[{"data":1,"prerenderedAt":76},["ShallowReactive",2],{"i-material-symbols:language":3,"i-material-symbols:person":8,"i-mdi:instagram":10,"i-mdi:youtube":12,"i-ri:linkedin-fill":14,"i-ri:twitter-x-line":16,"i-ri:facebook-fill":18,"post-maschinelles-lernen-vs-deep-learning":20,"i-material-symbols:person-outline":68,"i-material-symbols:calendar-month":70,"i-mdi:schedule":72,"i-simple-icons:xing":74},{"left":4,"top":4,"width":5,"height":5,"rotate":4,"vFlip":6,"hFlip":6,"body":7},0,24,false,"\u003Cpath fill=\"currentColor\" d=\"M8.125 21.213q-1.825-.788-3.187-2.15t-2.15-3.188T2 11.988t.788-3.875t2.15-3.175t3.187-2.15T12.013 2t3.875.788t3.175 2.15t2.15 3.175t.787 3.875t-.787 3.887t-2.15 3.188t-3.175 2.15t-3.875.787t-3.888-.787M12 19.95q.65-.9 1.125-1.875T13.9 16h-3.8q.3 1.1.775 2.075T12 19.95m-2.6-.4q-.45-.825-.787-1.713T8.05 16H5.1q.725 1.25 1.813 2.175T9.4 19.55m5.2 0q1.4-.45 2.488-1.375T18.9 16h-2.95q-.225.95-.562 1.838T14.6 19.55M4.25 14h3.4q-.075-.5-.112-.987T7.5 12t.038-1.012T7.65 10h-3.4q-.125.5-.187.988T4 12t.063 1.013t.187.987m5.4 0h4.7q.075-.5.113-.987T14.5 12t-.038-1.012T14.35 10h-4.7q-.075.5-.112.988T9.5 12t.038 1.013t.112.987m6.7 0h3.4q.125-.5.188-.987T20 12t-.062-1.012T19.75 10h-3.4q.075.5.113.988T16.5 12t-.038 1.013t-.112.987m-.4-6h2.95q-.725-1.25-1.812-2.175T14.6 4.45q.45.825.788 1.713T15.95 8M10.1 8h3.8q-.3-1.1-.775-2.075T12 4.05q-.65.9-1.125 1.875T10.1 8m-5 0h2.95q.225-.95.563-1.838T9.4 4.45Q8 4.9 6.912 5.825T5.1 8\"\u002F>",{"left":4,"top":4,"width":5,"height":5,"rotate":4,"vFlip":6,"hFlip":6,"body":9},"\u003Cpath fill=\"currentColor\" d=\"M9.175 10.825Q8 9.65 8 8t1.175-2.825T12 4t2.825 1.175T16 8t-1.175 2.825T12 12t-2.825-1.175M4 20v-2.8q0-.85.438-1.562T5.6 14.55q1.55-.775 3.15-1.162T12 13t3.25.388t3.15 1.162q.725.375 1.163 1.088T20 17.2V20z\"\u002F>",{"left":4,"top":4,"width":5,"height":5,"rotate":4,"vFlip":6,"hFlip":6,"body":11},"\u003Cpath fill=\"currentColor\" d=\"M7.8 2h8.4C19.4 2 22 4.6 22 7.8v8.4a5.8 5.8 0 0 1-5.8 5.8H7.8C4.6 22 2 19.4 2 16.2V7.8A5.8 5.8 0 0 1 7.8 2m-.2 2A3.6 3.6 0 0 0 4 7.6v8.8C4 18.39 5.61 20 7.6 20h8.8a3.6 3.6 0 0 0 3.6-3.6V7.6C20 5.61 18.39 4 16.4 4zm9.65 1.5a1.25 1.25 0 0 1 1.25 1.25A1.25 1.25 0 0 1 17.25 8A1.25 1.25 0 0 1 16 6.75a1.25 1.25 0 0 1 1.25-1.25M12 7a5 5 0 0 1 5 5a5 5 0 0 1-5 5a5 5 0 0 1-5-5a5 5 0 0 1 5-5m0 2a3 3 0 0 0-3 3a3 3 0 0 0 3 3a3 3 0 0 0 3-3a3 3 0 0 0-3-3\"\u002F>",{"left":4,"top":4,"width":5,"height":5,"rotate":4,"vFlip":6,"hFlip":6,"body":13},"\u003Cpath fill=\"currentColor\" d=\"m10 15l5.19-3L10 9zm11.56-7.83c.13.47.22 1.1.28 1.9c.07.8.1 1.49.1 2.09L22 12c0 2.19-.16 3.8-.44 4.83c-.25.9-.83 1.48-1.73 1.73c-.47.13-1.33.22-2.65.28c-1.3.07-2.49.1-3.59.1L12 19c-4.19 0-6.8-.16-7.83-.44c-.9-.25-1.48-.83-1.73-1.73c-.13-.47-.22-1.1-.28-1.9c-.07-.8-.1-1.49-.1-2.09L2 