Was ist Machine Learning?

Machine Learning (maschinelles Lernen) ist ein Teilgebiet der künstlichen Intelligenz, bei dem Software Regeln nicht vorgegeben bekommt, sondern sie aus Beispieldaten selbst ableitet. Je mehr passende Beispiele ein Modell sieht, desto zuverlässiger erkennt es Muster und trifft Vorhersagen für neue Fälle.

Einfach erklärt: Statt einem Programm zu sagen „Eine E-Mail mit dem Wort Rechnung gehört in die Buchhaltung“, zeigen Sie ihm tausend bereits sortierte E-Mails. Das Programm findet selbst heraus, woran es die Buchhaltungspost erkennt — auch an Merkmalen, an die niemand gedacht hätte.

Wie eine Maschine lernt

Jedes Machine-Learning-Projekt folgt demselben Grundmuster:

• Beispiele zusammenstellen: Historische Fälle, bei denen das richtige Ergebnis bekannt ist, zum Beispiel Verkaufszahlen der letzten drei Jahre.
• Trainieren: Ein Algorithmus passt ein mathematisches Modell so lange an, bis es die bekannten Ergebnisse möglichst gut trifft.
• Testen: Das Modell bekommt Fälle, die es noch nie gesehen hat. Erst hier zeigt sich, ob es gelernt oder nur auswendig gelernt hat.
• Anwenden: Das Modell liefert für neue Daten eine Vorhersage oder eine Einordnung.
• Nachtrainieren: Ändert sich die Welt, etwa durch neue Produkte oder ein anderes Kaufverhalten, muss das Modell neu lernen.

Ein guter Vergleich ist ein erfahrener Disponent. Er hat nie eine Formel für den Wochenbedarf aufgeschrieben, weiß aber aus Erfahrung, dass vor Feiertagen mehr bestellt wird. Machine Learning macht solches Erfahrungswissen messbar und für alle nutzbar.

Die drei Arten des maschinellen Lernens

Im Mittelstand kommt überwachtes Lernen am häufigsten vor, weil die nötigen Beispiele meist schon im ERP, im CRM oder im Postfach liegen. Bestärkendes Lernen braucht viele Versuche und eine sichere Testumgebung und spielt deshalb vor allem in der Industrie eine Rolle.

Beispiele aus dem Mittelstand

• Bedarfsprognose: Eine Bäckerei mit mehreren Filialen schätzt aus Wochentag, Wetter und Ferien, wie viel Brot jede Filiale braucht. Weniger Retouren, weniger leere Regale am Nachmittag.
• Posteingang sortieren: Anfragen, Rechnungen, Reklamationen und Bewerbungen landen automatisch beim richtigen Team. Das ist ein Anwendungsfall der Sprachverarbeitung (NLP), die selbst auf maschinellem Lernen beruht.
• Qualitätsprüfung: Eine Kamera an der Fertigungslinie erkennt Kratzer oder falsch gesetzte Bohrungen, nachdem das Modell Bilder guter und fehlerhafter Teile gesehen hat.
• Zahlungsverhalten: Das System markiert Kunden, deren Zahlungen sich zuletzt verzögert haben, bevor eine große Lieferung rausgeht.
• Wartung: Sensordaten einer Anlage zeigen früh, dass ein Lager verschleißt. Der Tausch wird geplant, bevor die Maschine stillsteht.

Machine Learning und generative KI

Generative KI wie ChatGPT ist ebenfalls maschinelles Lernen, nur mit einem anderen Ziel. Klassisches Machine Learning ordnet ein oder sagt voraus: eine Zahl, eine Kategorie, eine Wahrscheinlichkeit. Generative Modelle erzeugen neue Inhalte — Text, Bilder, Code.

Für Unternehmen ist der Unterschied praktisch: Eine Absatzprognose braucht Ihre eigenen Zahlen und ein eigens trainiertes Modell. Ein Antwortentwurf auf eine Kundenanfrage lässt sich dagegen oft mit einem fertigen Sprachmodell erstellen, das nur Ihre Unterlagen als Kontext bekommt. Viele Projekte kombinieren beides.

Was ein Projekt braucht

• Eine klare Zielgröße: Was genau soll besser werden? Eine messbare Kennzahl (KPI) wie Retourenquote oder Bearbeitungszeit macht den Erfolg überprüfbar.
• Genug Beispiele: Für einfache Einordnungen reichen oft einige hundert saubere Fälle, für Prognosen braucht es mehrere Jahre Verlauf.
• Saubere Daten: Doppelte Kunden, fehlende Felder und uneinheitliche Schreibweisen verschlechtern jedes Modell.
• Einen Platz im Ablauf: Eine Vorhersage nützt nur, wenn sie dort erscheint, wo jemand entscheidet — im ERP, im Dashboard, in der Tagesplanung.

Nutzen und Risiken

Machine Learning lohnt sich dort, wo Entscheidungen häufig, ähnlich und datenreich sind. Dann spart es Zeit, macht Ergebnisse gleichmäßiger und macht Wissen unabhängig von einzelnen Personen.

Die Grenzen sollten Sie kennen: Ein Modell ist nur so gut wie seine Daten. Waren die alten Entscheidungen verzerrt, lernt es die Verzerrung mit. Bei seltenen Ereignissen, die in den Daten kaum vorkommen, liegt es häufiger daneben. Und manche Modelle sind schwer zu erklären — wo Entscheidungen begründet werden müssen, etwa bei Kreditvergabe oder Personalfragen, braucht es nachvollziehbare Verfahren und eine menschliche Prüfung.

In der Praxis: Vorhersagen, die im Alltag ankommen

Die meisten Unternehmen scheitern nicht am Algorithmus, sondern am Weg vom Modell in den Arbeitsalltag. Bei der KI-Einführung beginnen wir deshalb mit einer Aufgabe, die heute viel Handarbeit kostet, und binden das Ergebnis dort ein, wo Ihr Team ohnehin arbeitet. In den betroffenen Abläufen sinkt die manuelle Arbeit so um ca. 80 %.

Wir prüfen zuerst, ob Ihre Daten für die Aufgabe reichen. Wenn nicht, sagen wir das — und oft ist dann eine einfache Regel oder ein fertiges Sprachmodell die bessere Wahl als ein eigenes Training. Das erste Ergebnis sehen Sie nach etwa 14 Tagen.

Häufige Fragen

Was ist der Unterschied zwischen KI und Machine Learning?

Künstliche Intelligenz ist der Oberbegriff für Software, die Aufgaben mit menschenähnlicher Intelligenz löst. Machine Learning ist der heute wichtigste Weg dorthin: Die Software lernt aus Daten, statt fest programmiert zu werden.

Wie viele Daten braucht Machine Learning?

Das hängt von der Aufgabe ab. Eine einfache Sortierung kann mit einigen hundert Beispielen funktionieren, eine Absatzprognose braucht Verlaufsdaten über mehrere Saisons. Entscheidend ist oft die Qualität, nicht die Menge.

Ist Deep Learning dasselbe wie Machine Learning?

Deep Learning ist eine Form des maschinellen Lernens, die mit vielschichtigen neuronalen Netzen arbeitet. Es eignet sich besonders für Bilder, Sprache und Text und steckt auch in Sprachmodellen.

Zusammenfassung

Machine Learning lässt Software aus Beispielen lernen, statt ihr jede Regel vorzuschreiben. Überwachtes Lernen sortiert und prognostiziert, unüberwachtes findet Muster, bestärkendes lernt durch Versuch. Im Betrieb zählt am Ende, ob die Vorhersage dort ankommt, wo entschieden wird.