Klassifikation (Machine Learning)
Klassifikation bedeutet, dass ein Computerprogramm einen Fall einer von mehreren vorgegebenen Kategorien zuordnet, etwa eine E-Mail als Spam oder Nicht-Spam. Das Programm lernt diese Zuordnung vorher aus vielen Beispielen, bei denen die richtige Kategorie bereits bekannt war.
Klassifikation heißt: Ein Computerprogramm ordnet etwas einer von mehreren vorher festgelegten Kategorien zu. Eine E-Mail landet im Ordner „Spam“ oder im Posteingang. Ein Foto zeigt einen Hund, eine Katze oder ein Pferd. Ein Röntgenbild wird als auffällig oder unauffällig eingestuft. Das Besondere daran: Niemand hat dem Programm feste Regeln vorgeschrieben. Es hat die Zuordnung stattdessen aus vielen Beispielen gelernt, bei denen die richtige Antwort schon bekannt war. Diese Art des Lernens aus vorbereiteten Beispielen nennt man überwachtes Lernen.
Die Standardaufgabe hinter vielen Alltagsdiensten
Klassifikation ist die wohl häufigste Aufgabe im maschinellen Lernen. Sehr viele praktische Probleme lassen sich darauf zurückführen. Ist diese Kreditkartenzahlung Betrug oder nicht? Ist dieser Kommentar beleidigend? Welche Sprache steht in diesem Text? Sobald die Antwort aus einer überschaubaren Liste von Möglichkeiten kommt, ist es eine Klassifikation.
Wichtig ist die Abgrenzung zur Regression. Bei der Regression sagt ein Modell eine Zahl voraus, etwa den Preis einer Wohnung in Euro. Bei der Klassifikation gibt es dagegen keine Zwischenwerte, sondern nur getrennte Kategorien. Zwischen „Hund“ und „Katze“ liegt nichts. Zwischen 300.000 und 310.000 Euro dagegen sehr wohl.
Wirtschaftlich ist Klassifikation deshalb interessant, weil sie Entscheidungen automatisiert, die sonst Menschen treffen müssten. Eine Bank prüft täglich Millionen Zahlungen. Von Hand wäre das unbezahlbar. Ein Modell erledigt es in Sekundenbruchteilen, allerdings nie fehlerfrei.
Vom Trainingsbeispiel zur Entscheidungsgrenze
Am Anfang steht ein Datensatz mit Beispielen, bei denen die richtige Kategorie schon dabeisteht. Diese Beschriftung nennt man Label. Für einen Spamfilter wären das also tausende E-Mails, die jemand vorher als Spam oder Nicht-Spam markiert hat. Das Sammeln und Beschriften dieser Daten ist oft der teuerste Teil des ganzen Projekts.
Im Training sucht das Modell nach Mustern, die die Kategorien trennen. Man kann sich das wie eine Grenzlinie vorstellen. Jede E-Mail ist ein Punkt in einem Raum, aufgespannt aus Merkmalen wie bestimmten Wörtern, Absenderadresse oder Anzahl der Links. Das Modell zieht eine Linie so, dass möglichst viele Spam-Punkte auf der einen und der Rest auf der anderen Seite liegen. Bei modernen Verfahren ist diese Grenze extrem verwinkelt und liegt in tausenden Dimensionen, aber die Idee bleibt dieselbe.
Am Ende liefert ein Klassifikator meist keine harte Antwort, sondern Wahrscheinlichkeiten: 92 Prozent Spam, 8 Prozent kein Spam. Wo man die Schwelle setzt, ist eine Entscheidung des Betreibers. Eine niedrige Schwelle fängt mehr Spam, sortiert aber auch mehr echte Mails aus. Ein verbreiteter Irrtum ist, die reine Trefferquote als Qualitätsmaß zu nehmen. Wenn nur eine von tausend Zahlungen Betrug ist, hat ein Modell, das immer „kein Betrug“ sagt, 99,9 Prozent Trefferquote und ist trotzdem völlig nutzlos.
Klassifikation in Produkten und Schlagzeilen
Du begegnest Klassifikation täglich, meist ohne es zu merken. Der Spamfilter im Mailprogramm gehört dazu, ebenso die automatische Sortierung von Fotos nach Personen auf dem Smartphone. Auch die Inhaltsprüfung bei sozialen Netzwerken arbeitet so: Ein Modell stuft hochgeladene Bilder und Texte in Kategorien wie unbedenklich, Gewalt oder Spam ein.
In Nachrichten taucht der Begriff oft im Zusammenhang mit Kritik auf. Wenn ein System Bewerbungen oder Kreditanträge vorsortiert, ist das eine Klassifikation mit erheblichen Folgen für Betroffene. Solche Modelle übernehmen Verzerrungen aus ihren Trainingsdaten. Waren dort bestimmte Gruppen systematisch benachteiligt, wiederholt das Modell dieses Muster. Die EU-KI-Verordnung stuft mehrere dieser Anwendungen deshalb als Hochrisiko ein.
Auch bei modernen Sprachmodellen steckt Klassifikation drin, wenn auch versteckt. Vorgeschaltete Filter prüfen jede Eingabe darauf, ob sie gegen die Nutzungsregeln verstößt. Das ist nichts anderes als ein Klassifikator mit zwei Kategorien. Die Technik ist also alt und unspektakulär, bleibt aber ein Baustein fast jedes KI-Produkts.