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.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenBeim 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.
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.
Ein Klassifizierer ist ein Modell oder Verfahren, das Eingaben einer von mehreren festgelegten Kategorien zuordnet. Klassische Varianten werden mit beschrifteten Beispielen trainiert, etwa Entscheidungsbäume oder Naive Bayes; Sprachmodelle können Texte auch anhand einer Beschreibung der Kategorien einordnen. Typische Einsätze sind Spam-Erkennung, das Sortieren von Kundenanfragen nach Thema oder die Einstufung von Belegen. Die Qualität wird mit Kennzahlen wie Genauigkeit, Präzision und Recall gemessen.
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.
