---
title: "Machine Learning (maschinelles Lernen): Definition und Beispiel – Carl-Uwe Würfel"
description: "Machine Learning erklärt: wie Software aus Daten lernt, die vier Lernarten, Rolle der Trainingsdaten, Abgrenzung zu Regeln und RPA, Betrieb und Grenzen."
url: https://carl-wuerfel.de/glossar/machine-learning
author: Carl-Uwe Würfel
---

1. [Start](https://carl-wuerfel.de/)
  2. [Wissen](https://carl-wuerfel.de/wissen)
  3. [Glossar](https://carl-wuerfel.de/glossar)
  4. Machine Learning (maschinelles Lernen)

# Machine Learning (maschinelles Lernen)

Machine Learning (maschinelles Lernen) ist ein Teilgebiet der künstlichen Intelligenz, in dem Software ihre Regeln aus Beispieldaten lernt, statt sie Schritt für Schritt einprogrammiert zu bekommen.

## Auf dieser Seite

  1. So lernt ein Modell aus Daten
  2. Die vier Lernarten
  3. Trainingsdaten bestimmen, was ein Modell kann
  4. Machine Learning, feste Regeln und RPA
  5. Im Betrieb altern Modelle
  6. Woran man eine gute Umsetzung erkennt
  7. Die Grenze des Begriffs
  8. Häufige Fragen
  9. Quellen

Ein Modell kann nur so gut sein wie die Daten, aus denen es lernt, und es altert, wenn sich die Wirklichkeit ändert.

_Abbildung: Kreislauf am Beispiel eines Handelsunternehmens mit einigen tausend Artikeln, das bisher nach Erfahrung und Tabellen disponiert hat. Ein Modell lernt aus mehreren Jahren Verkaufshistorie, Saison und Aktionen. Vor dem Start tritt es auf den Daten des Vorjahres gegen die bisherige Planung an. Danach schlägt es wöchentliche Bestellmengen vor, die Disponenten entscheiden weiter selbst. Jede Woche wird verglichen: Hält die Treffsicherheit, geht es in die nächste Woche. Sinkt sie, etwa weil ein neuer Onlinekanal das Kaufverhalten verändert, wird das Modell mit den neuen Daten nachtrainiert._

**Beispiel**

Ein Handelsunternehmen mit einigen tausend Artikeln hat bisher nach Erfahrung und Tabellen disponiert. Ein Modell lernt aus mehreren Jahren Verkaufshistorie, Saison und Aktionen und schlägt wöchentliche Bestellmengen vor; die Disponenten entscheiden weiter selbst. Vor dem Start tritt das Modell auf den Daten des Vorjahres gegen die bisherige Planung an, im Betrieb wird jede Woche verglichen. Als ein neuer Onlinekanal das Kaufverhalten verändert, sinkt die Treffsicherheit, und das Modell wird mit den neuen Daten nachtrainiert.

Klassische Software folgt Regeln, die ein Mensch aufgeschrieben hat: Wenn der Betreff „Gewinn“ enthält, ab in den Spam-Ordner. Beim Machine Learning bekommt die Software stattdessen viele Beispiele, etwa Tausende Mails, die Menschen als Spam oder nicht Spam markiert haben, und leitet daraus selbst ab, woran man Spam erkennt. Das Ergebnis heißt Modell. Es wendet das Gelernte auf neue Fälle an, die es nie gesehen hat. Tom Mitchell beschreibt das Fach in seinem Lehrbuch von 1997 als die Lehre von Algorithmen, die sich durch Erfahrung automatisch verbessern.

Machine Learning ist ein Teilgebiet der künstlichen Intelligenz. Innerhalb davon liegt [Deep Learning](https://carl-wuerfel.de/glossar/deep-learning), das mit vielschichtigen neuronalen Netzen arbeitet, und darin wiederum die heutige generative KI mit ihren großen Sprachmodellen. Den Begriff verwendete Arthur Samuel von IBM 1959 für ein Dame-Programm, das durch eigenes Spielen besser wurde. Heute steckt Machine Learning in Spamfiltern, Empfehlungen im Onlinehandel, Betrugserkennung, Absatzprognosen und Bilderkennung in der Qualitätskontrolle.

Für Führungskräfte ist vor allem eine Folge wichtig: Ein Modell kann nur so gut sein wie die Daten, aus denen es lernt, und es altert, wenn sich die Wirklichkeit ändert. Die meiste Arbeit steckt deshalb nicht im Algorithmus, sondern in Datenbeschaffung, Datenpflege, Prüfung und laufender Überwachung.

