Was ist Machine Learning?

Definition

Was ist Machine Learning?

Machine Learning (maschinelles Lernen) ist ein Teilgebiet der künstlichen Intelligenz, bei dem Algorithmen aus Daten lernen und Vorhersagen treffen — ohne dass Entwickler jede Regel einzeln programmieren.

Unterschied zu klassischer Software

Ein herkömmliches Programm folgt festen Regeln, die ein Mensch vorgibt. Ein ML-Modell erkennt Muster in Daten und leitet daraus eigene Regeln ab.

Beispiel: Spam-Filter

Statt eine Liste verbotener Wörter zu pflegen, analysiert ein ML-basierter Spam-Filter Tausende E-Mails und lernt selbst, welche Merkmale auf Spam hindeuten. Je mehr E-Mails er verarbeitet, desto treffsicherer wird er.

Funktionsweise

Wie funktioniert Machine Learning?

Ein ML-System durchläuft vier Phasen — Daten sammeln, Modell trainieren, Ergebnisse bewerten und das fertige Modell im Alltag einsetzen.

Daten sammeln und aufbereiten

Alles beginnt mit Daten. Entwickler sammeln Rohdaten, bereinigen Fehler und teilen den Datensatz in Trainings- und Testdaten auf. Die Qualität der Daten bestimmt die Qualität des Modells.

Modell trainieren

Der Algorithmus verarbeitet die Trainingsdaten und passt seine Parameter Schritt für Schritt an. Ziel: Die Vorhersagen sollen möglichst genau mit den tatsächlichen Ergebnissen übereinstimmen.

Ergebnisse bewerten

Die Testdaten prüfen, ob das Modell auch bei neuen Eingaben korrekt arbeitet — oder ob es die Trainingsdaten nur auswendig gelernt hat. Fachleute nennen dieses Problem Overfitting.

Modell einsetzen (Inferenz)

Das trainierte Modell verarbeitet jetzt neue, unbekannte Daten und liefert Vorhersagen in Echtzeit. Dieser Schritt heißt Inferenz — das Modell wendet das Gelernte auf die Praxis an.

Lernverfahren

Welche Arten von Machine Learning gibt es?

Machine Learning gliedert sich in drei Lernverfahren — überwachtes Lernen, unüberwachtes Lernen und verstärkendes Lernen.

Überwachtes Lernen (Supervised Learning)

Das Modell lernt aus gelabelten Daten: Jede Eingabe kommt mit der richtigen Antwort. Der Algorithmus erkennt den Zusammenhang zwischen Eingabe und Ergebnis und überträgt ihn auf neue Daten.

Typische Aufgaben sind Klassifikation (Ist diese E-Mail Spam?) und Regression (Wie hoch ist der voraussichtliche Umsatz?). Beispiel aus der Praxis: Banken bewerten die Kreditwürdigkeit von Antragstellern.

Unüberwachtes Lernen (Unsupervised Learning)

Das Modell erhält keine Labels — es findet selbst Strukturen und Gruppen in den Daten. Niemand gibt vor, wonach der Algorithmus suchen soll.

Typische Aufgaben sind Clustering (Kunden in Segmente einteilen) und Dimensionsreduktion (komplexe Datensätze vereinfachen). Online-Shops nutzen das Verfahren, um Kundengruppen mit ähnlichem Kaufverhalten zu identifizieren.

Verstärkendes Lernen (Reinforcement Learning)

Ein Agent lernt durch Versuch und Irrtum in einer Umgebung. Für gute Entscheidungen erhält er eine Belohnung, für schlechte eine Bestrafung.

Dieses Verfahren steuert Roboter, optimiert Spielstrategien und trainiert autonome Fahrzeuge. Auch das Training von ChatGPT nutzt verstärkendes Lernen — dort bewertet menschliches Feedback die Antwortqualität.

Abgrenzung

Was unterscheidet Machine Learning von künstlicher Intelligenz?

Künstliche Intelligenz ist der Oberbegriff für alle Systeme, die menschliche Intelligenz nachbilden — Machine Learning ist der Teilbereich, der aus Daten lernt.

Hierarchie: KI, ML und Deep Learning

Künstliche Intelligenz umfasst Machine Learning, und Machine Learning umfasst Deep Learning. Nicht jede KI nutzt Machine Learning. Ein Expertensystem, das fest programmierte Regeln abarbeitet, zählt zur künstlichen Intelligenz — lernt aber nicht eigenständig dazu.

Muster erkennen statt Regeln befolgen

Machine Learning unterscheidet sich von klassischer KI durch einen Punkt: Das System programmiert sich selbst, indem es Muster in Daten erkennt. Klassische KI braucht einen Menschen, der jede Regel manuell definiert.

Vertiefung

Was ist der Unterschied zwischen Machine Learning und Deep Learning?

Deep Learning ist eine Spezialisierung von Machine Learning, die künstliche neuronale Netze mit vielen Schichten nutzt — besonders stark bei Bildern, Sprache und großen Datenmengen.

