Il Machine Learning è la tecnologia storicamente più antica e più semplice. Utilizza un algoritmo che il sistema adatta, solo dopo aver ricevuto un feedback umano. Un presupposto per l’utilizzo della tecnologia è l'esistenza di dati strutturati. Il sistema viene prima alimentato con dati strutturati e categorizzati e quindi capisce come classificare i nuovi dati a seconda del tipo. In base alla classificazione, il sistema esegue poi le attività programmate. Ad esempio è in grado di riconoscere un cane o un gatto in una foto e di spostare i file nelle cartelle corrispondenti.
Dopo una fase iniziale di applicazione, l’algoritmo è ottimizzato dal feedback umano, che indica al sistema le classificazioni errate e le categorizzazioni corrette.
Nel caso del Deep Learning i dati strutturati non sono necessari. Il sistema funziona nelle reti neurali multistrato, che combinano diversi algoritmi e sono modellate sul cervello umano. Ciò consente al sistema di elaborare anche dati non strutturati.
L’approccio è particolarmente indicato per compiti complessi, quando non tutti gli aspetti degli oggetti possono essere categorizzati in anticipo. Nel Deep Learning è il sistema stesso a individuare le caratteristiche distintive adeguate. A ogni livello, l’input viene controllato per un’altra caratteristica e il sistema usa questo procedimento per decidere come categorizzare il dato in questione.
Importante: nel Deep Learning, il sistema stesso identifica nei dati le caratteristiche distintive adeguate, senza la necessità di una categorizzazione dall’esterno. L’addestramento da parte di uno sviluppatore non è necessario. È il sistema stesso a controllare se le classificazioni cambiano a causa di un nuovo input o se ne vanno introdotte di nuove.
Mentre il Machine Learning funziona già con un database controllabile, il Deep Learning richiede molti più dati. Il sistema dovrebbe avere a disposizione oltre 100 milioni di punti dati per poter fornire risultati affidabili.
Inoltre, la tecnologia Deep Learning è più complessa da implementare. Richiede più risorse informatiche ed è molto più costosa del Machine Learning, quindi non fa al caso, almeno per il momento, della stragrande maggioranza delle aziende.