Maschinelles Lernen (ML)

Maschinelles Lernen (ML) ist das Teilgebiet der Künstlichen Intelligenz, bei dem Software Muster und Zusammenhänge aus Daten lernt, statt für jede Situation explizit programmiert zu werden. Ein ML-Modell wird nicht mit Regeln gefüttert („wenn X, dann Y"), sondern mit Beispielen – und leitet daraus selbst ab, wie es neue, unbekannte Fälle behandeln soll. Das macht maschinelles Lernen überall dort stark, wo Regeln zu komplex, zu zahlreich oder schlicht unbekannt sind: von der Absatzprognose über die Betrugserkennung bis zur Spracherkennung.

Einordnung: KI, ML und Deep Learning

Die drei Begriffe werden oft vermischt, bilden aber eine klare Hierarchie. Künstliche Intelligenz ist der Oberbegriff für Systeme, die Aufgaben lösen, für die üblicherweise menschliche Intelligenz nötig ist. Maschinelles Lernen ist der heute wichtigste Weg dorthin: Lernen aus Daten. Deep Learning wiederum ist eine Ausprägung des maschinellen Lernens, die mit vielschichtigen neuronalen Netzen arbeitet und die Grundlage der aktuellen KI-Welle bildet – auch Large Language Models und damit die gesamte generative KI sind im Kern Deep-Learning-Systeme, trainiert auf sehr großen Textmengen.

Die drei Lernarten

Wie ein Modell lernt, hängt davon ab, welche Art von Daten und Feedback zur Verfügung steht. Drei Grundformen decken die meisten Anwendungsfälle ab:

In der Unternehmenspraxis dominiert das überwachte Lernen, weil viele Geschäftsfragen die Form „Sag mir für den neuen Fall, was beim alten Fall herauskam" haben. Der Engpass ist dabei fast immer die Datenbasis: ausreichend viele, saubere, korrekt gelabelte Beispiele.

Wie ein ML-Projekt abläuft

Unabhängig vom Anwendungsfall folgen ML-Projekte einem wiederkehrenden Muster:

1. Problem schärfen: Welche Entscheidung soll besser werden, und woran wird Erfolg gemessen? Ohne messbares Ziel bleibt ML ein Experiment.
2. Daten sichten und aufbereiten: Quellen zusammenführen, Lücken und Ausreißer behandeln, Zielgröße definieren. Erfahrungsgemäß der größte Zeitanteil des Projekts.
3. Merkmale und Modell wählen: Relevante Eingangsgrößen (Features) bestimmen und Modelltypen testen – vom einfachen Entscheidungsbaum bis zum neuronalen Netz. Einfache Modelle zuerst: Sie sind erklärbarer und oft überraschend konkurrenzfähig.
4. Trainieren und evaluieren: Das Modell lernt auf einem Teil der Daten und wird auf zurückgehaltenen Daten geprüft. Entscheidend ist die Leistung auf ungesehenen Fällen, nicht auf den Trainingsdaten – sonst droht Überanpassung (Overfitting).
5. Ausrollen und überwachen: Das Modell wird in Prozesse oder Systeme integriert und laufend beobachtet. Daten verändern sich mit der Zeit (Data Drift), deshalb gehören Monitoring und regelmäßiges Nachtrainieren zum Betrieb – Stichwort MLOps.

Wo maschinelles Lernen im Mittelstand wirkt

Prognosen: Absatz-, Bedarfs- und Auslastungsvorhersagen machen Einkauf und Personalplanung präziser als reine Vorjahresvergleiche. Empfehlungen: Onlineshops schlagen passende Produkte auf Basis des Kauf- und Klickverhaltens vor – einer der am besten messbaren ML-Anwendungsfälle im E-Commerce. Qualität und Wartung: Predictive Maintenance erkennt Ausfallmuster in Maschinendaten, bevor der Stillstand eintritt; Bilderkennung prüft Bauteile in der Fertigung. Risiko und Betrug: Auffällige Transaktionen, Zahlungsausfälle und Retourenmuster lassen sich früh markieren. Text und Sprache: Klassifikation eingehender E-Mails, Extraktion von Rechnungsdaten, Suche über interne Dokumente – zunehmend in Kombination mit LLMs.