12c0-2.19.16-3.8.44-4.83c.25-.9.83-1.48 1.73-1.73c.47-.13 1.33-.22 2.65-.28c1.3-.07 2.49-.1 3.59-.1L12 5c4.19 0 6.8.16 7.83.44c.9.25 1.48.83 1.73 1.73\"\u002F>",{"left":4,"top":4,"width":5,"height":5,"rotate":4,"vFlip":6,"hFlip":6,"body":15},"\u003Cpath fill=\"currentColor\" d=\"M6.94 5a2 2 0 1 1-4-.002a2 2 0 0 1 4 .002M7 8.48H3V21h4zm6.32 0H9.34V21h3.94v-6.57c0-3.66 4.77-4 4.77 0V21H22v-7.93c0-6.17-7.06-5.94-8.72-2.91z\"\u002F>",{"left":4,"top":4,"width":5,"height":5,"rotate":4,"vFlip":6,"hFlip":6,"body":17},"\u003Cpath fill=\"currentColor\" d=\"M10.488 14.651L15.25 21h7l-7.858-10.478L20.93 3h-2.65l-5.117 5.886L8.75 3h-7l7.51 10.015L2.32 21h2.65zM16.25 19L5.75 5h2l10.5 14z\"\u002F>",{"left":4,"top":4,"width":5,"height":5,"rotate":4,"vFlip":6,"hFlip":6,"body":19},"\u003Cpath fill=\"currentColor\" d=\"M14 13.5h2.5l1-4H14v-2c0-1.03 0-2 2-2h1.5V2.14c-.326-.043-1.557-.14-2.857-.14C11.928 2 10 3.657 10 6.7v2.8H7v4h3V22h4z\"\u002F>",{"postType":21,"id":22,"author":23,"date":26,"modified":27,"title":28,"slug":29,"seoTitle":30,"seoDescription":31,"excerpt":32,"trimmedExcerpt":32,"content":33,"readingTime":34,"featuredImage":35,"postCategory":41,"relatedPosts":46},"post",64699,{"id":24,"name":25},"author-0301142015","Canto","2024-04-24T15:42:36","2025-11-13T09:48:40","Maschinelles Lernen vs. Deep Learning – die Zukunft entschlüsseln","maschinelles-lernen-vs-deep-learning","Maschinelles Lernen vs. Deep Learning erläutert","Maschinelles Lernen vs. Deep Learning – welche praktischen Einsatzmöglichkeiten es gibt und wie KI die Probleme von morgen lösen könnte, erfahren Sie hier.","Maschinelles Lernen vs. Deep Learning – welche praktischen Einsatzmöglichkeiten es gibt und wie KI die Probleme von morgen lösen könnte.","\u003Cp class=\"wp-block-paragraph\">Wenn von KI die Rede ist, fallen eine Reihe verwirrender Begriffe. Möglicherweise haben Sie ja schon einmal vom “Deep Learning” gehört, einer Unterkategorie des sogenannten maschinellen Lernens.\u003C\u002Fp>\u003Cp class=\"wp-block-paragraph\">Was ist an Deep Learning eigentlich so tief?\u003C\u002Fp>\u003Cp class=\"wp-block-paragraph\">Und wie können all diese verschiedenen \u003Cem>Varianten von KI anhand von Daten lernen\u003C\u002Fem>?\u003C\u002Fp>\u003Ch2 class=\"wp-block-heading\" id=\"toc-1--die-geschichte-des-maschinellen-lernens\">Die Geschichte des maschinellen Lernens\u003C\u002Fh2>\u003Cp class=\"wp-block-paragraph\">Versetzen Sie sich einmal in die Rolle eines Datenwissenschaftlers vor etwa 20 Jahren. Sie möchten mithilfe der bestehenden Technologien ein Problem lösen, für das es im Allgemeinen nur eine begrenzte Anzahl möglicher Antworten gibt. Ein paar Beispiele für solche Problemstellungen, die Sie lösen können, sind:\u003C\u002Fp>\u003Cul class=\"wp-block-list\">\u003Cli>\u003Cstrong>Kreditwürdigkeit:\u003C\u002Fstrong> Sie möchten herausfinden, ob jemand für einen von ihm beantragten Kredit qualifiziert ist. Hierfür müsste ein maschinelles Lernmodell auf Basis jahrzehntelanger Erfahrungen mit guten und schlechten Krediten trainiert werden, bevor man ihm den Kreditantrag einer Person einspeist. Dieses Modell würde daraufhin entweder “Ja” (Kredit gewähren) oder “Nein” (Kredit ablehnen) ausgeben.\u003C\u002Fli>\u003Cli>\u003Cstrong>Erkennung von Spam-E-Mails:\u003C\u002Fstrong> Sie möchten feststellen, ob es sich bei einer E-Mail um Spam handelt, und dazu trainieren Sie ein Modell zur Spam-Erkennung mithilfe von Daten. Dieses Modell würde dann entweder “Ja” (die E-Mail ist Spam) oder “Nein” (die E-Mail ist legitim) ausgeben.\u003C\u002Fli>\u003C\u002Ful>\u003Cp class=\"wp-block-paragraph\">Beide Beispiele nennt man \u003Cem>Klassifikatoren\u003C\u002Fem>, weil sie eine Antwort aus einer endlichen Menge von möglichen Klassifizierungen ausgeben.\u003C\u002Fp>\u003Cp class=\"wp-block-paragraph\">Andere Arten von Modellen lassen sich darauf trainieren, Fragen zu beantworten, wie z.B. wie viel das Haus einer Person aufgrund seiner Lage, Größe und seines Alters wert ist. Die Ausgabe ist eine einzige Zahl (und es liegen viele Datensätze über vergleichbare Häuser und deren Verkaufspreise vor).\u003C\u002Fp>\u003Cp class=\"wp-block-paragraph\">Dies alles sind Beispiele \u003Cem>nützlicher Anwendungsfälle für \u003Ca href=\"\u002Fde\u002Fblog\u002Fgrundlagen-maschinelles-lernen\u002F\">maschinelles Lernen\u003C\u002Fa>\u003C\u002Fem>, bei denen eine angemessene Menge an Lerndaten verfügbar ist. Diese Einsatzmöglichkeiten werden nur durch die Größe des Problems begrenzt, das es zu bewältigen gilt.\u003C\u002Fp>\u003Ch2 class=\"wp-block-heading\" id=\"toc-2--maschinelles-lernen-entwickelt-sich-weiter\">Maschinelles Lernen entwickelt sich weiter\u003C\u002Fh2>\u003Cp class=\"wp-block-paragraph\">Ein Jahrzehnt später sind die Ambitionen gewachsen: Jetzt sollen mithilfe des maschinellen Lernens weitaus komplexere Problemstellungen bewältigt werden! Als Datenwissenschaftler müssen Sie ermitteln, was zur Lösung dieser neuen Aufgaben erforderlich ist.\u003C\u002Fp>\u003Cfigure class=\"wp-block-image aligncenter\">\u003Cimg loading=\"lazy\" decoding=\"async\" width=\"880\" height=\"450\" src=\"\u002Fcdn\u002Fde\u002F2024\u002F04\u002F19183906\u002FMaschinelles-Lernen-vs.-Deep-Learning-1-evolution-into-deep-learning.jpg\" alt=\"Abbildung eines Mannes an einem Laptop vor einem orangefarbenen Hintergrund, er ist umgeben von Symbolen, die Big Data, ein neuronales Netzwerk und einen Grafikprozessor repräsentieren.