Machine Learning entmystifiziert: ein verständlicher Einstieg

Wie lernende Software funktioniert, woran Sie eine passende Aufgabe erkennen und wie Einsteiger und Fachabteilungen sinnvoll anfangen
Aktualisiert:
Abstract
- #Machine Learning
- #Künstliche Intelligenz
- #KI
- #Data Science
- #ML-Modelle
- #Deep Learning
- #Neuronale Netze
- #scikit-learn
Statt Regeln zu schreiben, zeigt man der Software Beispiele. Was dahintersteckt und wann sich der Ansatz lohnt
Angenommen, die Buchhaltung eines mittelständischen Großhändlers erhält jeden Monat ein paar tausend Eingangsrechnungen. Jemand muss entscheiden, welcher Kostenstelle jede Rechnung zugeordnet wird. Man könnte dafür Regeln schreiben: Steht „Druckerpapier“ auf der Rechnung, geht sie an die Verwaltung, kommt sie vom Stahllieferanten, an die Produktion. Nach ein paar Wochen hätte man hunderte Regeln, und trotzdem landen Sonderfälle auf dem Stapel „unklar“.
Machine Learning, auf Deutsch maschinelles Lernen, dreht das Vorgehen um. Statt die Regeln aufzuschreiben, gibt man der Software die Rechnungen der vergangenen Jahre samt der Kostenstelle, die ein Mensch damals gewählt hat. Ein Lernverfahren sucht darin selbst nach Zusammenhängen und schlägt für neue Rechnungen eine Zuordnung vor. Das ist der ganze Kern der Idee. Alles andere sind Details, wenn auch wichtige.
Seit ChatGPT Ende 2022 erschienen ist, sprechen fast alle über künstliche Intelligenz. Die meisten KI-Anwendungen in Unternehmen beruhen aber nach wie vor auf eher unspektakulärem maschinellem Lernen: Prognosen, Klassifikationen, Empfehlungen. Wer dieses Fundament versteht, kann auch die großen Sprachmodelle besser einordnen.
Regeln schreiben oder Beispiele zeigen
Klassische Software folgt Anweisungen, die ein Mensch festgelegt hat. Das ist präzise und nachvollziehbar, stößt aber an Grenzen, sobald sich eine Aufgabe nicht mehr in eindeutige Regeln fassen lässt. Ein gutes Beispiel ist der Spamfilter. Eine Regel wie „Betreff enthält ‚Gewinn‘“ fängt ein paar Werbemails ab, verpasst aber jede leicht abgewandelte Variante und blockiert nebenbei die Mail des Vertriebs über den Quartalsgewinn.
Beim maschinellen Lernen bekommt die Software stattdessen viele Beispiele: Mails, die Menschen als Spam markiert haben, und solche, die erwünscht waren. Daraus leitet ein Algorithmus ab, welche Merkmale typischerweise zusammen auftreten, etwa bestimmte Wörter, Absenderdomains oder Links. Das Ergebnis heißt Modell: eine mathematische Funktion, die für eine neue Mail eine Wahrscheinlichkeit ausgibt, ob es sich um Spam handelt.
Zwei Dinge sind an diesem Bild wichtig. Erstens „versteht“ das Modell nichts im menschlichen Sinn. Es erkennt statistische Muster in den Daten, die es gesehen hat. Zweitens ist es nur so gut wie diese Daten. Hat niemand je Phishing-Mails in den Trainingsdaten markiert, wird das Modell sie auch nicht zuverlässig erkennen.
Drei Zutaten: Daten, Ziel und Lernverfahren
Jedes ML-Projekt braucht drei Dinge, und die Reihenfolge ist kein Zufall.
- Ein klar formuliertes Ziel. Was genau soll vorhergesagt werden? „Mit KI die Kundenzufriedenheit verbessern“ ist kein Ziel, „vorhersagen, welche Bestellungen voraussichtlich retourniert werden“ schon. Je enger die Frage, desto besser lässt sich später messen, ob das Modell hilft.
- Passende Daten. Für die Retourenfrage bräuchte ein Webshop vergangene Bestellungen mit Merkmalen wie Artikel, Größe, Zahlungsart, Kundenhistorie und der Information, ob zurückgeschickt wurde. Diese bekannte Antwort heißt Label. Mehr Daten helfen meist, wichtiger ist aber, dass sie sauber, vollständig und repräsentativ sind.
- Ein Lernverfahren. Hier muss niemand etwas erfinden. Entscheidungsbäume, lineare Modelle oder neuronale Netze sind gut erforscht und in freien Bibliotheken verfügbar. Bei tabellarischen Geschäftsdaten schneiden oft vergleichsweise einfache Verfahren wie Gradient Boosting gut ab, ein riesiges neuronales Netz ist selten nötig.
