Deep Learning ist ein Teilbereich des Machine Learning, der künstliche neuronale Netze mit vielen Schichten (Layers) nutzt, um komplexe Muster in großen Datenmengen zu erkennen. Es bildet die technologische Basis von Sprachmodellen wie GPT-5.5, Claude und Gemini.
Klassisches Machine Learning braucht oft menschliches Zutun: Experten definieren, welche Merkmale eines Datensatzes relevant sind. Deep Learning überspringt diesen Schritt. Es nutzt künstliche neuronale Netze mit vielen Schichten, die eigenständig herausfinden, welche Merkmale wichtig sind.
Das Prinzip: Daten werden durch viele hintereinander geschaltete Schichten verarbeitet. Jede Schicht extrahiert abstraktere Merkmale. Bei der Bilderkennung erkennt die erste Schicht Kanten, die zweite Formen, die dritte Objekte, die vierte Gesichter. Bei Sprachmodellen passiert dasselbe mit Wörtern, Satzstrukturen und Bedeutungszusammenhängen.
Deep Learning hat in den letzten Jahren Durchbrüche erzielt, die vorher als unmöglich galten: natürlich klingende Sprachgenerierung, fotorealistische Bildgenerierung, automatische Code-Erstellung, Echtzeitübersetzung in Dutzenden Sprachen. Der Grund: Mehr Daten und mehr Rechenleistung machen tiefere Netze mit mehr Schichten möglich, die dadurch feinere Muster erkennen.
Deep Learning ist eine Teilmenge von Machine Learning, das wiederum eine Teilmenge von KI ist. Die Grenzen: Deep Learning braucht große Datenmengen, viel Rechenleistung und ist schwer interpretierbar. Warum ein Modell eine bestimmte Entscheidung trifft, lässt sich oft nicht nachvollziehen (Black-Box-Problem).
🔗 Verwandte Begriffe:
Künstliche Intelligenz (KI), Machine Learning, Large Language Model, Bias
➡ Du willst KI in deinem Arbeitsalltag einsetzen? In meinen „KI at Work“ Kursen zeige ich dir Schritt für Schritt, wie das geht. Ohne Vorwissen.
Änderungshistorie: