10.01.2020

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

Für die Artikelreihe "#unchAIn - Demystifying AI" kooperiert der brutkasten mit dem Expertinnen-Netzwerk Ms. AI, um Vorurteile rund um Künstliche Intelligenz zu entmystifizieren. Expertinnen beantworten dazu die großen Fragen rund um das Thema KI. Teil 3: Was ist Machine Learning und Deep Learning?
/artikel/ki-was-ist-machine-learning-deep-learning
Künstliche Intelligenz (KI): Was ist Machine Learning? Was ist der Unterschied zu Deep Learning?
(c) Adobe Stock - zapp2photo

KI (Künstliche Intelligenz) ist das vielleicht wichtigste Tech-Thema unserer Zeit. Es gibt wohl keinen Bereich des politischen, wirtschaftlichen und gesellschaftlichen Lebens, der nicht das Potenzial hat, von KI grundlegend verändert zu werden. Gleichzeitig gibt es bei diesem Thema viele Falschinformation und überzogene Erwartungen. Für das Projekt „#unchAIn – Demystifying AI“ kooperiert der brutkasten mit dem internationalen Expertinnen-Netzwerk Miss AI, um gängige, teils falsche Vorstellungen zu entmystifizieren. Expertinnen und Experten der jeweiligen Felder – von Philosophinnen über Wissenschaftlerinnen bis zu Managerinnen – beantworten dabei in einer mehrteiligen Artikelreihe die großen Fragen zum Thema Künstliche Intelligenz, Machine Learning, Deep Learning und Co.

+++Mehr zum Thema AI & DeepTech+++

Im ersten Teil der Serie behandelten wir die Frage, was eigentlich Intelligenz (ganz allgemein) ist. Im zweiten ging es darum, ob Maschinen das menschliche Gehirn 1:1 kopieren können. Im dritten Teil widmen wir uns nun zwei der gängigsten Tech-Begriffe im Zusammenhang mit KI: Was ist Machine Learning? Und was ist Deep Learning? Und wie unterscheiden sich die beiden? Die Programmiererin und Mathematikerin Donata Petrelli un der Chatbot-Pionier Denis Rothman wählten bei der Beantwortung dieser Fragen sehr unterschiedliche Zugänge.


Bisher in der Serie „#unchAIn – Demystifying AI“ erschienen:


Was ist Machine Learning?

Petrelli: Die meisten haben als Kind wohl das Spiel „Blinde Kuh“ gespielt? Man ist mit verbundenen Augen in einem ausreichend großen Raum und muss es schaffen, die anderen im Raum zu finden und zu erkennen. Dabei hat das Kind mit verbundenen Augen keine Hinweise darauf, wo die anderen Kinder sind. Wenn es sich durch den Raum bewegt, muss es durch Tasten und Probieren die Umgebung verstehen, und letztlich die Mitspieler finden und erkennen. Machine Learning ist genau so ein Prozess, wie ihn das Kind mit verbundenen Augen im Raum durchführt.

Und um es etwas technischer zu definieren: Das maschinelle Lernen macht heute einen großen Teil des Bereichs Künstliche Intelligenz aus. Es umfasst mehrere Methoden zur Analyse und Erkennung von Daten und deren Beziehungen zueinander – oft zu Vorhersagezwecken. Alle diese Verfahren haben das Ziel, ohne initiale Kenntnisse sondern durch Erfahrung, eine Umgebung mit ihren Elementen und den Beziehungen zwischen ihnen, zu erkennen. Zu den bekanntesten Verfahren gehört das Modell der künstlichen neuronalen Netze, die die Struktur des menschlichen Gehrins simulieren.

Rothman: Machine Learning ist ein Teilbereich der Künstlichen Intelligenz. Nicht Machine Learning-basierte Algorithmen sind im Allgemeinen regelbasiert. Also etwa:

wenn X dann Y

Sowohl X als auch Y enthalten dabei viele Werte wie etwa ein Set von Daten. Das maschinelle Lernen kann die richtigen Werte „lernen“, um ein Ergebnis zu produzieren. Dabei gibt es keine Regel! Wir wollen etwa die Lösung finden für die Gleichung:

Y=aX + b

Wir müssen also die Werte von a und b finden, um die Gleichung lösen zu können. Daher probieren wir alle möglichen Werte von a und b aus. Das passiert oftmals nach dem Zufallsprinzip, um zu sehen, welche Werte am besten passen. Da wir leistungsstarke Computer haben, funktioniert das auch. Wir benutzen dazu viele Arten von Algorithmen, etwa Clustering und Regression. Jeder Algorithmus f sucht dabei nach den richtigen Werten, nach dem Prinzip:

f(Y)=aX+b

Die jeweiligen Algorithmen können dann jeweils für bestimmte Aufgaben genutzt werden, etwa eine Vorhersage, ob es nächste Woche regnen wird oder was die beste Route ist, um von Ort A nach Ort B zu gelangen usw.