\" class=\"wp-image-64700\" srcset=\"\u002Fcdn\u002Fde\u002F2024\u002F04\u002F19183906\u002FMaschinelles-Lernen-vs.-Deep-Learning-1-evolution-into-deep-learning.jpg 880w, \u002Fcdn\u002Fde\u002F2024\u002F04\u002F19183906\u002FMaschinelles-Lernen-vs.-Deep-Learning-1-evolution-into-deep-learning-450x230.jpg 450w, \u002Fcdn\u002Fde\u002F2024\u002F04\u002F19183906\u002FMaschinelles-Lernen-vs.-Deep-Learning-1-evolution-into-deep-learning-768x393.jpg 768w\" \u002F>\u003C\u002Ffigure>\u003Cp class=\"wp-block-paragraph\">\u003Cbr \u002F>Und es zeigt sich, dass dazu drei Dinge nötig sind:\u003C\u002Fp>\u003Ch3 class=\"wp-block-heading\">1. Deep Learning\u003C\u002Fh3>\u003Cp class=\"wp-block-paragraph\">Früher haben wir uns mit \u003Cem>neuronalen Netzwerken\u003C\u002Fem> beschäftigt: Reihen von virtuellen (weil mit Software geschriebenen) Knoten, die Muster in Daten erkennen und daraus \u003Cem>lernen\u003C\u002Fem>, wie sie verschiedene Dinge klassifizieren können. Damals wurden zur Lösung von Aufgaben im Bereich des maschinellen Lernens \u003Cem>flache Modelle\u003C\u002Fem> verwendet, die nicht viele Knoten hatten.\u003C\u002Fp>\u003Cp class=\"wp-block-paragraph\">Um die heutigen komplexen Probleme zu lösen, bei denen es manchmal unendlich viele Antworten geben kann, mussten Datenwissenschaftler erkennen, dass Modelle viele Schichten mit vielen solcher Knoten benötigen, um die Aufgabenstellung zu lösen. Deshalb auch der Ausdruck \u003Cem>\u003Ca href=\"\u002Fde\u002Fblog\u002Fgeheimnis-deep-learning\u002F\">Deep Learning\u003C\u002Fa>\u003C\u002Fem>. Der Begriff bezieht sich auf die \u003Cem>Tiefe\u003C\u002Fem> der Knotenpunkte in den zu erstellenden Modellen.\u003C\u002Fp>\u003Ccto-card white=\"true\" shadow=\"false\">\u003Ch3 class=\"wp-block-heading\">“Wir befinden uns heute in der Welt des Deep Learning.”\u003C\u002Fh3>\u003C\u002Fcto-card>\u003Cp class=\"wp-block-paragraph\">Damit Deep Learning funktioniert, reichen tiefe, also mehrschichtige Modelle allein jedoch nicht aus!\u003C\u002Fp>\u003Ch3 class=\"wp-block-heading\">2. Big Data\u003C\u002Fh3>\u003Cp class=\"wp-block-paragraph\">Jede Art von maschinellem Lernen braucht Daten. Ohne Daten, aus denen man lernen kann, kann es auch kein \u003Cem>Lernen\u003C\u002Fem> geben. Bislang mussten in der Welt des maschinellen Lernens die Modelle anhand von Daten trainiert werden. Jetzt, wo es um viel komplexere Problemstellungen geht, werden natürlich auch viel mehr Daten benötigt. Hier zwei Beispiele für komplexe Aufgaben, die Datenwissenschaftler heutzutage zu lösen versuchen:\u003C\u002Fp>\u003Cul class=\"wp-block-list\">\u003Cli>\u003Cstrong>Objekterkennung in Fotos:\u003C\u002Fstrong> Damit ein Modell sämtliche Objekte auf einem Foto identifizieren kann, muss es alle denkbaren Objekte kennen, die sich auf dem Foto befinden könnten.