Was bedeutet Machine Learning? Und was ist der Unterschied zu KI?
Ob Filmempfehlung bei Netflix oder Antwort von Gemini: Machine Learning begegnet uns inzwischen überall im Alltag. Doch was genau steckt eigentlich hinter dieser Technologie? Wir erklären die Grundlagen von Machine Learning und in welchem Zusammenhang es zu KI steht.
Künstliche Intelligenz (KI) ist aus unserem (Arbeits-)Alltag kaum mehr wegzudenken: KI-Modelle erstellen für uns Texte, Bilder, Videos und Codes, sie unterstützen uns als digitale Assistenten. Im Zusammenhang mit der Technologie fällt auch immer der Begriff «Machine Learning» – denn Lernen und Intelligenz hängen untrennbar zusammen. Doch was genau ist Machine Learning, welche Grundlagen hat es und wie grenzt es sich zu anderen KI-Begriffen ab? Wir liefern dir die Antworten auf die wichtigsten Fragen.
Was ist Machine Learning?
Machine Learning (ML), ins Deutsche übersetzt mit maschinelles Lernen, ist ein Teilbereich der Künstlichen Intelligenz. Computersysteme werden hierbei daraufhin trainiert, selbstständig aus Daten und Erfahrungen zu lernen. Sie werden also nicht explizit programmiert.
Dafür werden spezielle Algorithmen entwickelt, die aus grossen Datensätzen Muster und Korrelationen erkennen. Je mehr Daten den Systemen zur Verfügung stehen, desto mehr lernen sie dazu und desto genauer werden sie. Daten sind für Machine Learning die Grundlage. ML-Modelle sind dann in der Lage, eigene und fundierte Vorhersagen und Entscheidungen zu treffen.
Wo liegen die Unterschiede zwischen Deep Learning, KI und Machine Learning?
KI, Machine Learning (ML) und Deep Learning (DL) werden häufig im selben Zusammenhang oder sogar als Synonyme verwendet. Letzteres ist jedoch falsch: Die Begriffe sind zwar miteinander verwandt, sie bedeuten aber nicht dasselbe.
Künstliche Intelligenz ist der Oberbegriff, der die einzelnen Technologien umfasst. ML ist, wie bereits erklärt, ein Teilbereich der KI. DL ist wiederum eine Untergruppe von ML. Das bedeutet, dass ML immer ein Teil der KI ist, jedoch basiert nicht jedes KI-System auf ML. Gleiches gilt für die Beziehung von KI und DL sowie ML und DL.
Zwei Beispiele zur Abgrenzung:
- Ein Large Language Model (LLM), also ein grosses Sprachmodell wie zum Beispiel ChatGPT es nutzt, ist ein KI-Modell, das auf ML und konkret auf DL basiert.
- Auch Retrieval-Augmented Generation (RAG) ist ein KI-Produkt, konkret des DL. Es hilft der KI, auf aktuelles Wissen zuzugreifen, ohne neu trainiert zu werden.
Welche Arten von Machine Learning gibt es?
Wenn Deep Learning ein spezifischer Teil von Machine Learning ist, ist klar: Es gibt nicht nur eine Form von Machine Learning. Vielmehr unterscheiden wir drei Arten:
1. Supervised Learning (überwachtes Lernen)
Das Supervised Machine Learning nutzt bekannte Daten, um daraus Muster und Zusammenhänge abzuleiten. Der Algorithmus holt sich hierzu zu jedem Datenpunkt aktiv Feedback aus den Trainingsdaten und lernt auf eine bestimmte Zielvariable hin. Der Algorithmus lernt also anhand von bekannten Daten verlässliche Vorhersagen für künftig unbekannte Daten zu treffen.
Beispiele:
- Vorhersage vom Energieverbrauch für einen bestimmten Zeitraum
- Klassifikation von Marketingdaten
- Risikobewertung von Investitionen
2. Unsupervised Learning (unüberwachtes Lernen)
Beim Unsupervised Machine Learning stehen dem Algorithmus keine Beispieldaten zur Verfügung, aus denen er sich Feedback einholen kann. Eine vorgegebene Antwort gibt es also nicht. Vielmehr lernt der Algorithmus, indem er in den zu analysierenden Daten Muster und Strukturen entdeckt.
