Machine Learning

Machine Learning (deutsch: maschinelles Lernen) ist ein Teilgebiet der künstlichen Intelligenz, bei dem ein Programm seine Regeln nicht vorgeschrieben bekommt, sondern aus Beispielen ableitet. Statt einer Fallunterscheidung, die jemand von Hand aufschreibt, entsteht ein Modell, das in historischen Daten Muster findet und diese Muster auf neue Fälle anwendet. Der Unterschied zur klassischen Programmierung liegt nicht in der Rechenleistung, sondern in der Herkunft der Logik.

Das klingt abstrakt, ist im Alltag aber längst überall. Der Spamfilter im Postfach, die Betrugserkennung der Bank, die Produktvorschläge im Shop und die Absatzprognose in der Warenwirtschaft beruhen auf denselben Grundideen.

Die drei Lernparadigmen

Wie ein Modell lernt, hängt davon ab, was in den Daten steht.

Überwachtes Lernen

Zu jedem Beispiel liegt die richtige Antwort vor: tausende E-Mails mit dem Vermerk „Spam“ oder „kein Spam“, Angebote mit dem Vermerk „gewonnen“ oder „verloren“. Das Modell lernt den Zusammenhang zwischen Eingabe und Antwort. Der weitaus größte Teil der Anwendungen in Unternehmen fällt in diese Kategorie, weil der Nutzen messbar ist: Du kennst die Wahrheit und kannst nachrechnen, wie oft das Modell danebenliegt.

Zwei Aufgabentypen dominieren. Bei der Klassifikation ist die Antwort eine Kategorie (Rechnung, Lieferschein, Mahnung). Bei der Regression ist sie eine Zahl, etwa die voraussichtliche Lieferzeit in Tagen.

Unüberwachtes Lernen

Hier gibt es keine vorgegebenen Antworten, nur Daten. Das Modell sucht selbst nach Struktur: Gruppen von Kunden mit ähnlichem Verhalten, Vorgänge, die aus dem Rahmen fallen. Typische Aufgaben sind Segmentierung und Anomalieerkennung. Der Haken daran: Ob das Ergebnis brauchbar ist, entscheidet niemand außer dir. Es existiert keine richtige Antwort, gegen die sich prüfen ließe.

Bestärkendes Lernen

Ein Agent probiert Handlungen aus und bekommt Rückmeldung in Form von Belohnung oder Strafe. Über viele Durchläufe entsteht daraus eine Strategie. Bekannt geworden ist das Verfahren durch Spiele und Robotik. Im Unternehmensalltag begegnet es dir selten, weil es eine Umgebung braucht, in der sich sehr viele Versuche gefahrlos durchspielen lassen.

Wie ein ML-Projekt abläuft

Der Ablauf ähnelt sich über alle Branchen hinweg. Er beginnt fast nie mit einem Algorithmus.

Erst die Frage, dann die Daten

Am Anfang steht eine Entscheidung, die heute jemand von Hand trifft, und die Frage, was eine bessere Entscheidung wert wäre. Ohne diesen Bezug lässt sich später nicht beurteilen, ob das Modell etwas taugt. Erst danach wird geschaut, welche Daten diese Entscheidung überhaupt abbilden.

Aufbereiten

Dieser Schritt frisst den größten Teil der Projektzeit. Daten liegen in mehreren Systemen, in unterschiedlichen Formaten, mit Lücken und Dubletten. Sie müssen zusammengeführt, bereinigt und in Merkmale übersetzt werden, mit denen ein Modell rechnen kann.

Trainieren und prüfen

Die Daten werden geteilt. Auf einem Teil lernt das Modell, ein zweiter Teil dient zum Einstellen der Stellschrauben, ein dritter bleibt bis zum Schluss unangetastet und beantwortet die einzige wirklich interessante Frage: Wie gut ist das Modell bei Fällen, die es nie gesehen hat? Wer diese Trennung aufweicht, misst sich selbst und bekommt Ergebnisse, die im Betrieb nicht halten.

In Betrieb nehmen und beobachten

Ein Modell ist Software und braucht dieselbe Sorgfalt: Schnittstellen, Tests, Protokollierung, ein Weg zurück. Dazu kommt eine Eigenheit, die klassische Anwendungen nicht haben. Modelle veralten, wenn sich die Wirklichkeit ändert. Neue Produkte, ein neuer Markt, ein geändertes Formular, und die Vorhersagen driften ab. Ohne laufende Kontrolle merkt das niemand.

Wo der Mittelstand Machine Learning einsetzt

Die lohnenden Fälle sind selten spektakulär. Es sind meistens hohe Stückzahlen bei kleinen Einzelentscheidungen.

