Was ist maschinelles Lernen? Funktionsweise und Einsatz

Maschinelles Lernen ist der Teil der KI, in dem Computer Muster aus Beispielen lernen, statt Regeln zu befolgen, die ein Mensch von Hand geschrieben hat. Dieser Leitfaden erklärt, wie es funktioniert, wie neuronale Netze, die Verarbeitung natürlicher Sprache (NLP) und grosse Sprachmodelle (LLMs) dazugehören, wo es eingesetzt wird und was Sie prüfen sollten, bevor Sie damit etwas aufbauen.

Was ist maschinelles Lernen?

Tom Mitchell von der Carnegie Mellon University stellt das Fachgebiet unter eine zentrale Frage: «Wie können wir Computersysteme bauen, die sich mit der Erfahrung automatisch verbessern, und welche grundlegenden Gesetzmässigkeiten bestimmen alle Lernprozesse?» Er nennt auch einen präzisen Test: Eine Maschine lernt in Bezug auf eine Aufgabe T, ein Leistungsmass P und eine Art von Erfahrung E, «wenn das System seine Leistung P bei der Aufgabe T nach der Erfahrung E zuverlässig verbessert».

In der Praxis heisst das: Sie schreiben nicht mehr für jeden Fall «Wenn dies, dann das»-Regeln. Sie zeigen einem System viele Beispiele, lassen es das Muster finden und messen, wie gut es bei Fällen abschneidet, die es noch nicht gesehen hat.

Das Wichtigste in Kürze

• Maschinelles Lernen lernt Muster aus Daten; die Qualität der Daten begrenzt die Qualität des Ergebnisses.
• Neuronale Netze sind eine Familie von ML-Modellen, und Deep Learning bezeichnet neuronale Netze mit vielen Schichten.
• NLP wendet ML auf menschliche Sprache an; grosse Sprachmodelle sind das derzeit sichtbarste Beispiel.
• ML wird breit eingesetzt, scheitert aber auf vorhersehbare Weise: durch schlechte Daten, Verzerrungen (Bias), Drift und übermässig selbstsichere Antworten.
• Gehen Sie von einem konkreten Problem und einer Möglichkeit aus, Erfolg zu messen, nicht von einer Technik.

Wie funktioniert maschinelles Lernen?

• Aufgabe definieren. Was soll das System vorhersagen oder entscheiden, und wie messen Sie das?
• Daten sammeln und aufbereiten. Beispiele zusammentragen, bereinigen und einen Teil für spätere Tests zurücklegen.
• Ein Modell trainieren. Der Lernalgorithmus passt das Modell so an, dass es bei den Trainingsbeispielen besser abschneidet.
• Mit ungesehenen Daten auswerten. Ein Modell, das nur bei den Trainingsdaten gut ist, hat sie auswendig gelernt, nicht verstanden.
• Einsetzen und überwachen. Reale Daten verändern sich, daher muss die Leistung nach dem Start beobachtet werden.

Welche Hauptarten des maschinellen Lernens gibt es?

• Überwachtes Lernen: Lernen aus Beispielen, die die richtige Antwort mitliefern, etwa E-Mails, die als Spam oder Nicht-Spam markiert sind.
• Unüberwachtes Lernen: Strukturen in Daten ohne Labels finden, etwa ähnliche Kundinnen und Kunden gruppieren.
• Bestärkendes Lernen (Reinforcement Learning): Lernen durch Versuch und Belohnung, etwa ein System, das bei einem Spiel oder einer Steuerungsaufgabe besser wird.

Wo passen neuronale Netze hinein?

Ein neuronales Netz ist ein Modell aus Schichten einfacher, miteinander verbundener Einheiten. Jede Verbindung hat ein Gewicht, und das Training passt diese Gewichte an, damit die Ausgaben des Netzes den richtigen Antworten näherkommen. Ein Netz mit vielen Schichten ist das, was man Deep Learning nennt; dazu gibt es einen eigenen Leitfaden: Was ist Deep Learning?.

Wo passt NLP hinein?

Die Verarbeitung natürlicher Sprache ist, in den Worten unseres Glossars, «das Gebiet der KI, das Computer in die Lage versetzt, menschliche Sprache zu verstehen, zu interpretieren und zu erzeugen». Typische NLP-Aufgaben sind das Klassifizieren von Text, das Extrahieren von Informationen daraus, Übersetzen, Zusammenfassen und das Beantworten von Fragen. Modernes NLP stützt sich auf maschinelles Lernen und auf Embeddings, die Wörter und Textabschnitte in Zahlen umwandeln, die ein Modell vergleichen kann. Unser Leitfaden zu den NLP-Grundlagen geht tiefer.

Wo passen grosse Sprachmodelle hinein?

