Maschinelles Lernen bzw. Machine Learning bezeichnet ein Anwendungs- und Forschungsgebiet der Informatik, das sich mit Verfahren befasst, die aus Daten Muster, Parameter oder Entscheidungsfunktionen lernen. Solche Verfahren erstellen Modelle auf Grundlage von Beispieldaten, um neue, unbekannte Daten einordnen, bewerten oder vorhersagen zu können.
Die Verfahren gehen implizit davon aus, dass Muster, die in den Trainingsdaten belastbar auftreten, auch für neue Fälle nützlich sind. Sie kommen zum Einsatz, wenn es aufgrund der Datenmenge, Datenkomplexität oder veränderlicher Bewertungskriterien zu aufwendig wäre, explizite Verfahrensanweisungen zu programmieren.
Abgrenzung zur Künstlichen Intelligenz
Maschinelles Lernen wird meist als Teilbereich der Künstlichen Intelligenz (KI) betrachtet. KI ist der breitere Begriff für Systeme, die Aufgaben bearbeiten, die mit Wahrnehmung, Planung, Sprache, Schlussfolgern oder Entscheidung verbunden sind. Maschinelles Lernen beschreibt darin vor allem datengetriebene Verfahren, die aus Beispielen lernen.
Die Abgrenzung liegt also nicht darin, dass KI aktiv lernt und maschinelles Lernen nur passiv beobachtet. Reinforcement Learning ist selbst ein Teil des maschinellen Lernens und arbeitet mit Interaktion und Belohnungssignalen. Der Unterschied liegt eher in der Begriffsebene: KI bezeichnet das Ziel- und Anwendungsfeld, maschinelles Lernen eine wichtige Methodengruppe innerhalb dieses Feldes.
Abgrenzung zu Data Mining
Maschinelles Lernen und Data Mining verwenden viele ähnliche Methoden und überschneiden sich stark. Data Mining bezeichnet eher den Prozess der Musterentdeckung in Datenbeständen, häufig mit explorativem Fokus. Maschinelles Lernen bezeichnet eher die Verfahren, mit denen Modelle für Vorhersage, Klassifikation, Strukturentdeckung oder Entscheidungsunterstützung trainiert werden.
In der Praxis sind die Grenzen unscharf. Ein Clustering-Verfahren kann Teil eines Data-Mining-Projekts sein und zugleich als maschinelles Lernverfahren gelten. Die Begriffe unterscheiden vor allem Perspektive und Zielsetzung, nicht immer die konkrete Methode.
Unterschied zur traditionellen Programmierung
Bei der traditionellen Programmierung schreiben Entwickler explizite Regeln, Datenstrukturen und Abläufe. Ein einfacher Spam-Filter könnte beispielsweise bestimmte Wörter, Absender oder Zeichenkombinationen prüfen. Dieser Ansatz ist gut kontrollierbar, stößt aber bei Aufgaben an Grenzen, bei denen Muster zahlreich, veränderlich oder schwer formal zu beschreiben sind.
Maschinelles Lernen verschiebt einen Teil dieser Arbeit in die Daten. Statt jede Regel explizit zu formulieren, lernt ein Algorithmus aus Beispielen. Ein Spam-Filter kann aus vielen als Spam oder normal klassifizierten E-Mails Muster ableiten und neue E-Mails entsprechend bewerten.
Praktisch werden beide Ansätze oft kombiniert. ML-Modelle laufen in klassischer Software, nutzen Regeln für Vor- und Nachverarbeitung und werden durch Tests, Schwellenwerte, Monitoring und menschliche Freigaben eingebettet. Maschinelles Lernen ersetzt Programmierung also nicht, sondern ergänzt sie um datengetriebene Modellbildung.
Historische Einordnung des Begriffs
Die Entwicklung des maschinellen Lernens lässt sich in mehrere Phasen einteilen. Dabei veränderten sich sowohl die technischen Möglichkeiten als auch das Begriffsverständnis.
Frühe Grundlagen (1940er-1950er Jahre)
Die konzeptionellen Wurzeln entstanden mit McCulloch und Pitts' Modell künstlicher Neuronen 1943. Der Begriff Künstliche Intelligenz wurde 1956 auf der Dartmouth-Konferenz geprägt, während Frank Rosenblatt 1957 das erste lernfähige Perceptron entwickelte.
In dieser Phase existierte noch keine klare begriffliche Trennung zwischen künstlicher Intelligenz und maschinellem Lernen. Das Begriffsverständnis konzentrierte sich auf symbolische Verfahren und explizite Regelbasierung als Grundlage intelligenten Verhaltens.
Entstehung des Machine-Learning-Begriffs (1960er Jahre)
Arthur Samuel prägte 1959 erstmals explizit den Begriff Machine Learning durch sein Checkers-Programm, das seine Spielstärke durch Erfahrung verbesserte. Er definierte maschinelles Lernen als Fähigkeit eines Computers, ohne explizite Programmierung zu lernen.
Das damalige Begriffsverständnis verstand Lernen primär als Leistungsverbesserung durch Erfahrung. Maschinelles Lernen wurde noch als Teilgebiet der allgemeinen KI-Forschung betrachtet, ohne eigenständige methodische Abgrenzung.