Und was ist der Unterschied zu Deep Learning?

Rothman: Deep Learning ist wiederum ein Teilbereich des maschinellen Lernens. Es erweitert das Prinzip um „Layers“. Man kann es in Fällen nutzen, wo die Ermittlung des Werts Y schon deutlich komplexer ist. Nehmen wir dazu wieder eine Funktion f heran, wo es nun aber viele Schritte gibt:

f(Y)= f5(f4(Xf(3Xf(2Xf(X))

Das wirkt etwas verrückt? Als Mensch macht man das aber jeden Tag. Wenn man etwa gebeten wird, ein Gesicht in einem Bild mit 30 Gesichtern zu finden (wie z.B. auf einem Klassenfoto), dann macht man (unbewusst) ungefähr folgendes:

  1. Man versucht, die Gesichter vom Hintergrund zu isolieren.
  2. Dann sieht man sich die Form der Gesichter an.
  3. Dann die Farbe der Gesichter.
  4. Dann auch die Größe einer Person.
  5. Dann trifft man endlich eine Entscheidung und sagt: „Das ist die Person, die ich suche!“

Deep Learning tut dies automatisch, indem es die jeweils richtigen Werte von a und b findet, um jede Schicht von f(Y)=aX + b zu ermitteln.

Petrelli: Deep Learning ist eine Verstärkung der Methoden des Machine Learning, insbesondere der neuronalen Netze. In diesem Fall ist das Modell ausgefeilter, da die Resultate das Ergebnis der Ausarbeitung strukturierter Konzepte sind, die sich aus den Basis-Konzepten ableiten.

Um eine Analogie zu bringen: Die Gewinnung von Informationen durch ein Deep Learning-Modell im Vergleich zu einem Machine Learning-Modell ist wie jene eines Erwachsenen verglichen mit jener eines Kindes, das noch weitere Entwicklungsstufen vor sich hat.

⇒ Zur Page von Ms. AI

Redaktionstipps
Deine ungelesenen Artikel:
21.09.2026

Fit für die Zukunft? Wie die IT:U zur Spinoff-Schmiede werden soll

In Linz wird mit der IT:U Österreichs jüngste öffentliche Universität aufgebaut. Sie soll digitale Transformation, Interdisziplinarität und Entrepreneurship vereinen – ohne historischen Ballast. Wir sprachen dazu mit Daniel Cracau, Founding Director Outreach & Start-ups.
/artikel/fit-fuer-die-zukunft-wie-die-itu-zur-spinoff-schmiede-werden-soll
21.09.2026

Fit für die Zukunft? Wie die IT:U zur Spinoff-Schmiede werden soll

In Linz wird mit der IT:U Österreichs jüngste öffentliche Universität aufgebaut. Sie soll digitale Transformation, Interdisziplinarität und Entrepreneurship vereinen – ohne historischen Ballast. Wir sprachen dazu mit Daniel Cracau, Founding Director Outreach & Start-ups.
/artikel/fit-fuer-die-zukunft-wie-die-itu-zur-spinoff-schmiede-werden-soll
Daniel Cracau Founding Director Outreach & Start-ups der IT:U | (c) brutkasten / Dervisevic
Daniel Cracau ist Founding Director Outreach & Start-ups der IT:U | (c) brutkasten / Dervisevic

Dieser Text ist zuerst im brutkasten-Printmagazin von August 2026 Aufbrechen erschienen. Eine Download-Möglichkeit des gesamten Magazins findet sich am Ende dieses Artikels.


Eigentlich, erzählt er, hatte er sich eine berufliche Auszeit vorgenommen, als die IT:U Anfang 2025 bei ihm angeklopft habe. Dort habe man einen „Macher, nicht nur einen Verwalter“ für die Schnittstelle zur Wirtschaft gesucht. „Ich habe mich mit einem radikalen Konzept beworben und gleich klargestellt, dass ich meinen eigenen Kopf habe und Unbequemes anspreche.“ Das Konzept wurde angenommen, Cracau trat im Sommer seinen Dienst an. „It’s my project. I love it, und seitdem bin ich all-in“, sagt er heute.

„Ein System, das sich permanent verändern kann“

Der Reiz der IT:U liege darin, dass sie als öffentliche Hochschule komplett neu errichtet werde, ohne verkrustete Legacy-Probleme. Ziel sei es, zu beweisen, dass man eine moderne Universität von Anfang an richtig konzipieren könne. Das bedeute vor allem auch Wandlungsfähigkeit: „Auf die Frage, wie die IT:U in 15 oder 20 Jahren aussehen wird, antworte ich: ‚Ich weiß es nicht, aber ich weiß, dass sie auf jeden Fall nicht so aussieht wie heute.‘ Ich glaube, das ist auch der Kern dieses ganzen Projekts: diese Fähigkeit, sich an die Realität der Welt anzupassen.“ IT-Fakultäten an etablierten Universitäten könnten diese Agilität in der vorhandenen Struktur nicht erreichen. „Und wenn wir jetzt kein System bauen, das sich permanent verändern kann, ist die IT:U in zehn Jahren auch veraltet“, so Cracau.

