Machine Learning und Deep Learning erklärt

Machine Learning einfach erklärt

Machine Learning und Deep Learning einfach erklärt: Unterschiede, Lernverfahren, neuronale Netze und praktische Beispiele verständlich erklärt.

Machine Learning und Deep Learning gehören zu den wichtigsten Grundlagen moderner künstlicher Intelligenz. Sie ermöglichen es Computern, Muster in Daten zu erkennen, Vorhersagen zu treffen und komplexe Aufgaben zu lösen, ohne dass jede einzelne Entscheidung zuvor von einem Menschen programmiert werden muss.

Ob personalisierte Produktempfehlungen, automatische Übersetzungen, Bilderkennung oder moderne Sprachmodelle wie ChatGPT: Hinter vielen dieser Anwendungen stehen Verfahren des maschinellen Lernens.

Besonders häufig begegnen uns dabei zwei Begriffe: Machine Learning (ML) und Deep Learning (DL). Obwohl sie eng miteinander verwandt sind, beschreiben sie nicht genau dasselbe.

Während Machine Learning unterschiedliche mathematische Lernverfahren umfasst, verwendet Deep Learning vielschichtige künstliche neuronale Netze, um komplexe Zusammenhänge in Daten zu modellieren.

Doch wie lernen Maschinen eigentlich? Was unterscheidet Deep Learning von klassischen Lernverfahren? Welche Rolle spielen Trainingsdaten und neuronale Netze?

Dieser Ratgeber erklärt beide Technologien Schritt für Schritt, stellt ihre Unterschiede gegenüber und zeigt anhand praktischer Beispiele, wann welche Methode sinnvoll ist.

Was ist Machine Learning?

Machine Learning (maschinelles Lernen) ist ein Teilgebiet der künstlichen Intelligenz, bei dem Computersysteme anhand von Daten mathematische Muster erlernen.

Statt für jede mögliche Situation eine feste Regel zu programmieren, wird ein Modell mithilfe von Beispielen trainiert. Anschließend kann es das Gelernte auf neue, bisher unbekannte Daten anwenden.

Ein einfaches Beispiel ist die automatische Erkennung von Spam-E-Mails.

Bei einer klassischen regelbasierten Lösung könnte ein Programm prüfen, ob eine Nachricht bestimmte verdächtige Wörter enthält.

Ein Machine-Learning-Modell kann dagegen anhand vieler E-Mails lernen, welche Kombinationen von Merkmalen häufig auf Spam hinweisen.

Das können beispielsweise bestimmte Formulierungen, ungewöhnliche Absendermerkmale oder statistische Auffälligkeiten sein.

Nach dem Training kann das Modell für eine neue E-Mail einschätzen, mit welcher Wahrscheinlichkeit sie Spam enthält.

Der wichtige Unterschied: Die Entscheidungsregeln werden nicht vollständig von einem Programmierer vorgegeben, sondern anhand von Trainingsdaten angepasst.

Wie unterscheidet sich Machine Learning von klassischer Programmierung?

Bei traditioneller Programmierung legt ein Entwickler bestimmte Regeln fest.

Beispielsweise:

Wenn der Rechnungsbetrag größer als 1.000 Euro ist, leite die Rechnung zur Freigabe weiter.

Das Programm führt diese Regel aus, unabhängig davon, wie viele Rechnungen zuvor verarbeitet wurden.

Beim Machine Learning wird dagegen ein Modell aus Beispieldaten trainiert, um Zusammenhänge zu erkennen.

Ein trainiertes System könnte anhand historischer Rechnungen Auffälligkeiten identifizieren und eine Risikoeinschätzung erstellen.

Der Unterschied liegt also im Weg zur Entscheidung:

Klassische Programmierung: Daten und festgelegte Regeln erzeugen ein Ergebnis.
Machine Learning: Trainingsdaten und ein Lernverfahren erzeugen ein Modell, das anschließend neue Daten verarbeitet.

Dabei ersetzt Machine Learning klassische Programmierung nicht. Auch ein trainiertes KI-Modell wird in Software eingebunden, die Regeln, Berechtigungen und andere Funktionen bereitstellt.

Was ist Deep Learning?

Deep Learning (tiefes Lernen) ist ein Teilbereich des Machine Learning, der künstliche neuronale Netze mit mehreren Verarbeitungsschichten verwendet.

Diese Netzwerke können komplexe Muster und Beziehungen innerhalb großer Datenmengen erlernen.

Die Bezeichnung „Deep“ bezieht sich auf die Tiefe des neuronalen Netzes, also auf die Anzahl aufeinanderfolgender Verarbeitungsschichten.

Ein tiefes neuronales Netz besteht typischerweise aus einer Eingabeschicht, mehreren verborgenen Schichten und einer Ausgabeschicht.

Jede Schicht verarbeitet Informationen und gibt mathematisch transformierte Werte an die nächste Schicht weiter.

Dadurch kann das Modell zunehmend komplexe Merkmalsdarstellungen erlernen.

