Überwachtes und unüberwachtes Lernen: Unterschied und Beispiele

Was sind überwachtes und unüberwachtes Lernen und wie unterscheiden sie sich?

Überwachtes Lernen trainiert ein Modell mit Paaren aus Eingaben und richtigen Antworten (Labels), damit es für neue Eingaben die Antwort vorhersagt. Unüberwachtes Lernen kommt ohne Labels aus; das Modell sucht in den Daten selbst nach Gruppen, Mustern und auffälligen Einträgen. Kurz gesagt: Beim ersten Ansatz kennen Sie die Lösung, beim zweiten zeigt Ihnen der Datenbestand seine Struktur.

Zunächst erklärt dieser Leitfaden beide Ansätze in einfacher Sprache. Danach behandeln wir Aufgabentypen, Beispiele aus Unternehmen, die Kosten des Labelings und eine Checkliste für die Wahl. So finden sowohl Einsteiger als auch technisch versierte Leser etwas Nützliches.

Zudem sind alle Beispiele Beispielszenarien. Deshalb nennen wir weder echte Kundenergebnisse noch gemessene Erfolgsquoten.

Der Beitrag richtet sich an Führungskräfte, Marketing und Produktteams sowie an Entwickler am Anfang. Daher finden Sie hier keine Formeln und keinen Code. Stattdessen sprechen wir über Konzepte, Beispiele und Entscheidungen.

Wie lassen sich beide Ansätze mit einem einfachen Vergleich verstehen?

Stellen Sie sich zwei Küchenlehrlinge vor. Der Küchenchef legt dem ersten Lehrling neben jeden Teller einen Zettel: „zu salzig", „ausgewogen", „fade". Dann probiert der Lehrling nach Hunderten von Tellern ein neues Gericht und rät die Note selbst. Das ist also genau überwachtes Lernen.

Andererseits bekommt der zweite Lehrling keine Zettel, nur eine Kiste mit Zutaten. Deshalb ordnet er ähnliche Gerüche und Konsistenzen zusammen und baut Regale. Denn niemand sagt ihm, wie ein Regal heißt. Daher beschreiben wir unüberwachtes Lernen als das Finden von Struktur in Daten.

Vor allem zählt das Ziel. Zum Beispiel nähert sich der erste Lehrling einem Ziel, das der Chef vorgegeben hat. Der zweite Lehrling achtet auf Ähnlichkeit, ohne ein Ziel zu kennen. Folglich lässt sich Erfolg im ersten Fall leicht messen, im zweiten Fall brauchen Sie Interpretation.

Wie funktioniert überwachtes Lernen?

Konkret hat der Ablauf vier gedankliche Schritte. Zunächst bereiten Sie einen Datensatz mit Labels vor. Dann zeigen Sie dem Modell die Beispiele und lassen es Vorhersagen treffen. Liegt die Vorhersage daneben, dann passt das Modell seine inneren Einstellungen an, um den Fehler zu verkleinern. Schließlich prüfen Sie das Modell mit Beispielen, die es im Training nie gesehen hat.

• Merkmale (Features): Die Eingabeinformationen, die das Modell betrachtet, etwa die Wörter einer E-Mail oder der Betrag einer Bestellung.
• Label: Die richtige Antwort, die das Modell vorhersagen soll, etwa „Spam" oder „kein Spam".
• Trainingsdaten: Die Beispiele mit Label, aus denen das Modell lernt.
• Validierungs- und Testdaten: Beispiele, die das Modell noch nicht kennt und mit denen wir die Verallgemeinerung messen.

Zunächst berechnet das Modell während des Trainings nach jeder Vorhersage seinen Fehler. Diesen Fehler nennt man also Verlust. Danach verändert das Modell seine Einstellungen in kleinen Schritten, damit der Verlust sinkt. Allerdings ist das Ziel nicht, die Trainingsdaten auswendig zu lernen. Vielmehr soll das Modell auch bei neuen Beispielen gut vorhersagen; das nennen wir Generalisierung.

