Kontakt
Was interessiert Sie?
Machine Learning.
Machine Learning (maschinelles Lernen) ist ein Teilgebiet der künstlichen Intelligenz, in dem Computer aus Beispieldaten Muster lernen und diese auf neue Fälle anwenden, ohne dass jede Regel einzeln programmiert wird. Es steckt hinter Spamfiltern, Empfehlungen, Prognosen, Bilderkennung und den heutigen Sprachmodellen.
Machine Learning — ausführlich erklärt
Ein herkömmliches Programm folgt Regeln, die ein Mensch geschrieben hat: Wenn der Betrag über 1'000 liegt, dann verlange eine zweite Unterschrift. Beim Machine Learning entsteht die Regel aus Daten. Man zeigt dem System tausende Beispiele mit bekanntem Ergebnis — etwa Rechnungen, die korrekt oder fehlerhaft waren —, und das Modell lernt, welche Merkmale auf einen Fehler hindeuten. Danach kann es neue Rechnungen einschätzen.
Man unterscheidet drei Lernarten. Beim überwachten Lernen gibt es Beispiele mit richtiger Antwort, etwa für Klassifikation oder Prognosen. Beim unüberwachten Lernen sucht das System selbst nach Strukturen, etwa Kundengruppen mit ähnlichem Verhalten. Beim bestärkenden Lernen lernt ein System durch Versuch und Belohnung. Deep Learning ist eine Variante mit vielschichtigen neuronalen Netzen; darauf beruhen Bild- und Spracherkennung sowie die grossen Sprachmodelle.
Machine Learning ist nur so gut wie seine Daten. Sind die Beispiele unvollständig, veraltet oder einseitig, lernt das Modell genau diese Schwächen. Deshalb beginnt jedes ML-Projekt mit der Frage, ob genügend saubere Daten vorhanden sind. Für viele KMU lautet die ehrliche Antwort: nicht für ein eigenes Modell. Dann ist es sinnvoller, fertige Modelle über eine Schnittstelle zu nutzen und mit eigenen Daten zu ergänzen.
Im Marketing begegnet Machine Learning fast überall, oft unsichtbar: Smart Bidding in Google Ads, die Zielgruppenauswahl bei Meta, die Rangfolge in Suchmaschinen, Predictive Analytics für Absatzprognosen. Wer versteht, dass diese Systeme aus den gelieferten Daten lernen, versteht auch, warum sauberes Tracking so wichtig ist.
Beispiel: Machine Learning für eine Bedarfsprognose
Angenommen, eine Bäckerei mit vier Filialen wirft täglich zu viel Brot weg oder ist am Nachmittag ausverkauft. Aus den Verkaufsdaten der letzten zwei Jahre, Wochentagen, Feiertagen und Wetterdaten lernt ein Modell, wie viel an welchem Tag in welcher Filiale verkauft wird. Die Prognose dient der Produktionsplanung als Vorschlag, die Filialleitung kann anpassen.
Der Nutzen zeigt sich im Vergleich zum bisherigen Bauchgefühl über einige Wochen. Ob sich für eine Aufgabe ein eigenes Modell lohnt oder ein fertiges Werkzeug genügt, klären wir in der KI-Beratung; die Umsetzung als Web-App beschreibt Web-App entwickeln lassen.
Weiterführende Seite
KI für KMUHäufige Fragen zu Machine Learning
Deep Learning ist eine Form von Machine Learning, die mit vielschichtigen neuronalen Netzen arbeitet. Es eignet sich besonders für unstrukturierte Daten wie Bilder, Sprache und Text, braucht aber mehr Daten und Rechenleistung als einfachere Verfahren.
Das hängt von der Aufgabe ab. Einfache Prognosen funktionieren teilweise schon mit einigen tausend Datensätzen, Bilderkennung oder Sprachverständnis brauchen ein Vielfaches. Für viele KMU-Aufgaben ist es effizienter, vortrainierte Modelle zu nutzen, als eines von Grund auf zu trainieren.
Ja. Viele Werkzeuge haben Machine Learning bereits eingebaut, und fertige Modelle lassen sich über Schnittstellen in eigene Anwendungen integrieren. Ein eigenes Datenteam braucht es erst, wenn Modelle selbst trainiert und laufend überwacht werden müssen.
Weitere Begriffe mit „M“
Meta Description
Die Meta Description ist ein HTML-Tag, der eine kurze Zusammenfassung einer Webseite für Suchmaschin...
Mobile-First-Index
Seit 2019 crawlt und indexiert Google primär die mobile Version einer Website (nicht mehr die Deskto...
Multimodal Search
Multimodal Search ermöglicht die Suche mit verschiedenen Eingabeformaten gleichzeitig: Text, Bild, S...
Bereit für Ihr Projekt?
Wenden Sie dieses Wissen auf Ihre Website an — DLM Digital hilft Ihnen dabei.