\u003C\u002Fli>\u003Cli>\u003Cstrong>Sprachliche Übersetzungen:\u003C\u002Fstrong> Für eine Übersetzung vom Englischen ins Italienische müsste ein Model das gesamte Vokabular beider Sprachen kennen. Außerdem müsste es die Funktionsweise der Grammatik und die Redewendungen jeder Sprache kennen (“Hals- und Beinbruch”, z.B. vor einem Auftritt, dürfte sich nicht so einfach in andere Sprachen übertragen lassen).\u003C\u002Fli>\u003C\u002Ful>\u003Cp class=\"wp-block-paragraph\">Diese Modelle bräuchten einen riesigen Datensatz, damit sie gut funktionieren (größer als sämtliche Einträge in der Wikipedia)! Zum Glück leben wir in der Zeit von \u003Cem>Big Data\u003C\u002Fem>.\u003C\u002Fp>\u003Ch3 class=\"wp-block-heading\">3. Grafikprozessoren (GPUs)\u003C\u002Fh3>\u003Cp class=\"wp-block-paragraph\">Zu guter Letzt benötigt man für das Training eines Modells mit derart großen Datenmengen enorme Rechenkapazitäten. Normalerweise arbeiten Computer mit einer CPU (Central Processing Unit). CPUs sorgen dafür, dass Computer schnell laufen, doch meistens verarbeiten sie nur eine Aufgabe auf einmal und sie sind für die Berechnung von Zahlen optimiert.\u003C\u002Fp>\u003Cp class=\"wp-block-paragraph\">Bei den meisten Deep Learning-Modellen wird mit sogenannten \u003Cem>Vektoren\u003C\u002Fem> gearbeitet. Einen Vektor kann man sich als Pfeil mit einer bestimmten Länge vorstellen, der in eine bestimmte Richtung zeigt. Vektoren lassen sich zwar addieren, subtrahieren und multiplizieren, aber bei einer CPU dauert das unglaublich lange.\u003C\u002Fp>\u003Ccto-card white=\"true\" shadow=\"false\">\u003Ch3 class=\"wp-block-heading\">“Ein Übersetzungsprogramm mit CPUs zu trainieren, würde mehrere Dutzend Jahre dauern. Das ist schlichtweg nicht praktikabel.”\u003C\u002Fh3>\u003C\u002Fcto-card>\u003Cp class=\"wp-block-paragraph\">Zum Glück entwickelte sich vor etwa 20 Jahren ein Markt für passionierte Computerspieler. Diese Menschen erwarteten immer bessere Grafiken bei ihren Spielen. Diese können 2D- und 3D-Grafiken hervorragend darstellen und lassen sich gut an verschiedene Bildschirmgrößen anpassen. Doch für die einzigartige Berechnung von Vektoren brauchte man eine andere Art von Chip.\u003C\u002Fp>\u003Cp class=\"wp-block-paragraph\">So entstanden die Grafikprozessoren (“Graphics Processing Units”, GPUs), die bei der Vektorberechnung ausgezeichnete Ergebnisse liefern. Mehr noch, Vektoroperationen lassen sich gut parallel ausführen: Wenn zwei GPUs zusammenarbeiten, können sie eine Aufgabe doppelt so schnell erledigen. Ein Grafikprozessor kann Vektoroperationen tausendmal schneller durchführen als eine CPU, und es ist möglich, Hunderte oder Tausende von Grafikprozessoren parallel zu schalten.