Glossar

Semi-Supervised Learning

Was ist Semi-Supervised Learning?

Semi-Supervised Learning (teilüberwachtes Lernen) kombiniert eine kleine Menge beschrifteter Daten mit einer großen Menge unbeschrifteter. Das Modell lernt zunächst aus den wenigen Beispielen mit bekannter Antwort und nutzt dann Muster in den übrigen Daten, um sich zu verbessern – etwa indem es sichere Vorhersagen als zusätzliche Trainingsbeispiele übernimmt. Das lohnt sich, wenn Beschriften teuer ist, zum Beispiel bei medizinischen Bildern oder Tausenden von Support-Tickets.

Themen

Lernverfahren
Trainingsdaten
Machine Learning

KI.ordo ausprobieren

Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.

Demo starten

← Alle Begriffe

Verwandte Begriffe

Überwachtes Lernen

Beim überwachten Lernen (Supervised Learning) lernt ein Modell aus Beispielen, bei denen die richtige Antwort bereits bekannt ist – etwa E-Mails mit der Markierung „Spam“ oder „kein Spam“. Daraus leitet es Regeln ab, um neue, unbekannte Fälle einzuordnen oder Werte vorherzusagen. Typische Aufgaben sind Klassifikation und Regression; der Aufwand liegt vor allem im Erstellen sauber beschrifteter Daten.

Machine Learning
Training
+1

Unüberwachtes Lernen

Beim unüberwachten Lernen (Unsupervised Learning) erhält ein Modell Daten ohne vorgegebene richtige Antworten und sucht selbstständig nach Strukturen. Typische Verfahren sind Clustering, das ähnliche Datensätze gruppiert, und Dimensionsreduktion, die viele Merkmale auf wenige wesentliche verdichtet. Unternehmen nutzen das etwa, um Kundengruppen zu entdecken oder ungewöhnliche Transaktionen aufzuspüren; die gefundenen Gruppen müssen anschließend fachlich gedeutet werden.

Machine Learning
Clustering
+1

Datenknappheit

Datenknappheit liegt vor, wenn für eine KI-Aufgabe zu wenige passende oder gekennzeichnete Daten vorhanden sind, um ein Modell zuverlässig zu trainieren oder zu prüfen. Das betrifft etwa seltene Fehlerbilder in der Produktion, Nischensprachen oder neue Produkte ohne Verkaufshistorie. Gegenmaßnahmen sind Transfer Learning, synthetische Daten, Datenaugmentation oder vortrainierte Sprachmodelle, die schon mit wenigen Beispielen brauchbare Ergebnisse liefern.

Trainingsdaten
Datenqualität
+1

Trainingsdaten

Trainingsdaten sind die Beispiele, aus denen ein KI-Modell Muster lernt – bei Sprachmodellen große Textsammlungen, bei Bildmodellen beschriftete Bilder. Ihre Qualität, Vielfalt und Aktualität bestimmen maßgeblich, wie zuverlässig, fair und auf welchem Wissensstand ein Modell später antwortet. Für Unternehmen ist zudem wichtig, ob ein Anbieter eingegebene Kundendaten für weiteres Training verwendet.

Daten
Training
+1