Ein Beispiel aus der Bilderkennung

Stellen wir uns ein Deep-Learning-Modell vor, das Hunde auf Fotos erkennen soll.

In einer vereinfachten Darstellung könnten unterschiedliche Verarbeitungsschichten folgende Merkmale erfassen:

Einfache Kanten, Kontraste und Farbunterschiede
Kombinationen aus Formen und Texturen
Komplexere Strukturen wie Fellmuster oder Körperteile
Merkmalskombinationen, die zur Klassifikation eines Hundes beitragen

Diese Merkmale werden nicht notwendigerweise so eindeutig einzelnen Schichten zugeordnet. Das Beispiel verdeutlicht lediglich, wie sich aus einfachen Mustern komplexere Darstellungen entwickeln können.

Im Gegensatz zu manchen traditionellen Lernverfahren kann ein Deep-Learning-Modell zahlreiche relevante Merkmale direkt aus den Rohdaten lernen.

Diese Fähigkeit macht Deep Learning besonders interessant für die Verarbeitung von Bildern, Sprache, Audio und anderen komplexen Datenformen.

Wie hängen KI, Machine Learning und Deep Learning zusammen?

Die drei Begriffe beschreiben unterschiedliche Ebenen eines gemeinsamen technologischen Bereichs.

Künstliche Intelligenz (KI) ist der übergeordnete Begriff. Er umfasst verschiedene Methoden, mit denen Computersysteme Aufgaben wie Mustererkennung, Planung, Sprachverarbeitung oder Entscheidungsunterstützung lösen.

Machine Learning ist ein Teilgebiet der KI, in dem Modelle aus Daten lernen.

Deep Learning ist wiederum ein Teilgebiet des Machine Learning und verwendet mehrschichtige neuronale Netze.

Die Beziehung lautet deshalb:

Künstliche Intelligenz → Machine Learning → Deep Learning

Nicht jede künstliche Intelligenz verwendet Machine Learning. Ein regelbasiertes Expertensystem kann beispielsweise ebenfalls als KI-System betrachtet werden.

Ebenso ist nicht jedes Machine-Learning-Modell ein Deep-Learning-Modell.

Ein Entscheidungsbaum oder eine klassische lineare Regression gehören zum Machine Learning, benötigen aber kein tiefes neuronales Netz.

Moderne generative KI-Anwendungen basieren häufig auf Deep Learning, insbesondere wenn große Sprach-, Bild- oder Videomodelle eingesetzt werden.

Wie funktioniert Machine Learning Schritt für Schritt?

Ob ein Modell Kundenverhalten vorhersagt, Bilder erkennt oder Verkaufszahlen analysiert: Viele Machine-Learning-Projekte folgen einem ähnlichen grundlegenden Ablauf.

1. Das Problem wird definiert

Am Anfang steht eine konkrete Aufgabe.

Beispielsweise soll ein Unternehmen vorhersagen, wie hoch die Nachfrage nach Ferienwohnungen in einer bestimmten Saison sein wird.

Dazu muss zunächst festgelegt werden, welches Ergebnis das Modell liefern soll.

Mögliche Zielgrößen wären die erwartete Auslastung, eine Zahl von Buchungen oder die Wahrscheinlichkeit einer Buchung in einem bestimmten Zeitraum.

Ohne ein klar definiertes Ziel lässt sich ein Modell kaum sinnvoll trainieren oder bewerten.

2. Trainingsdaten werden gesammelt

Machine Learning benötigt geeignete Daten.

Für das Beispiel könnten unter anderem folgende Informationen relevant sein:

Historische Buchungen und Auslastungswerte
Saison und Reisezeitraum
Übernachtungspreise
Standort und Eigenschaften der Unterkunft
Frühere Buchungsvorlaufzeiten
Feiertage oder andere bekannte Einflussfaktoren

Entscheidend ist, dass die Daten für die Fragestellung relevant, ausreichend vollständig und möglichst zuverlässig sind.

Eine größere Datenmenge führt nicht automatisch zu besseren Ergebnissen. Fehlerhafte oder ungeeignete Daten können die Modellqualität sogar verschlechtern.

3. Daten werden vorbereitet

Bevor das Training beginnt, müssen Daten häufig bereinigt und umgewandelt werden.

Dazu gehören die Behandlung fehlender Werte, die Entfernung problematischer Duplikate und die Umwandlung von Kategorien in numerische Darstellungen.

Auch die Auswahl geeigneter Eingangsmerkmale spielt eine wichtige Rolle.

Diese Merkmale werden im Machine Learning als Features bezeichnet.

Für eine Nachfrageprognose könnten beispielsweise die Anzahl der Tage bis zur Anreise und die jeweilige Saison wichtige Features sein.

4. Das Modell wird trainiert

Während des Trainings verarbeitet ein Lernalgorithmus die bereitgestellten Daten.

Er passt die Modellparameter so an, dass Vorhersagen oder andere Trainingsziele möglichst gut erfüllt werden.

Bei einem Prognosemodell könnte das System beispielsweise lernen, welche Kombinationen aus Saison, Preis und Buchungsvorlauf häufig mit einer bestimmten Auslastung verbunden sind.