In der Praxis entfällt der größte Teil der Arbeit auf die ersten beiden Punkte. Daten zusammenführen, Fehler bereinigen und klären, was ein Datenfeld eigentlich bedeutet, kostet erfahrungsgemäß mehr Zeit als das eigentliche Training.
Wie ein Modell lernt: Training, Test und der Blick auf neue Fälle
Der Ablauf folgt fast immer demselben Muster. Die vorhandenen Beispiele werden aufgeteilt, typischerweise in einen größeren Teil zum Lernen und einen kleineren zum Prüfen. Mit dem Trainingsteil passt der Algorithmus seine inneren Stellschrauben, die Parameter, so an, dass seine Vorhersagen möglichst oft mit den bekannten Antworten übereinstimmen. Danach muss das Modell zeigen, wie gut es mit den Testdaten zurechtkommt, die es nie gesehen hat.
Diese Trennung ist entscheidend. Ein Modell, das die Trainingsdaten auswendig gelernt hat, glänzt dort und versagt bei neuen Fällen. Fachleute sprechen von Overfitting, der Überanpassung. Es ist wie bei einem Schüler, der die Lösungen der Probeklausur auswendig kann, aber bei neuen Aufgaben scheitert.
Wie das in Code aussieht, zeigt ein kleines Beispiel mit scikit-learn, der verbreiteten Python-Bibliothek für klassisches maschinelles Lernen. Es nutzt einen mitgelieferten Datensatz zu Brustkrebs-Befunden, bei dem anhand von Messwerten zwischen gutartig und bösartig unterschieden wird:
from sklearn.datasets import load_breast_cancer
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split
# Beispieldaten laden: Messwerte (X) und bekannte Befunde (y)
X, y = load_breast_cancer(return_X_y=True)
# 80 % zum Lernen, 20 % zum Prüfen zurückhalten
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)
# Ein Random Forest kombiniert viele Entscheidungsbäume
modell = RandomForestClassifier(n_estimators=200, random_state=42)
modell.fit(X_train, y_train)
# Bewertung ausschließlich auf den zurückgehaltenen Daten
vorhersage = modell.predict(X_test)
print(f"Trefferquote: {accuracy_score(y_test, vorhersage):.2%}")
Wenige Zeilen genügen, weil die Bibliothek die Mathematik kapselt. Die eigentlichen Fragen beginnen danach: Ist die Trefferquote die richtige Kennzahl? Bei einer medizinischen Diagnose wiegt ein übersehener bösartiger Befund schwerer als ein Fehlalarm. Wer ein Modell bewertet, muss also wissen, welche Fehler im konkreten Anwendungsfall teuer sind.
Überwacht, unüberwacht, belohnt: die drei Lernarten
Je nachdem, welche Daten vorliegen, unterscheidet man drei Grundformen.
Überwachtes Lernen (Supervised Learning) arbeitet mit Beispielen, zu denen die richtige Antwort bekannt ist. Das Rechnungs-, Spam- und Retourenbeispiel gehören dazu. Geht es um Kategorien, spricht man von Klassifikation, geht es um Zahlen wie den Absatz im nächsten Monat, von Regression. Der Großteil der produktiven ML-Anwendungen in Unternehmen fällt in diese Gruppe.
Unüberwachtes Lernen (Unsupervised Learning) kommt ohne Antworten aus. Der Algorithmus sucht selbst nach Strukturen, etwa Kundengruppen mit ähnlichem Kaufverhalten oder Maschinendaten, die auffällig vom Normalbetrieb abweichen. Das Ergebnis muss ein Mensch deuten: Ob eine gefundene Gruppe „preisbewusste Stammkunden“ sind, sagt der Algorithmus nicht.
Verstärkendes Lernen (Reinforcement Learning) lernt durch Ausprobieren und Rückmeldung. Ein Programm handelt, erhält eine Belohnung oder Strafe und passt sein Verhalten an. Bekannt wurde der Ansatz durch Spiele wie Go, im Unternehmensalltag ist er seltener. Eine wichtige Rolle spielt er allerdings beim Feinschliff großer Sprachmodelle, die mit menschlichem Feedback auf hilfreichere Antworten trainiert werden.
Eine ausführlichere Darstellung der Lernparadigmen und ihres Übergangs zu großen Sprachmodellen bietet der Beitrag Machine Learning verstehen: von den Grundlagen bis zu modernen KI-Systemen.
