Was bedeutet Maschinelles Lernen?

Maschinelles Lernen bezeichnet Verfahren, die ihre Regeln aus Daten ableiten, statt sie fest vorgegeben zu bekommen. Aus vielen Beispielen mit bekanntem Ergebnis entsteht ein Modell, das dieselbe Aufgabe anschließend auf neuen Daten löst. Der Unterschied zur klassischen Programmierung liegt darin, dass die Regel erst im Training entsteht und nicht vorab von einem Menschen formuliert wird.

Beim überwachten Lernen liegt zu jedem Beispiel das richtige Ergebnis vor, etwa der spätere Ausgang eines Vorgangs. Beim unüberwachten Lernen fehlen diese Angaben, und das Verfahren sucht selbst nach Gruppen oder Auffälligkeiten. Beim bestärkenden Lernen entsteht die Regel aus Rückmeldungen auf ausgeführte Handlungen. In allen drei Fällen wird ein Teil der Daten zurückgehalten und erst nach dem Training verwendet, um die Güte an ungesehenen Fällen zu messen.

Maschinelles Lernen lohnt sich dort, wo ein Zusammenhang zwar besteht, sich aber nicht als Regel aufschreiben lässt. Beispiele sind Prognosen für Bedarf und Auslastung, die Erkennung von Auffälligkeiten in Buchungsdaten und die Einordnung eingehender Texte. Wo eine Vorschrift die Entscheidung ohnehin festlegt, bleibt die programmierte Regel die bessere Wahl.

Der Vorteil gegenüber einer von Hand gepflegten Regel liegt in der Zahl der Einflussgrößen. Ein Modell verarbeitet Dutzende Merkmale gleichzeitig und gewichtet sie nach den Daten. Ändern sich die Bedingungen, wird mit neuen Daten nachtrainiert, statt die Regel zu überarbeiten.

Ein Modell kennt nur die Fälle, die in seinen Trainingsdaten vorkamen. Fehlen Gruppen oder tragen die Daten eine frühere Ungleichbehandlung in sich, entsteht eine Verzerrung, die sich im Betrieb ungeprüft fortschreibt. Die Zusammensetzung der Trainingsdaten muss deshalb dokumentiert werden.