Deep Learning ist die Spielart des maschinellen Lernens, die künstliche neuronale Netze mit vielen hintereinandergeschalteten Schichten einsetzt; das „deep“ bezieht sich auf genau diese Tiefe. Jede Schicht erkennt etwas gröber oder feiner Aufgelöstes: Bei der Bilderkennung reagieren frühe Schichten auf Kanten und Farbverläufe, spätere auf Augen, Räder oder ganze Objekte. Der große Vorteil liegt darin, dass diese Merkmale nicht von Hand definiert werden müssen, sondern im Training selbst entstehen.
Bezahlt wird das mit Hunger nach Daten und Rechenleistung: Deep-Learning-Modelle brauchen große Trainingsmengen und spezialisierte Prozessoren, meist GPUs. Auf dieser Grundlage stehen praktisch alle bekannten KI-Anwendungen der letzten Jahre, von der Spracherkennung über die medizinische Bildauswertung bis zu großen Sprachmodellen.
Die Kehrseite ist die schwere Nachvollziehbarkeit: Warum ein tiefes Netz zu einem Ergebnis kommt, lässt sich nicht am Regelwerk ablesen, weshalb Explainable AI als eigenes Forschungsfeld entstanden ist. Für kleinere Fragestellungen mit übersichtlichen Datenmengen liefern einfachere Verfahren wie Entscheidungsbäume oft ähnlich gute und dazu erklärbare Ergebnisse.