Überwachtes Lernen
Das Verfahren bekommt Beispiele mit richtiger Antwort, etwa E-Mails mit bekannter Kategorie, und lernt, neue Mails einzuordnen.
Glossar
Maschinelles Lernen:
Muster aus Daten statt feste Regeln.
Maschinelles Lernen ist das Verfahren hinter fast jeder modernen KI. Es erklärt, warum Qualität und Menge der Daten so wichtig sind und warum ein System nur so gut ist wie seine Beispiele.
Kurz gesagtMaschinelles Lernen (ML) ist ein Teilgebiet der KI: Ein Verfahren findet in Beispieldaten Muster und wendet sie auf neue Fälle an, ohne dass jemand alle Regeln einzeln programmiert. Daten und Beispiele bestimmen die Qualität.
Was maschinelles Lernen bedeutet
Klassische Software besteht aus Regeln, die ein Mensch schreibt: Wenn die Rechnung älter als 14 Tage ist, dann Mahnung. Bei maschinellem Lernen ist es umgekehrt. Man gibt dem Verfahren viele Beispiele mit bekanntem Ausgang und lässt es selbst herausfinden, welche Merkmale zum Ergebnis führen. Das Ergebnis dieses Trainings ist ein Modell, das auf neue, unbekannte Fälle angewendet wird.
Der Ansatz lohnt sich dort, wo sich Regeln schwer aufschreiben lassen. Niemand kann alle Formulierungen aufzählen, mit denen Kundinnen und Kunden eine Reklamation andeuten. Ein trainiertes Modell erkennt Ähnlichkeiten, ohne dass jede Variante vorher erfasst wurde.
Der Preis dafür ist Unschärfe. Ein Modell liefert Wahrscheinlichkeiten, keine Gewissheiten. Deshalb bleibt bei wichtigen Entscheidungen ein Mensch im Ablauf, siehe Human in the Loop.
Drei Lernformen
Unüberwachtes Lernen
Es gibt keine Vorgabe. Das Verfahren sucht selbst Gruppen oder Auffälligkeiten, etwa ungewöhnliche Buchungen oder ähnliche Kundentypen.
Bestärkendes Lernen
Das System probiert Handlungen aus und bekommt Rückmeldung, ob sie gut waren. Es kommt eher bei Steuerung und Spielen vor als im Büroalltag.
Vortrainierte Modelle
Sprachmodelle wurden vorab auf großen Textmengen trainiert. Betriebe nutzen sie fertig und geben nur Kontext mit. Siehe Sprachmodell.
Beispiel (Belege sortieren)
Fiktives Beispiel, kein Kundenfall.
Ein Steuerbüro erhält Belege in verschiedenen Formaten. Ein ML-Modell wurde darauf trainiert, Dokumente in Rechnung, Quittung, Kontoauszug und Sonstiges einzuordnen. Es erkennt die Muster, auch bei Dokumenten, die es nie zuvor gesehen hat. Bei einem Beleg, der keiner Gruppe eindeutig ähnelt, gibt es eine niedrige Sicherheit aus, und das Dokument landet im Prüfkorb der Fachkraft.
Dieses Verhalten ist typisch und wünschenswert: Das Modell sortiert den Normalfall und meldet Unsicherheit, statt zu raten.
Für die Praxis heißt das: Die gemeldeten Unsicherheiten sind kein Mangel, sondern der Teil, an dem das Team gebraucht wird. Wer sie auswertet, erkennt, welche Belegarten das Modell noch nicht sicher zuordnet, und kann gezielt bessere Beispiele nachliefern.
Abgrenzung zu verwandten Begriffen
| Begriff | Verhältnis zu ML |
|---|---|
| Künstliche Intelligenz | Oberbegriff. ML ist der wichtigste Teilbereich, aber nicht der einzige |
| Deep Learning | ML mit mehrschichtigen neuronalen Netzen. Basis von Sprach- und Bildmodellen |
| Generative KI | ML-Modelle, die Inhalte erzeugen |
| Statistik | Verwandte Methoden, aber mit Fokus auf Erklärung statt Vorhersage |
| Regelbasierte Automatisierung | Kein ML, die Regeln schreibt ein Mensch |
Daten als Grundlage: eine kurze Prüfliste
Bevor ein Verfahren trainiert oder eingesetzt wird, lohnt der Blick auf die Datenlage.
- Sind die Beispiele aktuell und typisch für das, was künftig hereinkommt?
- Sind die Kategorien eindeutig, oder gehen zwei Mitarbeitende bei gleichen Fällen verschieden vor?
- Gibt es genügend seltene Fälle, oder kennt das Verfahren nur den Normalfall?
- Enthalten die Daten Namen, Adressen oder Gesundheitsangaben, die vor der Nutzung entfernt werden müssen?
Die zweite Frage wird unterschätzt. Wenn schon die Menschen uneinheitlich sortieren, kann ein Modell diese Uneinheitlichkeit nur wiedergeben. Eine kurze Abstimmung über Kategorien und Sonderfälle bringt mehr als jede technische Feinarbeit.
Ebenso wichtig ist eine Messlatte vor dem Start: Wie viele Fehler sind im Alltag tragbar, und wie werden sie bemerkt? Wer diese Grenze vorher festlegt, kann nach dem Test sachlich entscheiden, statt aus dem Bauch zu urteilen.