Machine Learning, Deep Learning und generative KI
Die Begriffe werden oft durcheinandergeworfen. Künstliche Intelligenz ist der Oberbegriff für Systeme, die Aufgaben lösen, für die man bisher menschliche Intelligenz brauchte. Machine Learning ist der heute wichtigste Weg dorthin. Deep Learning ist wiederum eine Spielart des maschinellen Lernens, die mit vielschichtigen neuronalen Netzen arbeitet. Diese Netze sind lose vom Aufbau des Gehirns inspiriert und besonders stark bei Bildern, Sprache und Text, wo sich Merkmale kaum von Hand beschreiben lassen.
Generative KI wie ChatGPT, Claude oder Gemini beruht ebenfalls auf Deep Learning. Solche großen Sprachmodelle wurden mit riesigen Textmengen darauf trainiert, das jeweils nächste Wortstück vorherzusagen. Daraus entsteht die Fähigkeit, Texte zu schreiben, zusammenzufassen oder Code zu erzeugen. Für Einsteiger ist das eine gute Nachricht: Viele Aufgaben, für die man früher ein eigenes Modell trainieren musste, etwa das Sortieren von Kundenanfragen nach Themen, lassen sich heute mit einem vorhandenen Sprachmodell und einer guten Anweisung lösen.
Überschätzt wird dabei allerdings, dass Sprachmodelle klassisches ML ersetzen. Für Absatzprognosen, Betrugserkennung oder die Retourenfrage sind spezialisierte Modelle auf eigenen Daten meist genauer, günstiger im Betrieb und leichter zu überprüfen. Die Frage lautet also nicht „klassisch oder generativ“, sondern: Welches Werkzeug passt zur Aufgabe?
Wo maschinelles Lernen im Alltag steckt
Vieles davon fällt kaum noch auf:
- Postfach: Spam- und Phishing-Filter lernen laufend aus den Markierungen der Nutzer.
- Streaming und Webshops: Empfehlungssysteme schlagen Filme, Musik oder Produkte vor, die Menschen mit ähnlichem Verhalten gefallen haben.
- Smartphone: Gesichtserkennung zum Entsperren, Texterkennung in Fotos und die Sortierung der Bildergalerie arbeiten mit neuronalen Netzen, teils direkt auf dem Gerät.
- Bank und Zahlungsverkehr: Betrugserkennung schlägt Alarm, wenn eine Kartenzahlung nicht zum üblichen Muster passt.
- Produktion: Kameras prüfen Bauteile auf Fehler, Sensordaten zeigen an, wann eine Maschine voraussichtlich gewartet werden muss.
- Büro: Belegerkennung liest Rechnungen aus, Übersetzungsdienste und Sprachassistenten verarbeiten Text und Sprache.
Was schiefgehen kann
Maschinelles Lernen ist keine Wunderwaffe. Wer ein Projekt plant, sollte die typischen Fallstricke kennen.
Verzerrte Daten. Ein Modell übernimmt die Muster der Vergangenheit, auch die unerwünschten. Wurden in den historischen Daten bestimmte Bewerbergruppen seltener eingeladen, lernt ein Modell zur Vorauswahl genau diese Benachteiligung. Solche Verzerrungen heißen Bias und sind oft schwer zu erkennen.
Fehlende Nachvollziehbarkeit. Bei einem einfachen Entscheidungsbaum lässt sich ablesen, warum er so entschieden hat. Bei großen neuronalen Netzen ist das kaum möglich. Es gibt Verfahren zur Erklärung einzelner Vorhersagen, sie liefern aber Näherungen, keine Begründungen.
Veraltende Modelle. Die Welt ändert sich, das Modell nicht. Ändern Kunden ihr Kaufverhalten oder kommt ein neues Produkt hinzu, sinkt die Treffsicherheit schleichend. Fachleute sprechen von Drift. Ein Modell muss daher überwacht und regelmäßig neu trainiert werden, es ist kein einmaliges Projekt.
Recht und Datenschutz. Enthalten die Trainingsdaten personenbezogene Daten, gilt die Datenschutz-Grundverordnung (DSGVO). Hinzu kommt die europäische KI-Verordnung (AI Act), die seit August 2024 in Kraft ist und schrittweise gilt. Sie stellt je nach Risiko unterschiedliche Anforderungen, etwa an KI in der Personalauswahl oder bei der Kreditvergabe. Für die meisten internen Prognosemodelle sind die Pflichten überschaubar, eine Prüfung im Einzelfall ersetzt dieser Hinweis aber nicht.
So steigen Sie ein
Der Einstieg hängt davon ab, welche Rolle Sie einnehmen wollen.
Als Entscheider oder Fachabteilung brauchen Sie keine Programmierkenntnisse, sondern ein Gespür dafür, welche Fragen sich für maschinelles Lernen eignen. Ein guter Test: Gibt es eine wiederkehrende Entscheidung, zu der Sie viele dokumentierte Beispiele aus der Vergangenheit haben? Und lässt sich messen, ob eine Vorhersage richtig war? Wenn beides zutrifft, lohnt ein genauerer Blick. Einen strukturierten Überblick über Begriffe, Chancen und Anwendungsfälle gibt das Seminar Einführung in künstliche Intelligenz.
