Was ist Machine Learning?

Machine Learning: Definition

Beim Machine Learning schreibt niemand mehr jede Regel von Hand. Stattdessen erhält ein Lernverfahren viele Beispieldaten und findet selbst heraus, welche Merkmale zu welchem Ergebnis führen. Das Resultat ist ein Modell. Es lässt sich auf neue Daten anwenden, etwa um eine Anfrage einer Kategorie zuzuordnen oder den Ausfall einer Maschine vorherzusagen.

Machine Learning ist ein Teilgebiet der Künstlichen Intelligenz und die technische Grundlage der meisten heutigen KI-Anwendungen. Deep Learning, also das Lernen mit tiefen neuronalen Netzen, ist wiederum ein Teilgebiet des Machine Learning und treibt Sprachmodelle sowie Bilderkennung an. Im Alltag begegnet es Ihnen etwa in Spamfiltern, Empfehlungen im Onlineshop oder der automatischen Texterkennung.

So funktioniert maschinelles Lernen

Man unterscheidet drei Lernarten. Beim überwachten Lernen kennt das Training die richtige Antwort, etwa „Rechnung“ oder „Reklamation“. Beim unüberwachten Lernen sucht das Verfahren selbst nach Gruppen oder Ausreißern. Beim bestärkenden Lernen probiert ein System Aktionen aus und wird für gute Ergebnisse belohnt.

Ein Projekt läuft meist in diesen Schritten ab: Daten sammeln und bereinigen, ein Modell trainieren, es an ungesehenen Testdaten prüfen, in die Anwendung einbinden und laufend überwachen. Der Aufwand liegt häufig weniger im Algorithmus als in der Datenaufbereitung und im stabilen Betrieb.

Praxis­bei­spiel: Voraus­schau­ende Wartung bei einem Zulieferer

Ein Metallverarbeiter betreibt mehrere CNC-Maschinen. Sensoren liefern Daten zu Vibration, Temperatur und Stromaufnahme. Ein Modell lernt aus früheren Ausfällen, welche Muster einem Lagerschaden vorausgehen, und meldet Auffälligkeiten rechtzeitig. Die Wartung wird dann in einen ruhigen Zeitraum gelegt, statt dass die Maschine mitten im Auftrag stillsteht.

Zu Beginn reichte eine einzelne Maschine als Pilot. Erst als die Meldungen verlässlich waren und das Instandhaltungsteam den Hinweisen vertraute, wurde das Verfahren auf weitere Anlagen übertragen. Das Beispiel zeigt: Der Wert entsteht erst in Verbindung mit einem klaren Prozess nach der Warnung.

Vorteile, Grenzen und typische Fehler

Machine Learning erkennt Muster, die sich von Hand kaum beschreiben lassen, und verbessert sich mit besseren Daten. Gleichzeitig ist es nur so gut wie seine Trainingsdaten: Verzerrte, zu kleine oder veraltete Datensätze führen zu falschen Ergebnissen. Ob Machine Learning überhaupt nötig ist, klärt Nano Concepts gemeinsam mit Ihnen – oft genügt eine einfache Regel.

Typische Stolperfallen sind unklare Zielgrößen, fehlende Fachexperten im Projekt und ein Modell, das nach der Einführung nicht mehr geprüft wird, obwohl sich die Realität ändert. Wenn Modelle Entscheidungen über Personen vorbereiten, etwa bei Bewerbungen oder Krediten, greifen zusätzlich Datenschutz und die KI-Verordnung.

• Konkrete Frage und messbares Erfolgskriterium festlegen
• Datenlage prüfen, bevor ein Modell gebaut wird
• Mit einem Pilot beginnen und Ergebnisse gegen eine einfache Regel vergleichen
• Modell nach dem Start überwachen und bei Bedarf neu trainieren
• Fachabteilung früh einbinden