Wenn ein Kind zum ersten Mal einen Hund sieht und die Eltern erklären: Das ist ein Hund, wird sich das Kind für immer diese Verbindung merken, auch andere Hunde auf der Straße erkennen. Bei Maschinen war es bisher anders. Man musste einem Algorithmus genau vorgeben und explizit einprogrammieren, was einen Hund auszeichnet, damit er ein Hund ist: Fell, vier Beine, lange Schnauze… könnte auch ein Wolf sein?

Deep Learning oder maschinelles Lernen ist dem menschlichen Gehirn nachempfunden: Durch maschinelles Lernens erarbeitet sich ein Computer selbst das Wissen darüber, was ein Hund ist. Und das funktioniert ganz ähnlich wie das Lernschema eines Kindes. Anhand vieler Bilder und Informationen über Hunde, lernt das System einen Hund in jeder Situation von anderen Dingen zu unterscheiden. Und das ist selbst für Menschen nicht immer eindeutig – wie man an dem Internet-Meme „Chihuahua or Muffin“ sehen kann.

Maschinen können auf der Grundlage von großen Datenmengen, Modellen und Algorithmen lernen, selbst zu lernen. Maschinelles Lernen oder Deep Learning bezeichnet genau dieses selbstständige Lernen oder auch automatisches Problemlösen. Das Lernen geschieht entweder überwacht, anhand eines Datensatzes mit bekannten Outputs oder unüberwacht, indem der Algorithmus selbst Muster in Daten erkennt. Dabei kann die Form, in der die Daten vorliegen, sehr unterschiedlich sein: Unstrukturiert wie in Texten, Bildern oder auch Sprache, in E-Mails oder Social Media Posts – Man spricht auch von Maschinellem Hören und Sehen bei speech recognition und image recognition. Oder Daten liegen strukturiert in Tabellen zusammengefasst vor.

Das System findet innere Zusammenhänge von Daten ohne menschliches Zutun. Der Mensch gibt quasi nur das Problem vor, das zu lösen ist. Das Ziel von maschinellem Lernen ist es, auch zukünftiges Verhalten vorhersagen zu können, das Training eines sogenannten „Klassifizierers“.