Deep Learning ist ein Teilgebiet des maschinellen Lernens, das mit mehrschichtigen künstlichen neuronalen Netzen arbeitet. "Deep" bezieht sich auf die Anzahl der Schichten, nicht auf die Qualität der Ergebnisse. Jede Schicht verarbeitet die Ausgabe der vorherigen weiter und wird dabei abstrakter.
Ein Bilderkennungsnetz zeigt das Prinzip gut: Die erste Schicht erkennt einzelne Pixelkontraste, die nächste daraus Kanten, eine weitere Muster, und erst eine spätere Schicht erkennt ein vollständiges Objekt. Das Netz lernt diese Schichten selbst aus großen Mengen von Beispieldaten, ohne dass ein Mensch vorab definiert, welche Merkmale wichtig sind. Klassisches maschinelles Lernen braucht dafür meist von Hand konstruierte Merkmale und kommt mit kleineren Datenmengen aus. Deep Learning verzichtet auf diese manuelle Vorarbeit, verlangt dafür aber deutlich mehr Trainingsdaten und Rechenleistung. Diese Fähigkeit, Merkmale selbst zu entdecken statt sie vorzugeben, unterscheidet Deep Learning von klassischen Verfahren am deutlichsten.
Trainiert wird ein solches Netz, indem es seine Vorhersage wiederholt mit der richtigen Antwort vergleicht und die internen Gewichte in vielen Durchläufen anpasst, bis der Fehler klein genug ist. Je mehr Schichten und je mehr Parameter ein Netz hat, desto mehr Rechenleistung und Trainingsdaten braucht dieser Anpassungsprozess. Sprachmodelle wie die hinter modernen KI-Assistenten beruhen ebenfalls auf einer Deep-Learning-Architektur, wenn auch auf einer, die nicht Bilder, sondern Text verarbeitet.
Abgrenzung
Deep Learning ist eine Methode innerhalb des maschinellen Lernens, nicht dessen Gegenstück. Klassisches maschinelles Lernen, etwa Entscheidungsbäume oder lineare Regression, bleibt bei strukturierten Daten und kleineren Datensätzen oft die schnellere und günstigere Wahl. Deep Learning spielt seine Stärke dort aus, wo Daten unstrukturiert sind, etwa Bilder, gesprochene Sprache oder freier Text, und wo ausreichend Trainingsmaterial vorhanden ist.
SAP B1 10.0 FP2608: Service Layer KI als transaktionalen Schicht
Process Reward Models: Warum ein richtiges Ergebnis noch keinen richtigen Weg beweist
Test-Time Compute Scaling: Warum ein kleineres KI-Modell am Ende gewinnen kann — und was der Lieferantenvergleich in SAP Business One damit zu tun hat
RLHF und Reward-Modelle: Was hinter dem KI-Hype steckt — und was der Genehmigungsprozess in SAP Business One damit zu tun hat
KI – Antworten aus SAP Business One – ohne SQL, ohne IT-Ticket
