Machine Learning
Ein Verfahren, bei dem ein Programm Zusammenhänge aus Beispieldaten ableitet, um neue Fälle zu bearbeiten.
Einfach erklärt
Beim klassischen Programmieren schreibt ein Mensch jede Regel auf: „Steht das Wort Rechnung im Betreff und ist der Absender unbekannt, markiere die Mail." Machine Learning dreht das um. Das Programm bekommt tausende Mails, die schon als „Spam" oder „kein Spam" einsortiert sind, und sucht selbst nach den Merkmalen, die beide Gruppen unterscheiden. Das Ergebnis dieses Suchens heißt Modell.
Wie gut ein Modell neue Fälle bearbeitet, muss geprüft werden. Ungewohnte Fälle können die Trefferquote verringern, ohne dass das System dies erkennt. Wer ein solches System einsetzt, prüft die Ergebnisse an eigenen, bekannten Fällen gegen, bevor er sich darauf verlässt.
Beispiel aus dem Alltag
Eine Bilderkennung wird mit beschrifteten Fotos von Äpfeln und Birnen trainiert. Beim Test bekommt sie auch eine Quitte. Daran lässt sich prüfen, wie sie mit einer nicht vorgesehenen Obstsorte umgeht.
Häufige Fragen
Was ist der Unterschied zwischen Machine Learning und künstlicher Intelligenz?
KI ist der Oberbegriff. Maschinelles Lernen bezeichnet Verfahren, bei denen Modelle anhand von Daten angepasst werden. Daneben gibt es etwa regelbasierte KI-Verfahren.
Braucht Machine Learning immer riesige Datenmengen?
Nein. Die benötigte Datenmenge hängt von Aufgabe, Modell, Qualität und vorhandenen Vorarbeiten ab. Eine feste Mindestzahl gilt nicht für alle Anwendungen.
Lernt ein Modell im Betrieb ständig dazu?
Nicht automatisch. Viele Modelle werden vor der Nutzung trainiert. Es gibt auch Verfahren zum fortlaufenden Lernen; bloßes Sammeln von Rückmeldungen verändert Modellwerte noch nicht.