Feature Engineering vs. automatische Merkmalserkennung

Bei klassischem Machine Learning wählen Entwickler die relevanten Merkmale (Features) manuell aus. Ein Bilderkennungs-Modell braucht etwa den Hinweis, auf Kanten oder Farben zu achten. Deep Learning überspringt diesen Schritt: Das neuronale Netz erkennt selbst, welche Merkmale relevant sind.

Mehr Leistung, mehr Aufwand

Deep Learning braucht deutlich mehr Trainingsdaten und Rechenleistung. Bei kleinen Datensätzen oder klaren Aufgaben liefern klassische ML-Verfahren oft gleich gute Ergebnisse — bei weniger Aufwand.

Einordnung

Wie hängen Machine Learning und Large Language Models zusammen?

Large Language Models wie ChatGPT und Claude basieren auf Deep Learning — einem Teilbereich von Machine Learning, der neuronale Netze mit Milliarden Parametern trainiert.

Transformer-Architektur als Fundament

Die Transformer-Architektur bildet das Fundament. Sie verarbeitet alle Wörter eines Textes gleichzeitig statt nacheinander und erkennt über den Self-Attention-Mechanismus, wie Wörter zueinander in Beziehung stehen.

Einordnung: KI, ML, Deep Learning und LLMs

Künstliche Intelligenz umfasst Machine Learning, Machine Learning umfasst Deep Learning, und LLMs sind eine spezielle Anwendung von Deep Learning. Wer Machine Learning versteht, versteht die Grundlage hinter ChatGPT, Claude und allen anderen Sprachmodellen.

Praxis

Wo setzen Unternehmen Machine Learning ein?

Unternehmen nutzen Machine Learning überall dort, wo große Datenmengen anfallen und Muster schneller erkannt werden müssen, als Menschen das können.

Bild- und Spracherkennung

Computer Vision identifiziert Gesichter, Objekte und Verkehrsschilder in Bildern. Spracherkennung wandelt gesprochene Sprache in Text um — die Grundlage für Sprachassistenten wie Siri und Alexa.

In der Medizin analysieren ML-Modelle Röntgenbilder und CT-Scans und erkennen Auffälligkeiten, die dem menschlichen Auge entgehen.

Empfehlungssysteme

Netflix, Amazon und Spotify analysieren das Verhalten ihrer Nutzer und empfehlen passende Filme, Produkte oder Songs. Die Algorithmen lernen aus Klicks, Käufen und Bewertungen, was dem einzelnen Nutzer gefällt.

Betrugserkennung und Risikobewertung

Banken und Versicherungen erkennen mit ML-Modellen ungewöhnliche Transaktionsmuster in Echtzeit. Eine Kreditkartenzahlung um 3 Uhr nachts in einem fremden Land? Das System schlägt sofort Alarm.

Prognosen und Prozessoptimierung

Nachfrageprognosen helfen dem Handel, Lagerbestände zu planen. Vorausschauende Wartung (Predictive Maintenance) erkennt, wann eine Maschine ausfallen wird — bevor sie tatsächlich stillsteht.

Limitierungen

Welche Grenzen hat Machine Learning?

Machine Learning lernt nur so gut wie seine Daten — und stößt dort an Grenzen, wo Daten fehlen, verzerrt sind oder Entscheidungen erklärbar sein müssen.

Datenabhängigkeit

Ohne ausreichend hochwertige Daten liefert auch der beste Algorithmus schlechte Ergebnisse. Das Prinzip heißt „Garbage in, garbage out": Fehlerhafte oder unvollständige Trainingsdaten erzeugen fehlerhafte Vorhersagen.

Bias

Verzerrte Trainingsdaten führen zu diskriminierenden Vorhersagen. Ein bekanntes Beispiel: Bewerbungsscreenings, die bestimmte Gruppen systematisch benachteiligen, weil die historischen Daten bereits eine Schieflage enthielten.

Erklärbarkeit

Komplexe Modelle — besonders im Deep Learning — arbeiten als „Black Box". Sie liefern ein Ergebnis, erklären aber nicht, wie sie dorthin gekommen sind. In regulierten Branchen wie Medizin oder Finanzen ist Nachvollziehbarkeit aber Pflicht.

Energieverbrauch

Große Modelle brauchen viel Rechenleistung. Training und laufender Betrieb verursachen hohe CO2-Emissionen — ein wachsendes Problem, je größer die Modelle werden.

Ausblick

Wie entwickelt sich Machine Learning weiter?

Drei Trends prägen die nächste Phase: ML wird automatisierter, läuft auf Endgeräten und verschmilzt mit anderen KI-Disziplinen.

AutoML

AutoML automatisiert die Modellauswahl, das Feature Engineering und das Hyperparameter-Tuning. Unternehmen ohne eigenes Data-Science-Team können so eigene ML-Modelle entwickeln — ohne jede Zeile Code selbst zu schreiben.

Edge ML

Modelle laufen direkt auf Smartphones, Sensoren und IoT-Geräten statt in der Cloud. Das reduziert Verzögerungen und schützt sensible Daten, weil sie das Gerät nie verlassen.

Multimodale Modelle

ML-Systeme verarbeiten Text, Bild, Audio und Video gleichzeitig in einer einzigen Anfrage. Die Grenze zwischen Sprach-, Bild- und Audioerkennung löst sich auf.