Machine Learning: Definition, Arten, Modelle & KI

Machine Learning, oder zu Deutsch „maschinelles Lernen“, generiert Wissen durch eine automatisierte Datenverarbeitung. Damit sind Computer und Systeme fähig, selbständig zu lernen und Muster zu erkennen. Auf Basis dessen können sie ohne menschlichen Eingriff Entscheidungen treffen, Aufgaben bewältigen oder Lösungen für neuartige Probleme entwickeln.

Maschinelles Lernen ist ein Teilgebiet der Künstlichen Intelligenz und hat inzwischen Einzug in zahlreiche alltägliche Anwendungen gefunden, etwa zum Verwalten von E-Mails, Optimieren von Suchmaschinen oder Produktempfehlungen beim Online-Shopping. Wir zeigen Dir, wie Machine Learning genau funktioniert, wo es angewandt wird und welche Zukunftspotenziale es besitzt.

Machine Learning (Maschinelles Lernen) bezeichnet, wie der Name verrät, das automatisierte Lernen von Computersystemen. Die Systeme müssen also nicht wie gewohnt von Menschen explizit programmiert werden, stattdessen entwickelt sich das System eigenständig weiter und schreibt seinen eigenen Code.

Der Schlüssel dazu liegt im Training der Algorithmen: Diese werden mit großen Datensätzen gefüttert, um Muster und Zusammenhänge zu erkennen. Basierend auf diesen Erkenntnissen kann das System Entscheidungen treffen und Vorhersagen machen. Je mehr Daten zur Verfügung stehen und je häufiger das System genutzt wird, desto präziser und leistungsfähiger agiert es.

Infolgedessen können Computersysteme mit Machine Learning Folgendes leisten:

• Generierung von automatischem Wissen
• Identifizieren von verborgenen Zusammenhängen
• Verbesserung von Algorithmen
• Aufdecken unbekannter Muster

Was früher primär auf Forschungseinrichtungen und Universitäten beschränkt war, hat inzwischen Einzug in zahlreiche alltägliche Anwendungen gefunden. Heute spielt maschinelles Lernen eine zentrale Rolle in Wirtschaft, Forschung und Entwicklung und unterstützt uns seit vielen Jahren in vielen verschiedenen weiteren Bereichen.

Maschinelles Lernen ähnelt dem menschlichen Lernprozess, da beide durch Wiederholungen und Erfahrungen zunehmend tiefgreifendes Wissen aufbauen. Ein Machine-Learning-System wird zunächst mit Daten versorgt und anfangs vom Menschen unterstützt, wonach menschliche Eingriffe nach und nach reduziert werden. Das Ganze läuft mit folgenden Prozessen ab:

• Trainingsprozess: Der Algorithmus durchsucht einen vom Menschen bereitgestellten Trainingsdatensatz, anhand dessen er Muster und Zusammenhänge lernt. Das System „übt“ und verbessert mit jeder Wiederholung seine Ergebnisse.
• Iterativer Lernprozess: Iterativ bedeutet, dass das Modell so lange arbeitet, bis es eine bestimmte Qualität bzw. Genauigkeit in seinen Vorhersagen erreicht und somit einsatzfähig ist. In dieser Zeit gibt es Rückmeldungen, mit deren Hilfe menschlich gezielt optimiert werden kann.
• Fehlerreduktion und Korrektur: Wenn das Modell bei Eingaben eine falsche Vorhersage macht (also Vorhersagen vom zu erwartenden Ergebnis abweichen), wird der Fehler durch Anpassungen im Modell korrigiert, bis die Eingabe und Ausgabe übereinstimmen.
• Nutzung des Modells: Sobald der Lernprozess erfolgreich abgeschlossen ist, kann das Modell auf unbekannte Daten angewendet werden. Es ist fähig, eigenständig Vorhersagen zu treffen und Entscheidungen umzusetzen.

