Machine Learning — einfach erklärt

Was ist Machine Learning?

Machine Learning, zu Deutsch maschinelles Lernen, ist ein Teilbereich der Künstlichen Intelligenz. Statt einem Computer jede einzelne Regel vorzugeben, lernt ein Machine-Learning-System aus vorhandenen Daten selbstständig, welche Muster und Zusammenhänge darin stecken.

Ein einfaches Beispiel zur Einordnung: Eine klassisch programmierte Software prüft eine Rechnung anhand fest hinterlegter Regeln. Ein Machine-Learning-Modell dagegen hat anhand tausender Beispielrechnungen gelernt, wie eine unauffällige Rechnung typischerweise aussieht — und erkennt dadurch auch Abweichungen, für die niemand vorher eine Regel geschrieben hat.

Zur Einordnung der Begriffe: Künstliche Intelligenz ist der Oberbegriff. Machine Learning ist der Weg dorthin, bei dem Systeme aus Daten lernen. Deep Learning ist wiederum ein Teilbereich des Machine Learnings, der mit sogenannten neuronalen Netzen arbeitet und dadurch auch sehr komplexe Muster erkennen kann, etwa in Bildern oder natürlicher Sprache. Große Sprachmodelle wie hinter modernen Chat-Assistenten beruhen auf Deep Learning.

Wie funktioniert Machine Learning?

Der Ablauf folgt meist demselben Grundmuster:

1. Daten sammeln — Das Modell benötigt eine ausreichende Menge an Beispieldaten, etwa vergangene Messwerte, Kundendaten oder Bilder.
2. Training — Anhand dieser Daten passt sich das Modell schrittweise an, bis es die zugrunde liegenden Muster erkennt. Bei überwachtem Lernen bekommt das Modell dabei zusätzlich die “richtige Antwort” mitgeliefert, etwa ob eine E-Mail Spam war oder nicht.
3. Testen — Das trainierte Modell wird an neuen, ihm unbekannten Daten geprüft, um zu sehen, wie zuverlässig es tatsächlich ist.
4. Anwenden — Erst danach kommt das Modell im laufenden Betrieb zum Einsatz, etwa um neue Fälle automatisch einzuordnen oder Auffälligkeiten zu melden.

Wichtig zu wissen: Ein Machine-Learning-Modell ist nie “fertig” im klassischen Sinn. Es kann mit neuen Daten nachtrainiert werden und sollte regelmäßig überprüft werden, damit es nicht auf veralteten Mustern beruht.

Machine Learning im Unternehmensalltag

Für den Mittelstand sind vor allem drei Anwendungsfälle relevant:

1. Anomalie-Erkennung — Ungewöhnliche Muster im Netzwerkverkehr, in Log-Dateien oder bei Anmeldeverhalten fallen auf, ohne dass jemand jede erdenkliche Regel vorher definieren müsste. Das ist auch die Grundlage moderner Sicherheitswerkzeuge.
2. Prognosen — Aus historischen Daten lassen sich Trends ableiten, etwa bei der Materialplanung, im Wartungsbedarf von Maschinen oder bei der Nachfrage einzelner Produkte.
3. Automatische Einordnung — Dokumente, E-Mails oder Support-Anfragen lassen sich automatisch kategorisieren, priorisieren oder an die richtige Stelle weiterleiten.

Voraussetzung für belastbare Ergebnisse ist in allen Fällen eine ausreichende und saubere Datenbasis. Ein Modell ist nur so gut wie die Daten, aus denen es gelernt hat — schlechte oder lückenhafte Daten führen zu schlechten Vorhersagen.

Ein typisches Szenario: Ein mittelständischer Betrieb möchte den Ausschuss in der Produktion senken. Statt einzelne Fehlerursachen manuell zu suchen, wertet ein Machine-Learning-Modell die Produktionsdaten der letzten Jahre aus und findet Zusammenhänge, die vorher niemand vermutet hätte, etwa eine bestimmte Kombination aus Uhrzeit, Materialcharge und Maschineneinstellung.

Ob und in welcher Form sich Machine Learning für den eigenen Betrieb lohnt, hängt stark von den vorhandenen Daten und dem konkreten Anwendungsfall ab. Bei der KI-Beratung von LNIT schauen wir uns gemeinsam an, wo im Betrieb Daten bereits vorhanden sind und welcher Ansatz — von einfachen Auswertungen bis zu lernenden Modellen — tatsächlich einen Mehrwert bringt.