigt), und kategorisiert sie anhand von Attributen in Gruppen.

Zu den am häufigsten verwendeten Algorithmen für unbeaufsichtigtes Lernen gehören:

  • Ungenaue Übereinstimmungen
  • K-Means-Clustering
  • Hierarchisches Clustering
  • Analyse der Hauptkomponenten
  • Partial Least Squares

Halbüberwachtes Lernen

Häufig wird auch ein gemischtes maschinelles Lernen verwendet, das als halbüberwachtes Lernen bezeichnet wird, bei dem nur ein Teil der Daten mit Labels versehen ist. Beim halbüberwachten Lernen muss der Algorithmus herausfinden, wie die Daten organisiert und strukturiert werden können, um ein bekanntes Ergebnis zu erzielen. Dem Modell für maschinelles Lernen wird beispielsweise mitgeteilt, dass das Endergebnis ein Apfel ist, aber nur ein Teil der Trainingsdaten ist als „Apfel“ gekennzeichnet.

Reinforcement Learning

Bestärkendes Lernen ist ein Modell für maschinelles Lernen, das durch eine Reihe von Trial-and-Error-Experimenten als „Learn byDo“ bezeichnet wird. Ein Agent lernt, eine definierte Aufgabe über eine Feedbackschleife auszuführen, bis seine Leistung in einem gewünschten Bereich liegt. Der Agent erhält eine positive Bestärkung, wenn er die Aufgabe gut ausführt hat, und eine negative Verstärkung, wenn er eine schlechte Leistung erzielt.

Was ist künstliche Intelligenz?

Künstliche Intelligenz ist ein Wissenschaftsbereich, der sich mit der Entwicklung von Computern und Maschinen befasst, die logisch denken, lernen und in einer Weise handeln können, die normalerweise menschliche Intelligenz erfordern würde oder die mit Daten zu tun hat, deren Umfang das übersteigt, was Menschen analysieren können. KI ist ein großes Gebiet, das viele Disziplinen umfasst, darunter Informatik, Daten- und Analyse, Softwareentwicklung und sogar Philosophie. 

Auf Unternehmensebene umfasst KI eine Reihe von Technologien, die für viele Anwendungsfälle eingesetzt werden, darunter Datenanalyse, Vorhersagen und Prognosen, Natural Language Processing, Empfehlungen, Maschinenautomatisierung, intelligenter Datenabruf und mehr.

Künstliche Intelligenz im Vergleich zu Machine Learning und Deep Learning

Diese Begriffe sind zwar miteinander verwandt, bilden aber eine klare Hierarchie: Deep Learning ist eine spezielle Art des maschinellen Lernens und maschinelles Lernen ist eine Kerndisziplin innerhalb des breiteren Bereichs der künstlichen Intelligenz. Die wichtigsten Unterschiede finden sich in den Bereichen Fähigkeiten, Komplexität und Feature Engineering. 

Feature

Künstliche Intelligenz

Maschinelles Lernen

Deep Learning

Umfang und Definition

Umfassendstes Konzept. Bereich, der sich mit der Entwicklung von Systemen oder Maschinen befasst, die Aufgaben ausführen können, für die normalerweise menschliche Intelligenz erforderlich ist (z. B. Schlussfolgern, Problemlösen, Lernen, Wahrnehmung).

Ein Teilbereich der KI. Der Schwerpunkt liegt auf der Entwicklung von Systemen, die aus Daten lernen und Entscheidungen treffen können, ohne für jedes Szenario explizit programmiert zu werden.

Ein Teilbereich des ML. Verwendet mehrschichtige künstliche neuronale Netzwerke (Artificial Neural Networks, ANNs), um komplexe Muster und hierarchische Darstellungen direkt aus großen Mengen an Rohdaten zu lernen.

Ziel


Menschliche Intelligenz in Maschinen simulieren oder nachbilden.

Maschinen sollen aus Daten lernen, um bestimmte Aufgaben präzise auszuführen.

Um eine höhere Genauigkeit zu erzielen und komplexere Muster (insbesondere in unstrukturierten Daten) zu verarbeiten, indem Merkmale aus Daten mithilfe von Deep Neural Networks automatisch gelernt werden.

Ansatz

Kann verschiedene Techniken nutzen: Logik, regelbasierte Systeme, Suchalgorithmen, Optimierung und – vielleicht am wichtigsten – maschinelles Lernen und Deep Learning.

Verwendet Algorithmen (z. B. lineare Regression, SVM, Entscheidungsbäume, Random Forests), um Daten zu analysieren, aus ihnen zu lernen und fundierte Entscheidungen oder Vorhersagen zu treffen.

Verwendet komplexe, mehrschichtige künstliche neuronale Netzwerke (inspiriert von der Struktur des menschlichen Gehirns) mit vielen Parametern.

Datenanforderungen

Sehr unterschiedlich. Regelbasierte KI benötigt möglicherweise nur wenige Daten, während KI, die auf ML/DL basiert, erhebliche Datenmengen benötigt.

Erfordert große Mengen an strukturierten oder gelabelten Daten, um Algorithmen effektiv zu trainieren. Die Leistung verbessert sich in der Regel mit mehr Daten.

Erfordert sehr große Datasets (oft Millionen von Datenpunkten), um Deep-Learning-Netzwerke effektiv zu trainieren. Die Leistung hängt stark vom Datenumfang ab.

Hardwareanforderungen

Variabel. Einfache KI kann auf grundlegender Hardware ausgeführt werden.

Kann oft auf Standard-CPUs ausgeführt werden. Komplexe Modelle profitieren jedoch von mehr Rechenleistung.

Erfordert in der Regel Hochleistungs-Computing für ein effizientes Training, insbesondere GPUs oder TPUs, aufgrund massiver paralleler Berechnungen.

Feature Engineering


Das hängt von der verwendeten Methode ab.

Erfordert oft umfangreiches manuelles Feature Engineering. Menschen müssen relevante Eingabefeatures aus den Rohdaten auswählen, transformieren und erstellen, damit der Algorithmus lernen kann.

Führt eine automatische Feature-Extraktion durch. Das Netzwerk lernt die relevanten Features hierarchisch über seine Layers direkt aus den Rohdaten, wodurch der Bedarf an manuellem Feature Engineering reduziert wird.

Trainingszeit

Nicht zutreffend für nicht-lernende KI. Variiert stark bei ML/DL-basierter KI.

Kann von Sekunden bis Stunden dauern, ist aber in der Regel schneller als DL für Aufgaben, für die ML geeignet ist.

Benötigt oft sehr lange Trainingszeiten (Stunden, Tage oder sogar Wochen) aufgrund großer Datasets und komplexer Netzwerkarchitekturen.

Interpretierbarkeit

Variabel Regelbasierte Systeme sind in der Regel gut interpretierbar. KI, die komplexe ML/DL verwendet, kann schwer zu interpretieren sein.

Variabel Einfachere Modelle (z. B. Entscheidungsbäume, lineare Regression) sind relativ besser interpretierbar. Komplexe Modelle (z. B. Ensemble-Methoden) sind möglicherweise weniger geeignet.

Oft mangelnde Transparenz. Es kann schwierig sein, zu verstehen, warum ein Deep-Learning-Modell eine bestimmte Entscheidung getroffen hat, da die Modelle sehr komplex sind und viele Parameter haben.

Wichtige Anwendungsfälle und Beispiele


Expertensysteme, Schachprogramme, allgemeine Problemlöser, übergreifende Konzepte für virtuelle Assistenten und selbstfahrende Autos.

Empfehlungssysteme im E-Commerce oder bei Streamingdiensten, Spamfilterung, vorausschauende Wartung, medizinische Diagnose anhand strukturierter Daten, Vorhersage der Kundenabwanderung.

Bilderkennung (Tagging von Fotos), Natural Language Processing (Übersetzung, Sentimentanalyse), Spracherkennung (Sprachassistenten), Wahrnehmungssysteme für autonome Fahrzeuge, erweiterte medizinische Bildanalyse.

Feature

Künstliche Intelligenz

Maschinelles Lernen

Deep Learning

Umfang und Definition

Umfassendstes Konzept. Bereich, der sich mit der Entwicklung von Systemen oder Maschinen befasst, die Aufgaben ausführen können, für die normalerweise menschliche Intelligenz erforderlich ist (z. B. Schlussfolgern, Problemlösen, Lernen, Wahrnehmung).

Ein Teilbereich der KI. Der Schwerpunkt liegt auf der Entwicklung von Systemen, die aus Daten lernen und Entscheidungen treffen können, ohne für jedes Szenario explizit programmiert zu werden.

Ein Teilbereich des ML. Verwendet mehrschichtige künstliche neuronale Netzwerke (Artificial Neural Networks, ANNs), um komplexe Muster und hierarchische Darstellungen direkt aus großen Mengen an Rohdaten zu lernen.

