Da Deep Learning und maschinelles Lernen in der Regel synonym verwendet werden, lohnt es sich, die Nuancen zwischen den beiden Begriffen zu beachten. Wie bereits erwähnt, sind sowohl Deep Learning als auch maschinelles Lernen Teilgebiete der künstlichen Intelligenz, und Deep Learning ist eigentlich ein Teilgebiet des maschinellen Lernens.

Deep Learning besteht eigentlich aus neuronalen Netzen. "Deep" in Deep Learning bezieht sich auf ein neuronales Netz, das aus mehr als drei Schichten besteht - einschließlich der Eingaben und der Ausgabe - und als Deep Learning-Algorithmus betrachtet werden kann. 

Der Unterschied zwischen Deep Learning und maschinellem Lernen liegt in der Art und Weise, wie jeder Algorithmus lernt. Deep Learning automatisiert einen Großteil der Merkmalsextraktion, wodurch ein Teil der erforderlichen manuellen Eingriffe entfällt und die Verwendung größerer Datensätze ermöglicht wird. Man kann sich Deep Learning als "skalierbares maschinelles Lernen" vorstellen, wie Lex Fridman in derselben MIT-Vorlesung (siehe oben) bemerkte. Klassisches oder "non-deep" maschinelles Lernen ist mehr auf menschliches Eingreifen angewiesen, um zu lernen. Menschliche Experten legen die Hierarchie der Merkmale fest, um die Unterschiede zwischen den Dateneingaben zu verstehen, was in der Regel strukturiertere Daten erfordert.

"Deep" maschinelles Lernen kann beschriftete Datensätze, auch bekannt als überwachtes Lernen, nutzen, um seinen Algorithmus zu informieren, aber es benötigt nicht unbedingt einen beschrifteten Datensatz. Es kann unstrukturierte Daten in ihrer Rohform (z. B. Text, Bilder) aufnehmen und automatisch die Hierarchie der Merkmale bestimmen, die verschiedene Datenkategorien voneinander unterscheiden. Im Gegensatz zum maschinellen Lernen ist für die Datenverarbeitung kein menschliches Eingreifen erforderlich, so dass wir das maschinelle Lernen auf interessantere Weise skalieren können.

Es gibt heute zahlreiche reale Anwendungen von KI-Systemen. Nachfolgend sind einige der häufigsten Beispiele aufgeführt:

• Spracherkennung: Sie wird auch als automatische Spracherkennung (ASR), Computer-Spracherkennung oder Sprache-zu-Text bezeichnet und ist eine Fähigkeit, die die Verarbeitung natürlicher Sprache (NLP) nutzt, um menschliche Sprache in ein schriftliches Format zu übertragen. Viele Mobilgeräte verfügen über eine Spracherkennung, um eine Sprachsuche durchzuführen (z. B. Siri) oder um das Schreiben von Textnachrichten zu erleichtern. 
• Kundenservice:  Virtuelle Online-Agenten ersetzen menschliche Agenten auf dem Weg zum Kunden. Sie beantworten häufig gestellte Fragen (FAQs) zu Themen wie Versand oder bieten personalisierte Beratung, Cross-Selling von Produkten oder Größenvorschläge für Benutzer und verändern damit die Art und Weise, wie wir über Kundeninteraktion auf Websites und Social-Media-Plattformen denken. Beispiele sind Messaging-Bots auf E-Commerce-Websites mit virtuellen Agenten, Messaging-Apps wie Slack und Facebook Messenger sowie Aufgaben, die normalerweise von virtuellen Assistenten und Sprachassistenten erledigt werden.
• Computer Vision: Diese KI-Technologie ermöglicht es Computern und Systemen, aus digitalen Bildern, Videos und anderen visuellen Eingaben aussagekräftige Informationen abzuleiten und auf der Grundlage dieser Eingaben Maßnahmen zu ergreifen. Diese Fähigkeit, Empfehlungen zu geben, unterscheidet sie von Bilderkennungsaufgaben. Angetrieben durch Convolutional Neural Networks findet die Computervision Anwendung beim Foto-Tagging in Social Media, bei der radiologischen Bildgebung im Gesundheitswesen und bei selbstfahrenden Autos in der Automobilindustrie.  
• Empfehlungsmaschinen: Mithilfe von Daten über das frühere Konsumverhalten können KI-Algorithmen dabei helfen, Datentrends zu erkennen, die zur Entwicklung effektiverer Cross-Selling-Strategien genutzt werden können. Dies wird verwendet, um Kunden während des Bezahlvorgangs bei Online-Händlern relevante Add-on-Empfehlungen zu geben.
• Automatisierter Aktienhandel: KI-gesteuerte Hochfrequenzhandelsplattformen, die zur Optimierung von Aktienportfolios entwickelt wurden, führen täglich Tausende oder sogar Millionen von Handelsaktivitäten ohne menschliches Zutun durch.