## So lernt ein Modell aus Daten.

Am Anfang steht eine Frage, die sich aus Daten beantworten lässt, etwa: Wie viele Stück eines Artikels werden nächste Woche verkauft? Dazu braucht es historische Beispiele mit Merkmalen (Saison, Preis, Aktionen, Wetter) und, wo vorhanden, dem tatsächlichen Ergebnis. Diese Daten werden bereinigt und aufgeteilt. Mit dem größeren Teil wird trainiert, den kleineren hält man zurück.

Im Training stellt ein Algorithmus die internen Parameter des Modells so lange ein, bis seine Vorhersagen möglichst gut zu den Beispielen passen. Danach kommt der wichtigste Schritt: die Prüfung mit den zurückgehaltenen Daten, die das Modell nie gesehen hat. Schneidet es dort deutlich schlechter ab als im Training, hat es die Beispiele auswendig gelernt, statt allgemeine Muster zu finden. Fachleute nennen das Overfitting.

Erst wenn das Modell auf unbekannten Daten trägt, geht es in den Einsatz und rechnet dort Vorhersagen für neue Fälle; dieser Schritt heißt Inferenz. Ein Modell liefert dabei in der Regel keine Gewissheit, sondern eine Wahrscheinlichkeit oder einen Schätzwert. Wie mit dieser Unsicherheit umgegangen wird, ob ein Mensch ab einer bestimmten Schwelle entscheidet oder das System automatisch handelt, legt das Unternehmen fest, nicht das Modell.

## Die vier Lernarten.

Beim überwachten Lernen (supervised learning) lernt das Modell aus Beispielen mit bekannter richtiger Antwort, den sogenannten Labels. Ein Spamfilter, der aus von Menschen markierten Mails lernt, ist das Standardbeispiel; die EU-Kommission nutzt es auch in ihren Leitlinien zum [AI Act](https://carl-wuerfel.de/ai-act). Die meisten Prognose- und Klassifizierungsaufgaben im Unternehmen gehören hierher.

Beim unüberwachten Lernen (unsupervised learning) gibt es keine Labels. Das Modell sucht selbst nach Strukturen, etwa Gruppen ähnlicher Kunden oder Buchungen, die vom üblichen Muster abweichen. Das eignet sich für Segmentierung und Auffälligkeiten, liefert aber keine fertige Deutung; was eine gefundene Gruppe bedeutet, müssen Menschen klären.

Selbstüberwachtes Lernen (self-supervised learning) erzeugt die Labels aus den Daten selbst, indem es einen Teil verdeckt und vorhersagen lässt. So werden große Sprachmodelle vortrainiert: Sie lernen, das nächste Textstück vorherzusagen. Beim bestärkenden Lernen (reinforcement learning) schließlich probiert ein System Handlungen aus und lernt aus Belohnung und Strafe, welche Strategie zum Ziel führt. Richard Sutton und Andrew Barto haben dieses Gebiet in ihrem Standardwerk beschrieben. Es steckt in Spielprogrammen, in der Robotik und im Nachtraining von Sprachmodellen mit menschlichem Feedback.

## Trainingsdaten bestimmen, was ein Modell kann.

Ein Modell lernt genau das, was in seinen Trainingsdaten steckt, und sonst nichts. Fehlen bestimmte Fälle, etwa ein neuer Vertriebsweg oder eine seltene Fehlerart, kann es sie nicht zuverlässig erkennen. Sind die Labels uneinheitlich, weil verschiedene Menschen dieselben Fälle unterschiedlich markiert haben, lernt das Modell diese Unschärfe mit.

Historische Daten tragen außerdem historische Entscheidungen in sich. Ein Modell, das aus früheren Personal- oder Kreditentscheidungen lernt, übernimmt deren Muster, auch Benachteiligungen einzelner Gruppen. Das Modell ist dabei nicht neutral, es macht vorhandene Verzerrungen nur schneller und gleichförmiger. Prüfen lässt sich das, indem man die Fehlerquote getrennt nach Gruppen auswertet statt nur im Durchschnitt.

Der AI Act schreibt für Hochrisiko-Systeme in Artikel 10 vor, dass Trainings-, Validierungs- und Testdaten im Hinblick auf den Zweck relevant, hinreichend repräsentativ und so weit wie möglich fehlerfrei und vollständig sein müssen. Diese Pflichten gelten nach der Änderung vom Juli 2026 ab dem 2. Dezember 2027, für KI in regulierten Produkten ab dem 2. August 2028 (Stand November 2026). Als Maßstab taugen sie für jedes Projekt. Enthalten die Daten personenbezogene Angaben, gilt außerdem die Datenschutz-Grundverordnung, auch für das Training.

## Machine Learning, feste Regeln und RPA.

Nicht jede Automatisierung braucht Machine Learning. Sind die Regeln klar, stabil und aufschreibbar, etwa „Rechnungen über 10.000 Euro gehen an die Geschäftsführung“, ist eine feste Regel einfacher, billiger und nachvollziehbarer. Machine Learning lohnt sich dort, wo es zu viele Einflussgrößen gibt, um sie als Regeln zu fassen, aber genug Beispiele vorliegen: Betrugsmuster, Absatzschwankungen, Bildfehler auf einem Fließband.

