Machine Learning, Deep Learning oder doch lieber beides?

Machine Learning oder Deep Learning

Die Buzz-Words Machine Learning, Deep Learning und neuronale Netze sind in aller Munde. Das Interesse ist groß und die Einsatzmöglichkeiten vielfältig. Doch wozu sollte man Machine-Learning-Ansätze nutzen, und wann kommt Deep Learning ins Spiel? Der Trend geht hin zu Kombinationen aus beiden Ansätzen oder einer Verknüpfung verschiedener Deep-Learning-Algorithmen.

Machine Learning unterteilt sich in drei Arten:

  • unüberwachtes Machine Learning,
  • überwachtes Machine Learning und
  • Reinforcement Learning (worauf ich nicht eingehen werde).

Beim unüberwachten Machine Learning versucht man bisher unbekannte Strukturen in den Daten zu finden (Dimensionsreduktion und Clustering). Ziel ist, neue Informationen zu gewinnen. Im Gegensatz dazu möchte man im überwachten Machine Learning Vorhersagen machen, Werte schätzen oder Daten klassifizieren (Regression und Klassifikation). Auch hier lernt der Algorithmus bestimmte Muster in den Daten zu erkennen, mit Hilfe derer er dann Vorhersagen treffen kann. Beispiel: „Wird ein Kunde ein Produkt kaufen?“.

Viele Einsatzgebiete für klassisches Machine Learning

Derzeit werden in vielen Bereichen klassische Machine-Learning-Methoden verwendet: Zum Herausfiltern von Spam-E-Mails setzt das Mailprogramm Mozilla Thunderbird beispielsweise auf einen so genannten Naive Bayes Klassifikator. In der medizinischen Forschung wird u.a. eine Support Vector Machine genutzt, um Patienten von gesunden Kontrollpersonen zu unterscheiden. Dabei werden Unterschiede in medizinischen Werten, wie Blutdruck, Gewicht und Hormonlevel gesucht, die wiederum Ursache für eine Krankheit sein könnten.

Gleiches gilt für zielgerichtete Werbung und Marketing sowie für  Zeitreihenvorhersagen. Viele Firmen setzen hierfür ebenfalls auf statistische und Machine-Learning-Ansätze. Auch für Speech Recognition (Transkription von Gesprochenem) nutzten sie in der Vergangenheit oftmals klassisches Machine Learning (Hidden Markov Modelle). Die meisten modernen Systeme basieren inzwischen jedoch auf Deep Learning.

Google, Amazon und Yelp – alle lernen tief

Deep Learning ist ein Teil von Machine Learning, den es sowohl unüberwacht (z.B. Autoencoder) als auch überwacht (z.B. Feedforward Neural Network) gibt. Im Allgemeinen sind diese Algorithmen wesentlich komplexer. Sie haben deutlich mehr freie Parameter, die während des Trainings optimiert werden müssen. Der größte Nachteil dieser Ansätze ist, dass die Gründe für die Entscheidung des Algorithmus zum jetzigen Stand der Forschung häufig nicht erklärt werden können – siehe Explainable AI.

Methoden des Deep Learnings eignen sich zum Beispiel zum Entdecken von Schadsoftware (von Deep Instinct). Auch Amazons Recommendation System basiert auf einem solchen Ansatz. Es ermöglicht, dass dem Kunden unter Millionen von Produkten das passende Ergebnis vorgeschlagen wird.

Eine weitere geeignete Anwendung ist die Bildklassifizierung. Die Bewertungsplattform Yelp setzt bereits seit ein paar Jahren Deep Learning ein, um hochgeladene Bilder zu klassifizieren und missbräuchliche und irreführende Inhalte von ihrer Internetseite zu entfernen. Yelp hat daraus eine Kaggle Competition gemacht. Es gewann das Team, das eine Kombination aus klassischem Machine Learning und Deep Learning nutzte. Auch das soziale Netzwerk Pinterest klassifiziert mittels Deep Learning und versucht so gezieltere Vorschläge für passende Produkte zu machen.

Die wohl bekannteste Firma, die Deep Learning einsetzt, ist Google bzw. der Mutterkonzern Alphabet. Ob Übersetzungen, die Analyse von Texten oder Spracherkennung – Deep Learning ist bei Google allgegenwärtig. Auch Konkurrenzkonzerne wie das chinesische Unternehmen Baidu sowie die Suchmaschine Bing setzen auf diese Optimierungsmethode.

Ein weiterer, womöglich in Zukunft sehr bedeutender Anwendungsfall, ist das autonome Fahren. So nutzt Drive.ai aus Kalifornien beispielsweise Deep-Learning-Algorithmen, um Autos komplett autonom fahren zu lassen. Die ersten Fahrversuche sind vielversprechend. Auch Google-Schwester Waymo hat die ersten Tests erfolgreich gemeistert und Chinas Baidu hat selbstfahrende Busse im Einsatz.

Das Beste aus beidem Nutzen

Wie sich zeigt, sind Machine Learning und Deep Learning bereits ein wichtiger Teil der digitalen Transformation. Zahlreiche Unternehmen setzten auf die beiden Optimierungsmethoden. Aber auch Kombinationen aus klassischem Machine Learning und Deep Learning, wie am Beispiel von Yelp beschrieben, sind sehr verbreitet. So setzt Bing Ads bei der Click-Vorhersage auf eine Kombination von klassischem Machine Learning und Deep Learning.

Bislang sind hauptsächlich Machine-Learning-Algorithmen und lediglich zirka 20 Prozent Deep Learning, zeigt eine Studie. Das Zusammenspiel beider und weiterer Methoden wird allerdings zukünftig eine immer größere Rolle spielen und weitere Fortschritte auf dem Gebiet Künstliche Intelligenz insgesamt bringen.

Bild: Getty Images / josefkubes


Yvonne Awaloff

Yvonne Awaloff ist Beraterin im Bereich Künstliche Intelligenz von Sopra Steria Consulting. Die studierte Bioinformatikerin bloggt hier vor allem über Machine und Deep Learning.


Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.