Das Training bedeutet nicht, dass das Modell die Zukunft kennt. Es lernt statistische Muster aus den verfügbaren Beispielen.

5. Die Ergebnisse werden überprüft

Ein Modell sollte nicht ausschließlich anhand der Daten bewertet werden, mit denen es trainiert wurde.

Entscheidend ist, ob es auch bei bisher unbekannten Daten zuverlässig funktioniert.

Deshalb werden Trainingsdaten und unabhängige Evaluationsdaten verwendet.

Im professionellen Machine Learning unterscheidet man häufig zwischen Trainings-, Validierungs- und Testdaten.

6. Das Modell wird eingesetzt und überwacht

Nach erfolgreicher Prüfung kann das Modell in eine Anwendung integriert werden.

Diesen produktiven Einsatz bezeichnet man häufig als Deployment.

Das Modell kann nun neue Daten verarbeiten und beispielsweise Vorhersagen erzeugen.

Im laufenden Betrieb muss überprüft werden, ob sich Daten oder äußere Bedingungen verändern und die Vorhersagen weiterhin zuverlässig bleiben.

Welche Arten von Machine Learning gibt es?

Machine Learning umfasst unterschiedliche Lernverfahren. Die wichtigsten unterscheiden sich vor allem darin, welche Informationen während des Trainings verfügbar sind und welches Ziel verfolgt wird.

Supervised Learning: Überwachtes Lernen

Beim überwachten Lernen wird ein Modell mit Beispielen trainiert, zu denen bekannte Zielwerte oder richtige Antworten vorliegen.

Diese Zielwerte werden als Labels bezeichnet.

Ein Beispiel ist die Immobilienpreisprognose.

Der Datensatz enthält Informationen über verschiedene Immobilien, darunter Wohnfläche, Standort, Zustand und tatsächliche Verkaufspreise.

Das Modell versucht, Zusammenhänge zwischen den Merkmalen und den Verkaufspreisen zu lernen.

Anschließend kann es eine Preisschätzung für eine neue Immobilie erstellen.

Zu den typischen Aufgaben des überwachten Lernens gehören:

Klassifikation: Ein Modell ordnet Informationen einer Kategorie zu, beispielsweise Spam oder kein Spam.

Regression: Ein Modell schätzt einen kontinuierlichen Zahlenwert, beispielsweise einen Immobilienpreis oder eine erwartete Nachfrage.

Bekannte Verfahren sind lineare Regression, logistische Regression, Entscheidungsbäume, Random Forests und Gradient Boosting.

Auch tiefe neuronale Netze können überwacht trainiert werden.

Unsupervised Learning: Unüberwachtes Lernen

Beim unüberwachten Lernen liegen keine vorgegebenen Zielwerte für die eigentliche Lernaufgabe vor.

Stattdessen versucht das Modell, Strukturen, Gruppen oder andere statistische Eigenschaften in den Daten zu erkennen.

Ein Beispiel ist die Kundensegmentierung.

Ein Unternehmen verfügt über Informationen zum Buchungsverhalten seiner Kunden, hat diese aber nicht vorher in bestimmte Gruppen eingeteilt.

Ein Clustering-Verfahren könnte Kunden anhand ähnlicher Merkmale gruppieren.

Daraus könnten beispielsweise Gruppen mit unterschiedlichen Buchungsgewohnheiten entstehen.

Die Ergebnisse müssen anschließend fachlich interpretiert werden, da die gefundenen Gruppen nicht automatisch sinnvolle Geschäftskategorien darstellen.

Self-Supervised Learning: Selbstüberwachtes Lernen

Beim selbstüberwachten Lernen werden Trainingssignale aus den vorhandenen Daten selbst gewonnen.

Das Modell benötigt dafür nicht zwingend manuell vergebene Labels.

Ein bekanntes Beispiel ist das Training von Sprachmodellen, bei dem ein Modell lernt, verdeckte oder nachfolgende Textbestandteile vorherzusagen.

Die Trainingsaufgabe entsteht dabei aus dem Textmaterial.

Self-Supervised Learning ist eine wichtige Grundlage moderner großer Sprachmodelle und anderer Foundation Models.

Reinforcement Learning: Bestärkendes Lernen

Beim Reinforcement Learning lernt ein System durch die Interaktion mit einer Umgebung.

Es führt Aktionen aus und erhält Rückmeldungen in Form von Belohnungen oder anderen Bewertungssignalen.

Das Ziel besteht darin, eine Strategie zu erlernen, die den erwarteten langfristigen Nutzen maximiert.

Ein Beispiel ist ein System, das in einer Simulation unterschiedliche Steuerungsstrategien für einen Roboter ausprobiert.

Erfolgreiche Bewegungen werden anhand einer festgelegten Belohnungsfunktion besser bewertet.

Reinforcement Learning wird unter anderem in Robotik, Steuerungsproblemen und bestimmten Verfahren zur Verbesserung von KI-Modellen eingesetzt.