Der Ablauf des Maschinellen Lernens kann sich unterschiedlicher Arten an Methoden bedienen. Im Grunde genommen handelt es sich dabei um vier Methoden:

1. Überwachtes Lernen (Supervised Learning) trainiert den Algorithmus mit bekannten Eingabe- und Ausgabewerten (Trainingsdaten, die von Programmierenden umfangreich vorbereitet werden müssen). Das System vergleicht Vorhersagen mit den tatsächlichen Ergebnissen und passt sich an, um Fehler zu minimieren sowie Muster zu erkennen. Es zielt darauf ab, Ja-Nein-Entscheidungen oder numerische Voraussagen zu treffen. Diese Methode findet häufig bei der Klassifikation von Kundendaten, Risikobewertungen von Investitionen oder anderen numerischen Prognosen Anwendung.
2. Unüberwachtes Lernen (Unsupervised Learning) arbeitet ohne Trainingsdaten und gibt im Gegensatz zum überwachten Lernen keine spezifischen Zielvariablen vor. Stattdessen entdeckt das System eigenständig verborgene Muster und Strukturen, indem es ähnliche Daten gruppiert (clustert) und segmentiert. Data Scientists bewerten die Ergebnisse, um sicherzustellen, dass sie den Anforderungen entsprechen. Diese Methode wird vor allem dann eingesetzt, wenn es darum geht, in großen Datenmengen versteckte Muster zu identifizieren, beispielsweise bei der Datenvisualisierung, dem Clustering, der Dimensionsreduktion oder der Regel-Extraktion.
3. Teilüberwachtes Lernen (Semi-Supervised Learning) stellt eine Mischung der beiden bisher genannten Methoden dar und nutzt sowohl bekannte Daten mit Zielvariablen als auch unbekannte Daten (bzw. gelabelte und ungelabelte Daten). Oft ist die Menge der gelabelten Daten kleiner, was diese Methode zeit- und kostensparend macht.  Der bekannte Datensatz wird genutzt, um das System als künstliches neuronales Netz zu trainieren, das anschließend auf unbekannte Daten zur Erkennung angewendet wird. Diese Methode findet häufig Anwendung in der Bild- und Objekterkennung.
4. Bestärkendes Lernen (Reinforcement Learning) stellt eine menschenähnliche Lernmethode dar, denn das System lernt durch Versuch und Irrtum. Aktionen werden durch eine Belohnungsfunktion oder Kostenfunktion bewertet, um die optimale Handlungsstrategie zu identifizieren. Auch hier erhält das System keine Beispieldaten, viel mehr wird durch umfassende Wiederholungen in einer Simulationsumgebung optimiert. Die Methode wird oft in der Robotik oder autonomen Systemen angewandt, wo bestmögliche Entscheidungen getroffen werden müssen.

Jede der soeben genannten Art des maschinellen Lernens verfügt über spezifische Modelle. Welches Modell idealerweise eingesetzt wird, ist abhängig von der Komplexität der Aufgabe und den verfügbaren Daten. Einige bekanntere Modelle sind:

• Logistische Regression: Das System modelliert eine Wahrscheinlichkeit, dass ein Ereignis eintritt, wobei die Vorhersage eine Ja-Nein-Entscheidung oder eine andere binäre Kategorie erfordert. Beispielsweise lässt sich mit dem Modell einordnen, ob eine Mail Spam ist oder ob Nutzer*innen ein Produkt kaufen werden.
• Lineare Regression: Dieses System zielt darauf ab, einen Zusammenhang zwischen Eingangsvariablen und einer Zielvariablen herzustellen. Es wird verwendet, um Vorhersagen für kontinuierliche Werte zu treffen, beispielsweise wie viele Stunden Lernen zu einer guten Benotung führen.
• K-Nearest Neighbors (KNN): Trifft Vorhersagen, indem es die „nächsten Nachbarn“ im Datensatz betrachtet. Es nimmt an, dass ähnliche Datenpunkte ähnliche Ergebnisse haben. Zum Beispiel nutzen Streaming-Plattformen das Modell, um Filmempfehlungen anhand eines positiv bewerteten Films zu geben.
• K-Means Clustering: Dieses überwachte Modell dient dazu, Daten in Gruppen (Cluster) einzuteilen. Es wird genutzt, um Muster in Datenmengen zu finden, etwa zur Gruppierung von Kund*innen nach ihrem Kaufverhalten.
• Large Language Modell (LLM): Das Modell wird darauf trainiert, natürliche Sprache zu verstehen, indem es große Mengen an Texten verarbeitet und darin Muster erkennt. Es lernt Beziehungen zwischen Wörtern, Sätzen und Kontexten und nutzt diese, um Vorhersagen und Antworten zu generieren. Bekannt ist es durch KI-Textgeneratoren und ChatGPT.