Außerdem beschreibt das Glossar von Google zum maschinellen Lernen überwachtes Lernen als Training mit Beispielen, die ein Label tragen. Deshalb finden Sie die Quelle am Ende dieses Beitrags.

Was ist der Unterschied zwischen Klassifikation und Regression?

Überwachtes Lernen kennt also zwei Hauptaufgaben. Bei der Klassifikation sagt das Modell eine feste Kategorie voraus. Bei der Regression sagt es eine kontinuierliche Zahl voraus. Somit entscheidet die Art Ihres Labels, welche Aufgabe Sie brauchen.

Manchmal sehen die beiden Aufgaben ähnlich aus. Zum Beispiel ist „Bestellt dieser Kunde erneut?" eine Klassifikation. Dagegen ist „Wie viel gibt dieser Kunde beim nächsten Einkauf aus?" eine Regression. Wenn Sie diese Frage früh klären, wählen Sie daher leichter den passenden Algorithmus und die passende Kennzahl.

Wie funktioniert unüberwachtes Lernen?

Zunächst gilt: Beim unüberwachten Lernen trägt der Datensatz keine Labels. Dann misst das Modell, wie ähnlich oder verschieden die Einträge sind. Anschließend nutzt es diese Maße, um Gruppen, Achsen oder Ausreißer zu finden. Weil es keine richtige Antwort gibt, können Sie nicht einfach fragen, wie viel Prozent stimmen.

Vor allem Abstandsmaße spielen dabei eine zentrale Rolle. Läuft eine Spalte in Hunderttausenden und eine andere zwischen null und eins, dann erdrückt die große Spalte das Ergebnis. Deshalb gehört das Angleichen der Skalen zu den ersten Aufgaben in einem unüberwachten Projekt.

Lesen Sie das Ergebnis daher als Hypothese. Das Modell sagt: „Diese 400 Kunden ähneln einander." Es sagt nicht: „Das sind Ihre treuen Kunden." Die Bedeutung der Gruppe gibt ein Mensch mit Fachwissen.

Zudem beschreibt der Leitfaden von scikit-learn unüberwachte Methoden als Werkzeuge, die ohne Zielvariable die Struktur der Daten erkunden. Anders gesagt: Im Kern geht es um Entdeckung, die Vorhersage steht an zweiter Stelle.

Was leisten Clustering, Dimensionsreduktion und Anomalieerkennung?

Konkret hat unüberwachtes Lernen drei verbreitete Aufgaben. Jede beantwortet allerdings eine andere Frage.

• Clustering: Es fasst ähnliche Einträge zu Gruppen zusammen. Zum Beispiel gruppieren Sie Besucher nach ihrem Verhalten.
• Dimensionsreduktion: Sie fasst viele Spalten mit wenigen zusammen. Somit lassen sich Daten leichter darstellen, und Rauschen sinkt.
• Anomalieerkennung: Sie markiert Einträge, die das übliche Muster brechen. Zum Beispiel fällt Ihnen ungewöhnliche Aktivität in einem Serverprotokoll auf.

Zum Beispiel bei der Anomalieerkennung: Das Modell lernt das normale Besuchsmuster aus den Serverprotokollen einer Website. Dann sendet eines Tages eine einzige Adresse Hunderte Anfragen pro Sekunde. Folglich findet das Modell das ungewöhnlich. Danach prüft ein Mensch, ob es ein harmloser Suchroboter oder feindlicher Datenverkehr ist.

Ergebnisse des Clusterings hängen von Entscheidungen ab, etwa von der Gruppenzahl oder vom Abstandsmaß. Deshalb sollten Sie einen einzelnen Lauf nicht als endgültig ansehen. Probieren Sie stattdessen mehrere Einstellungen aus und prüfen Sie die Gruppen gemeinsam mit dem Fachbereich.

Bei Anomalien gilt zudem eine ähnliche Warnung. Ein markierter Eintrag ist nicht automatisch falsch, denn er ist nur ungewöhnlich. Folglich sollte die letzte Entscheidung bei einer Fachperson bleiben.

