Auch genannt: Machine Learning, ML
Maschinelles Lernen ist ein Teilgebiet der Künstlichen Intelligenz. Dabei wird ein Modell mit Daten trainiert, damit es für neue Eingaben Vorhersagen treffen oder Inhalte erzeugen kann. Anders als bei einer vollständig fest codierten Regel entsteht das Verhalten des Modells aus statistischen Zusammenhängen in den Trainingsdaten. Das Ergebnis bleibt eine Software: Es versteht seine Aufgabe nicht wie ein Mensch, sondern berechnet Ausgaben auf Grundlage dessen, was es beim Training gelernt hat.
Ein klassisches Programm folgt Regeln, die Menschen zuvor formuliert haben. Für eine Reisekostenabrechnung kann eine Regel etwa lauten: Wenn der Belegbetrag größer als null ist und ein Datum enthält, wird er geprüft. Bei vielen Aufgaben lassen sich solche Regeln jedoch nicht zuverlässig einzeln aufschreiben. Dazu gehören etwa das Erkennen ähnlicher Fotos, die Einschätzung einer Nachfrage oder die Sortierung großer Mengen von Texten.
Hier setzt maschinelles Lernen an. Statt jede Regel festzulegen, stellt man dem Modell Beispiele bereit. Ein Modell für die Erkennung von Schadensbildern bekommt zum Beispiel viele Bilder mit passenden Zuordnungen. Im Training passt es seine internen mathematischen Parameter so an, dass es die Beispiele möglichst gut abbildet. Bei einer späteren, unbekannten Eingabe nutzt es diese gelernten Muster für eine Schätzung oder Zuordnung. Google beschreibt maschinelles Lernen entsprechend als Training von Softwaremodellen, die mit Daten Vorhersagen treffen oder Inhalte erzeugen können.Google for Developers
Das Wort „lernen“ kann irreführen. Ein Modell sammelt nicht von selbst neue Lebenserfahrung und entwickelt keine eigenen Ziele. Häufig wird es in einem abgegrenzten Verfahren trainiert, geprüft und anschließend für eine konkrete Aufgabe eingesetzt; bei kontinuierlichem oder Online-Lernen kann ein Modell auch im Betrieb weiter angepasst werden. Ob die Ergebnisse brauchbar sind, hängt unter anderem davon ab, ob die Trainingsdaten zur späteren Aufgabe passen.
Am Anfang stehen die Aufgabe und die Daten. Soll ein System eine Zahl schätzen, etwa den Energieverbrauch eines Gebäudes, braucht es historische Beispiele mit geeigneten Merkmalen. Soll es Dokumente Themen zuordnen, braucht es Texte und je nach Lernverfahren passende Kategorien. Welche Informationen als Eingabe dienen, beeinflusst das Ergebnis stark.
Beim überwachten Lernen enthalten Trainingsbeispiele bereits eine gesuchte Antwort. Ein Modell kann etwa aus früheren Anfragen lernen, ob ein Kundenanliegen einer bestimmten Kategorie zugeordnet wurde. Bei neuen Anfragen gibt es eine Kategorie oder Wahrscheinlichkeit aus. Solche Aufgaben heißen Klassifikation, wenn zwischen Kategorien gewählt wird, oder Regression, wenn ein Zahlenwert geschätzt wird.
Beim unüberwachten Lernen fehlen vorgegebene Zielantworten. Das Verfahren sucht stattdessen Strukturen in den Daten, etwa Gruppen ähnlicher Datensätze. Verstärkendes Lernen arbeitet mit Rückmeldungen in Form von Belohnungen oder Nachteilen für Handlungen. Generative Verfahren lernen Muster in vorhandenen Daten und erzeugen daraus neue Ausgaben wie Text, Bilder oder Audio. Diese Kategorien können sich überschneiden; sie sind vor allem eine hilfreiche Einordnung verschiedener Lernaufgaben. Google for Developers nennt überwachtes, unüberwachtes und verstärkendes Lernen sowie generative KI als wichtige Kategorien.
