AutoML
AutoML bezeichnet Werkzeuge und Verfahren, die den Aufbau eines KI-Modells weitgehend automatisieren – von der Auswahl des richtigen Verfahrens bis zur Feinabstimmung seiner Einstellungen. Damit soll auch ohne tiefes Fachwissen nutzbare KI entstehen.
Ein KI-Modell zu bauen bedeutet normalerweise: ein Verfahren auswählen, dutzende Einstellungen ausprobieren, Ergebnisse vergleichen, wieder von vorn anfangen. Das kostet Fachleute viele Stunden. AutoML – kurz für Automated Machine Learning, also automatisiertes maschinelles Lernen – übernimmt genau diesen Prozess. Man gibt Daten hinein und bekommt ein fertiges Modell heraus. Die Software entscheidet selbst, welches Verfahren am besten passt und wie es eingestellt werden soll.
Der Engpass, den AutoML beseitigt
Modelle bauen erfordert ein spezielles Berufsbild: den Data Scientist, also jemanden, der Statistik, Programmierung und Domänenwissen vereint. Solche Fachleute sind weltweit knapp und teuer. Für viele Unternehmen war KI deshalb schlicht nicht erschwinglich.
AutoML senkt diese Hürde erheblich. Eine Marketingabteilung kann damit ein Modell trainieren, das vorhersagt, welche Kunden abwandern – ohne eine einzige Zeile Code zu schreiben. Das verschiebt KI vom Labor in den Alltag normaler Firmen. Gleichzeitig profitieren Fachleute: Statt stundenlangem Ausprobieren können sie AutoML nutzen, um schnell einen guten Ausgangspunkt zu finden, den sie danach gezielt verbessern.
Was AutoML im Hintergrund ausprobiert
Der Kern von AutoML ist eine systematische Suche. Das System testet viele Kombinationen: verschiedene Verfahren, verschiedene Vorverarbeitungsschritte für die Daten, verschiedene Werte für sogenannte Hyperparameter – das sind Einstellungen, die vor dem Training festgelegt werden, etwa wie schnell ein Modell lernt oder wie komplex es werden darf.
Frühe AutoML-Systeme haben dabei schlicht alle Kombinationen durchprobiert, was sehr lange dauerte. Modernere Ansätze sind cleverer: Sie merken sich, welche Kombinationen bisher gut abgeschnitten haben, und suchen gezielt in deren Nähe weiter. Dieses Verfahren heißt Bayesische Optimierung. Es funktioniert ähnlich wie ein erfahrener Koch, der nach einer misslungenen Version eines Rezepts nicht zufällig etwas anderes ausprobiert, sondern gezielt an der vermutlichen Schwachstelle ansetzt.
Für Bilddaten gibt es außerdem Neural Architecture Search: Die Software entwirft und testet automatisch verschiedene Architekturen neuronaler Netze – also deren grundlegenden Aufbau –, bis sie eine leistungsstarke Variante findet. Das war früher reine Forschungsarbeit und dauerte Wochen.
AutoML in Produkten und Schlagzeilen
Google, Microsoft und Amazon bieten AutoML als Cloud-Dienst an. Google Cloud AutoML erlaubt es, ein Bilderkennungsmodell zu trainieren, indem man einfach Fotos hochlädt und beschriftet – der Rest passiert automatisch. Microsofts Azure Machine Learning und Amazons SageMaker Autopilot funktionieren ähnlich.
In Finanznachrichten taucht AutoML oft im Zusammenhang mit « Demokratisierung von KI » auf – dem Versprechen, dass KI nicht nur Tech-Konzerne nutzen können sollen. Kritiker weisen darauf hin, dass AutoML zwar ein gutes Modell liefert, aber kein Verständnis dafür, warum es gut ist. Wer ein Modell nicht versteht, kann seine Fehler schlecht erkennen. Das ist besonders in regulierten Bereichen wie Medizin oder Kreditvergabe ein Problem, wo Entscheidungen erklärbar sein müssen.
Für Einsteiger und kleine Teams ist AutoML dennoch ein echter Fortschritt. Es macht KI-Experimente schneller und günstiger – und schafft damit Zeit für das, was kein Algorithmus übernehmen kann: die richtigen Fragen stellen.