ML

Ausführliche Erklärung

Machine Learning ermöglicht es Systemen, durch Training mit Daten selbstständig Zusammenhänge zu erkennen und diese auf neue, unbekannte Situationen anzuwenden. Anders als bei klassischer Programmierung, bei der Entwickler jede Regel explizit formulieren müssen, lernt ein ML-Modell aus Beispieldaten und leitet daraus eigenständig Regeln ab. Das System verbessert seine Leistung kontinuierlich, je mehr qualitativ hochwertige Daten es verarbeitet.

Maschinelles Lernen ist vor allem dort relevant, wo große Datenmengen anfallen und Muster erkannt werden sollen, die für Menschen schwer nachvollziehbar sind. Typische Anwendungsbereiche umfassen die automatische Kategorisierung von Dokumenten und Belegen, vorausschauende Wartung von Maschinen, Prognosen für Absatz und Nachfrage, Qualitätssicherung durch Bilderkennung oder die Segmentierung von Kundendaten für zielgerichtetes Marketing. ML-Verfahren können dabei helfen, repetitive Prozesse zu automatisieren und Effizienzgewinne zu erzielen.

Man unterscheidet grundsätzlich drei Lernmethoden: Beim überwachten Lernen (Supervised Learning) trainiert das System mit Daten, bei denen bereits die gewünschte Ausgabe bekannt ist – etwa bei der Spam-Erkennung. Beim unüberwachten Lernen (Unsupervised Learning) sucht das System eigenständig nach Strukturen in Daten ohne vorgegebene Kategorien, beispielsweise bei der Kundensegmentierung. Verstärkendes Lernen (Reinforcement Learning) funktioniert nach dem Prinzip von Belohnung und Bestrafung und wird häufig in dynamischen Umgebungen eingesetzt.

Die erfolgreiche Umsetzung setzt drei Dinge voraus: ausreichende und qualitativ hochwertige Daten, Rechenkapazität für die Auswertung und einen klar abgegrenzten Anwendungsfall mit messbaren Kennzahlen. Bewährt hat sich der Start mit einem engen Pilotprojekt, das ein konkretes Problem mit vorhandenen Daten löst, bevor skaliert wird. Ob eine ML-Anwendung unter die Hochrisiko-Anforderungen der KI-Verordnung fällt, entscheidet sich dabei nicht am Verfahren, sondern am Einsatzzweck nach Anhang III beziehungsweise an der Rolle als Sicherheitsbauteil in einem regulierten Produkt nach Anhang I; diese Pflichten greifen nach der Digital-Omnibus-Verordnung (EU) 2026/1744 ab 2. Dezember 2027 bzw. 2. August 2028.

Entscheidend für den erfolgreichen Einsatz ist, dass ausreichend qualitative Daten zur Verfügung stehen und die Ergebnisse des Modells nachvollziehbar bleiben. Viele moderne ML-Anwendungen können mittlerweile über Cloud-Plattformen genutzt werden, ohne dass tiefgehendes Spezialwissen im eigenen Unternehmen erforderlich ist. Dennoch sollten die Grenzen beachtet werden: ML-Systeme sind fehlbar und benötigen regelmäßige Überprüfung durch Fachexperten.

Code-Beispiel

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

# Beispieldaten laden (Features und Labels)
X, y = load_data()

# Daten aufteilen in Training und Test
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# ML-Modell trainieren
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)

# Vorhersage auf neuen Daten
predictions = model.predict(X_test)