Die 2017 vorgestellte Transformer-Architektur ersetzte die «komplexen rekurrenten oder konvolutionalen neuronalen Netze in einer Encoder-Decoder-Konfiguration», die Sequenzaufgaben dominierten, durch ein Design, das auf Attention beruht. Grosse Sprachmodelle bauen auf dieser Idee auf. Wie es unser Glossar formuliert, ist ein LLM «ein KI-Modell, das mit riesigen Textdatensätzen trainiert wurde und menschenähnlichen Text verstehen und erzeugen kann». Sie lesen und schreiben Tokens, also Textstücke. LLMs sind zudem der wichtigste Motor der generativen KI, die in Was ist generative KI? behandelt wird.

Wie wird maschinelles Lernen eingesetzt?

Mitchell stellte bereits 2006 fest, dass Lernalgorithmen schon «routinemässig in kommerziellen Systemen für Spracherkennung, Computer Vision und eine Vielzahl weiterer Aufgaben eingesetzt» wurden. Seither hat die Verbreitung zugenommen: Der Stanford AI Index berichtet, dass 2024 78 % der Organisationen angaben, KI einzusetzen, gegenüber 55 % im Vorjahr. Häufige Einsatzbereiche sind:

• Empfehlungen und Personalisierung: Produkte, Inhalte oder nächste Schritte vorschlagen.
• Betrugs- und Anomalieerkennung: Transaktionen oder Ereignisse markieren, die ungewöhnlich aussehen.
• Prognose und Planung: Nachfrage, Arbeitslast oder Wartungsbedarf vorhersagen.
• Bildverarbeitung: Objekte in Bildern erkennen, etwa bei der Qualitätsprüfung oder zur Unterstützung der medizinischen Bildgebung.
• Sprache und Text: Transkription, Übersetzung, Suche und Kundensupport.
• Automatisierung: entscheiden, was in einem Prozess als Nächstes geschehen soll (siehe Was ist Flow AI?).

Wo geht maschinelles Lernen schief?

• Schlechte oder nicht repräsentative Daten führen zu Modellen, die in den Fällen versagen, auf die es ankommt.
• Verzerrungen (Bias) in den Daten können vom Modell übernommen oder verstärkt werden.
• Drift: Die Welt verändert sich, und ein einst treffsicheres Modell wird allmählich ungenau.
• Intransparenz: Manche Modelle können nur schwer erklären, warum sie eine Antwort gegeben haben.
• Datenschutz: Das Training und der Einsatz von Modellen können personenbezogene Daten betreffen.

Mit diesen Fragen befasst sich unser Leitfaden zu ethischer KI.

Was sollten Sie prüfen, bevor Sie mit maschinellem Lernen bauen?

• Für welche konkrete Entscheidung oder Aufgabe ist das Modell gedacht, und was kostet eine falsche Antwort?
• Haben Sie genügend relevante, rechtlich nutzbare Daten, und wem gehören sie?
• Wie messen Sie den Erfolg vor dem Start und überwachen ihn danach?
• Genügt eine einfachere Regel oder ein Bericht? Nicht jedes Problem braucht ein Modell.
• Wer prüft die Ergebnisse, und was passiert, wenn das Modell unsicher ist?

Wo Zunkiree Labs steht

Zunkiree Labs entwickelt individuelle KI-Systeme (darunter RAG-Pipelines, LLM-Integration und intelligente Automatisierung), Datensysteme, individuelle Software sowie Web- und Mobilanwendungen. Unser Produkt Orca lässt sich schlicht beschreiben: Orca ist die Intelligenz- und Orchestrierungsschicht von Zunkiree Labs, die über den CRM-, E-Mail- und Marketing-Tools liegt, die eine Organisation bereits nutzt, und Agenten-Workflows über diese hinweg koordiniert, statt diese Tools zu ersetzen. Die vollständige Liste finden Sie auf der Leistungsseite, und die Leistung KI-Entwicklung behandelt individuelle KI-Systeme ausführlicher.

Weiterlesen

• Was ist KI? – der breitere Überblick
• Was ist Deep Learning? – wie neuronale Netze lernen und wann sie das richtige Werkzeug sind
• Was ist generative KI? – wie sie funktioniert, wo sie hilft und wo sie versagt
• Ethische KI – Grundsätze, Risiken und wie Organisationen sie anwenden
• Grundlagen der Verarbeitung natürlicher Sprache – unser Leitfaden zu NLP
• So bauen Sie eine RAG-Pipeline – ein Schritt-für-Schritt-Leitfaden für die Umsetzung

Quellen

• Tom M. Mitchell, The Discipline of Machine Learning (Carnegie Mellon University, Juli 2006)
• Vaswani et al., Attention Is All You Need (arXiv, 2017)
• Stanford HAI: 2025 AI Index Report