Maschinelles Lernen (Machine Learning)

auch: Machine Learning · ML

Kurz gesagt: Maschinelles Lernen ist ein Teilgebiet der KI, bei dem Systeme Muster aus Daten lernen, ohne explizite Programmierung – und ihre Leistung mit mehr Erfahrung verbessern.

Maschinelles Lernen (Machine Learning) ist der Kern der modernen Künstlichen Intelligenz. Statt feste Regeln vorzugeben, zeigt man dem System viele Beispiele, aus denen es selbstständig Muster ableitet. Diese gelernten Muster wendet es dann auf neue, ungesehene Daten an – etwa um Nachfrage vorherzusagen, Bilder zu erkennen oder Texte zu klassifizieren.

Definition

Maschinelles Lernen bezeichnet Verfahren, mit denen Computersysteme aus Daten lernen und sich verbessern, ohne explizit für jede Aufgabe programmiert zu werden^[1]. Es ist das wichtigste Teilgebiet der Künstlichen Intelligenz.

Ein ML-Modell erkennt statistische Zusammenhänge in Trainingsdaten und nutzt sie, um Vorhersagen oder Entscheidungen für neue Fälle zu treffen.

Wie es funktioniert

Beim Training passt das Modell interne Parameter so an, dass seine Vorhersagen möglichst gut zu den bekannten Ergebnissen passen^[2]. Je mehr und je hochwertiger die Daten, desto besser in der Regel das Resultat.

Anschliessend wird das Modell mit neuen Daten getestet. Wichtig ist, dass es generalisiert – also auch auf ungesehene Fälle gut funktioniert und nicht nur die Trainingsdaten auswendig lernt (Overfitting).

Arten des Lernens

Überwachtes Lernen

Das Modell lernt aus Beispielen mit bekannter Antwort – etwa «Rechnung» vs. «keine Rechnung».

Unüberwachtes Lernen

Das Modell findet selbst Strukturen in Daten ohne vorgegebene Antworten (z. B. Kundensegmente).

Bestärkendes Lernen

Das Modell lernt durch Versuch und Belohnung – verbreitet bei Steuerung und Spielen.

Deep Learning

Tiefe neuronale Netze als besonders leistungsfähige Form des maschinellen Lernens.

Anwendungen in KMU

Prognosen

Umsatz, Nachfrage oder Ausfallrisiken aus historischen Daten vorhersagen.

Klassifikation

E-Mails, Dokumente oder Anfragen automatisch einsortieren.

Mustererkennung

Auffälligkeiten erkennen – etwa Betrug oder Qualitätsabweichungen.

Personalisierung

Produkte oder Inhalte passend zum einzelnen Kunden empfehlen.

Häufig gestellte Fragen

Was ist Maschinelles Lernen?

Beim maschinellen Lernen gibt man dem System keine festen Regeln vor, sondern viele Beispiele, aus denen es selbst Muster ableitet. Diese Muster wendet es dann auf neue, ungesehene Fälle an – und je mehr und je hochwertiger die Trainingsdaten, desto treffsicherer wird es.

Was ist der Unterschied zwischen KI und Machine Learning?

Künstliche Intelligenz ist der Oberbegriff für Systeme mit intelligenten Fähigkeiten. Maschinelles Lernen ist der wichtigste Ansatz, um solche Fähigkeiten zu erreichen – durch Lernen aus Daten.

Welche Arten von maschinellem Lernen gibt es?

Die drei Grundtypen sind überwachtes Lernen (mit bekannten Antworten), unüberwachtes Lernen (Strukturen ohne Antworten) und bestärkendes Lernen (durch Belohnung). Deep Learning ist eine besonders leistungsfähige Unterform.

Wofür braucht ein KMU maschinelles Lernen?

Typische Anwendungen sind Prognosen (Umsatz, Nachfrage), die automatische Klassifikation von Dokumenten oder E-Mails, Betrugs- und Qualitätskontrolle sowie personalisierte Empfehlungen.

Wie viele Daten braucht man dafür?

Das hängt stark von der Aufgabe ab. Einfache Modelle funktionieren mit wenigen hundert sauberen Beispielen, komplexe Aufgaben brauchen deutlich mehr. Entscheidend ist die Datenqualität, nicht nur die Menge.

Quellen

Wikipedia: Maschinelles Lernen – de.wikipedia.org/wiki/Maschinelles_Lernen
IBM: What is machine learning? – www.ibm.com/think/topics/machine-learning