Die Nutzung von Machine Learning wächst stetig. Insbesondere Unternehmen, die mit großen Datenmengen arbeiten, nutzen die Technologie. Welche Aufgaben das maschinelle Lernen jeweils übernimmt, entscheiden die branchenspezifischen Anforderungen. Zum Beispiel:

• Customer Relationship Management (CRM): Prognosen für Customer Lifetime Value, Produktempfehlungen, Kundensegmentierung, Vorhersage von Kundenabwanderungen.
• Marketing: Personalisierte Produktempfehlungen und Webseiten, Kundensegmentierung für gezieltes Marketing.
• Gesundheitswesen: Automatisierung von Diagnosetechniken, Vorhersagen von Krankheitsverläufen, Entwicklung von Techniken zur optimalen Behandlung von Patient*innen.
• Privater Sektor: Spracherkennung bei Smartphones, Smart Homes, Video-Streaming.
• Finanzdienstleistungssektor: Analysen von Börsenmarktentwicklungen und Betrugsbekämpfung
• Mobilität: Ermöglicht autonomes Fahren, Verkehrsnavigation, Ampelschaltungen zur Stauvermeidung.
• Predictive Maintenance & Logistik: Überwachung von Sensordaten, vorausschauende Wartung, Automatisierung der Lieferkette.

Grundlegendes Ziel der Künstlichen Intelligenz ist es, menschliches Verhalten automatisiert zu imitieren und komplexe Aufgaben selbständig zu lösen. Maschinelles Lernen ist integraler Bestandteil dessen. Um die menschliche Entscheidungsfindung bewerkstelligen zu können, braucht es wiederum zwei Elemente: die Nutzung eines künstlichen neuronalen Netzes sowie das Prinzip des Deep Learnings.

Neuronales Netz

Der Mensch verfügt über Neuronen, die ein Netz bilden. Signale werden empfangen, verarbeitet und an andere Neuronen im Netz weitergeleitet. Durch wiederholte Verarbeitung und Verstärkung dieser Signale ist der Mensch fähig zu lernen und Muster zu erkennen. 

Die neuronalen Netze im Machine Learning schließen diese Lücken. Sie sind den biologischen Neuronen nachempfunden und verbessern durch ständige Wiederholung ihre Mustererkennung.

Machine Learning vs Deep Learning

Deep Learning kommt dort zum Einsatz, wo Machine Learning an seine Grenzen stößt. Im Gegensatz zum klassischen Machine Learning, das nur begrenzt mit unstrukturierten Daten arbeiten kann, ermöglicht Deep Learning die Verarbeitung und Analyse komplexer Datenmengen. Das Wort „Deep“ (tief) bezieht sich dabei auf die zahlreichen Schichten, die das Deep Learning nutzt, um schrittweise immer detailliertere Informationen zu extrahieren.

Machine Learning hat sich mittlerweile in sämtlichen Branchen etabliert und gewinnt dank wachsender Datenmengen zunehmend an Bedeutung. Zudem zeichnet sich Machine Learning durch eine schnelle und relativ kostengünstige Verarbeitung von Daten und Analysen aus, um Entscheidungen und Prozesse zu optimieren.

Dennoch stehen Machine-Learning-Anwendungen vor Herausforderungen: So sind sie anfällig für Verzerrungen und Fehler, die sowohl menschlichen als auch algorithmischen Ursprungs sein können. Da Systeme sich kontinuierlich an neue Daten anpassen, besteht das Risiko, dass sich Fehler oder falsche Korrelationen schnell ausbreiten und die Genauigkeit der Ergebnisse im gesamten neuronalen Netzwerk beeinträchtigen. Die richtige Einspeisung von Trainingsdaten, regelmäßige Feedbackschleifen sowie Retraining können dem vorbeugen. Eine andere Gefahr besteht darin, dass Entscheidungswege und Lösungsvorschläge des Machine Learnings für Anwender*innen nicht verständlich und nachvollziehbar sein können. 

Der Trend entwickelt sich derzeit Richtung Auto Machine Learning, welches komplett automatisiert abläuft. Data Scientists müssen hierbei keine Trainingsdaten vorbereiten, das System übernimmt diesen Schritt selbständig. Die Aufgabe des Menschen wird lediglich darin bestehen, Ergebnisse zu kontrollieren und dementsprechend Anpassungen vorzunehmen. Nichtsdestotrotz benötigt es Expert*innen, welche die Prozesse überwachen, komplexe Fragestellungen interpretieren und sicherstellen, dass die Ergebnisse branchenspezifischen Anforderungen entsprechen.