Machine Learning

Wie funktioniert Machine Learning?

Machine Learning trainiert ein Modell mit vielen Beispielen, bis es selbst Regeln ableitet. Niemand programmiert die Lösung direkt, das System erkennt die Zusammenhänge in den Daten eigenständig.

Der Ablauf folgt drei Schritten: Daten sammeln und aufbereiten, das Modell mit diesen Daten trainieren und es anschließend an neuen, unbekannten Fällen prüfen. Stimmen die Vorhersagen, ist das Modell einsatzbereit.

Je mehr und je sauberer die Daten, desto treffsicherer das Ergebnis. Verzerrte oder lückenhafte Daten führen direkt zu schlechten Vorhersagen, daher ist die Datenqualität entscheidend.

Welche Arten von Machine Learning gibt es?

Machine Learning unterscheidet sich vor allem darin, ob die Trainingsdaten bereits mit der richtigen Antwort versehen sind.

• Überwachtes Lernen: Das Modell lernt aus Beispielen mit bekannter Lösung, etwa E-Mails mit Label Spam oder Kein Spam.
• Unüberwachtes Lernen: Das Modell findet selbst Gruppen oder Auffälligkeiten in Daten ohne vorgegebene Antworten.
• Bestärkendes Lernen: Das Modell lernt durch Versuch, Belohnung und Bestrafung, etwa beim Steuern von Prozessen.

Für die meisten Anwendungen im Unternehmen ist das überwachte Lernen die gängigste Variante.

Machine Learning vs. künstliche Intelligenz

Die Begriffe werden oft vermischt, sind aber nicht deckungsgleich. Künstliche Intelligenz ist der Oberbegriff für alle Systeme, die menschenähnliche Aufgaben lösen.

Machine Learning ist ein Teilgebiet davon, nämlich der Ansatz, bei dem Systeme aus Daten lernen statt fest programmiert zu werden. Auch moderne Sprachmodelle wie ein Large Language Model beruhen auf Machine Learning.

Kurz gesagt: Jedes Machine Learning ist KI, aber nicht jede KI nutzt Machine Learning. Es gibt auch ältere, rein regelbasierte KI-Ansätze.