[Robotic Process Automation](https://carl-wuerfel.de/glossar/rpa) (RPA) ist etwas anderes. Ein Software-Roboter klickt sich nach festem Ablauf durch Bildschirmmasken und überträgt Daten zwischen Systemen. Er lernt nichts und erkennt keine Muster. In der Praxis werden beide oft kombiniert: Ein Modell liest ein eingehendes Dokument aus und ordnet es ein, ein RPA-Ablauf trägt das Ergebnis ins Altsystem ein.

Auch rechtlich wird unterschieden. Nach den Leitlinien der EU-Kommission zur KI-Definition fallen Systeme, die nur von Menschen festgelegte Regeln ausführen, nicht unter den AI Act. Dasselbe gilt für einfache Vorhersagen, die nur einen Durchschnittswert fortschreiben, selbst wenn sie technisch als Machine Learning gelten könnten. Für die Planung heißt das: erst prüfen, ob eine Regel genügt, und Machine Learning nur dort einsetzen, wo Regeln nicht mehr tragen.

## Im Betrieb altern Modelle.

Ein trainiertes Modell ist eine Momentaufnahme der Welt, aus der seine Daten stammen. Ändert sich diese Welt, etwa durch neue Produkte, ein anderes Kaufverhalten, neue Betrugsmaschen oder geänderte Prozesse, werden seine Vorhersagen schleichend schlechter. Fachleute sprechen von Data Drift, wenn sich die Eingabedaten verschieben, und von Concept Drift, wenn sich der Zusammenhang zwischen Eingabe und Ergebnis ändert. Das Modell meldet das nicht von selbst.

Zum Betrieb gehört deshalb eine laufende Überwachung: Vorhersagen werden mit dem später bekannten tatsächlichen Ergebnis verglichen, und fällt die Qualität unter eine vereinbarte Schwelle, wird nachtrainiert oder eingegriffen. Diese Disziplin heißt MLOps, angelehnt an DevOps in der Softwareentwicklung.

Forschende von Google haben 2015 beschrieben, dass der eigentliche Lerncode nur einen kleinen Teil eines produktiven Machine-Learning-Systems ausmacht. Der Rest sind Datenbeschaffung, Datenprüfung, Konfiguration, Überwachung und Schnittstellen, und dort entstehen die meisten Wartungskosten. Wer ein Projekt plant, sollte den Betrieb über Jahre mitrechnen, nicht nur den Aufbau des ersten Modells.

## Woran man eine gute Umsetzung erkennt.

Gute Projekte beginnen mit einem Vergleichswert. Bevor ein aufwendiges Modell gebaut wird, steht fest, wie gut der heutige Ablauf ist und wie gut eine einfache Regel oder ein Durchschnittswert abschneiden würde. Nur was diesen Vergleich deutlich schlägt, rechtfertigt den Aufwand.

Das zweite Kennzeichen ist eine Kennzahl, die zum Geschäftsziel passt. Eine hohe Trefferquote nützt wenig, wenn die seltenen, aber teuren Fälle danebengehen. Bei Betrugserkennung zählt, wie viele echte Betrugsfälle gefunden werden und wie viele Fehlalarme das Team bearbeiten muss. Die Prüfdaten sollten aus einem späteren Zeitraum stammen als die Trainingsdaten, so wie es im Betrieb auch sein wird.

Dazu kommen Nachvollziehbarkeit und Zuständigkeit. Die Herkunft der Daten ist dokumentiert, Modellversionen sind gespeichert, und es gibt einen Rückfallweg, falls das Modell ausfällt oder auffällig wird. Für jede automatische Entscheidung ist geklärt, wann ein Mensch prüft. Wer einen Dienstleister beauftragt, sollte nach Vergleichswert, Kennzahl, Prüfdaten und Überwachung im Betrieb fragen. Ein Angebot, das nur das Training beschreibt, beschreibt den kleineren Teil der Arbeit.

## Die Grenze des Begriffs

Machine Learning findet Zusammenhänge in Daten, aber keine Ursachen, und es versagt bei Situationen, die in den Trainingsdaten nicht vorkommen. Abzugrenzen ist es von künstlicher Intelligenz als Oberbegriff, von Deep Learning und generativer KI als Teilgebieten und von regelbasierter Automatisierung wie RPA, die nichts lernt. Beschreibende Statistik wie Durchschnitte und Dashboards ist kein Machine Learning, auch wenn sie mit denselben Daten arbeitet.

## Häufige Fragen

Was ist der Unterschied zwischen Machine Learning und künstlicher Intelligenz?