\u003C\u002Fp>\u003Cp class=\"wp-block-paragraph\">Ein Übersetzungsprogramm lässt sich mit Hilfe von GPUs in einer relativ überschaubaren Zeit trainieren.\u003C\u002Fp>\u003Ch2 class=\"wp-block-heading\" id=\"toc-3--der-aktuelle-erfolg-von-ki\">Der aktuelle Erfolg von KI\u003C\u002Fh2>\u003Cp class=\"wp-block-paragraph\">Nach jahrzehntelangen Misserfolgen und unerfüllten Versprechen (schließlich begann die KI-Forschung bereits 1956) kommt die künstliche Intelligenz jetzt endlich groß raus. Wir verfügen jetzt über riesige Datenbestände (von denen ein Großteil öffentlich zugänglich ist), intelligente Datenwissenschaftler und GPUs für die Vektormanipulation.\u003C\u002Fp>\u003Cp class=\"wp-block-paragraph\">Man stelle sich vor: Zahlreiche Problemstellungen, mit denen die Menschheit seit Jahrhunderten zu tun hat, ließen sich mithilfe von KI möglicherweise lösen.\u003C\u002Fp>",5,{"url":36,"url_md":37,"alt":38,"height":39,"width":40},"https:\u002F\u002Fwww.canto.com\u002Fcdn\u002Fde\u002F2024\u002F04\u002F19183905\u002FMaschinelles-Lernen-vs.-Deep-Learning-Feature.jpg","https:\u002F\u002Fwww.canto.com\u002Fcdn\u002Fde\u002F2024\u002F04\u002F19183905\u002FMaschinelles-Lernen-vs.-Deep-Learning-Feature-450x225.jpg","Abbildung eines Laptops mit einem shallow-node Modell für maschinelles Lernen gegenüber einem deep-node Modell für Deep Learning vor einem grünen Hintergrund mit Zahnrädern.",600,1200,[42],{"id":43,"slug":43,"title":44,"path":45},"ai","Künstliche Intelligenz","\u002Fpost-category\u002Fai\u002F",[47,54,61],{"featuredImage":48,"postId":49,"slug":50,"title":51,"description":52,"path":53},"https:\u002F\u002Fwww.canto.com\u002Fcdn\u002Fde\u002F2021\u002F03\u002F19185633\u002FKi-im-digitalmarketing-Feature-450x270.jpg",56320,"ki-im-digitalmarketing","KI im Digitalmarketing – 3 leistungsstarke Vorteile","Dank KI im Digitalmarketing können Unternehmen ihre kreativen Kampagnen weiter optimieren. Diese drei wichtigen Vorteile sollten Sie unbedingt im Blick haben.","\u002Fblog\u002Fki-im-digitalmarketing\u002F",{"featuredImage":55,"postId":56,"slug":57,"title":58,"description":59,"path":60},"https:\u002F\u002Fwww.canto.com\u002Fcdn\u002Fde\u002F2024\u002F04\u002F19183918\u002FBildgeneratoren-content-Feature-450x263.jpg",64587,"bildgeneratoren-content-teams","Leitfaden: Das sind die besten Bildgeneratoren für Content-Teams","Informieren Sie sich zu den besten kostenlosen und kostenpflichtigen Bildgeneratoren 2024 – Funktionsweise, Gebrauchstipps und ihre Vorteile für