Welche Algorithmenfamilien nutzen überwachtes und unüberwachtes Lernen?

Sie müssen also keine Algorithmennamen auswendig lernen. Trotzdem hilft das Wissen über die Familien in Besprechungen. Denn jede Familie arbeitet anders und passt zu anderen Daten.

• Lineare Modelle: Sie suchen einen geraden Zusammenhang zwischen Eingaben und Ergebnis. Sie laufen schnell und sind leicht zu deuten.
• Entscheidungsbäume und Ensembles: Sie teilen die Daten Frage für Frage auf. Ensembles kombinieren viele Bäume und sind deshalb sehr beliebt.
• Nächste Nachbarn: Sie beurteilen ein neues Beispiel anhand der ähnlichsten früheren Beispiele.
• Neuronale Netze: Sie lernen komplexe Muster Schicht für Schicht. Vor allem bei Bild und Textdaten sind sie weit verbreitet.

Andererseits gibt es auf der unüberwachten Seite eine ähnliche Landkarte. Verfahren wie k-means bilden Gruppen um Mittelpunkte. Hierarchisches Clustering schachtelt Gruppen wie einen Baum. Dichtebasierte Verfahren zählen dichte Bereiche als Cluster. Bei der Dimensionsreduktion pressen Techniken wie PCA viele Spalten auf wenige Achsen.

Bei der Wahl der Familie entscheidet zuerst die Datenmenge, danach Ihr Bedarf an Nachvollziehbarkeit. Zum Beispiel reicht für kleine Tabellendaten oft ein einfaches Modell. Vergleichen Sie daher immer zuerst mit einer einfachen Basislösung, bevor Sie zu einem komplexen Modell greifen.

Wie beeinflussen Datenqualität und Datenmenge das Ergebnis?

Denn überwachtes und unüberwachtes Lernen hängen beide von den Daten selbst ab. Ein Modell, das mit lückenhaften, falschen oder unausgewogenen Daten trainiert, liefert schwache Ergebnisse, egal wie fortgeschritten es ist. Darum fließt der größte Teil der Projektzeit in die Datenvorbereitung.

• Abdeckung: Die Daten sollten die Situationen enthalten, die das Modell im Betrieb antrifft.
• Balance: Ist eine Klasse selten, neigt das Modell dazu, sie zu ignorieren.
• Einheitlichkeit: Steht dieselbe Information in verschiedenen Formaten, hält das Modell sie für verschiedene Dinge.
• Datenleck: Informationen, die Sie zum Zeitpunkt der Vorhersage nicht haben, gehören nicht ins Training.

Allerdings gibt es für die Menge keine feste Grenze. Ein einfaches Problem kommt mit wenigen Daten aus, ein komplexes braucht dann viele. Deshalb zeigt ein kleiner Pilot samt Blick auf die Lernkurve, ob sich mehr Daten lohnen.

Was ist ein Label und warum ist der Aufwand für das Labeling wichtig?

Kurz gesagt ist ein Label die richtige Antwort zu einem Beispiel. Das Wort „Katze" unter einem Foto oder „negativ" neben einer Bewertung sind Labels. Daher hängt beim überwachten Lernen die Qualität stark von der Qualität der Labels ab.

In der Praxis ist das Labeling in vielen Projekten der teuerste und langsamste Posten. Denn es braucht menschliche Arbeit, klare Richtlinien und Prüfrunden. Geben zwei Personen demselben Beispiel unterschiedliche Labels, dann lernt das Modell aus widersprüchlichen Daten.

• Schreiben Sie zunächst die Labeling Richtlinie auf und ergänzen Sie sie mit Beispielen.
• Lassen Sie danach mehrere Personen dieselbe Stichprobe bearbeiten und prüfen Sie die Abweichungen.
• Starten Sie also mit einer kleinen Stichprobe und sehen Sie, ob das Modell überhaupt hilft.
• Messen Sie schließlich, ob weitere Labels weiterhin Nutzen bringen.