[Künstliche Intelligenz](https://carl-wuerfel.de/glossar/kuenstliche-intelligenz) ist der Oberbegriff, Machine Learning ein Teilgebiet davon. Beim Machine Learning lernt Software ihre Regeln aus Daten. Zur KI zählen daneben auch wissensbasierte Systeme, deren Regeln und Fakten Fachleute hinterlegt haben.

Was ist der Unterschied zwischen Machine Learning und Deep Learning?

Deep Learning ist ein Teilgebiet des Machine Learning, das mit vielschichtigen neuronalen Netzen arbeitet. Es ist stark bei Bildern, Sprache und Text, braucht aber viele Daten und Rechenleistung. Für Tabellendaten wie Verkaufszahlen genügen oft einfachere Verfahren wie Entscheidungsbäume.

Ist ChatGPT Machine Learning?

Ja. Die Sprachmodelle hinter ChatGPT sind Deep-Learning-Modelle und damit Teil des Machine Learning. Sie wurden selbstüberwacht auf großen Textmengen vortrainiert und danach mit menschlichem Feedback nachtrainiert.

Was ist überwachtes und unüberwachtes Lernen?

Beim überwachten Lernen lernt ein Modell aus Beispielen mit bekannter richtiger Antwort, etwa als Spam markierten Mails. Beim unüberwachten Lernen gibt es keine solchen Antworten; das Modell sucht selbst nach Gruppen und Auffälligkeiten in den Daten.

Wie viele Daten braucht Machine Learning?

Eine feste Mindestzahl gibt es nicht. Es kommt darauf an, wie viele Einflussgrößen eine Rolle spielen und wie oft die wichtigen Fälle in den Daten vorkommen. Ein brauchbarer erster Test ist, ob ein einfaches Modell auf zurückgehaltenen Daten besser abschneidet als der heutige Ablauf.

Was ist Overfitting?

Overfitting bedeutet, dass ein Modell seine Trainingsdaten auswendig gelernt hat, statt allgemeine Muster zu finden. Es schneidet im Training sehr gut ab, auf neuen Daten aber deutlich schlechter. Erkennen lässt sich das nur mit Prüfdaten, die das Modell im Training nicht gesehen hat.

Wann ist Machine Learning nicht die richtige Wahl?

Wenn die Regeln klar und stabil sind, wenn es kaum Beispieldaten gibt oder wenn jede Entscheidung lückenlos begründbar sein muss. In diesen Fällen ist eine feste Regel einfacher, billiger und leichter zu prüfen. Machine Learning lohnt sich dort, wo Regeln an der Vielfalt der Fälle scheitern.

## Weiter

  * [**KI-Glossar**](https://carl-wuerfel.de/glossar)
  * [**KI-Automatisierung**](https://carl-wuerfel.de/ki-automatisierung)
  * [**Datenqualität**](https://carl-wuerfel.de/glossar/datenqualitaet)
  * [**Fine-Tuning**](https://carl-wuerfel.de/glossar/fine-tuning)
  * [**RPA: Robotic Process Automation**](https://carl-wuerfel.de/glossar/rpa)
  * [**LLM: Large Language Model** Begriff](https://carl-wuerfel.de/glossar/llm)
  * [**KI-Bias** Begriff](https://carl-wuerfel.de/glossar/ki-bias)
  * [**Künstliche Intelligenz (KI)** Begriff](https://carl-wuerfel.de/glossar/kuenstliche-intelligenz)
  * [**Generative KI** Begriff](https://carl-wuerfel.de/glossar/generative-ki)

## Quellen

  1. [Tom M. Mitchell: Machine Learning, McGraw Hill, 1997](https://www.cs.cmu.edu/~tom/mlbook.html)
  2. [Arthur L. Samuel: Some Studies in Machine Learning Using the Game of Checkers, IBM Journal of Research and Development, 1959](https://doi.org/10.1147/rd.33.0210)
  3. [Richard S. Sutton, Andrew G. Barto: Reinforcement Learning: An Introduction, 2. Auflage, 2018](https://incompleteideas.net/book/the-book-2nd.html)
  4. [D. Sculley u. a.: Hidden Technical Debt in Machine Learning Systems, 2015](https://papers.nips.cc/paper/5656-hidden-technical-debt-in-machine-learning-systems)
  5. [Europäische Kommission: Leitlinien zur Definition eines KI-Systems, 2025](https://digital-strategy.ec.europa.eu/de/library/commission-publishes-guidelines-ai-system-definition-facilitate-first-ai-acts-rules-application)
  6. [Europäisches Parlament und Rat: Verordnung (EU) 2024/1689 (KI-Verordnung), Art. 10, 2024](https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32024R1689)
  7. [Europäisches Parlament und Rat: Verordnung (EU) 2026/1744 (Digital-Omnibus-Verordnung zur KI), 2026](https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32026R1744)