Machine Learning (ML)
Machine Learning, kurz ML, bezeichnet Computerprogramme, die ihre Regeln nicht vorgeschrieben bekommen, sondern sie selbst aus vielen Beispielen ableiten. ML ist die Technik, auf der praktisch alle heutigen KI-Anwendungen beruhen — von Spracherkennung bis Betrugserkennung im Zahlungsverkehr.
Normalerweise schreiben Menschen einem Computer genau vor, was er tun soll: Schritt für Schritt, in Form von Regeln. Beim maschinellen Lernen läuft es umgekehrt. Man zeigt dem Programm sehr viele Beispiele und lässt es die Regeln selbst finden. Wer etwa Fotos von Katzen und Hunden nach Tierart sortieren lassen will, beschreibt nicht, wie eine Katze aussieht. Stattdessen liefert man Zehntausende Bilder mit der richtigen Antwort daneben, und das Programm passt sich so lange an, bis es meistens richtig zuordnet. Machine Learning, abgekürzt ML, ist das englische Wort für dieses Vorgehen.
Warum Regeln von Hand nicht ausreichen
Für viele Aufgaben kann niemand die Regeln aufschreiben, obwohl jeder Mensch sie beherrscht. Du erkennst die Handschrift deiner Freundin sofort, könntest aber nicht erklären, woran genau. Genau bei solchen Problemen scheiterten Computer jahrzehntelang. ML löst sie, weil es die Beschreibung durch Beispiele ersetzt.
Dazu kommt ein wirtschaftlicher Grund. Regeln veralten, Daten dagegen kommen ständig neu dazu. Ein ML-System für Kreditkartenbetrug lernt aus jedem neuen Betrugsfall weiter. Ein starres Regelwerk müsste dagegen von Programmierern nachgepflegt werden, und die Betrüger wären schneller.
Deshalb ist ML heute der Kern fast jedes KI-Produkts. Wenn in Nachrichten von „künstlicher Intelligenz“ die Rede ist, ist praktisch immer maschinelles Lernen gemeint. Der Begriff KI ist der Oberbegriff, ML die Methode, die tatsächlich funktioniert hat.
Von Trainingsdaten zum fertigen Modell
Am Anfang steht ein Modell: eine mathematische Funktion mit vielen einstellbaren Zahlen, den Parametern. Zu Beginn stehen diese Zahlen zufällig, das Modell rät also nur. Nun bekommt es ein Beispiel, macht eine Vorhersage, und die wird mit der richtigen Antwort verglichen. Der Abstand zwischen beidem heißt Fehler.
Dieser Fehler wird zurückgerechnet: Jeder Parameter wird ein kleines Stück in die Richtung verschoben, die den Fehler verringert. Das wiederholt sich millionenfach. Man kann es sich wie einen Abstieg im Gebirge bei Nebel vorstellen — man sieht nur den Boden direkt unter sich und geht immer bergab. Diese Phase nennt man Training, und sie kann Stunden bis Wochen dauern.
Wichtig ist der Test danach. Das fertige Modell wird an Beispielen geprüft, die es im Training nie gesehen hat. Sonst passiert Überanpassung: Das Modell hat die Trainingsdaten auswendig gelernt, versagt aber bei allem Neuen. Das ist wie ein Schüler, der alte Klausuren memoriert, ohne den Stoff zu verstehen.
ML in Apps, Börsenberichten und Stellenanzeigen
Im Alltag begegnet dir ML ständig, meist unsichtbar. Der Spamfilter deines Postfachs ist ein ML-Modell. Ebenso die Vorschläge auf Streamingplattformen, die Gesichtserkennung beim Entsperren des Handys und die automatische Übersetzung im Browser. Auch Chatbots wie ChatGPT sind ML-Systeme, nur sehr große.
In Wirtschaftsnachrichten tauchen bestimmte Begriffe rund um ML immer wieder auf. „Deep Learning“ bezeichnet ML mit besonders vielschichtigen Modellen, sogenannten neuronalen Netzen. „GPU“ steht für spezielle Rechenchips, die das Training beschleunigen — die Nachfrage nach ihnen hat den Chiphersteller Nvidia zu einem der wertvollsten Unternehmen der Welt gemacht.
Ein verbreiteter Irrtum ist, ML-Systeme seien objektiv, weil sie mit Daten arbeiten. Das Gegenteil kann zutreffen. Ein Modell übernimmt die Verzerrungen seiner Trainingsdaten. Wurde eine Bewerbungssoftware mit den Entscheidungen von Jahrzehnten trainiert, in denen überwiegend Männer eingestellt wurden, bevorzugt sie weiter Männer. Solche Fälle sind dokumentiert und einer der Gründe für die KI-Regulierung in der EU.