Dieses Umfeld ziehe auch „Rebels“ an, die Dinge neu denken wollen – sowohl bei den Lehrenden als auch bei den Studierenden. „Masterstudierende, die sich trauen, in ein Studium einzusteigen, das keine Referenz hat, haben dieses Pionier-Gen“, ist Cracau überzeugt. Und das brauche man auch für Spinoffs. Auch dass Englisch die offizielle Sprache an der IT:U ist, ziehe eine tendenziell gründungsaffine Zielgruppe an: „Die Ausgründungsrate bei internationalen Studierenden ist bis zu fünfmal höher“, so Cracau.

Gelernt wird an der IT:U projektbasiert in Kleingruppen direkt an Technologien wie Robotik und KI. Das Ziel sei die Verschmelzung von technischer Expertise und Future Skills. Dabei müsse man einem Problem erst interdisziplinär auf den Grund gehen, bevor man es lösen könne. Cracau: „Gründerinnen und Gründer suchen sich ihre Probleme, gehen mit offenen Augen durch die Welt und beißen sich dann an etwas fest, das sie wirklich interessiert.“ Dennoch dürfe man sich beim Thema Ausgründungen keinen Illusionen hingeben: „Die Vorstellung, dass man jede beliebige Forschende oder jeden beliebigen Forscher zu Gründerinnen und Gründern ausbilden kann, ist romantisch.“

Und aktuell befinde sich die IT:U auch noch in einer Bringschuld, die einen zentralen Punkt in der öffentlichen Spinoff-Debatte betrifft: „Wir arbeiten noch an unserer IP-Policy. Die wollen wir Schritt für Schritt aufbauen“, sagt Cracau. Das Ziel sei dabei klar: Sie soll „maximal gründungsfreundlich“ werden. Und er spricht auch das zweite Großthema rund um universitäre Ausgründungen an: den Zugang von Universitäten zu Unternehmensanteilen. „Wenn die Universität früh mit einem hohen Anteil – sagen wir: zehn Prozent – und Mitspracherecht reingeht, killt das die Erfolgschancen des Spinoffs“, warnt Cracau. Internationale Vorbilder wie die ETH Zürich und die TU München mit UnternehmerTUM würden zeigen, dass flache Beteiligungsstrukturen besser funktionieren. „Der Mehrwert kommt langfristig über erfolgreiche Alumni zurück, die das Ökosystem unterstützen“, so Cracau.

Kooperationen im Zentrum

Um angehende Gründer:innen ganz konkret zu fördern, setzt die IT:U auf Begleitung ab Tag eins bereits in der „Welcome Week“. Ausgründen sei „nicht nur eine Möglichkeit, sondern es wird proaktiv gefördert“. Neben dem Aufbau einer eigenen finanziellen Anschubförderung soll im nächsten Jahr ein „Startup Partner“ als erster Ansprechpartner an Bord kommen. „Diese Person muss echte Gründungserfahrung mitbringen, um ein authentischer und kompetenter Begleiter zu sein“, betont Cracau. Den entscheidenden Hebel sieht er letztlich in der Praxisnähe: „Der absolut größte Breaking Point ist Go-to-Market. Durch das projektbasierte Arbeiten an realen Industrieaufgaben ist die Basis für den Marktstart von vornherein viel besser.“ Diese Industriekooperation passiert etwa in einem kürzlich eröffneten gemeinsamen Labor mit Infineon Austria.

Als Vision skizziert Cracau ein noch größeres Ziel: „Letztlich soll der Mehrwert der IT:U darin bestehen, nicht nur Graduates hervorzubringen, die direkt in die Wirtschaft gehen, sondern auch als Anker im Ökosystem für eine Gründungswelle zu stehen und diese institutionell zu begleiten.“ Das könne aber nur mit einem breiten Schulterschluss gelingen – nicht nur mit anderen Unis, wie es etwa mit der „Schwester-Uni“ JKU bereits der Fall sei, sondern auch mit Wirtschaft und Industrie: „Wir müssen alle an einem Strang ziehen. Denn am Ende ist ganz Österreich nur ein kleines Ökosystem.“

Die Hochlauf- und Entwicklungskurve bleibe jedenfalls steil und anspruchsvoll. Als entscheidender Meilenstein für den weiteren Erfolg der IT:U gilt die anstehende Wahl der Universitätsführung Mitte 2027.

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?