Anstatt für jede Situation Regeln festzulegen, zeigt man einem Computer Beispiele und lässt ihn Muster erkennen. Das ist maschinelles Lernen – Algorithmen, die aus Daten lernen, um Vorhersagen zu treffen. Ein Spamfilter lernt aus Millionen von gekennzeichneten E-Mails. Ein Empfehlungssystem lernt aus den angesehenen und übersprungenen Inhalten.

Maschinelles Lernen kennt drei Hauptparadigmen. Überwachtes Lernen nutzt gelabelte Daten. Unüberwachtes Lernen erkennt Strukturen in ungelabelten Daten. Verstärkendes Lernen trainiert Agenten durch Belohnungen und Bestrafungen. Deep Learning verwendet neuronale Netze mit vielen Schichten zur Verarbeitung von Bildern, Sprache und Text.

Gängige Anwendungen

• Bilderkennung: Gesichter, Objekte, medizinische Scans
• Natürliche Sprache: Übersetzung, Chatbots, Stimmungsanalyse
• Empfehlungen: Produkte, Filme, Musik
• Betrugserkennung: Kreditkarten, Versicherungsansprüche
• Autonome Systeme: Autos, Drohnen, Roboter

Maschinelles Lernen ist leistungsstark, aber unvollkommen. Modelle können voreingenommen, fehleranfällig und schwer zu interpretieren sein. Sie benötigen große Mengen an sauberen Daten. Sie versagen auf Arten, die für Menschen offensichtlich sind. Das Gebiet entwickelt sich rasant. Die Leitplanken hingegen nicht.