Machine Learning.

Machine Learning, kurz ML, beschreibt laut Google das Trainieren einer Software, des sogenannten Modells, damit sie aus Daten nützliche Vorhersagen trifft oder Inhalte wie Texte, Bilder oder Videos erzeugt. Statt jede Regel von Hand zu programmieren, lernt das Modell den Zusammenhang aus Beispielen. Google erklärt das an einer Regenvorhersage: Statt die Physik der Atmosphäre nachzurechnen, lernt ein Modell aus großen Mengen Wetterdaten, welche Muster zu wie viel Regen führen. Im Unternehmen steckt ML in Spamfiltern, Absatzprognosen und Produktempfehlungen, aber auch in jedem LLM.

So funktioniert Machine Learning

Google unterscheidet vier Arten, wie ML-Systeme lernen. Beim überwachten Lernen bekommt das Modell Daten mit bekannter richtiger Antwort. Daraus entstehen Regressionsmodelle, die Zahlen vorhersagen, etwa eine Fahrtdauer, und Klassifikationsmodelle, die etwas einer Kategorie zuordnen, etwa Spam oder kein Spam. Beim unüberwachten Lernen sucht das Modell selbst nach Gruppen in Daten ohne Beschriftung.

Beim bestärkenden Lernen bekommt ein Modell laut Google Belohnungen oder Strafen für Aktionen in einer Umgebung und entwickelt daraus eine Strategie. Die vierte Art ist generative KI, die neue Inhalte aus Eingaben erzeugt. Viele dieser Modelle beruhen auf Deep Learning.

Worauf ihr im Unternehmen achten solltet

Startet ohne ML, solange ihr keine Daten habt. Googles Leitfaden „Rules of Machine Learning" beginnt genau mit diesem Rat. ML braucht laut Google Daten, und einfache Regeln bringen am Anfang oft schon einen guten Teil des Nutzens.

Legt zuerst fest, woran ihr Erfolg messt. Die zweite Regel bei Google lautet sinngemäß, zuerst Messgrößen zu entwerfen und einzubauen. Ohne Zahlen aus der Zeit vor dem Modell lässt sich später nicht zeigen, ob es etwas verbessert.

Wechselt zu ML, wenn eure Regeln unübersichtlich werden. Eine einfache Regel ist laut Google ein guter Start, ein komplexes Regelwerk dagegen kaum zu pflegen. Liegen Daten vor, ist ein gelerntes Modell laut Google leichter zu aktualisieren.

Prüft, ob ein fertiges Modell reicht. Für Textaufgaben wie Zusammenfassen, Einordnen oder Beantworten braucht ihr meist kein eigenes Training, weil Sprachmodelle das mit einem guten Prompt bereits können. In Projekten sehen wir, dass sich ein eigenes ML-Modell vor allem bei Zahlen aus euren Systemen lohnt, etwa bei Prognosen für Bedarf oder Auslastung.

Häufige Fragen zu Machine Learning

Ist Machine Learning dasselbe wie KI? Nein, ML ist ein Teilbereich. Es umfasst die Verfahren, bei denen Software aus Daten lernt, statt nur festen, von Menschen geschriebenen Regeln zu folgen.

Wie viele Daten braucht man? Eine feste Zahl gibt es nicht, sie hängt von der Aufgabe ab. Wichtiger ist, dass die Daten die echten Fälle abbilden, für die das Modell später Vorhersagen treffen soll, und dass die richtigen Antworten sauber erfasst sind.

Lernt ein ML-Modell im Betrieb von selbst weiter? Meist nicht. Ein Modell wird trainiert, geprüft und dann eingesetzt. Google rät in seinen Regeln, von Anfang an einzuplanen, dass regelmäßig neue Modellversionen ausgeliefert werden.

Wo sich maschinelles Lernen in euren Abläufen wirklich auszahlt, ordnen wir in Die 5 Prozesse, in denen sich KI zuerst auszahlt ein. Für die Umsetzung schaut euch KI für Unternehmen an.