Sind Labels teuer, dann haben Sie drei Optionen. Sie können Verfahren nutzen, die mit weniger Labels auskommen, einen unüberwachten Vorschritt einbauen oder mit großen vortrainierten Modellen starten. Wir behandeln sie daher der Reihe nach.

Was ist teilüberwachtes Lernen?

Kurz gesagt nutzt teilüberwachtes Lernen wenige Beispiele mit Label zusammen mit vielen Beispielen ohne Label. Die Idee ist einfach: Auch Daten ohne Label tragen Hinweise auf die Form der Daten. Das Modell nutzt diese Hinweise also, um trotz weniger Labels besser zu verallgemeinern.

Angenommen, Sie haben viele Supporttickets, aber nur wenige tragen ein Themenlabel. Das Modell startet bei den wenigen Labels und verknüpft dann die übrigen Tickets über Ähnlichkeit. Der Leitfaden von scikit-learn widmet diesem Ansatz einen eigenen Abschnitt.

Zum Beispiel passt auch die Dokumentklassifikation. Konkret haben Sie vielleicht einige hundert Verträge mit Label und Tausende ohne. Ein teilüberwachter Ansatz lernt auch aus der Sprachstruktur der unbeschrifteten Dokumente und versucht so, den Bedarf an Labels zu senken.

Allerdings ist die Methode kein Zauber. Sind die beschrifteten Beispiele falsch oder nicht repräsentativ, dann überträgt sich der Fehler auf die Daten ohne Label. Daher braucht auch ein teilüberwachtes Projekt einen kleinen, sorgfältig gesammelten Kern mit Labels.

Was ist selbstüberwachtes Lernen und welche Rolle spielt es bei großen Modellen?

Beim selbstüberwachten Lernen liefert kein Mensch das Label. Stattdessen erzeugen die Daten es aus sich selbst. Zum Beispiel verdecken Sie ein Wort eines Satzes und lassen das Modell es raten. Die Antwort steht schon im Text, deshalb ist keine Handarbeit nötig.

Konkret bei Bildern: Sie decken eine Ecke eines Bildes ab und bitten das Modell, den fehlenden Teil zu erraten. Die Antwort steckt im Bild, also schreibt niemand ein Label. Somit gewinnt das Modell aus sehr vielen Bildern allgemeines visuelles Wissen.

Diese Idee bildet daher die Grundlage großer vortrainierter Sprach und Bildmodelle. Zunächst lernt das Modell breite Muster aus riesigen Datenmengen ohne Label. Dann passt es sich mit kleinen Datensätzen mit Label an eine Aufgabe an. Diesen Anpassungsschritt haben wir in unserem Beitrag zu Fine Tuning und LoRA erklärt.

Zusammengefasst baut Selbstüberwachung eine Brücke zwischen beiden Welten. Die Aufgabe ist also überwacht (sage das voraus), die Quelle des Labels sind aber Daten ohne Label. Mehr Hintergrund finden Sie in unserem Beitrag zu Deep Learning und neuronalen Netzen.

Wie unterscheidet sich Reinforcement Learning von beiden?

Andererseits gibt es beim Reinforcement Learning weder beschriftete Beispiele noch einen festen Datensatz. Ein Agent handelt in einer Umgebung und erhält Belohnung oder Strafe. Mit der Zeit entwickelt er dann eine Strategie, die die Belohnung erhöht.

Zusammengefasst sieht der Unterschied so aus. Überwachtes Lernen sagt: „Die Antwort auf diese Eingabe ist diese." Unüberwachtes Lernen sagt: „Diese Einträge ähneln sich." Reinforcement Learning sagt: „Dieser Zug hat sich gelohnt."

Auch die Datenerhebung ist anders. Der Agent erzeugt Daten durch Ausprobieren, deshalb ist in vielen Projekten eine sichere Simulation Voraussetzung. Das Ausprobieren an echten Kunden birgt allerdings Risiken.