Wichtig ist: Die Belohnungsfunktion muss sorgfältig gestaltet werden. Andernfalls kann ein System Verhaltensweisen lernen, die zwar hohe Belohnungen erzielen, aber nicht dem eigentlich gewünschten Ziel entsprechen.

Was sind künstliche neuronale Netze?

Künstliche neuronale Netze bilden die technische Grundlage von Deep Learning.

Sie bestehen aus miteinander verbundenen mathematischen Verarbeitungseinheiten, die häufig als künstliche Neuronen bezeichnet werden.

Diese Bezeichnung ist von biologischen Nervensystemen inspiriert. Künstliche neuronale Netze bilden die Funktionsweise eines menschlichen Gehirns jedoch nicht vollständig nach.

Ein künstliches Neuron verarbeitet Eingangswerte, kombiniert sie mit trainierbaren Gewichten und berechnet daraus einen Ausgabewert.

Häufig wird zusätzlich eine sogenannte Aktivierungsfunktion angewendet.

Diese ermöglicht es dem Netzwerk, nichtlineare Zusammenhänge zu modellieren.

Eingabeschicht

Die Eingabeschicht nimmt die bereitgestellten Daten auf.

Bei einem Immobilienmodell könnten das beispielsweise die Wohnfläche, die Anzahl der Schlafzimmer und weitere numerisch aufbereitete Merkmale sein.

Verborgene Schichten

Zwischen Eingabe und Ausgabe liegen die sogenannten Hidden Layers.

Hier werden die Informationen mehrfach mathematisch transformiert.

Durch die Kombination verschiedener Schichten kann das Netzwerk komplexe Muster lernen.

Ausgabeschicht

Die Ausgabeschicht liefert das Ergebnis.

Das kann eine Zahl, eine Wahrscheinlichkeitsverteilung, eine Klassifikation oder eine andere geeignete Darstellung sein.

Ein neuronales Netz für Immobilienpreise könnte beispielsweise einen geschätzten Preis ausgeben.

Ein Netz für Bilderkennung könnte Wahrscheinlichkeiten für verschiedene Objektklassen berechnen.

Wie lernen neuronale Netze?

Während des Trainings werden die Parameter eines neuronalen Netzes angepasst.

Die grundlegende Vorgehensweise beruht auf der Bewertung von Modellfehlern und der mathematischen Optimierung.

Drei Begriffe sind besonders wichtig.

Loss Function: Die Fehlerfunktion

Eine Loss Function misst, wie stark das Ergebnis des Modells vom gewünschten Trainingsziel abweicht.

Bei einer Preisprognose könnte sie beispielsweise die Differenz zwischen geschätzten und tatsächlichen Preisen bewerten.

Je nach Problem kommen unterschiedliche Fehlerfunktionen zum Einsatz.

Gradient Descent: Gradientenabstieg

Gradient Descent ist ein Optimierungsverfahren.

Es verwendet Informationen darüber, in welche Richtung Modellparameter verändert werden sollten, um die Fehlerfunktion zu reduzieren.

Dabei werden Parameter schrittweise angepasst.

Die Größe dieser Anpassungen wird unter anderem durch die sogenannte Learning Rate beeinflusst.

Backpropagation: Fehlerrückführung

Backpropagation bezeichnet ein Verfahren, mit dem die Ableitungen der Fehlerfunktion bezüglich der Parameter eines neuronalen Netzes effizient berechnet werden.

Diese Gradienten können anschließend von einem Optimierungsalgorithmus verwendet werden.

Vereinfacht entsteht dadurch ein wiederholter Lernprozess:

Vorhersage → Fehler berechnen → Gradienten bestimmen → Parameter aktualisieren → erneut prüfen

Durch zahlreiche Trainingsdurchläufe kann das Netzwerk seine Leistung verbessern.

Ein gutes Training besteht allerdings nicht nur darin, den Fehler auf den Trainingsdaten möglichst weit zu reduzieren. Entscheidend ist die Leistung bei neuen Daten.

Machine Learning vs. Deep Learning: Die Unterschiede

Obwohl Deep Learning zum Machine Learning gehört, unterscheiden sich beide Ansätze in mehreren praktischen Eigenschaften.

Kriterium	Klassisches Machine Learning	Deep Learning
Modellarten	Entscheidungsbäume, Regression, Random Forests und weitere	Tiefe neuronale Netze
Datenbedarf	Häufig mit kleineren Datensätzen einsetzbar	Oft großer Datenbedarf, abhängig von Vortraining und Aufgabe
Feature Engineering	Häufig manuelle Merkmalsauswahl wichtig	Kann viele komplexe Merkmale selbst erlernen
Rechenaufwand	Oft geringer	Häufig höher
Interpretierbarkeit	Einige Modelle relativ gut erklärbar	Komplexe Netze oft schwerer interpretierbar
Typische Daten	Strukturierte Tabellen und numerische Merkmale	Bilder, Sprache, Audio, Text und weitere komplexe Daten

Diese Unterschiede sind keine absoluten Regeln.

