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:
28.10.2026

Scalable-Co-CEO über Österreich-Expansion: „Mit Bitpanda sehen wir wenig Überschneidung“

Seit Anfang Oktober betreibt Scalable Capital eine Bankniederlassung in Wien und bietet damit steuereinfaches Investieren in Österreich an. Im Interview spricht Co-CEO Erik Podzuweit über die Ziele im heimischen Markt, das Zukunftsdepot und darüber, warum bereits 20.000 KI-Agenten täglich auf Scalable-Konten aktiv sind.
/artikel/scalable-capital-podzuweit-interview
28.10.2026

Scalable-Co-CEO über Österreich-Expansion: „Mit Bitpanda sehen wir wenig Überschneidung“

Seit Anfang Oktober betreibt Scalable Capital eine Bankniederlassung in Wien und bietet damit steuereinfaches Investieren in Österreich an. Im Interview spricht Co-CEO Erik Podzuweit über die Ziele im heimischen Markt, das Zukunftsdepot und darüber, warum bereits 20.000 KI-Agenten täglich auf Scalable-Konten aktiv sind.
/artikel/scalable-capital-podzuweit-interview
Scalable-Capital-Co-CEO Erik Podzuweit beim Interview in Wien | Foto: brutkasten
Scalable-Capital-Co-CEO Erik Podzuweit beim Interview in Wien | Foto: brutkasten

Die Münchner Banking- und Investmentplattform Scalable Capital verwaltet mittlerweile über 60 Milliarden Euro an Kundenvermögen. Seit Anfang Oktober hat das Unternehmen eine offizielle Bankniederlassung in Wien, damit können österreichische Kund:innen erstmals steuereinfach investieren. Das bedeutet: Scalable führt die Kapitalertragsteuer (KESt) auf Gewinne, Dividenden und Zinsen automatisch an das Finanzamt ab, Anleger:innen müssen ihre Kapitalerträge also nicht mehr selbst in der Steuererklärung angeben. Co-Founder und Co-CEO Erik Podzuweit war zum Start in Wien. brutkasten traf ihn zum Gespräch über die Expansionspläne, den Mitbewerb und seine Vision vom „Finanzcoach in der Tasche“.


brutkasten: Scalable Capital war in Österreich schon länger aktiv, seit Anfang Oktober gibt es eine Bankniederlassung in Wien. Warum gerade jetzt?

Erik Podzuweit: Wir sind als App auf den Systemen einer anderen Bank gestartet und haben in den letzten Jahren unsere gesamte technische Infrastruktur selbst entwickelt und vertikalisiert: mit eigenem Kernbankensystem, eigenem Market Making über einen Handelsplatz, den wir gemeinsam mit der Börse Hannover betreiben, sowie eigener Konto- und Depotführung. Diese Plattform können wir jetzt nutzen, um viel schneller und flexibler in andere Länder wie Österreich zu gehen.

Man konnte schon vor Jahren als Österreicher Kunde werden, aber nicht steuereinfach. Dafür mussten wir zwei Dinge tun: eine offizielle Bankniederlassung gründen, wie wir es auch vor kurzem in Italien getan haben, und die Steuersoftware entweder einkaufen oder selbst bauen. Für Österreich haben wir sie selbst gebaut. Dank moderner KI-Anwendungen geht das heute extrem effizient im eigenen Haus. Das waren die letzten Schritte zu einem massentauglichen Produkt in Österreich. Jetzt bauen wir das lokale Team weiter aus und fahren das Marketing hoch. Ab Mitte Oktober werden wir in ganz Österreich mit Werbung deutlich präsenter sein. Und es kommen weitere Produkte: im November Festgeld und später ein Kreditangebot.

Wie wollt ihr in die breite Masse gehen? Anbieter wie Bitpanda setzen stark auf Sportsponsoring.

Wir setzen sehr stark auf Außenwerbung, parallel spielen wir die ganze Klaviatur des Online-Marketings. Sportsponsoring machen wir nur in kleinem Umfang, da gibt es viele Streuverluste. Und wir sind in einem zyklischen Markt: Bei volatilen Börsen muss man das Marketing zurückfahren können. Bei Krypto hat man das gesehen, da ist das Handelsvolumen eingebrochen, und es war schwer, aus mehrjährigen Verträgen wieder rauszukommen.

Welche Zielgruppe sprecht ihr in Österreich an?

Vor ein paar Jahren waren wir viel nischiger. Unsere klassische Kundschaft waren die sogenannten Smart Busy Professionals: Menschen, die noch nicht zwangsläufig reich sind, aber gut ausgebildet, mit gutem Einkommen, oft städtisch, die in der Wirtschaft oder als Programmierer arbeiten. Bei einer klassischen Bank fallen diese Kundinnen und Kunden oft durchs Raster: Sie passen noch nicht ins Private Banking, sind aber auch keine Retailkunden, denen man irgendeinen Fonds verkauft. Mit der Zeit werden sie immer attraktiver. Heute gehen wir eine viel breitere Masse an. Neben dem Investieren haben wir mit Tagesgeld und Festgeld auch den Bereich Sparen. 2,6 Prozent Zinsen versteht jeder. Damit gewinnt man auch Kunden, die wenig Risiko wollen oder in Rente sind, und zwar von klassischen Banken. Die Smart Busy Professionals kommen eher von anderen Online-Banken zu uns.