• Dokumente verstehen: Eingangsrechnungen, Lieferscheine und Formulare automatisch zuordnen und auslesen.
• Prognosen: Absatz, Materialbedarf, Auslastung. Jede Zahl, die heute jemand aus Erfahrung schätzt, ist ein Kandidat.
• Wartung: Aus Sensordaten ableiten, wann eine Maschine Aufmerksamkeit braucht, statt nach starrem Intervall zu warten.
• Qualitätsprüfung: Bilder aus der Fertigung auf Fehler prüfen.
• Priorisierung: Support-Tickets einsortieren, Leads sortieren, Mahnläufe steuern.

Warum die Datenqualität über alles entscheidet

Ein Modell kann nur wiedergeben, was in den Daten steckt. Steckt dort ein systematischer Fehler, lernt es diesen Fehler mit und wendet ihn ab sofort konsequent auf alle neuen Fälle an. Genau darin liegt das Risiko: Menschliche Nachlässigkeit ist zufällig verteilt, maschinelle ist es nicht.

Vier Fallen begegnen einem immer wieder:

• Falsche Etiketten: Wurden die Trainingsbeispiele von verschiedenen Leuten nach verschiedenen Maßstäben eingeordnet, lernt das Modell den Streit statt der Regel.
• Verräterische Merkmale: Enthalten die Trainingsdaten eine Spalte, die es zum Zeitpunkt der Vorhersage noch gar nicht gibt, sehen die Ergebnisse glänzend aus und brechen im Betrieb zusammen.
• Verzerrung: Bilden die Daten nur einen Ausschnitt der Wirklichkeit ab, gilt das Modell auch nur für diesen Ausschnitt.
• Alter: Daten aus einer anderen Marktlage beschreiben eine Welt, die es nicht mehr gibt.

Mehr Daten helfen gegen keinen dieser Punkte. Bessere Daten helfen gegen alle.

Verhältnis zu Deep Learning und KI

Künstliche Intelligenz ist der Oberbegriff, Machine Learning der praktisch wichtigste Teil davon, und Deep Learning wiederum ein Teilgebiet des maschinellen Lernens, das mit mehrschichtigen neuronalen Netzen arbeitet. Auch ein Large Language Model ist am Ende ein trainiertes Modell, nur eines mit sehr viel Text als Lernstoff. Für tabellarische Geschäftsdaten sind einfachere Verfahren oft die bessere Wahl: schneller trainiert, leichter zu erklären, billiger im Betrieb.

Häufige Fragen zu Machine Learning

Wie viele Daten brauche ich? Eine allgemeingültige Zahl gibt es nicht, sie hängt an der Aufgabe. Nützlicher als die Menge ist die Frage, wie viele Beispiele du pro Fall hast, den das Modell unterscheiden soll. Eine Kategorie, die in den Trainingsdaten zwölfmal vorkommt, wird das Modell nicht zuverlässig erkennen, egal wie groß der Datenbestand insgesamt ist.

Ist ein Sprachmodell wie ChatGPT auch Machine Learning? Ja. Ein Sprachmodell ist ein sehr großes, auf Text trainiertes Modell. Der Unterschied zum klassischen ML-Projekt liegt im Vorgehen: Du trainierst nichts selbst, sondern nutzt ein fertiges Modell und steuerst es über den Kontext, etwa per Prompt Engineering oder Retrieval Augmented Generation.

Woran scheitern ML-Projekte am häufigsten? An unklaren Fragestellungen und an Daten, die sich als unbrauchbar herausstellen. Der Algorithmus ist selten das Problem. Wer früh ein kleines, ehrliches Experiment mit echten Daten macht, spart sich teure Enttäuschungen.

Brauche ich dafür eigene Fachleute im Haus? Für den Start nicht zwingend, für den Betrieb schon eher. Ein Modell, das niemand beobachtet, verliert leise an Qualität. Mindestens eine Person sollte verstehen, was das Modell tut und woran man merkt, dass es abdriftet.

Fazit

Machine Learning ist kein Werkzeug für alles, sondern eines für wiederkehrende Entscheidungen mit vielen Beispielen aus der Vergangenheit. Der Erfolg hängt weniger am Verfahren als an der Frage, die du beantworten willst, und an den Daten, die du dafür hast. Ob sich der Aufwand für einen konkreten Anwendungsfall überhaupt lohnt, klären wir vorab in der KI-Beratung für Unternehmen. Wie wir Software bauen und wo wir KI dabei einsetzen, steht auf unserer Seite zur Custom-Software-Entwicklung. Was in der Praxis funktioniert und was nicht, haben wir im Artikel KI in der Softwareentwicklung aufgeschrieben. Für alles Weitere gibt es das unverbindliche Beratungsgespräch.