Machine Learning vs. Deep Learning: der Unterschied

Der Unterschied in einem Satz

Deep Learning ist eine Teilmenge des Machine Learning: Beide lernen aus Daten, aber klassisches Machine Learning braucht von Menschen aufbereitete Merkmale, während Deep Learning die relevanten Merkmale mithilfe vielschichtiger neuronaler Netze selbst aus Rohdaten herausarbeitet.

Damit ist auch das häufigste Missverständnis geklärt: Deep Learning hat Machine Learning nicht abgelöst. Es ist der Ansatz, der bei sehr großen Datenmengen und unstrukturierten Inhalten wie Bild, Ton und Text gewinnt – während für Tabellendaten weiterhin klassische Verfahren führen.

Die Begriffshierarchie: KI > ML > DL

Die drei Begriffe liegen ineinander wie Schalen:

• Künstliche Intelligenz ist der Oberbegriff für jedes System, das Aufgaben löst, die Intelligenz erfordern – einschließlich alter, rein regelbasierter Expertensysteme. Grundlagen dazu im Artikel Was ist Künstliche Intelligenz?.
• Machine Learning ist der Teilbereich der KI, in dem Systeme die Regeln aus Daten ableiten. Die drei Lernarten erklärt Machine Learning einfach erklärt.
• Deep Learning ist der Teilbereich des Machine Learning, der mit tiefen neuronalen Netzen arbeitet, also mit Netzen aus vielen aufeinanderfolgenden Schichten.

Alle heutigen Sprachmodelle sind Deep Learning. Umgekehrt gilt nicht: Ein Großteil der ML-Modelle, die in Unternehmen produktiv laufen, sind keine tiefen Netze, sondern Entscheidungsbaum-Verfahren auf Tabellendaten.

Der eigentliche Trennstrich: Feature Engineering

Der technische Unterschied lässt sich an einer einzigen Frage festmachen: Wer entscheidet, worauf das Modell schaut?

Bei klassischem Machine Learning ist das ein Mensch. Wer die Kündigungswahrscheinlichkeit eines Kunden vorhersagen will, definiert vorab die aussagekräftigen Merkmale – Vertragslaufzeit, Anzahl Support-Kontakte, Nutzungsintensität der letzten 30 Tage, Rabattquote. Diese Arbeit heißt Feature Engineering, verlangt Fachwissen über die Domäne und ist der aufwendigste Teil des Projekts. Der Algorithmus lernt anschließend nur noch, wie diese vorgegebenen Merkmale zu gewichten sind.

Bei Deep Learning entfällt dieser Schritt weitgehend. Das Netz bekommt möglichst rohe Daten – Pixel, Audiosignal, Text – und entwickelt in seinen Schichten selbst zunehmend abstraktere Merkmale. Bei der Bilderkennung reagieren frühe Schichten auf Kanten, mittlere auf Formen und Bauteile, späte auf ganze Objekte. Niemand hat je definiert, was ein Auge ausmacht; das Netz hat es aus Beispielen erschlossen. Wie dieses Schichtprinzip technisch funktioniert, beschreibt Wie funktioniert KI?.

Der Preis dieser Selbständigkeit: Deep Learning braucht drastisch mehr Daten und Rechenleistung – und liefert Ergebnisse, deren Zustandekommen sich kaum nachvollziehen lässt.

Direktvergleich

Bemerkenswert ist die vierte Zeile: Bei Tabellendaten schlagen gut getunte Gradient-Boosting-Verfahren neuronale Netze in der Praxis regelmäßig – bei einem Bruchteil des Aufwands. Der Hype um Deep Learning verdeckt diese Tatsache oft.

Wann welcher Ansatz passt

Klassisches Machine Learning wählst du, wenn:

• deine Daten in Tabellenform vorliegen (CRM, Shop, ERP, Analytics),
• der Datenbestand überschaubar ist,
• Nachvollziehbarkeit gefordert ist, etwa bei Kredit-, Personal- oder Compliance-Entscheidungen,
• schnell ein Ergebnis her muss und das Budget begrenzt ist.

Deep Learning wählst du, wenn:

• die Eingaben unstrukturiert sind – Bilder, Sprache, Video, Freitext,
• sehr große Datenmengen vorliegen,
• die relevanten Merkmale unbekannt oder zu komplex zum Beschreiben sind,
• die Genauigkeit über der Erklärbarkeit steht.

Ein Praxisbeispiel zeigt das Nebeneinander: Ein Onlineshop prognostiziert den Kundenwert mit einem Gradient-Boosting-Modell auf Bestell- und Verhaltensdaten – Tabellen, wenige Merkmale, erklärbar. Für die automatische Verschlagwortung von Produktfotos und die Auswertung von Kundenrezensionen nutzt derselbe Shop Deep-Learning-Modelle. Es ist keine Entscheidung gegeneinander, sondern eine Zuordnung nach Aufgabe.

Die dritte Option: fertige Modelle nutzen

Für die meisten Unternehmen ist der Vergleich inzwischen weniger relevant als früher, weil ein dritter Weg dazugekommen ist: vortrainierte Modelle über eine Schnittstelle nutzen, statt selbst zu trainieren.

Textklassifikation, Zusammenfassung, Bilderkennung oder Übersetzung liefern heute fertige Modelle ohne eigenes Training – zu Kosten, die deutlich unter einem eigenen Projekt liegen. Welche Werkzeuge dafür zur Verfügung stehen, zeigt der KI-Tools-Überblick, die Modellfamilien und ihre Stärken vergleicht der Artikel KI-Modelle im Vergleich.

Ein eigenes Modell lohnt sich vor allem dann, wenn du proprietäre Daten besitzt, die kein Anbieter hat, wenn die Aufgabe sehr spezifisch ist oder wenn Daten das Haus nicht verlassen dürfen. Die realistische Reihenfolge lautet deshalb: erst fertiges Modell testen, dann klassisches ML auf eigenen Tabellendaten, und erst zuletzt eigenes Deep Learning.

Fazit

Deep Learning ist kein Nachfolger des Machine Learning, sondern sein datenhungrigster Zweig. Der Trennstrich verläuft beim Feature Engineering: Klassische Verfahren brauchen von Menschen definierte Merkmale und bleiben dafür sparsam, schnell und nachvollziehbar. Tiefe Netze erschließen sich Merkmale selbst und dominieren überall dort, wo Rohdaten unstrukturiert sind. Für die Praxis heißt das: Tabellendaten und Erklärbarkeit sprechen für klassisches ML, Bild, Ton und Sprache für Deep Learning – und in vielen Fällen ist ein fertiges Modell die schnellste Antwort auf beides.