Machine Learning (ML)
Computer lernen aus Daten, statt manuell programmiert zu werden.
Erklärung
Machine Learning ist ein Teilbereich der KI, bei dem Algorithmen selbstständig aus Daten lernen. Statt Regeln manuell zu definieren, erkennt das System Muster und verbessert sich über die Zeit.
So funktioniert's
Ein ML-Modell wird mit großen Datenmengen trainiert. Es findet statistische Zusammenhänge und kann diese auf neue, unbekannte Daten anwenden.
Praxisbeispiel
Spamfilter, die lernen welche E-Mails unerwünscht sind, oder Produktempfehlungen in Online-Shops.
Warum es wichtig ist
ML ist die Grundlage für fast jede moderne KI-Anwendung – von Spracherkennung bis Betrugserkennung.
Wie funktioniert Machine Learning? Die drei Lernarten
Beim überwachten Lernen bekommt das Modell Beispiele mit der richtigen Antwort, etwa E-Mails mit der Kennzeichnung „Spam“ oder „kein Spam“, und leitet daraus eine Regel für neue Fälle ab. Beim unüberwachten Lernen gibt es keine vorgegebenen Antworten, das Modell findet selbst Strukturen, etwa Kundengruppen mit ähnlichem Kaufverhalten. Beim bestärkenden Lernen (Reinforcement Learning) lernt ein System über Belohnung und Bestrafung, welche Aktionen zum Ziel führen.
Auch große Sprachmodelle sind Machine Learning: Sie werden zunächst mit riesigen Textmengen vortrainiert und anschließend unter anderem mit bestärkendem Lernen auf hilfreiche und sichere Antworten abgestimmt.
Klassisches Machine Learning oder LLM: Was passt wann?
Klassische ML-Modelle sind stark bei strukturierten Daten und klar messbaren Vorhersagen: Absatzprognosen, Ausfallwahrscheinlichkeiten von Maschinen, Betrugserkennung. Sie sind günstig im Betrieb und gut erklärbar, brauchen dafür aber ausreichend saubere historische Daten.
LLMs spielen ihre Stärke bei unstrukturierten Inhalten wie Texten, E-Mails und Dokumenten aus und kommen oft ohne eigenes Training aus. In vielen Projekten ergänzen sich beide: Ein LLM liest Informationen aus Dokumenten aus, ein klassisches Modell rechnet damit weiter.
Häufige Fragen
Was ist der Unterschied zwischen Machine Learning und Deep Learning?
Deep Learning ist ein Teilbereich des Machine Learning, der mit tiefen neuronalen Netzen arbeitet. Es eignet sich besonders für Bilder, Sprache und Text, braucht aber mehr Daten und Rechenleistung.
Wie viele Daten braucht Machine Learning?
Das hängt von der Aufgabe ab. Für einfache Klassifikationen können einige Tausend gute Beispiele reichen, für komplexe Muster sind es deutlich mehr. Qualität und Repräsentativität der Daten sind dabei wichtiger als die reine Menge.
Ist ChatGPT Machine Learning?
Ja. ChatGPT basiert auf großen Sprachmodellen, die mit Verfahren des Machine Learning trainiert wurden: Deep Learning auf riesigen Textmengen, gefolgt von einem Feinschliff mit menschlichem Feedback.