Die Begriffe Künstliche Intelligenz und Maschinelles Lernen werden oft synonym verwendet, bezeichnen aber unterschiedliche Ebenen.
Künstliche Intelligenz als Oberbegriff
Künstliche Intelligenz (KI, englisch AI) ist der Sammelbegriff für Software, die kognitive Aufgaben übernimmt, die traditionell menschliche Intelligenz erfordern: Sprachverstehen, Bildanalyse, Entscheidungsfindung, Mustererkennung. KI als Begriff umfasst regelbasierte Expertensysteme aus den 1980ern ebenso wie moderne neuronale Netze.
Maschinelles Lernen als Methode
Maschinelles Lernen (ML, englisch Machine Learning) ist eine spezifische Methode, KI-Systeme zu bauen. Statt jeden Entscheidungsschritt explizit zu programmieren, lernt ein ML-System aus großen Datenmengen Muster. Klassische ML-Verfahren umfassen Entscheidungsbäume, Support Vector Machines, Random Forests und neuronale Netze. Deep Learning ist eine Unterkategorie von ML mit besonders tiefen neuronalen Netzen.
Sprachmodelle als Teilbereich
Large Language Models wie GPT, Claude, Llama oder Mistral sind besonders große neuronale Netze, trainiert auf riesigen Textmengen. Sprachmodelle sind damit eine spezielle Form von Deep Learning und eine spezielle Form von ML und damit eine Form von KI.
Warum die Unterscheidung wichtig ist
Wer KI-Investitionen plant, sollte wissen, welche Methode den Anwendungsfall löst. Für Wissensmanagement sind Sprachmodelle mit RAG heute Standard. Für Bildprüfung in der Qualitätssicherung kommen oft klassische Deep-Learning-Modelle zum Einsatz. Für tabellarische Entscheidungsprobleme wie Betrugserkennung reichen häufig klassische ML-Verfahren. Die richtige Methode hängt vom Problem ab, nicht vom Marketingbegriff.