Nach dem Training wird das Modell mit Daten getestet, die nicht zum Lernen verwendet wurden. Das soll zeigen, ob es seine Leistung auf neue Fälle übertragen kann. Genau diese Übertragbarkeit wird Generalisierung genannt. IBM betont, dass gute Leistung auf Trainingsdaten allein nicht das Ziel ist: Entscheidend ist, wie gut das Modell bei den vorgesehenen neuen Daten arbeitet.IBM
Ein E-Mail-Programm soll eingehende Nachrichten vorsortieren. Dafür können frühere Nachrichten als Beispiele dienen: Manche wurden als Rechnung abgelegt, andere als Termin oder allgemeine Anfrage. Ein Modell erhält Merkmale aus Betreff und Text sowie die zuvor vergebene Kategorie. Nach dem Training kann es für eine neue Nachricht eine Zuordnung vorschlagen.
Das ist keine automatische Garantie für eine richtige Ablage. Begriffe können in unterschiedlichen Zusammenhängen vorkommen, und eine ungewöhnliche Nachricht kann schlechter passen als die Trainingsbeispiele. Deshalb ist es sinnvoll, die vorgeschlagene Kategorie sichtbar zu machen, Korrekturen zu ermöglichen und die Qualität mit echten neuen Nachrichten zu prüfen. Für sensible oder folgenreiche Entscheidungen reicht ein plausibler Modellwert nicht als alleinige Grundlage.
Maschinelles Lernen wird eingesetzt, wenn Muster aus Daten für eine wiederkehrende Aufgabe genutzt werden sollen. Beispiele sind die Erkennung von Sprache in Diktierfunktionen, die Sortierung von Bildern, Produktempfehlungen, Prognosen und die automatische Vorsortierung von Dokumenten. Bei Generativer KI steht die Erzeugung neuer Inhalte im Mittelpunkt. Ein Large Language Model ist wiederum eine spezielle Modellart, die mit Sprache arbeitet und typischerweise Textausgaben erzeugt.
In Organisationen kann ein Modell Mitarbeitende bei der Sichtung großer Datenmengen unterstützen, etwa indem es ähnliche Fälle bündelt oder auffällige Datensätze markiert. Die Entscheidung, ob ein Einsatz sinnvoll ist, beginnt aber vor der Wahl eines Algorithmus: Die Aufgabe muss klar sein, Daten müssen rechtmäßig und für den Zweck geeignet vorliegen, und es braucht Kriterien, mit denen sich Fehler erkennen lassen. Maschinelles Lernen ist daher nicht gleichbedeutend mit einer fertigen Automatisierung.
Ein häufiges Missverständnis lautet, ein trainiertes Modell kenne die Wahrheit über seinen Gegenstand. Es erkennt jedoch statistische Beziehungen in seinen Daten. Wenn Trainingsdaten einseitig, fehlerhaft oder für die spätere Situation unpassend sind, können die Ausgaben ebenfalls unzuverlässig sein. Ein Modell kann außerdem auf den Trainingsdaten sehr gut wirken und bei neuen Fällen deutlich schlechter abschneiden. Deshalb müssen Daten, Testverfahren und der spätere Einsatz zusammen betrachtet werden.
Auch eine hohe Trefferquote beantwortet nicht jede praktische Frage. Welche Fehler schwer wiegen, hängt vom Einsatz ab. Bei einer Filmsortierung ist eine falsche Empfehlung meist folgenlos. Bei der Priorisierung medizinischer oder finanzieller Fälle können falsche Ergebnisse dagegen erhebliche Folgen haben. Dort sind fachliche Prüfung, nachvollziehbare Zuständigkeiten und zusätzliche Schutzmaßnahmen besonders wichtig.
Maschinelles Lernen ist außerdem nicht mit jeder Form von Künstlicher Intelligenz identisch. Regelbasierte Systeme können ohne lernendes Modell arbeiten. Umgekehrt ist Generative KI ein Bereich innerhalb des maschinellen Lernens, nicht dessen Synonym. Bei sprachbasierten Systemen können Ausgaben zudem überzeugend formuliert sein und dennoch unbelegte oder erfundene Angaben enthalten; dazu mehr unter Halluzination (KI).
Künstliche Intelligenz ist der weitere Oberbegriff für Systeme, die Aufgaben bearbeiten, die oft mit menschlichen Fähigkeiten verbunden werden. Maschinelles Lernen ist eine verbreitete Methode innerhalb dieses Feldes. Deep Learning ist wiederum ein Teilbereich des maschinellen Lernens und nutzt neuronale Netze mit vielen Verarbeitungsschichten. Ein Algorithmus schließlich ist eine allgemeine, eindeutig beschriebene Vorgehensweise; nicht jeder Algorithmus lernt aus Daten.