Auch klassisches Machine Learning kann hohe Rechenleistung erfordern. Umgekehrt lassen sich vortrainierte Deep-Learning-Modelle manchmal mit vergleichsweise wenigen zusätzlichen Beispielen anpassen.

Die Wahl des Verfahrens hängt deshalb immer von den vorhandenen Daten, den Qualitätsanforderungen und den verfügbaren Ressourcen ab.

Welche Deep-Learning-Architekturen gibt es?

Deep Learning umfasst unterschiedliche neuronale Netzwerkarchitekturen.

Sie wurden für verschiedene Aufgaben entwickelt und besitzen jeweils besondere Eigenschaften.

Convolutional Neural Networks (CNNs)

Convolutional Neural Networks verwenden Faltungsoperationen, mit denen räumliche Merkmale verarbeitet werden können.

Sie sind besonders aus der Bildverarbeitung bekannt.

Typische Anwendungsgebiete sind Bilderkennung, medizinische Bildanalyse und visuelle Qualitätskontrolle.

CNNs können beispielsweise Merkmale in Fotos erkennen, ohne dass jeder mögliche Bildausschnitt einzeln durch feste Regeln beschrieben werden muss.

Recurrent Neural Networks (RNNs)

Recurrent Neural Networks wurden für die Verarbeitung sequenzieller Daten entwickelt.

Dazu gehören beispielsweise Sprache, Text und Zeitreihen.

Sie besitzen Mechanismen, mit denen Informationen aus früheren Verarbeitungsschritten in spätere Berechnungen einfließen können.

Bekannte Weiterentwicklungen sind LSTM- und GRU-Netzwerke.

Für zahlreiche moderne Sprachaufgaben wurden RNNs inzwischen durch Transformer-Modelle ergänzt oder ersetzt.

Transformer-Netzwerke

Transformer gehören zu den wichtigsten Architekturen moderner KI-Systeme.

Ihr zentrales Merkmal ist der Attention-Mechanismus, der Beziehungen zwischen unterschiedlichen Bestandteilen einer Eingabe mathematisch gewichtet.

Dadurch können komplexe Zusammenhänge in Texten und anderen Datenformen verarbeitet werden.

Transformer bilden die Grundlage vieler moderner großer Sprachmodelle.

Ihre technische Funktionsweise erklären wir ausführlich unter Transformer-Architektur einfach erklärt.

Autoencoder

Autoencoder sind neuronale Netzwerke, die lernen, Eingabedaten in eine interne Darstellung zu überführen und daraus eine Rekonstruktion zu erzeugen.

Sie können unter anderem für Dimensionsreduktion, Merkmalslernen oder bestimmte Verfahren zur Anomalieerkennung eingesetzt werden.

Die interne Repräsentation enthält dabei Informationen, die für die Rekonstruktion der Eingabe nützlich sind.

Welche Rolle spielt Deep Learning bei generativer KI?

Viele moderne generative KI-Anwendungen basieren auf tiefen neuronalen Netzen.

Während klassische Vorhersagemodelle beispielsweise einen Preis berechnen oder ein Bild klassifizieren, können generative Modelle neue Inhalte erzeugen.

Dazu gehören Texte, Bilder, Sprache, Musik, Videos und Programmcode.

Ein wichtiges Beispiel sind Large Language Models (LLMs).

Diese Sprachmodelle verwenden häufig Transformer-Architekturen und werden mit großen Datenmengen trainiert.

Viele autoregressive Sprachmodelle lernen dabei, das nächste Token innerhalb einer Sequenz vorherzusagen.

Durch umfangreiches Training können sie komplexe sprachliche Muster erlernen und anschließend neue Texte generieren.

Andere generative Modelle nutzen beispielsweise Diffusionsverfahren zur Bilderzeugung.

Die Zusammenhänge lassen sich so einordnen:

Deep Learning bezeichnet die zugrunde liegende Modellklasse, während generative KI eine bestimmte Art von Aufgaben und Ergebnissen beschreibt.

Nicht jedes Deep-Learning-Modell ist generativ. Ein neuronales Netz zur Erkennung von Hautveränderungen kann beispielsweise ausschließlich klassifizieren.

Ebenso ist nicht jedes generative Verfahren zwingend Deep Learning. Der Begriff generative Modellierung ist mathematisch breiter gefasst.

Machine Learning und Deep Learning in der Praxis

Beide Technologien werden heute in zahlreichen wirtschaftlichen und technischen Bereichen eingesetzt.

Marketing und E-Commerce

Machine Learning kann das Verhalten von Kunden analysieren und Produktempfehlungen unterstützen.

Deep Learning kann zusätzlich komplexe Inhalte wie Produktbilder, Kundenbewertungen oder natürlichsprachliche Suchanfragen verarbeiten.

Ein Onlineshop könnte beispielsweise strukturierte Kaufdaten und semantische Suchmodelle miteinander kombinieren.

Finanzwesen und Betrugserkennung

Im Finanzwesen werden Lernverfahren für Risikobewertungen, Anomalieerkennung und die Analyse von Transaktionsmustern eingesetzt.

