akarb - Fotolia
Der Unterschied zwischen Machine Learning und Deep Learning
Machine Learning und Deep Learning finden zunehmend Zuspruch in Unternehmen. Dabei gibt es unterschiedliche Technologie – auch als Public-Cloud-Service.
Künstliche Intelligenz (KI) ist seit einigen Jahrzehnen ein Thema. Doch die Technologie erhält seit wenigen Monaten immer mehr Aufmerksamkeit – auch in Unternehmen. Als Folge davon kursieren immer wieder neue Schlagworte wie Machine Learning und Deep Learning. Für viele ist die Bedeutung und der Wert der Technologien aber nicht ganz klar.
Auch wenn Machine- und Deep-Learning-Services beides KI-Technologien sind, sind sie nicht identisch. Im Folgenden werden daher die Unterschiede zwischen den beiden Technologien, ihre Anwendung in Unternehmen und ihre Verfügbarkeit als Public-Cloud-Service näher betrachtet.
Machine Learning versus Deep Learning
Machine Learning ist eher strategischer Natur. Es bindet Intelligenz in die Geschäftsprozesse ein, um Entscheidungen schneller treffen zu können. Zum Beispiel kann man damit Daten analysieren, um zu erfahren, wann mehr Rohstoffe nachbestellt werden müssen, auf Grundlage von Faktoren wie Lagerbestand, Produktivität oder Marktnachfrage.
Es kann all diese Faktoren gleichzeitig bewerten, ähnlich wie ein Mensch mit jahrelanger Erfahrung, der voraussagt, wann Materialien geordert werden müssen, allerdings in weniger als einer Sekunde. Das Interesse an Machine Learning ergibt sich aus der Anzahl der Geschäftsanwendungen, die es für die Technologie gibt, und ihrer Fähigkeit, KI für Unternehmen praktischer zu gestalten.
Deep Learning, auch bekannt als Deep Neural Networking, geht einen Schritt weiter und konzentriert sich auf eine engere Untergruppe der KI. Es geht tiefer in die Daten und Trends hinein, um Schlussfolgerungen zu ziehen, zum Beispiel welche Filme Netflix den Nutzern aufgrund von Metriken wie Sehgewohnheiten, Verweildauer oder Bewertungen empfehlen soll.
Deep-Learning-Dienste können aber auch ernsthaftere Anwendungen haben, zum Beispiel die Darstellung und Erkennung von DNA-Problemen oder das Sammeln von Daten von Mobilgeräten, um potenzielle Gesundheitsrisiken zu ermitteln.
Deep-Learning-Services in der Cloud
Amazon Web Services (AWS), Microsoft Azure und Google Cloud Platform bieten unter anderem Machine- und Deep-Learning-Dienste an, die nativ in ihre jeweilige Public Cloud integriert sind. Es gibt darüber hinaus Services von Drittanbietern, die über ihre jeweiligen Marktplätze angeboten werden.
Im Oktober 2017 veröffentlichte AWS Deep Learning AMIs (Amazon Machine Images) für Amazon Elastic Compute Cloud (EC2) P3-Instanzen. Diese Amazon Machine Images sind bereits vorinstalliert und verfügen über Deep Learning Frameworks wie TensorFlow, Gluon und Apache MXNet, die für die Nvidia Volta V100 GPUs in Amazon EC2 P3-Instanzen optimiert sind. Der Deep-Learning-Service stellt derzeit drei Arten von AMIs zur Verfügung: Conda AMI, Base AMI und AMI with Source Code.
Das Cognitive Toolkit ist ein Open-Source-Service für Deep Learning in Microsoft Azure. Ähnlich wie das Angebot von AWS konzentriert es sich auf Tools, die Entwicklern bei der Entwicklung und Implementierung von Deep-Learning-Anwendungen helfen sollen. Das Toolkit wird in Python 2.7 in der Root-Umgebung installiert. Azure stellt außerdem eine Modellgalerie zur Verfügung, die Ressourcen wie zum Beispiel Codebeispiele enthält, um Unternehmen den Einstieg in den Service zu erleichtern.
In Zukunft wird es immer mehr Machine-Learning- und Deep-Learning-Services von Public Cloud-Anbietern geben. Während das geschieht, definieren Unternehmen immer neue Geschäftsanforderungen für diese Technologien.
Folgen Sie SearchEnterpriseSoftware.de auch auf Twitter, Google+, Xing und Facebook!
