BEGRIFF· 07.01.2026
Machine Learning (ML)
Machine Learning ist die Methode hinter moderner KI: wie Systeme aus Daten lernen, welche drei Lernverfahren es gibt und wo sie an Grenzen stößt.
Was maschinelles Lernen bedeutet
Bei klassischer Programmierung schreibt ein Mensch Regeln: Wenn X eintritt, passiert Y. Machine Learning dreht das um. Ein Algorithmus bekommt keine fertigen Regeln, sondern tausende Beispiele, und leitet die Regeln selbst daraus ab.
Der Vergleich mit einem Kind trifft es ganz gut. Du zählst ihm keine Merkmalsliste auf, um Hund und Katze zu unterscheiden. Du zeigst Bilder und sagst: Hund, Katze, Hund. Irgendwann erkennt es die Muster selbst.
Die drei Begriffe drumherum stehen in einer klaren Hierarchie. Künstliche Intelligenz ist der Oberbegriff für jede Maschine, die intelligentes Verhalten nachahmt. Machine Learning ist ein Teilbereich davon. Deep Learning wiederum arbeitet mit künstlichen neuronalen Netzen und verarbeitet riesige Datenmengen. Large Language Models sind ein Beispiel dafür, keine eigene Kategorie daneben.
Was beim Training passiert
Der Algorithmus ist nur das Werkzeug, vergleichbar mit einem Ofen. Die Trainingsdaten sind die Zutaten, und an ihnen hängt das Ergebnis. Ein sehr guter Algorithmus mit schlechten Daten liefert trotzdem ein schlechtes Modell.
Trainiert wird in zwei Phasen. In der Trainingsphase leitet der Algorithmus aus dem größten Teil der Daten seine internen Gewichte ab. Ein kleinerer Teil wird bewusst zurückgehalten, und an diesen Testdaten prüft man danach: Erkennt das Modell Muster, die es nie gesehen hat, oder hat es die Trainingsdaten nur auswendig gelernt? Letzteres heißt Overfitting, ein Modell, das an alten Daten glänzt und an neuen versagt.
Danach beginnt die Inferenz, also die Anwendung auf neue Fälle. Ein Spam-Filter lernt an tausenden markierten E-Mails und wendet das Muster auf jede neue Nachricht an.
Die drei Lernverfahren
Beim überwachten Lernen ist jedem Trainingsbeispiel die richtige Antwort zugeordnet, die Daten sind gelabelt. Eine E-Mail ist als Spam markiert, ein Röntgenbild als auffällig. Zwei Aufgabentypen dominieren: Klassifikation ordnet einer Kategorie zu, Regression sagt einen Zahlenwert vorher, etwa den Preis einer Immobilie. Das ist das verbreitetste Verfahren, weil gelabelte Daten in vielen Unternehmen schon vorliegen.
Beim unüberwachten Lernen fehlt diese Markierung. Der Algorithmus bekommt rohe Daten und sucht selbst nach Ähnlichkeiten und Auffälligkeiten. Typisch ist Clustering, etwa Kundensegmente, die niemand vorher definiert hat, oder Anomalieerkennung im Netzwerkverkehr.
Bestärkendes Lernen läuft über Versuch und Irrtum. Ein Agent handelt, bekommt Belohnung oder Bestrafung und passt sein Verhalten an. Ziel ist nicht die einzelne richtige Antwort, sondern die höchste Belohnung über viele Schritte. Das ist die Basis für selbstfahrende Autos und für Agentic-AI-Systeme.
Wo die Grenzen liegen
Fehlerhafte Daten führen zu fehlerhaften Modellen, und das repariert kein Algorithmus. Enthalten die Trainingsdaten Vorurteile, übernimmt das Modell die Verzerrung und trifft diskriminierende Entscheidungen, ohne dass das im Code sichtbar wäre. Wie Daten überhaupt zu ihrer Qualität kommen, steht im Eintrag zu Trainingsdaten.
Dazu kommt das Black-Box-Problem. Bei neuronalen Netzen mit Millionen Parametern lässt sich oft nicht mehr nachvollziehen, warum ein Modell so entschieden hat. Bei Kreditvergabe oder medizinischer Diagnose ist das sehr praktisch spürbar.
Wer selbst anfängt, nimmt am besten einen naheliegenden Anwendungsfall statt des komplexesten Problems. Python ist die Standardsprache dafür, scikit-learn die Bibliothek für klassische Verfahren, TensorFlow und PyTorch für neuronale Netze. Ob solche Systeme irgendwann über ein enges Feld hinaus arbeiten, ist die Debatte um Artificial General Intelligence, und die ist etwas grundlegend anderes als das, was heute produktiv läuft. Auf Sprachverarbeitung baut auch Prompt Engineering auf.
Zurück zum AI und Automation Glossar.
FAQ
- Ist Machine Learning dasselbe wie Künstliche Intelligenz?
- Nein, auch wenn die Begriffe oft synonym verwendet werden. Künstliche Intelligenz ist der Oberbegriff für jede Maschine, die intelligentes Verhalten nachahmt, egal wie. Machine Learning ist eine bestimmte Methode dafür: Systeme lernen aus Daten, statt fest programmierte Regeln abzuarbeiten. Ein simples Regelwerk kann also KI sein, ohne dass dahinter Machine Learning steckt, aber fast jede leistungsfähige KI, die heute im Einsatz ist, nutzt es.
- Was unterscheidet überwachtes von unüberwachtem Lernen?
- Beim überwachten Lernen sind die Trainingsdaten bereits mit der richtigen Antwort versehen, das Modell lernt also an Beispielen, bei denen Input und Output feststehen, etwa E-Mails, die schon als Spam markiert sind. Beim unüberwachten Lernen fehlt diese Markierung komplett. Das Modell bekommt rohe Daten und muss selbst Strukturen oder Gruppen darin finden, ohne dass vorher jemand sagt, was richtig ist.
- Warum liefert ein Machine-Learning-Modell manchmal falsche Vorhersagen?
- Meistens liegt es nicht am Algorithmus, sondern an den Trainingsdaten. Sind sie unvollständig, veraltet oder verzerrt, übernimmt das Modell diese Schwächen und reproduziert sie bei jeder neuen Vorhersage. Dazu kommt das Overfitting-Problem: Ein Modell, das die Trainingsdaten quasi auswendig gelernt hat, wirkt in Tests stark und versagt trotzdem an echten, neuen Fällen.
Verwandte Begriffe
Verwandte Begriffe