Machine Learning (maschinelles Lernen) bezeichnet Verfahren, bei denen ein Computer Regeln selbst aus Beispieldaten ableitet, statt sie von einem Menschen einprogrammiert zu bekommen. Das Ergebnis dieses Lernvorgangs heißt Modell.
Der Unterschied zur klassischen Programmierung
In klassischer Software schreibt ein Mensch die Regeln auf: Wenn der Betrag über 1.000 Euro liegt und das Konto neu ist, dann prüfe manuell. Das funktioniert hervorragend, solange sich die Regeln benennen lassen.
Bei vielen Aufgaben lassen sie sich aber nicht benennen. Beschreibe einmal in Regeln, woran du eine Katze auf einem Foto erkennst – ohne das Wort „Katze” zu benutzen. Es gelingt nicht. Genau hier setzt Machine Learning an: Statt Regeln bekommt das System Tausende Beispiele mit der richtigen Antwort und leitet die Regeln selbst ab. Nicht als Sätze, sondern als Zahlenwerte, die man im Modell Parameter oder Gewichte nennt.
Die drei Lernarten
- Überwachtes Lernen: Die Beispiele enthalten die richtige Antwort. Tausend Fotos, jedes beschriftet mit „Katze” oder „keine Katze”. Das ist der häufigste und praktisch wichtigste Fall – Spam-Erkennung, Kreditbewertung, Qualitätskontrolle.
- Unüberwachtes Lernen: Keine Antworten, nur Daten. Das System sucht selbst nach Struktur, etwa nach Kundengruppen mit ähnlichem Verhalten. Nützlich, wenn du nicht weißt, wonach du suchst.
- Bestärkendes Lernen: Das System probiert, bekommt Rückmeldung in Form von Belohnung oder Strafe und passt sein Verhalten an. Die Grundlage von Spiel-KIs und Robotersteuerung – und ein wichtiger Baustein beim Feinschliff heutiger Sprachmodelle.
KI, Machine Learning, Deep Learning – die Schachtelung
Die drei Begriffe werden ständig vermischt, dabei liegen sie sauber ineinander:
- Künstliche Intelligenz ist der Oberbegriff für alles, was Aufgaben löst, die menschliche Intelligenz zu erfordern scheinen – einschließlich reiner Regelsysteme ohne jedes Lernen.
- Machine Learning ist der Teil davon, bei dem gelernt statt programmiert wird.
- Deep Learning ist wiederum der Teil des Machine Learning, der mit vielschichtigen neuronalen Netzen arbeitet. „Deep” meint schlicht: viele Schichten hintereinander.
Alles, was heute unter KI verkauft wird – ChatGPT, Bildgeneratoren, Spracherkennung – ist Deep Learning und damit automatisch auch Machine Learning und KI. Umgekehrt gilt das nicht: Ein Steuerprogramm mit tausend fest verdrahteten Regeln ist keine der drei Kategorien, auch wenn es clever wirkt.
Training und Anwendung sind zwei getrennte Phasen
Diese Trennung erklärt vieles am Alltagsverhalten von KI-Systemen. Beim Training werden aus den Daten die Parameter berechnet – aufwendig, teuer, einmalig. Bei der Anwendung (Inferenz) wird das fertige Modell nur noch benutzt; es lernt dabei nichts dazu.
Deshalb hat ein Sprachmodell ein Wissens-Stichdatum und erinnert sich nach dem Schließen des Chatfensters an nichts. Und deshalb ist Fine-Tuning – nachträgliches Weitertrainieren – ein eigener, bewusster Vorgang und nicht etwas, das nebenbei passiert. Wer wissen will, ob eigene Eingaben in ein späteres Training einfließen: Das ist eine reine Anbieterentscheidung, nachzulesen im Beitrag Trainiert die KI mit meinen Daten?
Die typischen Schwachstellen
- Datenqualität schlägt Modellgröße: Ein Modell kann nur lernen, was in den Beispielen steckt. Sind die Trainingsdaten einseitig, ist es das Ergebnis auch – der Kern fast aller Diskussionen über Diskriminierung durch Algorithmen.
- Auswendiglernen statt Verstehen: Ein Modell kann die Trainingsbeispiele perfekt beherrschen und bei neuen Fällen versagen. Fachbegriff: Überanpassung.
- Korrelation ist keine Ursache: Das System findet Zusammenhänge, nicht Gründe. Ein Muster, das zufällig in den Daten steckt, wird genauso gelernt wie ein echtes.
Für die Praxis heißt das: Ein Modell trifft keine Entscheidung, es liefert eine Wahrscheinlichkeit. Wer daraus eine Entscheidung macht, trägt die Verantwortung – bei Personal-, Kredit- und Gesundheitsfragen verlangt das europäische Recht das ausdrücklich.