Machine Learning ist die historisch ältere und einfachere Technologie. Sie arbeitet mit einem Algorithmus, den das System selbst anpasst, nachdem es durch einen Menschen Feedback erhalten hat. Voraussetzung für den Einsatz der Technologie ist das Vorliegen von strukturierten Daten. Das System wird zunächst mit strukturierten und kategorisierten Daten gefüttert und versteht auf diese Weise, wie neue Daten solcher Art einzuordnen sind. Je nach Einordnung führt das System anschließend programmierte Aktivitäten aus. Es erkennt zum Beispiel, ob ein Hund oder eine Katze auf einem Foto zu erkennen sind, und verschiebt die Dateien jeweils in unterschiedliche Ordner.
Nach einer ersten Anwendungsphase erfolgt die Optimierung des Algorithmus durch menschliches Feedback, indem das System über falsche Zuordnungen und die korrekte Kategorisierung informiert wird.
Beim Deep Learning sind keine strukturierten Daten notwendig. Das System arbeitet mit mehrschichtigen neuronalen Netzen, die verschiedene Algorithmen kombinieren und die dem menschlichen Gehirn nachempfunden sind. Dadurch ist es dem System möglich, auch unstrukturierte Daten zu bearbeiten.
Der Ansatz ist vor allem für komplexe Aufgaben geeignet, wenn nicht alle Aspekte von Objekten im Vorfeld kategorisiert werden können. Beim Deep Learning findet das System selbst geeignete Unterscheidungsmerkmale. In jeder Schicht wird der Input auf ein weiteres Merkmal untersucht und das System entscheidet anhand dessen am Ende, wie der Input einzuordnen ist.
Wichtig: Das System findet beim Deep Learning selbst geeignete Unterscheidungsmerkmale in den Daten, ohne dass eine Kategorisierung von außen vorgegeben werden muss. Ein Training durch einen Entwickler ist nicht notwendig. Das System prüft selbst, ob sich aufgrund von neuem Input Einordnungen verändern oder neue Kategorien ergeben.
Während Machine Learning bereits mit einer überschaubaren Datenbasis funktioniert, braucht Deep Learning wesentlich mehr Daten. Über 100 Millionen Datenpunkte sollte das System zur Verfügung haben, wenn es verlässliche Ergebnisse liefern soll.
Zudem ist die Technologie für Deep Learning aufwendiger zu realisieren. Sie benötigt mehr IT-Ressourcen und ist deutlich kostenintensiver als Machine Learning, sodass es zumindest aktuell nicht für die breite Masse an Unternehmen relevant ist.