KI-Winter und statistische Wende (1970er-1980er Jahre)
Nach übertriebenen Erwartungen erlebte die KI-Forschung in den 1970ern einen ersten Winter. Gleichzeitig entstanden wichtige theoretische Grundlagen: Der Backpropagation-Algorithmus wurde 1986 entwickelt, während Expertensysteme die praktische KI-Landschaft dominierten.
Das Begriffsverständnis verlagerte sich durch enttäuschte Erwartungen: Maschinelles Lernen galt eher als Randgebiet, während sich viel Aufmerksamkeit auf explizite Wissensrepräsentation und regelbasierte Systeme richtete. Lernverfahren wurden häufig als Hilfsmittel zur automatischen Wissensakquisition verstanden.
Eigenständige Disziplin (1990er Jahre)
In den 1990er Jahren löste sich maschinelles Lernen konzeptionell von den ursprünglichen KI-Zielen und entwickelte sich zu einer eigenständigen Forschungsdisziplin: Statt einer allgemeinen künstlichen Intelligenz fokussierte sich maschinelles Lernen auf datengetriebene, praktische Problemlösungen. Die Abgrenzung zur symbolischen KI wurde bewusst vollzogen - maschinelles Lernen verstand sich als empirische, statistische Disziplin.
Parallel entwickelte sich Knowledge Discovery in Databases (KDD) als formalisierter Prozess zur systematischen Wissensentdeckung, der Data Mining als zentralen Analyseschritt einschloss. Data Mining und KDD konzentrierten sich dabei vor allem auf das Aufdecken neuer Muster in Daten, während maschinelles Lernen eher das Erlernen bekannter Muster mit dem Ziel einer Automatisierung verfolgte.
Diese Entwicklung hing auch mit den vorausgegangenen KI-Wintern zusammen. Der Begriff künstliche Intelligenz verlor zeitweise an Attraktivität, während statistische und empirische Verfahren an Bedeutung gewannen.
Big Data und angewandte Analyse (2000er Jahre)
Die Verfügbarkeit großer Datenmengen und verteilter Rechenkapazitäten durch das Internet erweiterte die Anwendungsfelder. Maschinelles Lernen wurde stärker als Werkzeug für die Analyse großer Datenmengen wahrgenommen, häufig unter dem Schlagwort Big Data.
Der Bereich Business Intelligence integrierte zunehmend maschinelle Lernverfahren für prädiktive Analysen und Vorhersagemodelle. Der Fokus lag auf geschäftlichen Entscheidungen und strategischen Erkenntnissen, während maschinelles Lernen die methodischen und algorithmischen Grundlagen lieferte.
Die begrifflichen Grenzen zu Data Mining und angewandter Statistik verschwammen zunehmend, in der Öffentlichkeit wurden die Begriffe Machine Learning, Data Mining, Business Intelligence und Big Data zunehmend in einen Topf geworfen.
Deep Learning ab den 2010er Jahren
Der ImageNet-Wettbewerb 2012 markierte den Aufstieg tiefer neuronaler Netze. AlphaGos Sieg gegen den Weltmeister 2016 und die Transformer-Architektur 2017 veränderten das Feld.
Das Begriffsverständnis veränderte sich erneut: Nun wurde "maschinelles Lernen" oft synonym für Deep Learning verwendet. Kurioserweise führte dieser Erfolg auch zur Wiederbelebung des KI-Begriffs, der bis dahin nur noch ein Nischendasein fristete. Viele Anwendungen wurden wieder als "künstliche Intelligenz" vermarktet.
Moderne Entwicklungen (2020er Jahre)
Large Language Models haben das öffentliche Verständnis erneut verändert und den Begriff Künstliche Intelligenz wieder stärker in den Vordergrund gerückt. Transformer-basierte Sprachmodelle zeigen Fähigkeiten, die früher nicht mit klassischen ML-Anwendungen verbunden wurden, etwa flexible Textgenerierung, Dialog und Code-Unterstützung.
Ähnlich wie bei Big Data bezeichnet maschinelles Lernen heute häufig die methodischen und algorithmischen Grundlagen, während KI stärker als Anwendungs- und Produktbegriff verwendet wird. Methodisch bleiben viele aktuelle KI-Systeme Teil der ML- und Deep-Learning-Linie.
Fazit
Maschinelles Lernen verschiebt einen Teil der Problemlösung von explizit programmierten Regeln hin zu aus Daten gelernten Modellen. Diese Verfahren eignen sich besonders für Aufgaben, bei denen Muster vorhanden sind, aber schwer vollständig von Hand beschrieben werden können.
Im aktuellen Verständnis wird der Begriff sowohl für spezifische Verfahren als auch für lernende Systeme allgemein verwendet. Da letzteres mit dem breiteren KI-Begriff konkurriert, bezeichnet maschinelles Lernen meist wieder die Ansätze, Algorithmen und Trainingsverfahren.
Im folgenden Artikel dieser Serie werden die verschiedenen Kategorien maschineller Lernverfahren und ihre charakteristischen Eigenschaften vorgestellt. Sie bilden die Grundlage vieler datengetriebener KI-Anwendungen.