Ein Modell kann ungewöhnliche Vorgänge markieren, die anschließend näher geprüft werden.

Dabei ist wichtig, dass eine Auffälligkeit nicht automatisch einen Betrug beweist.

Besonders bei Entscheidungen mit finanziellen oder rechtlichen Folgen müssen Fehlalarme, Datenqualität und die Nachvollziehbarkeit der Modelle berücksichtigt werden.

Immobilien und Tourismus

Im Immobilienbereich kann Machine Learning Preisentwicklungen analysieren oder Schätzmodelle unterstützen.

Im Tourismus können historische Buchungsdaten verwendet werden, um Nachfrage und Auslastung zu prognostizieren.

Bei einer Ferienwohnung könnten beispielsweise Saisonalität, Buchungsvorlauf und Preisniveau als Eingangsmerkmale dienen.

Ein Modell liefert dabei eine datenbasierte Schätzung, keine Garantie für zukünftige Einnahmen.

Medizin und Gesundheitswesen

Deep Learning wird in der medizinischen Bildanalyse, Forschung und weiteren spezialisierten Anwendungen eingesetzt.

Neuronale Netze können beispielsweise auffällige Strukturen in Bilddaten markieren oder Fachpersonal bei der Auswertung unterstützen.

Medizinische KI-Systeme benötigen eine sorgfältige Validierung, geeignete regulatorische Voraussetzungen und eine Überwachung ihrer Leistungsfähigkeit.

Industrie und Produktion

Machine Learning kann Sensordaten analysieren und Anzeichen für mögliche Maschinenprobleme erkennen.

Deep Learning wird unter anderem in der visuellen Qualitätskontrolle eingesetzt.

Ein Kamerasystem könnte beispielsweise Bauteile auf bestimmte Defekte untersuchen.

Ziel ist es, Prozesse effizienter zu gestalten und Fehler frühzeitig zu erkennen.

Wie wird die Qualität eines Machine-Learning-Modells gemessen?

Ein trainiertes Modell muss anhand geeigneter Kennzahlen bewertet werden.

Welche Kennzahl sinnvoll ist, hängt von der Aufgabe ab.

Accuracy

Accuracy beschreibt den Anteil korrekt klassifizierter Beispiele.

Bei stark unausgewogenen Datensätzen kann dieser Wert irreführend sein.

Wenn 99 Prozent aller Transaktionen unauffällig sind, könnte ein Modell bereits eine hohe Accuracy erreichen, indem es fast jede Transaktion als unauffällig einstuft.

Für die tatsächliche Betrugserkennung wäre es trotzdem möglicherweise ungeeignet.

Precision

Precision beschreibt, welcher Anteil der positiv vorhergesagten Fälle tatsächlich positiv ist.

Bei einer Betrugserkennung zeigt Precision beispielsweise, wie viele der als verdächtig klassifizierten Transaktionen tatsächlich Betrugsfälle sind.

Recall

Recall misst, welcher Anteil aller tatsächlich positiven Fälle vom Modell erkannt wurde.

Bei der Betrugserkennung ist dies wichtig, um möglichst wenige tatsächliche Betrugsfälle zu übersehen.

F1-Score

Der F1-Score verbindet Precision und Recall über ihr harmonisches Mittel.

Er kann hilfreich sein, wenn zwischen Fehlalarmen und übersehenen positiven Fällen abgewogen werden muss.

MAE und RMSE

Bei Regressionsaufgaben werden häufig Fehlerkennzahlen wie der Mean Absolute Error (MAE) oder Root Mean Squared Error (RMSE) verwendet.

Sie helfen zu beurteilen, wie stark die vorhergesagten Zahlenwerte im Durchschnitt oder unter besonderer Gewichtung größerer Fehler von den tatsächlichen Werten abweichen.

Eine einzige Kennzahl reicht jedoch selten aus, um die Qualität eines produktiven KI-Systems vollständig zu bewerten.

Was sind Overfitting und Underfitting?

Zwei wichtige Herausforderungen beim Trainieren von Machine-Learning-Modellen sind Overfitting und Underfitting.

Overfitting: Das Modell passt sich zu stark an

Overfitting entsteht, wenn ein Modell die Besonderheiten seiner Trainingsdaten zu stark erlernt.

Es erzielt dann möglicherweise sehr gute Ergebnisse auf bekannten Beispielen, funktioniert aber bei neuen Daten deutlich schlechter.

Ein Modell könnte beispielsweise zufällige Besonderheiten historischer Buchungsdaten lernen, die für zukünftige Buchungen keine Bedeutung besitzen.

Das Ziel des Trainings ist jedoch nicht, alte Daten möglichst exakt zu reproduzieren, sondern Zusammenhänge zu lernen, die auch für neue Daten gelten.

Underfitting: Das Modell lernt zu wenig

Underfitting entsteht, wenn ein Modell die relevanten Zusammenhänge der Daten nicht ausreichend abbilden kann.

