Wie lernt eine KI? Maschinelles Lernen einfach erklärt

„Die KI lernt" – dieser Satz fällt oft, und er weckt Bilder aus dem menschlichen Alltag: verstehen, einsehen, sich erinnern. Doch das Lernen einer Maschine hat mit menschlichem Lernen weniger gemein, als der Begriff nahelegt. Es ist ein statistischer Vorgang: Aus vielen Beispielen wird ein Muster abgeleitet, das sich auf neue Fälle übertragen lässt. Wer versteht, wie dieses maschinelle Lernen funktioniert, versteht den Kern nahezu aller heutigen KI-Systeme. Dieser Artikel erklärt die drei grundlegenden Lernformen und zeigt, wo ihre Stärken und Grenzen liegen.

Lernen heißt: aus Beispielen verallgemeinern

Der entscheidende Bruch mit der älteren KI liegt in der Grundidee. Frühe Systeme wurden programmiert: Fachleute schrieben Regeln in der Form „Wenn Bedingung A, dann Folge B". Das funktioniert, solange sich ein Problem in überschaubare Regeln fassen lässt. Bei komplexen Aufgaben – ein handgeschriebenes Wort erkennen, gesprochene Sprache verstehen – scheitert dieser Ansatz, weil sich die unzähligen Varianten kaum vollständig in Regeln fassen lassen.

Das maschinelle Lernen dreht den Spieß um. Statt Regeln vorzugeben, zeigt man dem System viele Beispiele und lässt es die Regelmäßigkeiten selbst finden. Man beschreibt nicht mehr, wie eine Sieben aussieht, sondern zeigt Tausende Bilder von Siebenen. Das System leitet daraus ab, was diese Bilder gemeinsam haben. Der Vorteil ist enorme Flexibilität; der Preis ist die Abhängigkeit von Daten und eine gewisse Undurchsichtigkeit des Ergebnisses.

Überwachtes Lernen: Lernen mit Lösungsschlüssel

Die häufigste und praktisch wichtigste Form ist das überwachte Lernen. Hier bekommt das System Beispiele mit der richtigen Antwort geliefert – markierte Daten. Zu jedem Bild steht dabei, was darauf zu sehen ist; zu jeder E-Mail, ob sie Spam ist. Das System vergleicht seine Vorhersage mit der bekannten Lösung, misst den Fehler und passt sich an. Man kann es sich vorstellen wie eine Schülerin, die Übungsaufgaben rechnet und ihre Ergebnisse mit dem Lösungsschlüssel abgleicht.

Genau nach diesem Prinzip lernte das Bilderkennungssystem AlexNet: Es wurde an 1,2 Millionen Bildern trainiert, die 1.000 Kategorien zugeordnet waren, und lernte, neue Bilder korrekt einzuordnen. Überwachtes Lernen eignet sich überall dort, wo man reichlich beispielhaft gelöste Fälle hat: Kreditwürdigkeit einschätzen, Produkte klassifizieren, Nachfrage vorhersagen. Seine Achillesferse ist der Aufwand für die Markierung – jemand muss die richtigen Antworten liefern, und ihre Qualität begrenzt die Qualität des Modells.

Unüberwachtes Lernen: Struktur ohne Vorgaben

Nicht immer liegen fertige Antworten vor. Beim unüberwachten Lernen erhält das System nur die Daten, ohne Markierungen, und soll selbst Struktur darin finden. Die klassische Anwendung ist die Gruppenbildung, das Clustering: Das System teilt Kunden, Dokumente oder Messwerte in Gruppen ein, die einander ähnlich sind – ohne dass jemand die Gruppen vorher definiert hätte.

Der Nutzen liegt im Entdecken. Ein Unternehmen erfährt so etwa, dass sich seine Kundschaft in mehrere Segmente mit unterschiedlichem Verhalten gliedert, an die vorher niemand gedacht hatte. Die Kehrseite: Weil es keine „richtige" Antwort gibt, ist auch schwerer zu beurteilen, ob das Ergebnis sinnvoll ist. Die gefundenen Gruppen müssen von Menschen interpretiert werden.

Bestärkendes Lernen: Lernen durch Versuch und Belohnung

Die dritte Form, das bestärkende Lernen (Reinforcement Learning), ähnelt dem Dressieren durch Belohnung. Ein System agiert in einer Umgebung, trifft Entscheidungen und erhält für gute Ergebnisse Belohnung, für schlechte nichts oder Strafe. Über viele Versuche lernt es eine Strategie, die die Belohnung über die Zeit maximiert.

Diese Methode brachte spektakuläre Erfolge in Spielen wie Go und in der Robotik, wo Handlungen und ihre Folgen klar messbar sind. Im Unternehmensalltag ist sie anspruchsvoller einzusetzen, weil sich reale Vorgänge selten so sauber als Belohnungsproblem fassen lassen und weil das nötige Ausprobieren im laufenden Betrieb teuer oder riskant sein kann. Bemerkenswert ist, dass eine verfeinerte Variante dieses Prinzips – das Lernen aus menschlichem Feedback – wesentlich dazu beigetragen hat, große Sprachmodelle hilfreicher und verlässlicher zu machen.

Die zentrale Gefahr: auswendig lernen statt verstehen

Alle Lernformen teilen ein Grundrisiko, das man kennen muss: die Überanpassung, im Fachjargon Overfitting. Ein Modell kann sich so eng an die Trainingsdaten schmiegen, dass es deren Zufälligkeiten mitlernt statt der eigentlichen Regel. Es glänzt dann bei bekannten Beispielen und versagt bei neuen. Das entspricht einer Schülerin, die die Lösungen der Übungsaufgaben auswendig kann, aber in der Klausur mit unbekannten Aufgaben scheitert.

Fachleute begegnen dem, indem sie die Daten aufteilen: Ein Teil dient dem Training, ein anderer, zurückgehaltener Teil dem ehrlichen Test. Nur die Leistung auf ungesehenen Daten zählt. AlexNet etwa nutzte gezielt Techniken wie Dropout und künstlich vervielfältigte Trainingsbilder, um diese Überanpassung zu dämpfen. Für Unternehmen ist die Lehre einfach: Ein Modell, das im Test nie an unbekannten Daten geprüft wurde, ist nicht bewertbar – egal, wie gut die vorgeführten Zahlen klingen.

Fazit

Maschinelles Lernen ist kein Verstehen, sondern ein diszipliniertes Verallgemeinern aus Beispielen. Je nach verfügbaren Daten und Ziel kommen überwachtes, unüberwachtes oder bestärkendes Lernen infrage – jede Form mit eigenem Nutzen und eigener Grenze. Der gemeinsame Nenner: Die Qualität hängt an den Daten, und der einzige verlässliche Gradmesser ist die Leistung auf ungesehenen Fällen. Wer das beherzigt, entgeht den häufigsten und teuersten Irrtümern.

ULTRA Intelligence unterstützt Unternehmen dabei, die passende Lernform für die jeweilige Aufgabe zu wählen und Modelle so zu prüfen, dass ihr Nutzen belastbar und nicht nur auf dem Papier gegeben ist.