Grenzen und Risiken
- Datenqualität. Ein Modell lernt auch Fehler und Verzerrungen aus den Beispielen. Sind die Trainingsdaten einseitig, ist es das Ergebnis auch.
- Veränderung. Ändern sich Ihre Produkte oder Abläufe, passt das Gelernte nicht mehr. Nachtraining oder Anpassung wird nötig.
- Erklärbarkeit. Warum ein Modell eine Entscheidung vorschlägt, ist nicht immer nachvollziehbar. Bei Entscheidungen mit Wirkung auf Personen haben Betroffene das Recht, nicht allein einer automatisierten Entscheidung unterworfen zu werden (Art. 22 DSGVO).
- Personenbezug. Werden Modelle mit Daten von Personen trainiert oder gefüttert, gelten die Datenschutzregeln. Verarbeitet ein Dienstleister im Auftrag, braucht es einen Vertrag (Art. 28 DSGVO).
Was das für Ihren Betrieb heißt
Für Büroaufgaben im Mittelstand müssen Sie selbst kein Modell trainieren. Es genügt, vortrainierte Modelle zu nutzen und ihnen Ihre Regeln und Unterlagen mitzugeben. Eigenes Training lohnt sich in Sonderfällen mit sehr speziellen Daten. Mehr dazu unter Fine-Tuning.
Wichtig ist, was Sie selbst beitragen können: saubere Beispiele, klare Kategorien und jemand, der Fehler meldet. Diese Arbeit macht den Unterschied. Eine Einschätzung, wo ML-gestützte Automatisierung bei Ihnen ansetzt, liefert der Entlastungs-Check. Unsere Leistungen dazu: Prozess-Automatisierung.
Beginnen Sie mit einem Vorgang, bei dem ein Fehler gut aufzufangen ist und für den Sie schon heute Beispiele besitzen: abgeschlossene Fälle mit bekanntem Ausgang. Daran lässt sich messen, ob ein Verfahren besser sortiert als die bisherige Handarbeit, bevor es im Alltag mitläuft.
Weitere Fragen aus der Praxis
Wie viel Genauigkeit ist im Büroalltag nötig?
Das bestimmt der Schaden eines Fehlers. Bei der Vorsortierung von Belegen genügt eine Quote, bei der Korrekturen bequem möglich sind. Bei Zahlungen oder Zusagen verlangen wir Freigabe durch Menschen, unabhängig von der Trefferquote des Modells.
Häufige Fragen
Brauche ich viele Daten für maschinelles Lernen?
Zum Trainieren eigener Modelle ja. Wer vortrainierte Sprachmodelle nutzt, braucht dagegen vor allem gut gepflegte Unterlagen und einige Beispiele, an denen sich Qualität prüfen lässt.
Ist maschinelles Lernen dasselbe wie KI?
Nein, es ist ein Teilbereich. Sprach- und Bildmodelle beruhen darauf, aber nicht jedes KI-Verfahren ist maschinelles Lernen.
Kann ein Modell dazulernen, während es läuft?
Das hängt vom System. Eingesetzte Sprachmodelle lernen im Betrieb nicht von selbst. Änderungen entstehen durch bewusste Anpassung von Regeln und Unterlagen.
Wie erkenne ich, ob ein Modell gut genug ist?
Prüfen Sie es an realen Fällen, die es nicht gesehen hat, und zählen Sie, wie viele Ergebnisse korrigiert werden müssen. Genau dafür dient der Pilot.
Was ist der Unterschied zwischen Training und Einsatz?
Beim Training lernt das Verfahren aus Beispielen und stellt seine inneren Gewichte ein. Beim Einsatz wendet es das Gelernte auf neue Fälle an, ohne sich dabei zu verändern. Wollen Sie, dass sich das Verhalten ändert, muss das Modell neu trainiert oder die Eingabe angepasst werden. Das geschieht bewusst und wird getestet.
Quellen und rechtlicher Rahmen
- DSGVO, Art. 22 (automatisierte Entscheidungen): Betroffene haben das Recht, nicht einer ausschließlich automatisierten Entscheidung unterworfen zu werden, die ihnen gegenüber rechtliche Wirkung entfaltet oder sie ähnlich erheblich beeinträchtigt. (abgerufen 21. Oktober 2026)
- DSGVO, Art. 28 (Auftragsverarbeiter): Verarbeitet ein Dienstleister personenbezogene Daten im Auftrag, arbeitet der Verantwortliche nur mit Auftragsverarbeitern, die hinreichende Garantien für geeignete technische und organisatorische Maßnahmen bieten. Die Verarbeitung folgt einem Vertrag, der unter anderem Gegenstand, Dauer, Art und Zweck festlegt. (abgerufen 21. Oktober 2026)
Die Zusammenfassungen sind sinngemäß; maßgeblich sind die verlinkten Originaltexte. Das ist ein allgemeiner Überblick zu Ihrem Umfeld, keine Rechtsberatung und keine Aussage zu Ihrem Einzelfall.
Autor: Melvin Mümken, Gründer & Technischer Leiter. Stand: 22.10.2026. Die Hinweise sind ein allgemeiner Überblick und keine Rechtsberatung.