Ein Beispiel aus der Praxis

Ein typisches Szenario aus dem Handel: Ein Shop-Betreiber will Retouren senken. Aus historischen Bestelldaten – Produktattribute, Größenangaben, Kundenhistorie, Zahlungsart – lernt ein überwachtes Modell, welche Bestellungen mit hoher Wahrscheinlichkeit zurückkommen. Bestellungen mit hohem Retourenrisiko bekommen dann gezielte Maßnahmen: präzisere Größenhinweise auf der Produktseite, angepasste Empfehlungen oder eine Beratungsoption im Checkout. Der Punkt daran: Das Modell trifft keine Einzelfallentscheidung gegen Kunden, sondern verbessert systematisch die Stellen im Prozess, an denen Retouren entstehen. Nach demselben Muster funktionieren Bedarfsprognosen im Einkauf oder Ausfallvorhersagen in der Produktion.

Grenzen und typische Fallstricke

Datenqualität schlägt Modellwahl. Kein Algorithmus rettet lückenhafte oder verzerrte Daten. Wer historisch nur bestimmte Kundengruppen bedient hat, bekommt Modelle, die genau diese Verzerrung fortschreiben (Bias). Korrelation ist keine Kausalität. Ein Modell erkennt Zusammenhänge, keine Ursachen – für Entscheidungen mit Tragweite braucht es fachliche Prüfung. Erklärbarkeit: Je komplexer das Modell, desto schwerer ist nachzuvollziehen, warum es entscheidet – relevant für Akzeptanz und, etwa bei Kredit- oder Personalentscheidungen, auch rechtlich. Betriebskosten: Ein Modell ist kein Projektabschluss, sondern ein Dauerbetrieb mit Monitoring, Nachtraining und Verantwortlichkeiten. Für Stil- und Verhaltensanpassungen vortrainierter Modelle hat sich übrigens ein eigener Weg etabliert: Fine-Tuning setzt auf einem fertigen Grundmodell auf, statt von null zu trainieren.

Erklärbarkeit und Regulierung

Sobald ML-Modelle Entscheidungen mit Wirkung auf Menschen treffen oder vorbereiten, kommen zwei Anforderungen dazu, die reine Prognosegüte nicht abdeckt. Die erste ist Erklärbarkeit: Fachabteilungen akzeptieren Modelle dauerhaft nur, wenn nachvollziehbar ist, welche Faktoren eine Prognose treiben – und bei Einwänden korrigiert werden kann. Methoden der erklärbaren KI (etwa Feature-Importance-Analysen) gehören deshalb bei entscheidungsnahen Modellen zum Standard, nicht zur Kür. Die zweite ist Regulierung: Der EU AI Act ordnet KI-Systeme nach Risiko ein; Anwendungen etwa in Personalauswahl, Kreditvergabe oder kritischer Infrastruktur können als Hochrisiko-KI-Systeme gelten und lösen dann Dokumentations-, Aufsichts- und Qualitätspflichten aus. Die typische Absatzprognose oder Produktempfehlung fällt nicht darunter – aber wer ML-Anwendungen plant, sollte die Risikoeinordnung früh prüfen, weil sie Architektur- und Prozessentscheidungen beeinflusst, die sich später nur teuer nachrüsten lassen.

Build oder Buy: eigene Modelle vs. fertige KI-Dienste

Nicht jede ML-Anwendung verlangt ein eigenes Modell. In der Praxis gibt es drei Ausbaustufen, und die richtige Wahl spart mehr Geld als jede Modelloptimierung.

Stufe 1: ML als Produktfunktion nutzen. Viele Werkzeuge, die Unternehmen ohnehin einsetzen, enthalten fertig trainierte Modelle – die Produktempfehlung im Shopsystem, die Anomalieerkennung im Monitoring, die Texterkennung im Dokumentenmanagement. Hier ist nichts zu trainieren, nur zu konfigurieren. Für Standardfälle ist das fast immer der wirtschaftlichste Weg.

Stufe 2: fertige Modelle über APIs anbinden. Übersetzung, Sprach- und Bilderkennung, Dokumenten-Extraktion und Sprachmodelle lassen sich als Dienst konsumieren und mit den eigenen Daten füttern. Der Aufwand liegt in der Integration, nicht im Modellbau – ein typisches Projekt für Wochen, nicht Monate.

Stufe 3: eigenes Modell auf eigenen Daten. Erst wenn die Fragestellung unternehmensspezifisch ist – die Retourenprognose auf dem eigenen Sortiment, die Ausfallvorhersage auf den eigenen Maschinendaten –, lohnt ein eigens trainiertes Modell. Hier gelten die oben beschriebenen Projektschritte in voller Länge, inklusive Betrieb und Monitoring.