Wer ist euer direkter Mitbewerber?

Mit Bitpanda sehen wir wenig Überschneidung. Wir haben ein Kryptoangebot, Bitpanda hat ein Aktienangebot, aber das sind zwei getrennte Welten. Dann schon eher alle Banken. Wenn man aber auf Preis, Zins, Gebühren und das Nutzererlebnis schaut, sind die klassischen Banken keine direkte Konkurrenz für uns. Der direkteste Mitbewerber ist Trade Republic. Aber es gibt Unterschiede im Preismodell und bei den Zinsen. Unser Zins ist etwas besser. Wir liegen bei 2,6 Prozent versus 2,5 Prozent.

Warum braucht es ein lokales Team in Wien, wenn Geldanlage ein globales Geschäft ist?

Wenn ein österreichischer Kunde eine Tesla-Aktie kauft, ist das dieselbe Aktie wie für einen italienischen Kunden. Aber im Kundengeschäft braucht man lokale Präsenz. Auch BlackRock hat ein Büro in Wien und eins in Mailand, man kann Europa nicht allein aus New York steuern, und wir nicht allein aus München. Die regionalen Unterschiede liegen vor allem auf der Steuerseite. Jetzt fangen auch einzelne Staaten der EU an, gezielte steuerliche Anreize und Zuschüsse zum Investieren zu geben. In Deutschland kommt das Altersvorsorgedepot, in Österreich wird das Zukunftsdepot diskutiert. Da muss man die Entscheidungen nah verfolgen und ein lokales Produkt bauen. Sobald das Zukunftsdepot kommt, werden wir es maßgeschneidert in Österreich anbieten.

Welche Ziele habt ihr euch für Österreich gesetzt?

Der österreichische Markt ist zwar kleiner als der deutsche, aber die durchschnittlichen Depotgrößen sind hier sogar etwas höher. Ziel ist es, in den nächsten Jahren ein Kundenvolumen von zehn bis zwanzig Milliarden Euro in Österreich aufzubauen. Aktuell liegen wir bei über 60 Milliarden auf der gesamten Plattform. In vier bis sechs Jahren soll die Hälfte des Kundenstamms von außerhalb Deutschlands kommen. Dabei sind wir klar auf Europa fokussiert, eine Expansion darüber hinaus planen wir nicht.

Ihr habt Agentic Investing eingeführt. Was ist die Idee, und wer nutzt das?

Wir haben zwei Schnittstellen geöffnet – technisch nennt sich die eine CLI (Command Line Interface) und die andere MCP (Model Context Protocol). Über die erste kann ein Kunde seine eigene KI-Anwendung anschließen. Über die MCP-Schnittstelle können auch Leute ohne Programmierkenntnisse in wenigen Minuten beispielsweise ChatGPT oder Claude mit ihrem Scalable-Konto verknüpfen. Man stellt die Freiheitsgrade ein: Im Read-Only-Modus sieht und analysiert der Agent das Portfolio, erstellt Charts oder aggregiert Newsfeeds. Wer möchte, kann ihn aber auch bis zum Ausführen von Trades und Trading-Strategien freischalten. Geblockt ist aus Sicherheitsgründen jede Zahlung, es kann nie Geld abfließen. Das Feature ist vor ein paar Wochen gestartet, die ersten 20.000 Agenten sind täglich aktiv. Noch nutzt es eher die technologieaffine Kundschaft, vor allem für Portfolioanalysen, manche fahren aber bereits aktive Strategien.

Und die Zukunft?

Ich erwarte nicht, dass jeder Kunde komplexe Trading-Strategien umsetzt, das macht für die meisten auch gar keinen Sinn. Die Vision ist eine Welt, in der jeder einen persönlichen Agenten hat. Der sagt nicht nur, dein Konto bei Bank XY hat zu wenig Zinsen, sondern eröffnet direkt ein Konto und Depot bei Scalable. Man sagt: “Ich habe zehn Euro im Monat übrig und möchte mit mittlerem Risiko anlegen” und der Agent sucht die passenden ETFs heraus und setzt einen Sparplan auf. Der Anspruch ist dabei nicht die zusätzliche Rendite, sondern dass der Zugang zum Kapitalmarkt einfacher wird. 80 Prozent der Menschen haben noch nie investiert. Ein Finanzcoach in der Tasche, der auch aktiv werden kann, das ist die Zukunft der Geldanlage. Das kommt nicht von heute auf morgen, aber in den nächsten Jahren. Private Geldanlage ist im Aufwind, Anbieter wie wir senken Hürden und Gebühren, und jetzt kommt KI dazu. Das ist ein ideales Zusammenspiel.


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?