Lernalgorithmus

Ein Lernalgorithmus ist eine mathematische Vorschrift, mit deren Hilfe ein Computerprogramm aus Beispieldaten Muster ableitet und daraus eigenstaendig Regeln entwickelt. Anders als klassische Software, die starr nach vorgegebenen Anweisungen arbeitet, passt ein Lernalgorithmus seine internen Parameter so lange an, bis er fuer neue, bislang unbekannte Daten moeglichst gute Ergebnisse liefert. Er bildet damit den Kern des maschinellen Lernens und letztlich auch moderner KI-Systeme.

Im Ablauf bekommt der Algorithmus zunaechst eine grosse Menge an Trainingsdaten, etwa Kundenbestellungen, Bilder oder Texte. Aus diesen Daten extrahiert er Zusammenhaenge, beispielsweise welche Merkmale auf einen wahrscheinlichen Kauf hindeuten oder welche Bildpunkte typisch fuer ein bestimmtes Objekt sind. Je nach Aufgabe kommen unterschiedliche Verfahren zum Einsatz, etwa Entscheidungsbaeume, Regressionsmodelle, Stuetzvektormaschinen oder neuronale Netze. Nach dem Training kann das fertige Modell auf neue Faelle angewendet werden, ohne dass jeder einzelne Fall vorher programmiert werden musste. Wichtig ist dabei die Qualitaet der Trainingsdaten, denn fehlerhafte oder einseitige Daten fuehren auch zu fehlerhaften Ergebnissen.

Fuer kleine und mittelstaendische Unternehmen sind Lernalgorithmen meist nicht direkt sichtbar, aber in vielen Werkzeugen bereits enthalten. Sie stecken zum Beispiel in Spamfiltern, in der Texterkennung beim Scannen von Rechnungen, in Empfehlungssystemen von Onlineshops, in der Bedarfsprognose fuer Lager und Einkauf oder in Chatbots fuer den Kundenservice. Wer Buchhaltungssoftware mit automatischer Kontierung, ein CRM mit Lead-Bewertung oder eine Personalsoftware mit Bewerberanalyse nutzt, arbeitet faktisch mit Lernalgorithmen. Eigene Modelle zu entwickeln ist fuer den Mittelstand selten noetig; in der Regel reicht es, passende fertige Loesungen auszuwaehlen und mit den eigenen Daten zu speisen.

Die Chancen liegen in Zeitersparnis, besseren Prognosen und einer staerkeren Automatisierung wiederkehrender Aufgaben. Grenzen ergeben sich dort, wo zu wenige oder schlechte Daten vorliegen, wo Entscheidungen nachvollziehbar sein muessen oder wo der Datenschutz besondere Vorsicht erfordert. Eng verwandt sind Begriffe wie Trainingsdaten, Modell und neuronales Netz.