Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz. Dabei werden Computersysteme so entwickelt, dass sie aus Daten Muster erkennen und ihre Leistung bei bestimmten Aufgaben verbessern können, ohne dass für jede einzelne Situation feste Regeln programmiert werden müssen.

Ein einfaches Beispiel ist die Bilderkennung. Statt einem Computer jede Eigenschaft einer Katze einzeln vorzuschreiben, kann man ihm viele entsprechend gekennzeichnete Bilder zeigen. Während des Trainings passt das Modell seine internen Parameter so an, dass es typische Merkmale besser erkennt. Anschließend soll es auch neue Bilder möglichst zuverlässig einordnen können.

Zu den wichtigsten Verfahren gehören überwachtes Lernen, unüberwachtes Lernen und bestärkendes Lernen. Beim überwachten Lernen arbeitet das System mit bereits gekennzeichneten Beispielen. Beim unüberwachten Lernen sucht es selbst nach Strukturen in Daten. Beim bestärkenden Lernen verbessert es sein Verhalten anhand von Rückmeldungen über erfolgreiche oder weniger erfolgreiche Handlungen.

Maschinelles Lernen steckt heute unter anderem hinter Empfehlungssystemen, Spamfiltern, Betrugserkennung, Sprachverarbeitung und vielen modernen KI-Anwendungen.

Dabei bedeutet „Lernen“ nicht, dass ein Computer wie ein Mensch versteht. Ein Modell erkennt statistische Zusammenhänge. Wie zuverlässig seine Ergebnisse sind, hängt stark von den Trainingsdaten, dem verwendeten Verfahren und der jeweiligen Aufgabe ab.

Quellen:
▪︎ National Institute of Standards and Technology: Machine Learning, NIST Glossary
▪︎ Stanford Institute for Human-Centered Artificial Intelligence: What is Machine Learning?
▪︎ IBM: What is Machine Learning?