Weil wir das Thema in einem eigenen Beitrag behandeln, gehen wir hier nicht tiefer. Lesen Sie daher gern weiter in unserem Leitfaden zu Reinforcement Learning. Für eine weitere Familie generativer Modelle gibt es außerdem unseren Beitrag zu GANs.

Wie vergleichen sich überwachtes und unüberwachtes Lernen in einer Tabelle?

Die Tabelle stellt die drei Hauptansätze zunächst nach denselben Kriterien nebeneinander. Außerdem finden Sie in der letzten Zeile die verwandten Verfahren teilüberwacht und selbstüberwacht.

Aus der Tabelle folgt ein gemeinsames Fazit. Überwachtes und unüberwachtes Lernen sind keine Rivalen, und Reinforcement Learning ergänzt sie als dritte Option; sie beantworten verschiedene Fragen. Außerdem können Sie im selben Projekt mehrere Ansätze kombinieren.

Wie funktioniert überwachtes Lernen bei einem Spamfilter?

Zunächst zur Einordnung: Das ist ein Beispielszenario. Angenommen, ein Unternehmen möchte Spam aus dem Posteingang filtern. Sie haben frühere Mails, die Sie mit „Spam" oder „kein Spam" beschriftet haben. Das ist somit Ihr Datensatz mit Labels.

1. Zunächst ziehen Sie Merkmale aus den Mails, etwa Wörter, Linkanzahl und Absendersignale.
2. Dann teilen Sie die Daten in Trainings und Testdaten.
3. Danach trainieren Sie ein Klassifikationsmodell mit den Trainingsdaten.
4. Schließlich prüfen Sie mit den Testdaten, welchen Spam das Modell übersehen und welche normale Post es fälschlich markiert hat.
5. Zudem stellen Sie die Entscheidungsschwelle passend zum Bedarf des Unternehmens ein.

Allerdings wiegen die beiden Fehlerarten nicht gleich. Eine wichtige Kundenmail als Spam zu markieren, kostet meist mehr, als eine Spammail durchzulassen. Deshalb sollte der Fachbereich bei der Schwelle mitentscheiden, nicht nur das technische Team.

Zudem zeigen sich hier auch die Kosten des Labelings. Tausende Mails von Hand zu markieren, dauert lange; deshalb lohnt sich ein Blick auf vorhandene Signale. Die Einträge, die Mitarbeitende mit einem Knopf „Als Spam melden" erzeugen, können eine kostenlose Quelle für Labels sein. Allerdings können auch diese Labels falsch sein, denn jemand könnte einen Newsletter versehentlich melden.

Außerdem ändern Spammer mit der Zeit ihren Stil. Aktualisieren Sie das Modell daher regelmäßig mit neuen Daten mit Label.

Wie nutzen Sie unüberwachtes Lernen für die Kundensegmentierung?

Zunächst gilt auch hier: Das ist ein Beispielszenario. Ein Onlineshop hat Felder wie Bestellhäufigkeit, durchschnittlichen Warenkorbwert und Datum des letzten Kaufs. Sie wissen nicht, welche Kundengruppen es gibt, wollen es allerdings herausfinden.

1. Zunächst bringen Sie die Felder auf eine gemeinsame Skala.
2. Dann wählen Sie ein Clusterverfahren und probieren mehrere Gruppenzahlen.
3. Danach betrachten Sie die Durchschnittswerte jeder Gruppe und geben ihr eine geschäftliche Bedeutung.
4. Schließlich entwickeln Sie für jede Gruppe eine eigene Botschaft oder Kampagnenidee.

Zum Beispiel kann ein Cluster „selten, aber großer Warenkorb" heißen und ein anderer „häufig, aber kleiner Warenkorb". Diese Namen vergibt also das Team, das das Geschäft kennt, nicht die Person, die das Modell gebaut hat. Der Unterschied ist wichtig, denn das Modell liefert nie einen Gruppennamen.

