Machine Learning (Maschinelles Lernen)
Machine Learning ist ein Teilbereich der KI, bei dem Computer Gesetzmäßigkeiten aus Daten erlernen, anstatt rein fest programmierten Regeln zu folgen.
Machine Learning, im Deutschen als maschinelles Lernen bezeichnet, ist ein zentraler Bereich der künstlichen Intelligenz. Das Grundprinzip lautet: Ein Modell erkennt Muster und Zusammenhänge eigenständig aus Beispieldaten, anstatt dass jede einzelne Entscheidung vorab durch Entwickler in starren Codezeilen festgeschrieben werden muss.
Während klassische Software rein logischen Wenn-Dann-Vorschriften folgt, passt ein lernendes System mathematische Parameter schrittweise an, bis die Vorhersagen möglichst nah an den tatsächlichen Beobachtungen liegen. Das Ziel ist stets die Verallgemeinerung: Das Modell soll auch bei neuen, zuvor ungesehenen Daten sinnvolle Ergebnisse liefern.
Der Unterschied zu starren Regeln
In vielen Unternehmen regeln Erfahrungswerte den Alltag. Wenn ein Gastronom in Salzburg festlegt, dass an Samstagen pauschal 20 Prozent mehr Ware bestellt wird, handelt es sich um eine starre, menschliche Heuristik. Diese Regel ist transparent, leicht verständlich und oft erstaunlich robust.
Ein Modell des maschinellen Lernens geht einen anderen Weg: Es verknüpft zahlreiche Merkmale gleichzeitig, etwa Wochentage, Schulferien, Wetterprognosen und frühere Verkaufszahlen. Beide Ansätze haben ihre Berechtigung. Wenn eine einfache Rechenregel zuverlässig funktioniert und die Kosten gering hält, besteht keine Notwendigkeit, sie nur aus Prestigegründen durch ein komplexes KI-System zu ersetzen.
Drei zentrale Lernmethoden
In der Praxis unterscheidet man vor allem drei Herangehensweisen, wie Modelle trainiert werden:
- Überwachtes Lernen (Supervised Learning): Dem Algorithmus werden historische Eingabedaten zusammen mit dem korrekten Ergebnis vorgelegt. Bei einer Bäckerei in Leipzig könnten das die Kalenderdaten und die tatsächlich verkauften Brezeln sein. Wenn das System eine konkrete Zahl schätzt, spricht man von Regression. Sollen Kundenanfragen automatisch in Kategorien wie Reklamation oder Lieferfrage einsortiert werden, handelt es sich um Klassifikation.
- Unüberwachtes Lernen (Unsupervised Learning): Hier gibt es keine vorgegebenen Zielwerte. Das Modell sucht eigenständig nach verborgenen Strukturen oder Gruppen in den Daten. Ein Betrieb kann so beispielsweise ähnliche Verkaufstage oder Kundengruppen clustern. Welche geschäftliche Bedeutung diese Gruppen haben, muss anschließend der Mensch interpretieren.
- Bestärkendes Lernen (Reinforcement Learning): Ein digitaler Akteur interagiert mit einer Umgebung und lernt durch Versuch und Irrtum. Für erwünschtes Verhalten erhält das System eine Belohnung, für Fehler einen Abzug. Wichtig ist hier eine präzise Belohnungsfunktion, da das Modell sonst unerwünschte Abkürzungen erlernen kann.
Ein praktischer Test im Betrieb
Um maschinelles Lernen ohne übermäßige Risiken im Mittelstand zu erproben, empfiehlt sich ein strukturierter Prüfablauf:
- Den Vorhersagezeitpunkt exakt definieren: Plant ein Handwerksbetrieb in Winterthur das Material für den Folgetag am Vorabend, darf das Modell nur Informationen nutzen, die zu diesem Zeitpunkt bereits vorliegen. Ein tatsächlicher Wetterbericht vom Nachmittag des Einsatztages wäre eine unzulässige Datenverzerrung.
- Die Aussagekraft der Rohdaten hinterfragen: Wenn in den Verkaufsdaten steht, dass 100 Brote verkauft wurden, bedeutet das nicht zwingend, dass die Nachfrage bei genau 100 lag. Womöglich war die Ware bereits um elf Uhr morgens ausverkauft. Ohne diesen Kontext unterschätzt das Modell den tatsächlichen Bedarf.
- Zeitlich getrennt testen: Bei Daten mit Zeitbezug dürfen Trainings- und Testdaten niemals zufällig durchmischt werden. Trainiert wird auf älteren Monaten, getestet auf den darauffolgenden, neueren Wochen.
- Eine einfache Vergleichsbasis nutzen: Bevor ein Modell in den Einsatz geht, muss es gegen einen einfachen Standard antreten, zum Beispiel den Durchschnitt der letzten drei Werktage. Erzielt das komplexe System keinen messbaren Vorteil, lohnt der Betriebsaufwand nicht.
Typische Missverständnisse
Künstliche Intelligenz ist der Oberbegriff, Machine Learning ein Teilbereich davon, und tiefe neuronale Netze sind wiederum nur eine spezielle Modellfamilie. Für viele Aufgaben im Alltag, etwa tabellarische Prognosen, genügen lineare Regressionen oder Entscheidungsbäume vollkommen. Ein Algorithmus kann zudem nur aus Mustern lernen, die in den Daten existieren: Sperrt eine Baustelle überraschend die Zufahrtsstraße zu einem Geschäft, kann kein System der Welt diesen Einbruch vorhersagen, wenn die Information über die Straßensperrung nirgends erfasst wurde.
Häufig gestellte Fragen
Was unterscheidet Künstliche Intelligenz von Machine Learning?
Künstliche Intelligenz ist der weite Überbegriff für Systeme, die menschenähnliche Entscheidungsfähigkeiten nachahmen. Machine Learning ist die konkrete Methode innerhalb der KI, bei der Systeme diese Fähigkeiten eigenständig aus historischen Daten erlernen.
Benötigt man für Machine Learning zwingend neuronale Netze?
Nein, neuronale Netze sind nur ein Teilbereich. Für viele alltägliche Probleme mit tabellarischen Daten reichen statistische Verfahren wie lineare Regression oder Entscheidungsbäume völlig aus und sind oft einfacher zu handhaben.
Wann sollte man lieber bei einfachen Regeln bleiben?
Wenn eine handgeschriebene Formel bereits verlässliche Ergebnisse liefert und leicht verständlich ist, bietet maschinelles Lernen oft keinen Mehrwert. Der Aufwand für Datenpflege, Modellüberwachung und Fehleranalyse rechnet sich erst bei komplexeren Zusammenhängen.
