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?
Künstliche Intelligenz ist der Oberbegriff. Machine Learning ist die heute wichtigste Methode dahinter: Ein Modell lernt aus Beispieldaten, statt festen Regeln zu folgen. Fast alle aktuellen KI-Produkte beruhen darauf.
Braucht Machine Learning immer riesige Datenmengen?
Für große Sprach- und Bildmodelle ja. Für eng umrissene Aufgaben wie das Sortieren von Belegen reichen oft einige hundert bis tausend gut aufbereitete Beispiele.
Lernt ein Modell im Betrieb ständig dazu?
Meistens nicht. Das Lernen passiert im Training vorab. Danach ist das Modell festgelegt, bis es neu trainiert wird. Ausnahmen sind Systeme, die gezielt Rückmeldungen für ein späteres Training sammeln.