Machine Learning

Was Machine Learning bedeutet

Machine Learning ist ein Verfahren, bei dem ein System Muster aus Daten lernt, statt Regeln vorgegeben zu bekommen. Der Unterschied zur klassischen Programmierung liegt in der Richtung: Dort schreibt ein Mensch die Regel und das Programm liefert das Ergebnis. Hier bekommt das System Beispiele und leitet die Regel selbst ab.

Die Folge ist eine andere Art von Zuverlässigkeit. Ein gelerntes System liegt meist richtig und nie garantiert. Es kann eine Wahrscheinlichkeit angeben, aber keinen Beweis. Wer das verwechselt, baut Anwendungen, die im Durchschnitt gut laufen und im Einzelfall unerwartet danebenliegen.

Die Verfahren, die im Handel vorkommen

Drei Grundarten sind verbreitet. Beim überwachten Lernen bekommt das System Beispiele mit bekannter Antwort und soll danach unbekannte Fälle einordnen. So entstehen Betrugserkennung, Ausfallprognosen oder die Zuordnung von Kunden zu Gruppen. Beim unüberwachten Lernen gibt es keine bekannte Antwort, gesucht werden Gruppen und Muster, etwa beim Bündeln ähnlicher Artikel. Beim bestärkenden Lernen lernt das System durch Versuch und Rückmeldung, was in der Praxis vor allem bei der Aussteuerung von Werbebudgets vorkommt.

Sprachmodelle sind ein Sonderfall. Sie lernen keine Entscheidungen, sondern die Wahrscheinlichkeit von Textfolgen, und gehören damit eher zu den Mustern als zu den Prognosen.

Was die Trainingsdaten leisten müssen

• Menge: Zu wenig Beispiele führen zu einem System, das die Beispiele auswendig kennt und neue Fälle schlecht einordnet.
• Ausgewogenheit: Kommen Betrugsfälle nur aus einem Land und einer Zahlart, lernt das System dieses Muster und markiert alles andere als unauffällig.
• Aktualität: Verändert sich der Markt, veraltet das Modell. Ein Prognosemodell aus der Vorkrisenzeit rechnet mit Verhältnissen, die nicht mehr gelten.
• Nachvollziehbarkeit: Ohne Dokumentation, welche Daten wann verwendet wurden, lässt sich eine Entscheidung später nicht erklären.

Wo die Grenzen liegen

Die erste Grenze ist die Kausalität. Ein Modell findet Zusammenhänge, keine Ursachen. Dass zwei Dinge gemeinsam auftreten, heißt nicht, dass eines das andere verursacht, und eine Maßnahme, die auf einem Zusammenhang aufbaut, kann wirkungslos bleiben.

Die zweite Grenze ist die Verschiebung. Ändert sich das Verhalten der Kunden, sinkt die Trefferquote, ohne dass sich am Modell etwas geändert hat. Deshalb braucht jeder Einsatz eine laufende Kontrolle, nicht nur eine Abnahme am Anfang. Die dritte Grenze ist die Verantwortung. Ein Modell trifft keine Entscheidung, es liefert eine Zahl. Wer auf dieser Zahl eine Entscheidung trifft, trägt sie.

Häufige Fragen

• Ist Machine Learning dasselbe wie KI? Es ist ein Teil davon. KI ist der weitere Begriff.
• Brauche ich große Datenmengen? Für einfache Aufgaben nicht, für Prognosen meist schon.
• Woran erkenne ich einen guten Einsatz? An einer Aufgabe, die sich oft wiederholt, eine klare Rückmeldung hat und deren Fehler verkraftbar sind.