Beispiele:
- Clusteranalysen
- Visualisierung von Daten
- Extraktion von Regeln
3. Reinforcement Learning (bestärkendes Lernen)
Beim Reinforcement Machine Learning erhält der Algorithmus nicht zu jedem Datenpunkt eine Rückmeldung, sondern er kann das Feedback erst nach einigen Schritten einholen. Dies funktioniert wie eine Art Belohnungssystem: Der Algorithmus soll selbstständig eine Strategie zur Lösung eines Problems entwickeln, er erhält je nach Aktion ein positives oder negatives Feedback. Trainingsdaten werden bei dieser Art des ML nicht benötigt.
Beispiele:
- smarte Haushaltsgeräte wie Saugroboter
- Schachcomputer
Wie funktioniert der Machine Learning Lifecycle?
Nun liegt die Vermutung nahe, dass es einfach nur ausreichend Trainingsdaten braucht und schon kann es mit dem Ml-Modell losgehen. Der Machine Learning Lifecycle ist aber weitaus komplexer und besteht aus mehreren Schritten:
1. Planung
Zunächst muss geklärt werden, wofür das ML-Modell eingesetzt werden soll. Welches Problem soll es lösen, welcher Prozess soll verbessert werden?
2. Datenerfassung und Datenaufbereitung
Anschliessend müssen die erforderlichen Daten gesammelt und für die Analyse aufbereitet und bereinigt werden.
3. Entwicklung
Sind die Daten bereit, kann ein ML-Modell entwickelt und anhand der Daten trainiert werden.
4. Bewertung
Ist das ML-Modell fertig, muss es getestet und validiert werden. So wird sichergestellt, dass es wie gewünscht funktioniert.
5. Bereitstellung
Das validierte ML-Modell kann nun in den Geschäftsprozess integriert werden. Hierzu müssen technische und operative Hürden genommen werden, um das KI-Modell nahtlos einzubinden..
6. Überwachung und Instandhaltung
Ist das ML-Modell endlich im Einsatz, muss es kontinuierlich überwacht werden. Die Leistung des Modells sollte regelmässig bewertet, gegebenenfalls müssen immer mal wieder Anpassungen vorgenommen werden. So kann das Modell an veränderte Rahmenbedingungen angepasst und seine Wirksamkeit sichergestellt werden.
ML Algorithmen in der Praxis: Schlüsseldisziplin NLP
Eine Schlüsseldisziplin des maschinellen Lernens ist das Verstehen und Verarbeiten menschlicher Sprache, also das Natural Language Processing (NLP). NLP ermittelt mit Hilfe von ML-Algorithmen und Linguistik die Struktur und die Bedeutung von Texten und ist so in der Lage, Sprache zu verstehen und wiederzugeben. NLP ist bereits fester Bestandteil unserer Alltags: Chatbots, digitale Sprachassistenten und KI-basierte Suchmaschinen sind weit verbreitet und werden vielfach genutzt.
Du möchtest mehr erfahren? Dann lies unseren Blogartikel speziell zu NLP.
Darum wird ML-Kompetenz zur Grundbildung für alle Fachbereiche
Machine Learning hat grossen Einfluss darauf, wie wir arbeiten und wie wir Entscheidungen treffen. Denn mit ML werden nicht nur bestehende Prozesse automatisiert, vielmehr eröffnen sich ganz neue Wege: Sei es die Entwicklung von personalisierten Erlebnissen für die Kundschaft, intelligente Produktionssysteme oder datengetriebene Entscheidungen. Damit wird ML zu einem der kraftvollsten Treiber der digitalen Transformation.
Doch wie bei allen Technologien gilt auch hier: Das System ist nur so gut wie die Menschen, die es gestalten. Es braucht zwingend menschliche Expertise. Um das Potenzial von ML also voll auszuschöpfen, ist es entscheidend, sich das nötige Wissen anzueignen.
Hier spielt unter anderem die Programmiersprache Python eine Schlüsselrolle. Denn mit ihr lassen sich klassische Automatisierung und Machine Learning miteinander verbinden. Python gilt sogar als eine der wichtigsten Programmiersprachen der Moderne. Ob Fachpersonen aus IT, Data Analytics, Engineering, Business Intelligence oder anderen verwandten Bereichen: Sie alle sind gefordert, sich jetzt im Bereich ML – und konkret zu Python – weiterzubilden.