Ein Algorithmus ist eine Schritt-für-Schritt-Anleitung für einen Computer, um ein klar definiertes Problem zu lösen. Er beruht auf einer Programmierung, also einem Code, der von Programmiererinnen und Programmierern vorgegeben wird. Ein Algorithmus sorgt zum Beispiel im Alltag dafür, dass uns Navigationsgeräte den kürzesten Weg zu einem Ziel zeigen.

Ein weiteres Beispiel ist der Empfehlungsalgorithmus einer Streaming-Plattform. Basierend auf Suchverläufen anderer Personen schlägt uns der Algorithmus weitere Musik oder Serien vor, die uns gefallen könnten. Solche Algorithmen sollen für Userinnen und User die Suche nach für sie relevanten Inhalten vereinfachen – und Verkäufe steigern, wovon wiederum die Plattformen profitieren.

Beim maschinellen Lernen werden Maschinen so programmiert, dass sie in der Lage sind, aus bestimmten Daten Muster oder Zusammenhänge zu erkennen. Ein Beispiel hierfür ist der Algorithmus zur Spam-Erkennung im E-Mail-Postfach. Das System muss lernen, wie es unter ankommenden E-Mails Spam-Inhalte erkennt. Dafür wird es in der Lernphase mit wahnsinnig vielen E-Mails gefüttert. Anschließend melden IT-Fachleute oder Nutzerinnen und Nutzer dem System zurück, ob es eine Spam-E-Mail richtig erkannt hat oder nicht. Je nach Erfolg, passt sich das System an und erkennt Spam in Zukunft präziser. Schließlich hat das System aus den Daten selbst ein Regelwerk oder Modell erzeugt, ohne dass der Mensch dieses explizit vorgegeben hat.

Neuronale Netze kommen im menschlichen Gehirn vor und sorgen dafür, dass wir denken und schlussfolgern können. Dort verarbeiten Milliarden von verknüpften Nervenzellen, was um uns herum passiert. Beim maschinellen Lernen wird dieser Aufbau des menschlichen Gehirns durch künstliche neuronale Netze vereinfacht nachgebildet. Die Funktionsweise ist ähnlich: Bekommt das System einen bestimmten Input (zum Beispiel Gesundheitsdaten wie die Blutwerte oder die Körpertemperatur einer Person), werden die Informationen miteinander verknüpft und analysiert und schließlich ein entsprechender Output erzeugt (etwa „krank“ oder „gesund“).

Unter Deep Learning versteht man einen Teilbereich des maschinellen Lernens, bei dem besonders große Datenmengen und künstliche neuronale Netze zum Einsatz kommen. Dort können bestimmte Systeme bereits erkannte Muster und Zusammenhänge auf weitere Bereiche übertragen. Der Mensch greift hier nicht mehr in den eigentlichen Lernvorgang ein, diesen übernimmt die Maschine. Das ermöglicht, dass besonders große Datenmengen in kurzer Zeit verarbeitet werden. Daher findet Deep Learning vor allem bei besonders komplexen Problemstellungen Anwendung, zum Beispiel bei der Erkennung von Krebszellen.