Machine Learning ist die Gruppe von Verfahren, bei denen ein System seine Regeln aus Daten ableitet, statt sie von einem Menschen vorgegeben zu bekommen. Es ist das Teilgebiet der künstlichen Intelligenz, aus dem praktisch alle heutigen Anwendungen stammen.
- Machine Learning
Verfahren, bei denen ein System seine Regeln aus Daten ableitet, statt sie vorgegeben zu bekommen.
Beispiel: „Machine Learning erkennt in tausend Beispielen, woran sich eine Rechnung von einem Angebot unterscheidet.“Auch: ML, maschinelles Lernen. Die deutsche Form steht in Normen und Gesetzen, die englische in Werkzeugen und Fachartikeln.
Abgrenzung zur klassischen Programmierung: Dort schreibt jemand die Regel und das Programm wendet sie an. Beim maschinellen Lernen bekommt das System Beispiele samt gewünschtem Ergebnis und leitet die Regel selbst ab.
Die drei Lernarten
Beim überwachten Lernen enthält jedes Beispiel die gewünschte Antwort, also ein Label: tausend Rechnungen, jede als Rechnung gekennzeichnet. Das Modell lernt die Zuordnung und wendet sie auf Unbekanntes an. Das ist die mit Abstand häufigste Form.
Beim unüberwachten Lernen fehlen diese Antworten. Das Verfahren, oft ein neuronales Netz, sucht selbst nach Gruppen und Auffälligkeiten, etwa beim Clustering von Kundendaten. Beim bestärkenden Lernen gibt es weder Labels noch Gruppen, sondern Rückmeldung in Form von Belohnung: Das System probiert, und was zum Ziel führt, wird verstärkt.
Was beim Training geschieht
Die Daten werden geteilt: Der größere Teil dient dem Training, ein kleinerer bleibt zurück, um das Ergebnis zu prüfen. Trainiert wird in Durchläufen, bei denen das Modell seine internen Gewichte so verschiebt, dass der Fehler kleiner wird.
Wo die Verfahren mit vielen Schichten arbeiten, spricht man von Deep Learning. Dabei lauern zwei Fehler mit eigenen Namen. Überanpassung heißt, dass das Modell die Trainingsdaten auswendig gelernt hat und bei neuen Fällen versagt. Unteranpassung heißt, dass es zu grob geblieben ist und schon die Trainingsdaten nicht trifft.
Woran Projekte scheitern
Fast nie am Verfahren, fast immer an den Daten. Zu wenige Beispiele, ungleich verteilte Beispiele, falsch gekennzeichnete Beispiele oder solche, die den späteren Einsatz nicht abbilden.
Aus unserer Arbeit an über 2.500 Website-Projekten ist der häufigste Fall der unbemerkte Zusammenhang: Ein Modell erkennt angeblich gute Anfragen, hat aber in Wahrheit gelernt, dass lange Nachrichten aus dem Kontaktformular öfter zu Aufträgen führen. Das trägt genau so lange, bis sich das Formular ändert.