In der Praxis ist der häufigste Fehler nach der Segmentierung, allen Gruppen dieselbe Botschaft zu schicken. Stattdessen sollen Sie die Unterschiede in Entscheidungen übersetzen. Zum Beispiel können Sie für die Gruppe mit häufigen kleinen Körben ein Paketangebot testen und für die seltene Gruppe mit großen Körben eine Erinnerung. Prüfen Sie daher jede Annahme mit einem kleinen Test.

Den Wert Ihrer Segmente können Sie mit der Logik aus unserem Beitrag zum Customer Lifetime Value beurteilen.

Wie erstellen Sie mit überwachtem Lernen eine Absatzprognose?

Dies ist ein Beispielszenario und ein Fall für Regression. Ein Geschäft führt seine vergangenen Wochenumsätze, den Kampagnenkalender und die Feiertage. Das Ziel ist also, den Absatz der nächsten Woche vorherzusagen.

• Label: Die Absatzmenge, die in der Vergangenheit tatsächlich eintrat.
• Merkmale: Woche, Kampagnenstatus, Lagerbestand, Saisoneffekt.
• Modell: Ein Regressionsverfahren.
• Kennzahl: Die Abweichung zwischen Prognose und Wirklichkeit.

Konkret ist die Zeit hier ein kritischer Punkt. Weil Sie die Zukunft vorhersagen, teilen Sie die Testdaten nach der Zeitfolge und nicht zufällig. Sonst sieht das Modell glänzend aus, weil es in die Zukunft geschaut hat, und scheitert dann im echten Betrieb.

Außerdem hilft es, neben der Prognose die Unsicherheit zu zeigen. „Wir erwarten einen Bereich dieser Größe" unterstützt Lagerentscheidungen daher besser als eine einzelne Zahl. Denn im echten Leben bringen Kampagnen, Wetter oder Lieferverzug Überraschungen, die das Modell nie sah.

Wie Sie Prognosen in Berichte überführen, zeigt unsere KI Lösung für Reporting.

Wie messen Sie den Erfolg eines überwachten Modells?

Beim überwachten Lernen können Sie messen, weil die richtige Antwort bekannt ist. Bei der Klassifikation betrachten Sie zum Beispiel Genauigkeit, Präzision und Trefferquote. Bei der Regression betrachten Sie stattdessen die Größe des Vorhersagefehlers. Welche Kennzahl passt, hängt also von der geschäftlichen Frage ab.

Allerdings ist die eigentliche Falle das Auswendiglernen. Ein Modell, das im Training sehr gut und bei neuen Daten schlecht abschneidet, hat also überangepasst. Das haben wir in unserem Beitrag zu Overfitting ausführlich erklärt.

Vor allem bei der Klassifikation ist eine Konfusionsmatrix sehr nützlich. Sie zeigt getrennt, was das Modell richtig erkannt, was es übersehen und was es fälschlich markiert hat. Somit erhalten Sie ein viel reicheres Bild als mit einer einzelnen Prozentzahl.

• Nutzen Sie die Testdaten niemals während des Trainings.
• Verlassen Sie sich nicht auf eine Kennzahl, sondern prüfen Sie jede Fehlerart einzeln.
• Sehen Sie sich Beispielgruppen, bei denen das Modell schwach ist, von Hand an.
• Beobachten Sie die Leistung auch nach dem Livegang weiter.

Wie bewerten Sie Ergebnisse des unüberwachten Lernens?

Die Bewertung ist indirekter, weil es keine richtige Antwort gibt. Drei Wege stechen heraus: interne Kennzahlen, Prüfung durch Fachleute und geschäftliches Ergebnis.

• Interne Kennzahlen: Sie zeigen, wie dicht ein Cluster ist und wie weit Cluster auseinanderliegen. Allein reichen sie allerdings nicht.
• Prüfung durch Fachleute: Eine Person mit Fachwissen liest die Gruppen anhand von Beispieleinträgen und sagt, ob sie Sinn ergeben.
• Geschäftliches Ergebnis: Sie testen in einem kleinen Versuch, ob eine unterschiedliche Behandlung der Segmente das Ergebnis verbessert.