Die Entscheidung ähnelt der klassischen Make-or-Buy-Frage bei Software: Differenziert die Fähigkeit das eigene Geschäft, spricht das für Eigenbau; ist sie Standard, spricht fast alles für Zukauf.

Was ML-Projekte aufwendig macht

Seriöse Aufwandsschätzungen hängen weniger vom Algorithmus ab als von drei Faktoren. Erstens der Datenlage: Liegen die nötigen Daten vollständig, zugänglich und in brauchbarer Qualität vor, oder müssen sie erst aus ERP, Shop und Excel-Inseln zusammengeführt werden? Die Datenaufbereitung dominiert den Projektaufwand regelmäßig. Zweitens dem Integrationsgrad: Ein Modell, dessen Prognose in einem Dashboard landet, ist schnell produktiv; eines, das automatisiert in Bestellprozesse eingreift, braucht Schnittstellen, Fehlerbehandlung und Freigabelogik. Drittens den Betriebsanforderungen: Wie oft muss nachtrainiert werden, wer überwacht die Prognosegüte, was passiert bei Drift? Ein Modell ohne Betriebskonzept ist ein Proof of Concept, kein Produkt.

Woran ML-Projekte scheitern:

• Es gibt keine messbare Zielgröße – „mit Daten etwas machen" ist kein Projektziel.
• Die Datenqualität wird erst nach Projektstart geprüft und trägt die Fragestellung nicht.
• Das Modell erreicht gute Kennzahlen, aber niemand baut es in den Arbeitsalltag ein – es fehlt der Prozess, nicht die Technik.
• Nach dem Go-live fühlt sich niemand zuständig; das Modell veraltet still und liefert nach einem Jahr schlechtere Entscheidungen als der Bauch.

Verwandte Begriffe kurz erklärt

Feature: eine Eingangsgröße des Modells – etwa Warenkorbwert, Saison oder Kundenalter; die Auswahl und Aufbereitung der Features entscheidet oft mehr über die Qualität als der Algorithmus. Label: die bekannte richtige Antwort in den Trainingsdaten, z. B. „wurde retourniert: ja/nein". Training vs. Inferenz: Training ist das Lernen auf historischen Daten (rechenintensiv, selten), Inferenz die Anwendung auf neue Fälle (laufend, günstig). Overfitting: das Modell lernt die Trainingsdaten auswendig statt das Muster – erkennbar an starker Leistung im Training und schwacher auf neuen Daten. Data Drift: die schleichende Veränderung der realen Daten gegenüber dem Trainingsstand – der Hauptgrund, warum Modelle ohne Monitoring mit der Zeit schlechter werden. Neuronales Netz: ein Modelltyp aus vielen verbundenen Recheneinheiten in Schichten; „tiefe" Netze mit vielen Schichten sind das Fundament des Deep Learning und damit der aktuellen generativen KI.

Häufige Fragen zu maschinellem Lernen

Braucht maschinelles Lernen immer riesige Datenmengen?

Nein. Viele betriebliche Prognoseaufgaben funktionieren mit einigen tausend sauberen Datensätzen. Riesige Datenmengen brauchen vor allem Deep-Learning-Modelle, die von Grund auf trainiert werden – im Mittelstand nutzt man stattdessen meist vortrainierte Modelle oder klassische Verfahren auf eigenen Daten.

Was ist der Unterschied zwischen ML und generativer KI?

Generative KI ist eine Anwendung von maschinellem Lernen: Modelle, die neue Inhalte erzeugen. Klassisches ML im Unternehmen beantwortet dagegen meist Entscheidungs- und Prognosefragen mit Zahlen, Kategorien oder Scores. Beide beruhen auf denselben Lernprinzipien.

Womit fängt ein Unternehmen am besten an?

Mit einer Entscheidung, die häufig getroffen wird, messbaren Einfluss hat und für die Daten bereits vorliegen – etwa Bedarfsprognose oder Lead-Priorisierung. Ein kleiner, messbarer Pilot schlägt das große Plattformprojekt fast immer: Er liefert in Wochen einen Beleg, ob die Datenlage trägt, und schafft intern das Vertrauen, ohne das kein Modell je in den Regelbetrieb kommt.

Weiterführende Definition: Maschinelles Lernen bei Wikipedia.