Die Idee einer "denkenden Maschine" geht auf das antike Griechenland zurück. Aber seit dem Aufkommen der elektronischen Datenverarbeitung (und in Bezug auf einige der in diesem Artikel erörterten Themen) gehören zu den wichtigen Ereignissen und Meilensteinen in der Entwicklung der künstlichen Intelligenz die folgenden:

• 1950: Alan Turing veröffentlicht "Computing Machinery and Intelligence". In dem Papier schlägt Turing - berühmt für das Knacken des ENIGMA-Codes der Nazis während des Zweiten Weltkriegs - vor, die Frage "Können Maschinen denken?" zu beantworten und führt den Turing-Test ein, um festzustellen, ob ein Computer die gleiche Intelligenz (oder die Ergebnisse der gleichen Intelligenz) wie ein Mensch aufweisen kann. Der Wert des Turing-Tests ist seither umstritten.
• 1956: John McCarthy prägt den Begriff "künstliche Intelligenz" auf der allerersten KI-Konferenz am Dartmouth College. (McCarthy sollte später die Lisp-Sprache erfinden.) Später im selben Jahr entwickeln Allen Newell, J.C. Shaw und Herbert Simon den Logic Theorist, das allererste laufende KI-Softwareprogramm.
• 1967: Frank Rosenblatt baut den Mark 1 Perceptron, den ersten Computer, der auf einem neuronalen Netz basiert, das durch Versuch und Irrtum "lernt". Nur ein Jahr später veröffentlichen Marvin Minsky und Seymour Papert ein Buch mit dem Titel Perceptrons, das sowohl zum Meilenstein der neuronalen Netze als auch, zumindest für eine Weile, zum Argument gegen künftige Forschungsprojekte zu neuronalen Netzen wird.
• 1980s: Neuronale Netze, die einen Rückwärtspropagierungs-Algorithmus verwenden, um sich selbst zu trainieren, werden häufig in KI-Anwendungen eingesetzt.
• 1997: Deep Blue von IBM besiegt den damaligen Schachweltmeister Garry Kasparov in einer Schachpartie (und Revanche).
• 2011: IBM Watson schlägt die Champions Ken Jennings und Brad Rutter bei Jeopardy!
• 2015: Der Minwa-Supercomputer von Baidu verwendet eine spezielle Art von tiefem neuronalem Netz, ein so genanntes faltungsneuronales Netz, um Bilder mit einer höheren Genauigkeit zu identifizieren und zu kategorisieren als der durchschnittliche Mensch.
• 2016: Das DeepMind-Programm AlphaGo, das sich auf ein tiefes neuronales Netz stützt, besiegt Lee Sodol, den Go-Weltmeister, in einem Spiel mit fünf Partien. Der Sieg ist angesichts der riesigen Anzahl möglicher Züge im weiteren Verlauf des Spiels (über 14,5 Billionen nach nur vier Zügen!) von Bedeutung. Später kaufte Google DeepMind für angeblich 400 Millionen US-Dollar.

IBM ist führend bei der Entwicklung von KI-gesteuerten Technologien für Unternehmen und leistet Pionierarbeit bei der Entwicklung zukünftiger maschineller Lernsysteme für verschiedene Branchen. Basierend auf jahrzehntelanger KI-Forschung, jahrelanger Erfahrung in der Zusammenarbeit mit Unternehmen aller Größenordnungen und den Erkenntnissen aus über 30.000 IBM Watson-Einsätzen hat IBM die KI-Leiter für den erfolgreichen Einsatz von künstlicher Intelligenz entwickelt:

• Erfassen: Vereinfachung der Datenerfassung und Zugänglichkeit.
• Organisieren: Schaffung einer geschäftsfähigen analytischen Grundlage.
• Analysieren: Aufbau skalierbarer und vertrauenswürdiger KI-gesteuerter Systeme.
• Integrieren: Integration und Optimierung von Systemen über das gesamte Framework des Unternehmens hinweg.
• Modernisieren: Verlagerung Ihrer KI-Anwendungen und -Systeme in die Cloud.

IBM Watson gibt Unternehmen die KI-Tools an die Hand, die sie benötigen, um ihre Geschäftssysteme und Arbeitsabläufe zu verändern und gleichzeitig die Automation und Effizienz deutlich zu verbessern. Weitere Informationen darüber, wie IBM Sie bei Ihrer KI-Reise unterstützen kann, finden Sie im IBM Portfolio Managed Services und Lösungen.