In einem unüberwachten Projekt fallen „Das Modell ist fertig" und „Der Geschäftsnutzen ist belegt" daher nicht auf denselben Tag. Wer diesen Abstand früh im Projektplan einträgt, vermeidet somit spätere Enttäuschung.

Welches von überwachtem und unüberwachtem Lernen sollten Sie wählen?

Die Wahl hängt also von Ihren Daten und von der Frage ab, die Sie beantworten wollen. Die folgende Checkliste bietet daher einen schnellen Weg zur Entscheidung.

1. Haben Sie ein klares Ziel, das Sie vorhersagen wollen? Wenn ja, dann schauen Sie auf überwachtes Lernen.
2. Haben Sie die richtige Antwort für dieses Ziel in der Vergangenheit festgehalten? Wenn ja, dann sind Ihre Labels bereit.
3. Haben Sie keine Labels und wollen die Daten nur verstehen? Dann beginnen Sie mit unüberwachtem Lernen.
4. Sind Labels knapp, Daten ohne Label aber reichlich? Dann erwägen Sie teilüberwachte Verfahren oder fertige vortrainierte Modelle.
5. Ist die Entscheidung aufeinanderfolgend und interaktiv, mit Belohnung und Strafe? Dann schauen Sie auf Reinforcement Learning.
6. Müssen Sie das Ergebnis erklären? Starten Sie dann mit einem einfacheren, nachvollziehbaren Modell.

Je mehr Antworten auf dieser Liste „Ja" lauten, desto stärker spricht es für überwachtes Lernen. Dennoch passt nicht jedes Projekt in eine Schublade. In vielen echten Projekten erkunden Sie zuerst unüberwacht, und Ihre Erkenntnisse münden dann in eine Aufgabe mit Labels.

Welche Fehler und Risiken treten am häufigsten auf?

In der Praxis tappen Teams nach unserer Erfahrung in dieselben wenigen Fallen. Wer sie vorher kennt, spart somit Zeit.

• Daten ohne Label für beschriftet halten: Manchmal sieht ein Feld „Status" richtig aus, wurde aber erst nach dem Ereignis ausgefüllt. Das Modell nutzt dann dieses Datenleck und zeigt einen Erfolg, den es im echten Betrieb nicht gibt.
• Die Clusterzahl nach Gewohnheit wählen: Die richtige Gruppenzahl unterscheidet sich bei jedem Datensatz.
• Mit verzerrten Labels trainieren: Steckt in früheren Entscheidungen eine Verzerrung, kopiert das Modell sie und verstärkt sie.
• Das Ergebnis nicht erklären: Verstehen Entscheider das Modell nicht, vertrauen sie ihm nicht.
• Den Datenschutz überspringen: Bei personenbezogenen Daten prüfen Sie Pflichten wie die DSGVO mit Ihrer Rechtsberatung.

Hinweis: Dieser Beitrag ist keine Rechtsberatung. Bei Entscheidungen zu personenbezogenen Daten wenden Sie sich daher an eine fachkundige Rechtsperson.

Spielen überwachtes und unüberwachtes Lernen im Zeitalter generativer KI noch eine Rolle?

Ja, überwachtes und unüberwachtes Lernen bleiben wichtig, denn viele geschäftliche Probleme sind weiterhin Vorhersage und Gruppierung. Zum Beispiel kann ein Chatmodell eine E-Mail zusammenfassen. Um aber die Bestellungen des nächsten Monats zu schätzen, ist ein eigenes Regressionsmodell oft günstiger und besser prüfbar.

Andererseits rücken die beiden Welten näher zusammen. Erstens bildet selbstüberwachtes Lernen die Basis großer Modelle. Außerdem lassen sich numerische Darstellungen, sogenannte Embeddings, mit unüberwachten Techniken wie Clustering verbinden. Diese Darstellungen haben wir in unserem Beitrag zu Embeddings erklärt.