Das kann beispielsweise daran liegen, dass die Modellarchitektur für die Aufgabe zu einfach ist oder wichtige Merkmale fehlen.

Solche Modelle liefern bereits auf ihren Trainingsdaten vergleichsweise schwache Ergebnisse.

Warum sind unabhängige Testdaten wichtig?

Damit die Leistung realistisch bewertet werden kann, sollten Daten für das Training und die abschließende Prüfung getrennt werden.

Ein typischer Ansatz verwendet:

Trainingsdaten: zum Anpassen der Modellparameter
Validierungsdaten: zur Auswahl von Modellen und Einstellungen
Testdaten: zur abschließenden Bewertung auf zurückgehaltenen Beispielen

Auch Datenlecks müssen vermieden werden.

Ein Datenleck entsteht, wenn Informationen in das Training oder die Modellauswahl gelangen, die bei einer echten Vorhersage nicht verfügbar wären.

Bei zeitabhängigen Prognosen ist zudem eine chronologische Trennung häufig sinnvoller als eine zufällige Aufteilung.

Welche Risiken und Grenzen besitzen die Technologien?

Machine Learning und Deep Learning können leistungsfähige Ergebnisse erzeugen. Ihre Zuverlässigkeit hängt jedoch stark von Daten, Modellarchitektur und Einsatzbedingungen ab.

Fehlerhafte Trainingsdaten

Unvollständige, veraltete oder fehlerhafte Daten können zu unzuverlässigen Modellen führen.

Deshalb ist die sorgfältige Vorbereitung und Prüfung der Daten ein zentraler Bestandteil jedes Machine-Learning-Projekts.

Verzerrungen und Diskriminierung

Trainingsdaten können gesellschaftliche oder statistische Verzerrungen enthalten.

Ein Modell kann solche Muster übernehmen und dadurch bestimmte Gruppen benachteiligen.

Besonders in sensiblen Bereichen wie Personalwesen, Kreditvergabe oder Gesundheitsversorgung müssen entsprechende Risiken berücksichtigt werden.

Mangelnde Interpretierbarkeit

Bei manchen Modellen lässt sich relativ gut nachvollziehen, welche Merkmale eine Entscheidung beeinflusst haben.

Komplexe tiefe neuronale Netze sind dagegen häufig schwieriger zu interpretieren.

Für regulierte oder besonders kritische Anwendungen kann die Erklärbarkeit ein wichtiges Auswahlkriterium sein.

Veränderung der Daten

Ein Modell wird anhand vergangener Daten trainiert.

Wenn sich die Umgebung verändert, können zuvor gelernte Zusammenhänge an Bedeutung verlieren.

Dieses Problem wird unter anderem als Data Drift oder Concept Drift beschrieben.

Deshalb sollten produktive Modelle regelmäßig überwacht und bei Bedarf neu bewertet oder trainiert werden.

Rechenkosten

Große Deep-Learning-Modelle können erhebliche Rechenleistung und Speicherressourcen benötigen.

Das betrifft vor allem umfangreiches Training, aber auch die spätere Nutzung.

Bei kleineren Aufgaben kann ein klassisches Machine-Learning-Modell deshalb wirtschaftlicher sein.

Wann ist Machine Learning besser als Deep Learning?

Deep Learning ist nicht grundsätzlich die bessere Wahl.

Die geeignete Technologie hängt davon ab, welche Daten verarbeitet werden sollen, wie viele Trainingsbeispiele verfügbar sind und welche Anforderungen das Ergebnis erfüllen muss.

Klassisches Machine Learning ist häufig sinnvoll, wenn strukturierte Tabellendaten vorliegen, der Datensatz überschaubar ist und eine geringe Rechenlast oder gute Interpretierbarkeit wichtig ist.

Beispiele sind einfache Nachfrageprognosen, Preisvorhersagen oder die Klassifikation strukturierter Geschäftsdaten.

Deep Learning ist besonders interessant, wenn komplexe Daten wie Bilder, Texte, Audiosignale oder Videos verarbeitet werden müssen.

Es eignet sich außerdem für Aufgaben, bei denen auf umfangreiches Vortraining und komplexes Merkmalslernen zurückgegriffen werden kann.

Für ein neues Projekt empfiehlt es sich, zunächst eine einfache Vergleichslösung zu entwickeln. Eine solche Baseline zeigt, ob ein aufwendigeres Modell tatsächlich einen relevanten Qualitätsgewinn bietet.

Wie können Einsteiger Machine Learning lernen?

Wer Machine Learning verstehen möchte, benötigt nicht sofort umfangreiche Programmierkenntnisse oder besonders leistungsfähige Hardware.

Ein sinnvoller Einstieg besteht darin, zunächst die grundlegenden Konzepte zu verstehen.

Dazu gehören Trainingsdaten, Features, Labels, Modellvorhersagen und Evaluationskennzahlen.

Anschließend können einfache Beispiele mit Tabellen und kleinen Datensätzen untersucht werden.

Für praktische Experimente sind Python und die Bibliothek scikit-learn weit verbreitet.