Ziel


Menschliche Intelligenz in Maschinen simulieren oder nachbilden.

Maschinen sollen aus Daten lernen, um bestimmte Aufgaben präzise auszuführen.

Um eine höhere Genauigkeit zu erzielen und komplexere Muster (insbesondere in unstrukturierten Daten) zu verarbeiten, indem Merkmale aus Daten mithilfe von Deep Neural Networks automatisch gelernt werden.

Ansatz

Kann verschiedene Techniken nutzen: Logik, regelbasierte Systeme, Suchalgorithmen, Optimierung und – vielleicht am wichtigsten – maschinelles Lernen und Deep Learning.

Verwendet Algorithmen (z. B. lineare Regression, SVM, Entscheidungsbäume, Random Forests), um Daten zu analysieren, aus ihnen zu lernen und fundierte Entscheidungen oder Vorhersagen zu treffen.

Verwendet komplexe, mehrschichtige künstliche neuronale Netzwerke (inspiriert von der Struktur des menschlichen Gehirns) mit vielen Parametern.

Datenanforderungen

Sehr unterschiedlich. Regelbasierte KI benötigt möglicherweise nur wenige Daten, während KI, die auf ML/DL basiert, erhebliche Datenmengen benötigt.

Erfordert große Mengen an strukturierten oder gelabelten Daten, um Algorithmen effektiv zu trainieren. Die Leistung verbessert sich in der Regel mit mehr Daten.

Erfordert sehr große Datasets (oft Millionen von Datenpunkten), um Deep-Learning-Netzwerke effektiv zu trainieren. Die Leistung hängt stark vom Datenumfang ab.

Hardwareanforderungen

Variabel. Einfache KI kann auf grundlegender Hardware ausgeführt werden.

Kann oft auf Standard-CPUs ausgeführt werden. Komplexe Modelle profitieren jedoch von mehr Rechenleistung.

Erfordert in der Regel Hochleistungs-Computing für ein effizientes Training, insbesondere GPUs oder TPUs, aufgrund massiver paralleler Berechnungen.

Feature Engineering


Das hängt von der verwendeten Methode ab.

Erfordert oft umfangreiches manuelles Feature Engineering. Menschen müssen relevante Eingabefeatures aus den Rohdaten auswählen, transformieren und erstellen, damit der Algorithmus lernen kann.

Führt eine automatische Feature-Extraktion durch. Das Netzwerk lernt die relevanten Features hierarchisch über seine Layers direkt aus den Rohdaten, wodurch der Bedarf an manuellem Feature Engineering reduziert wird.

Trainingszeit

Nicht zutreffend für nicht-lernende KI. Variiert stark bei ML/DL-basierter KI.

Kann von Sekunden bis Stunden dauern, ist aber in der Regel schneller als DL für Aufgaben, für die ML geeignet ist.

Benötigt oft sehr lange Trainingszeiten (Stunden, Tage oder sogar Wochen) aufgrund großer Datasets und komplexer Netzwerkarchitekturen.

Interpretierbarkeit

Variabel Regelbasierte Systeme sind in der Regel gut interpretierbar. KI, die komplexe ML/DL verwendet, kann schwer zu interpretieren sein.

Variabel Einfachere Modelle (z. B. Entscheidungsbäume, lineare Regression) sind relativ besser interpretierbar. Komplexe Modelle (z. B. Ensemble-Methoden) sind möglicherweise weniger geeignet.

Oft mangelnde Transparenz. Es kann schwierig sein, zu verstehen, warum ein Deep-Learning-Modell eine bestimmte Entscheidung getroffen hat, da die Modelle sehr komplex sind und viele Parameter haben.

Wichtige Anwendungsfälle und Beispiele


Expertensysteme, Schachprogramme, allgemeine Problemlöser, übergreifende Konzepte für virtuelle Assistenten und selbstfahrende Autos.

Empfehlungssysteme im E-Commerce oder bei Streamingdiensten, Spamfilterung, vorausschauende Wartung, medizinische Diagnose anhand strukturierter Daten, Vorhersage der Kundenabwanderung.

Bilderkennung (Tagging von Fotos), Natural Language Processing (Übersetzung, Sentimentanalyse), Spracherkennung (Sprachassistenten), Wahrnehmungssysteme für autonome Fahrzeuge, erweiterte medizinische Bildanalyse.

Gleich loslegen

Profitieren Sie von einem Guthaben über 300 $, um Google Cloud und mehr als 20 „Immer kostenlos“-Produkte kennenzulernen.

Google Cloud