Zudem sind Mischformen aus überwachtem und unüberwachtem Lernen verbreitet. Zum Beispiel clustern Sie zuerst Supporttickets, um die auffälligen Themen zu sehen. Danach beschriften Sie einige dieser Themen und trainieren einen überwachten Klassifikator. Somit wird die unüberwachte Entdeckung zur Vorbereitung für den überwachten Betrieb.

Fehlen Labels, dann können synthetische Daten eine Option sein. Prüfen Sie allerdings immer, ob die synthetischen Labels die Wirklichkeit abbilden.

Wie gelingt der erste Schritt im Team?

Beginnen Sie zunächst mit einer kleinen, messbaren Frage und prüfen Sie, ob überwachtes und unüberwachtes Lernen dazu passen. Verbessern Sie stattdessen eine einzelne Entscheidung, statt eine große Umstellung anzustreben. Zum Beispiel ist „eingehende Anfragen an das richtige Team leiten" ein guter erster Schritt.

1. Schreiben Sie zunächst das Problem in einem Satz auf und entscheiden Sie, ob es um Vorhersage oder Gruppierung geht.
2. Erfassen Sie danach Ihre vorhandenen Daten und Labels als Bestandsliste.
3. Beginnen Sie dann mit einer einfachen Basislösung; das komplexe Modell kann später folgen.
4. Bewerten Sie das Ergebnis schließlich gemeinsam mit dem Fachbereich.
5. Bereiten Sie sich außerdem darauf vor, die laufende Version zu beobachten und zu erneuern.

Achten Sie beim Aufbau des Teams auf drei Rollen: wer die Daten kennt, wer das Geschäft kennt und wer das Modell baut. Fehlt eine Rolle, dann beantwortet das Projekt entweder die falsche Frage oder erreicht nie den Betrieb. Zudem sollte der Fachbereich die späteren Nutzer von Anfang an einbinden.

Für den Lernweg sind unser Einstieg in Machine Learning für Anfänger und unsere Roadmap für KI mit Python gute Ausgangspunkte.

Wo finden Sie die offiziellen Quellen zu diesen Begriffen?

Um die Definitionen zu prüfen, empfehlen wir daher Primärquellen. Die folgenden Seiten stellen den Rahmen zudem kostenlos dar.

• Glossar von Google zum maschinellen Lernen: kurze Definitionen von überwacht, unüberwacht und verwandten Begriffen.
• Machine Learning Crash Course von Google: ein Kurs zu den Grundlagen in kleinen Schritten.
• Überwachte Verfahren im Leitfaden von scikit-learn: Methodenfamilien und Hinweise zur Anwendung.
• Unüberwachte Verfahren im Leitfaden von scikit-learn: Verfahren für Clustering und Dimensionsreduktion.
• Teilüberwachte Ansätze im Leitfaden von scikit-learn: Ansätze, die mit wenigen Labels arbeiten.

Allerdings können sich Bibliotheksversionen und Oberflächen mit der Zeit ändern. Prüfen Sie deshalb aktuelle Details immer auf der jeweiligen offiziellen Seite.

Wie kann unser Team Sie dabei unterstützen?

Wir von Talha Aslan und Team beginnen KI Projekte mit der geschäftlichen Frage. Zunächst klären wir gemeinsam, welche Entscheidung Sie verbessern wollen, welche Daten Sie haben und woher das Label kommen soll. Danach treffen wir die technischen Entscheidungen in diesem Rahmen.

Ob Sie ein fertiges Modell, ein kleines eigenes Modell oder nur besseres Reporting brauchen, zeigt sich oft schon im ersten Gespräch. In dieser Phase können Sie sich zudem unsere Seite zur KI Beratung ansehen.

Außerdem versprechen wir kein Ergebnis. Unser Ziel ist stattdessen ein ehrlicher, messbarer Startpunkt, der Ihnen datenbasierte Entscheidungen erleichtert.