Content-Teams.","\u002Fblog\u002Fbildgeneratoren-content-teams\u002F",{"featuredImage":62,"postId":63,"slug":64,"title":65,"description":66,"path":67},"https:\u002F\u002Fwww.canto.com\u002Fcdn\u002Fde\u002F2023\u002F10\u002F19184039\u002FText-zu-Bild-KI-Feature-450x263.jpg",63920,"text-zu-bild-ki","Verstärkte Inhaltsproduktion mit Text-zu-Bild-KI","Sehen Sie, was eine Text-zu-Bild-KI leisten kann, welche Tools und Vorteile es gibt und wie Sie die Flut generativer KI-Inhalte für Ihre Marke handhaben können.","\u002Fblog\u002Ftext-zu-bild-ki\u002F",{"left":4,"top":4,"width":5,"height":5,"rotate":4,"vFlip":6,"hFlip":6,"body":69},"\u003Cpath fill=\"currentColor\" d=\"M9.175 10.825Q8 9.65 8 8t1.175-2.825T12 4t2.825 1.175T16 8t-1.175 2.825T12 12t-2.825-1.175M4 20v-2.8q0-.85.438-1.562T5.6 14.55q1.55-.775 3.15-1.162T12 13t3.25.388t3.15 1.162q.725.375 1.163 1.088T20 17.2V20zm2-2h12v-.8q0-.275-.137-.5t-.363-.35q-1.35-.675-2.725-1.012T12 15t-2.775.338T6.5 16.35q-.225.125-.363.35T6 17.2zm7.413-8.587Q14 8.825 14 8t-.587-1.412T12 6t-1.412.588T10 8t.588 1.413T12 10t1.413-.587M12 18\"\u002F>",{"left":4,"top":4,"width":5,"height":5,"rotate":4,"vFlip":6,"hFlip":6,"body":71},"\u003Cpath fill=\"currentColor\" d=\"M12 14q-.425 0-.712-.288T11 13t.288-.712T12 12t.713.288T13 13t-.288.713T12 14m-4.712-.288Q7 13.426 7 13t.288-.712T8 12t.713.288T9 13t-.288.713T8 14t-.712-.288M16 14q-.425 0-.712-.288T15 13t.288-.712T16 12t.713.288T17 13t-.288.713T16 14m-4 4q-.425 0-.712-.288T11 17t.288-.712T12 16t.713.288T13 17t-.288.713T12 18m-4.712-.288Q7 17.426 7 17t.288-.712T8 16t.713.288T9 17t-.288.713T8 18t-.712-.288M16 18q-.425 0-.712-.288T15 17t.288-.712T16 16t.713.288T17 17t-.288.713T16 18M5 22q-.825 0-1.412-.587T3 20V6q0-.825.588-1.412T5 4h1V2h2v2h8V2h2v2h1q.825 0 1.413.588T21 6v14q0 .825-.587 1.413T19 22zm0-2h14V10H5z\"\u002F>",{"left":4,"top":4,"width":5,"height":5,"rotate":4,"vFlip":6,"hFlip":6,"body":73},"\u003Cpath fill=\"currentColor\" d=\"M12 20a8 8 0 0 0 8-8a8 8 0 0 0-8-8a8 8 0 0 0-8 8a8 8 0 0 0 8 8m0-18a10 10 0 0 1 10 10a10 10 0 0 1-10 10C6.47 22 2 17.5 2 12A10 10 0 0 1 12 2m.5 5v5.25l4.5 2.67l-.75 1.23L11 13V7z\"\u002F>",{"left":4,"top":4,"width":5,"height":5,"rotate":4,"vFlip":6,"hFlip":6,"body":75},"\u003Cpath fill=\"currentColor\" d=\"M18.188 0c-.517 0-.741.325-.927.66c0 0-7.455 13.224-7.702 13.657c.015.024 4.919 9.023 4.919 9.023c.17.308.436.66.967.66h3.454c.211 0 .375-.078.463-.22c.089-.151.089-.346-.009-.536l-4.879-8.916a.02.02 0 0 1 0-.022L22.139.756c.095-.191.097-.387.006-.535C22.056.078 21.894 0 21.686 0zM3.648 4.74c-.211 0-.385.074-.473.216c-.09.149-.078.339.02.531l2.34 4.05q.006.014 0 .021L1.86 16.051a.52.52 0 0 0 0 .529c.085.142.239.234.45.234h3.461c.518 0 .766-.348.945-.667l3.734-6.609l-2.378-4.155c-.172-.315-.434-.659-.962-.659H3.648z\"\u002F>",1789479953422]