Was ist Machine Learning?
Machine Learning ist ein Teilgebiet der KI, bei dem ein System aus Daten lernt, ohne explizit programmiert zu sein, und dadurch Muster erkennt, Vorhersagen trifft oder Entscheidungen automatisiert.
DEFINITION
Machine Learning ist die Methode, mit der fast alle modernen KI-Systeme trainiert werden. Statt exakter Regeln erhält ein Computer viele Beispiele und lernt daraus Muster. Bekommt ein ML-Modell tausende E-Mails mit der Markierung, welche Spam sind, lernt es selbst, neue Spam-Mails zu erkennen. Das Modell lernt aus Fehlern und verbessert sich mit mehr Daten. Es gibt drei Hauptansätze: Überwachtes Lernen mit markierten Beispielen als Trainingsbasis; unüberwachtes Lernen, bei dem das Modell selbst Strukturen in Daten findet; und bestärkendes Lernen, bei dem das Modell durch Belohnung und Strafe optimales Verhalten erlernt. Machine Learning ist die technische Grundlage für Sprachmodelle, Bilderkennungssysteme, Empfehlungsalgorithmen und viele weitere KI-Anwendungen des Alltags.
VERBINDUNGEN ZU ANDEREN THEMEN
Führung
Machine Learning lernt durch Feedback-Schleifen, genau wie erfolgreiche Organisationen. Eine Feedbackkultur, die Misserfolge offen dokumentiert und auswertet, ist deshalb auch die Grundvoraussetzung für gute ML-Datensätze.
Agilität
ML-Modelle können Velocity-Prognosen verbessern, indem sie historische Sprint-Daten auswerten. Das macht Kapazitätsplanungen weniger intuitiv und mehr datenbasiert, was zu realistischeren Commitments führt.
Projektmanagement
Machine Learning eignet sich für Risikoidentifikation in komplexen Projekten: Muster aus historischen Projektdaten (Verzögerungen, Budgetüberschreitungen) können frühzeitig auf ähnliche Muster im aktuellen Projekt hinweisen.
DAS WICHTIGSTE AUF EINEN BLICK
- ML-Systeme lernen aus Daten, ohne explizit programmierte Regeln.
- Drei Hauptansätze: überwachtes, unüberwachtes und bestärkendes Lernen.
- Qualität und Menge der Trainingsdaten bestimmen die Modellqualität.
- ML ist die technische Grundlage für LLMs, Bilderkennung und Empfehlungssysteme.
- ML-Modelle können Lücken oder Fehler in Trainingsdaten widerspiegeln.
PRAXISBEISPIEL
Eine Versicherung trainiert ein ML-Modell auf historischen Schadensfalldaten, um neue Anträge automatisch zu bewerten. Das Modell erkennt Muster, die auf Betrug hinweisen, und markiert verdächtige Fälle für manuelle Prüfung. Das Team von 12 Sachbearbeitern kann sich so auf die komplexen Fälle konzentrieren und bearbeitet insgesamt doppelt so viele Anträge.
HÄUFIGE MISSVERSTÄNDNISSE
Lernt ein ML-System wirklich wie ein Mensch?
Nein. ML optimiert mathematische Funktionen auf Basis von Daten. Das hat wenig mit menschlichem Lernverständnis oder Intuition zu tun. Der Begriff „Lernen” ist eine nützliche Analogie, keine präzise Beschreibung.
Brauche ich riesige Datenmengen für Machine Learning?
Nicht immer. Für bestimmte Aufgaben reichen wenige hundert Beispiele. Komplexe Modelle wie LLMs brauchen sehr viele Daten, aber viele spezialisierte ML-Anwendungen kommen mit deutlich weniger aus.