Als Entwickler:in oder angehende Data Scientist führt der Weg fast immer über Python. Die Sprache hat sich mit Bibliotheken wie pandas für Tabellendaten, scikit-learn für klassische Verfahren sowie PyTorch und TensorFlow für Deep Learning als Standard etabliert. Kostenlose Einstiege bieten etwa der Machine Learning Crash Course von Google oder die Einführung und die Beispielgalerie in der Dokumentation von scikit-learn. Auf Kaggle finden sich öffentliche Datensätze und Notebooks anderer Nutzer, an denen sich Schritt für Schritt üben lässt. Wer lieber unter Anleitung an echten Aufgaben arbeitet, findet in Hands-on Python Machine Learning einen Überblick über praxisorientierte Workshops.
Ohne eigenen Code bieten die großen Cloud-Anbieter Werkzeuge, die Modelle weitgehend automatisch trainieren, etwa die Gemini Enterprise Agent Platform, den Nachfolger von Vertex AI, bei Google Cloud oder Azure Machine Learning bei Microsoft. Sie eignen sich für erste Experimente. Die Fragen nach Datenqualität, Zielgröße und Bewertung nehmen sie Ihnen allerdings nicht ab.
Was maschinelles Lernen für Ihr Unternehmen bedeutet
Machine Learning ist weder Zauberei noch Hype, sondern ein ausgereiftes Werkzeug für eine bestimmte Klasse von Aufgaben: wiederkehrende Entscheidungen, zu denen es viele Beispiele gibt. Dort kann es Routinearbeit abnehmen, Prognosen verbessern und Fachleuten Zeit für die schwierigen Fälle verschaffen.
Unsere Empfehlung: Beginnen Sie nicht mit der Technik, sondern mit einer konkreten, messbaren Frage und einem ehrlichen Blick auf die vorhandenen Daten. Ein kleines Pilotprojekt mit klarer Erfolgskennzahl zeigt schneller als jede Strategiepräsentation, ob sich der Aufwand lohnt. Und planen Sie von Anfang an ein, wer das Modell nach dem Start überwacht.
Wer dabei Unterstützung sucht, von der Bewertung eines Anwendungsfalls bis zum Training des eigenen Teams, findet auf unserer Seite zu maschinellem Lernen und künstlicher Intelligenz Beratungs- und Seminarangebote.
Häufige Fragen zum Einstieg in Machine Learning
Wie viel Mathematik braucht man für Machine Learning?
Um Anwendungen zu verstehen und Projekte zu begleiten, genügt ein Grundverständnis von Statistik: Mittelwerte, Wahrscheinlichkeiten, die Idee einer Fehlerquote. Wer selbst Modelle baut, profitiert von linearer Algebra und etwas Analysis, die Bibliotheken nehmen aber die Rechenarbeit ab. Tiefere Mathematik wird erst wichtig, wenn Sie eigene Verfahren entwickeln oder Forschungsergebnisse nachvollziehen wollen.
Wie viele Daten braucht ein Modell?
Eine feste Zahl gibt es nicht. Für einfache Klassifikationen auf Tabellendaten kann schon eine überschaubare Menge sauber beschrifteter Beispiele genügen, für Bilderkennung von Grund auf braucht es deutlich mehr. Oft lässt sich die nötige Menge senken, indem man ein vortrainiertes Modell auf die eigene Aufgabe anpasst, sogenanntes Transfer Learning.
Kann Machine Learning menschliche Entscheidungen ersetzen?
Bei klar umrissenen Routineentscheidungen kann ein Modell Vorschläge machen, die in den meisten Fällen stimmen. Bei Entscheidungen mit großer Tragweite für Menschen, etwa über Kredite oder Bewerbungen, sollte ein Mensch die Verantwortung behalten. Das verlangt in vielen Fällen auch das Recht, etwa die DSGVO bei automatisierten Einzelentscheidungen.
Wie sicher sind ML-Modelle vor Manipulation?
Nicht vollständig. Gezielt veränderte Eingaben, sogenannte Adversarial Examples, können ein Modell täuschen, etwa ein Bild, das für Menschen unverändert aussieht, aber falsch erkannt wird. Auch manipulierte Trainingsdaten sind ein Risiko. Gegenmaßnahmen wie robusteres Training und Eingabeprüfungen helfen, ersetzen aber bei sicherheitskritischen Anwendungen keine zusätzliche Kontrolle.
Kategorien
Schlagworte