In der klassischen Softwareentwicklung legt ein Mensch fest, wie ein Programm auf welche Eingabe reagiert. Beim Machine Learning (ML) ist das anders: Ein Algorithmus erhält viele Beispiele und leitet daraus selbst ein Modell ab, das sich auch auf neue, unbekannte Fälle anwenden lässt. Das ist besonders dort nützlich, wo sich Regeln kaum vollständig aufschreiben lassen, etwa bei der Frage, ob eine E-Mail Spam ist.

Machine Learning ist die Grundlage der meisten heutigen Anwendungen der Künstlichen Intelligenz, von Prognosen bis zu Sprachmodellen.

Wie funktioniert Machine Learning?

Ein ML-Modell durchläuft zwei Phasen. Im Training passt ein Algorithmus die Parameter des Modells so an, dass es die Beispieldaten möglichst gut abbildet. In der Anwendung, auch Inferenz genannt, verarbeitet das fertige Modell neue Daten und liefert eine Vorhersage oder Einordnung.

Drei Lernformen werden unterschieden:

Überwachtes Lernen: Die Trainingsdaten enthalten die richtige Antwort, etwa „Rechnung“ oder „Mahnung“ als Kategorie eines Dokuments.
Unüberwachtes Lernen: Das Verfahren sucht ohne Vorgaben nach Strukturen, zum Beispiel nach Gruppen ähnlicher Bestellungen.
Bestärkendes Lernen: Ein System lernt durch Rückmeldungen in Form von Belohnung oder Bestrafung, welche Handlungen zum Ziel führen.

Deep Learning ist eine Unterform des Machine Learning, die mit vielschichtigen neuronalen Netzen arbeitet.

Typische Beispiele

Spam- und Phishing-Erkennung im E-Mail-Verkehr
Absatz- und Bedarfsprognosen für Einkauf und Lager
Erkennung ungewöhnlicher Anmeldungen oder Zugriffe in der IT-Sicherheit
Automatische Zuordnung eingehender Anfragen zu Abteilungen
Vorausschauende Wartung anhand von Maschinendaten

Worauf Unternehmen achten sollten

Datenqualität: Ein Modell ist nur so gut wie seine Daten. Lücken, Fehler und veraltete Bestände führen zu falschen Ergebnissen.
Verzerrungen: Spiegeln die Trainingsdaten einseitige Entscheidungen der Vergangenheit, übernimmt das Modell diese. Dieses Problem wird als Bias bezeichnet.
Laufende Kontrolle: Ändern sich die Rahmenbedingungen, sinkt die Treffsicherheit eines Modells. Regelmäßige Überprüfung und gegebenenfalls neues Training sind nötig.
Nachvollziehbarkeit: Gerade bei Entscheidungen, die Menschen betreffen, sollte erklärbar sein, wie ein Ergebnis zustande kommt.
Aufwand realistisch einschätzen: Für viele Standardaufgaben gibt es fertige Modelle. Ein eigenes Training lohnt sich nur, wenn ausreichend passende Daten vorhanden sind.

Bezug zu TOMORIS

Ein Beispiel für automatische Einordnung ist MailAutomate, die strukturierte Mail-Automation von TOMORIS mit KI-Klassifikation.

KI-Beratung ansehen