Damit lassen sich unter anderem Regressionsmodelle, Entscheidungsbäume und Clustering-Verfahren trainieren.

Wer später Deep Learning erlernen möchte, kann sich mit Frameworks wie PyTorch oder TensorFlow beschäftigen.

Ein empfehlenswerter Ablauf ist:

Grundlagen von Daten und Statistik verstehen
Klassifikation und Regression kennenlernen
Einfache Modelle trainieren und auswerten
Overfitting und Modellbewertung untersuchen
Neuronale Netze und Backpropagation kennenlernen
Tiefe Netzwerkarchitekturen verstehen

Als kostenlose Lernressource bietet sich der Machine Learning Crash Course von Google an.

Häufig gestellte Fragen zu Machine Learning

Was ist Machine Learning einfach erklärt?

Machine Learning ist eine Methode der künstlichen Intelligenz, bei der Computersysteme aus Daten lernen. Ein Modell erkennt statistische Muster in Trainingsbeispielen und verwendet diese anschließend, um neue Daten zu bewerten oder Vorhersagen zu treffen.

Was ist Deep Learning einfach erklärt?

Deep Learning ist ein Teilbereich des Machine Learning. Es verwendet künstliche neuronale Netze mit mehreren Verarbeitungsschichten, die komplexe Zusammenhänge in Daten lernen können. Die Technologie wird insbesondere für Bilder, Sprache, Audio und moderne generative KI eingesetzt.

Was ist der Unterschied zwischen Machine Learning und Deep Learning?

Machine Learning umfasst unterschiedliche mathematische Lernverfahren. Deep Learning verwendet speziell tiefe neuronale Netze. Klassische Machine-Learning-Verfahren eignen sich häufig gut für strukturierte Daten, während Deep Learning besonders bei komplexen unstrukturierten Daten leistungsfähig sein kann.

Gehört Deep Learning zur künstlichen Intelligenz?

Ja. Deep Learning ist ein Teilbereich des Machine Learning, und Machine Learning gehört zum übergeordneten Gebiet der künstlichen Intelligenz.

Braucht Machine Learning immer große Datenmengen?

Nein. Der erforderliche Datenumfang hängt von der Aufgabe, dem Modell und der Komplexität der Daten ab. Einfache Modelle können mit relativ kleinen Datensätzen funktionieren. Große Deep-Learning-Modelle benötigen für das Training von Grund auf häufig wesentlich mehr Daten.

Ist ChatGPT Machine Learning oder Deep Learning?

Die Sprachmodelle hinter ChatGPT verwenden Deep Learning und gehören damit auch zum Machine Learning. Viele moderne Sprachmodelle basieren auf Transformer-Architekturen und werden mit umfangreichen Datenmengen trainiert.

Kann Deep Learning ohne neuronale Netze funktionieren?

Nein, im üblichen technischen Sprachgebrauch bezeichnet Deep Learning Lernverfahren auf Basis mehrschichtiger künstlicher neuronaler Netze. Andere Verfahren des Machine Learning benötigen dagegen nicht zwingend neuronale Netze.

Sind Deep-Learning-Modelle immer genauer?

Nein. Die Qualität hängt von den Daten, der Aufgabe, dem Trainingsverfahren und den verwendeten Bewertungskennzahlen ab. Bei vielen strukturierten Datensätzen können klassische Verfahren mit Deep Learning konkurrieren oder sogar bessere Ergebnisse erzielen.

Was bedeutet Training bei Machine Learning?

Training bezeichnet den Prozess, bei dem ein Lernalgorithmus Modellparameter anhand von Daten anpasst. Dadurch soll das Modell Muster erlernen, die es anschließend auf neue Eingaben anwenden kann.

Fazit: Machine Learning und Deep Learning verstehen

Machine Learning und Deep Learning sind zentrale Technologien moderner künstlicher Intelligenz.

Machine Learning ermöglicht es Computern, aus Beispielen statistische Muster zu lernen und auf dieser Grundlage neue Daten zu verarbeiten.

Deep Learning erweitert diesen Ansatz durch mehrschichtige künstliche neuronale Netze, die besonders komplexe Merkmalsdarstellungen erlernen können.

Beide Technologien besitzen unterschiedliche Stärken.

Während klassische Lernverfahren häufig bei strukturierten Geschäftsdaten überzeugen, ist Deep Learning eine wichtige Grundlage moderner Sprachmodelle, Bilderkennung und generativer KI.

Entscheidend für erfolgreiche Anwendungen sind jedoch nicht allein die Größe oder Komplexität eines Modells.

Auch Trainingsdaten, Modellbewertung, Interpretierbarkeit, Sicherheit und laufende Überwachung bestimmen, ob ein KI-System zuverlässig eingesetzt werden kann.

Wer diese Grundlagen versteht, kann moderne KI-Anwendungen besser einordnen und fundierter entscheiden, welche Technologie für ein konkretes Problem geeignet ist.

Weiterführendes Wissen

Die folgenden Grundlagenartikel auf KIRatgeber vertiefen einzelne Technologien und Konzepte: