15 Oktober 2026

Machine Learning, auf Deutsch maschinelles Lernen, bezeichnet Verfahren, bei denen Modelle anhand von Daten angepasst werden, um Muster oder Zusammenhänge für eine Aufgabe zu nutzen. Das Modell kann beispielsweise Kategorien zuordnen, Zahlenwerte schätzen oder ungewöhnliche Beobachtungen erkennen. Es erhält nicht für jeden möglichen Einzelfall eine ausdrücklich programmierte Entscheidungsregel. Seine Eignung muss an Daten geprüft werden, die den späteren Einsatz sinnvoll repräsentieren.

Wie funktioniert maschinelles Lernen?

Ein Modell verarbeitet Eingangsmerkmale und erzeugt ein Ergebnis. Bei einer Prognose der Bearbeitungsdauer könnten Produktvariante, Losgröße und Maschinenzustand als Eingaben dienen. Das Training passt Modellparameter anhand vorhandener Beispiele an. Die spätere Anwendung auf neue Eingaben wird häufig als Inferenz bezeichnet.

Die Güte der Anpassung an bekannte Beispiele ist nicht das eigentliche Ziel. Das Modell soll auch bei bisher nicht gesehenen, aber zum Anwendungsbereich gehörenden Fällen brauchbare Ergebnisse liefern. Diese Übertragbarkeit wird als Generalisierung bezeichnet. Ein Modell kann Trainingsdaten sehr genau abbilden und trotzdem im Betrieb schlecht abschneiden.

Machine Learning ist ein Teilgebiet der künstlichen Intelligenz. Industrial AI bezeichnet dagegen die industrielle Anwendung von KI. Sie kann maschinelles Lernen einsetzen, umfasst aber zusätzlich die Einbindung in den technischen und organisatorischen Prozess.

Welche Lernformen gibt es?

Lernform	Grundidee	Produktionsnahes Beispiel
Überwachtes Lernen	Beispiele enthalten Eingaben und bekannte Zielwerte.	Bearbeitungsdauer aus früheren Aufträgen schätzen.
Unüberwachtes Lernen	Strukturen in Daten ohne vorgegebene Zielwerte untersuchen.	Ähnliche Betriebszustände gruppieren.
Bestärkendes Lernen	Ein Verhalten anhand von Rückmeldungen zu Handlungsfolgen anpassen.	Eine Strategie in einer geeigneten Simulationsumgebung untersuchen.

Daneben gibt es weitere Ausprägungen und Kombinationen, etwa selbstüberwachtes oder teilüberwachtes Lernen. Die Einteilung ist kein Qualitätsranking. Die passende Methode ergibt sich aus Aufgabe, verfügbaren Daten und den Anforderungen des späteren Einsatzes.

Beim überwachten Lernen wird zwischen Klassifikation und Regression unterschieden. Klassifikation ordnet Kategorien zu, etwa „auffällig“ oder „unauffällig“. Regression schätzt einen Zahlenwert, beispielsweise eine Dauer. Die erforderlichen Bewertungsgrößen unterscheiden sich entsprechend.

Training, Validierung und Test

Trainingsdaten werden zur Anpassung des Modells verwendet. Validierungsdaten beziehungsweise geeignete Validierungsverfahren helfen bei der Auswahl von Einstellungen und Modellvarianten. Ein abschließender Test soll eine möglichst unabhängige Bewertung ermöglichen. Wird der Test wiederholt zur Optimierung genutzt, verliert er einen Teil dieser Unabhängigkeit.

Die Aufteilung muss zum späteren Einsatz passen. Soll das Modell künftige Aufträge beurteilen, ist ein zeitlicher Test häufig aufschlussreicher als eine zufällige Mischung aller historischen Datensätze. Sollen neue Maschinen übertragen werden, muss auch diese Übertragung untersucht werden. Eine einzige Aufteilung beantwortet nicht automatisch jede Frage.

Zusammengehörige Beobachtungen sollten passend gruppiert werden. Mehrere Bilder desselben Bauteils oder kurze Ausschnitte desselben Produktionszyklus sind nicht unbedingt unabhängige Beispiele. Gelangen sehr ähnliche Beobachtungen in Training und Test, kann die scheinbare Leistung höher ausfallen als bei tatsächlich neuen Fällen.

Praxisbeispiel: Bearbeitungszeiten prognostizieren

Das folgende Beispiel ist fiktiv. Für drei neue Aufträge prognostiziert ein Modell Bearbeitungszeiten von 42, 55 und 68 Minuten. Tatsächlich werden 40, 60 und 70 Minuten gemessen. Die absoluten Fehler betragen somit zwei, fünf und zwei Minuten.

Der mittlere absolute Fehler beträgt (2 + 5 + 2) / 3 = 3 Minuten. Würde man nur die vorzeichenbehafteten Fehler mitteln, könnten sich Über- und Unterschätzungen teilweise aufheben. Die Kennzahl muss deshalb zur beabsichtigten Bewertung passen.

Eine einfache bisherige Planung schätzt für dieselben Aufträge 45, 50 und 65 Minuten. Ihre absoluten Fehler betragen fünf, zehn und fünf Minuten, im Mittel also etwa 6,7 Minuten. Das Modell ist in diesem kleinen Beispiel genauer. Drei Aufträge reichen jedoch nicht für einen belastbaren allgemeinen Leistungsnachweis.

Für den Betrieb ist zusätzlich relevant, ob bestimmte Varianten systematisch unterschätzt werden oder einzelne große Fehler auftreten. Ein mittlerer Fehler von drei Minuten garantiert nicht, dass jede Prognose höchstens drei Minuten abweicht. Die Planung benötigt gegebenenfalls zusätzliche Reserven und eine Bewertung der Unsicherheit.

Datenaufbereitung ohne Informationsleck

Modelle benötigen häufig eine Vorverarbeitung, beispielsweise eine Skalierung von Messgrößen. Die offiziellen scikit-learn-Hinweise betonen, dass aus Daten gelernte Vorverarbeitungsschritte ausschließlich auf den jeweils vorgesehenen Trainingsdaten angepasst werden sollen. Dieselbe Transformation wird anschließend auf Test- und Betriebsdaten angewendet.

Ein Informationsleck entsteht, wenn Daten in die Entwicklung einfließen, die bei der späteren Entscheidung noch nicht verfügbar wären. Eine Prognose der Auftragsdauer darf beispielsweise nicht auf einem Feld beruhen, das erst nach Auftragsabschluss gefüllt wird. Solche Fehler können hervorragende Testergebnisse und enttäuschende Praxisergebnisse verursachen.

Auch fehlende Werte und fehlerhafte Zuordnungen müssen behandelt werden. Eine automatische Ersetzung kann sinnvoll sein, benötigt aber eine begründete Regel. Produktionsdaten und Prozessdaten sollten deshalb vor dem Training fachlich geprüft werden.

Überanpassung und Modellkomplexität

Überanpassung liegt vor, wenn ein Modell Besonderheiten der Trainingsdaten so stark übernimmt, dass es auf neuen Daten schlechter generalisiert. Das kann beispielsweise Rauschen oder zufällige Zusammenhänge betreffen. Eine sehr hohe Trainingsleistung ist deshalb kein ausreichender Qualitätsnachweis.

Gegenmaßnahmen können eine geeignete Begrenzung der Modellkomplexität, Regularisierung oder zusätzliche passende Daten sein. Welche Maßnahme hilft, hängt vom Problem ab. Ein komplexeres Modell ist nicht grundsätzlich besser. Ein einfacher Vergleichsmaßstab sollte Bestandteil der Bewertung sein.

Unteranpassung ist die andere Seite: Das Modell kann wesentliche Zusammenhänge nicht ausreichend abbilden. Die Entwicklung sucht daher eine geeignete Balance, die anhand unabhängiger Daten und fachlich sinnvoller Kriterien beurteilt wird.

Einsatz und Pflege im Betrieb

Ein trainiertes Modell verändert sich nicht zwangsläufig während seiner Nutzung. Viele industrielle Anwendungen verwenden einen festen, geprüften Stand. Werden Produktmix, Sensorik oder Prozessbedingungen verändert, kann seine Eignung neu zu prüfen sein. Eine solche Veränderung wird häufig unter dem Begriff Drift betrachtet.

Zur Überwachung gehören verfügbare Eingabedaten, bekannte Anwendungsgrenzen und die tatsächlichen Ergebnisse. Wenn Zielwerte erst später vorliegen, muss die Qualitätsbewertung entsprechend nachgelagert erfolgen. Ein neues Modell sollte vor dem Austausch des bisherigen Stands geprüft werden.

Die Entscheidung über die technische Bereitstellung hängt vom Anwendungsfall ab. Edge Computing kann für lokale Auswertungen geeignet sein. Andere Aufgaben können zentral verarbeitet werden. Die Architektur muss Datenverfügbarkeit und benötigte Reaktionszeit unterstützen.

Häufige Fragen zu Machine Learning

Ist Machine Learning dasselbe wie Deep Learning?

Nein. Deep Learning ist eine Teilmenge des maschinellen Lernens und verwendet neuronale Netze mit mehreren Verarbeitungsschichten. Andere Verfahren sind beispielsweise Entscheidungsbäume oder lineare Modelle. Welche Methode geeignet ist, hängt von Aufgabe und Daten ab. Deep Learning ist nicht automatisch für jede industrielle Fragestellung die beste oder wirtschaftlichste Wahl.

Versteht ein Modell die technische Ursache eines Zusammenhangs?

Nicht automatisch. Es kann statistische Muster nutzen, ohne deren physikalische Ursache zu kennen. Ein Zusammenhang zwischen Eingabe und Zielwert kann durch weitere Einflussgrößen entstehen. Für technische Entscheidungen müssen die Ergebnisse daher mit Prozesswissen und geeigneten Untersuchungen bewertet werden. Eine gute Prognose allein ist kein Kausalitätsnachweis.

Wie viele Trainingsdaten werden benötigt?

Das lässt sich ohne Aufgabe und Modell nicht pauschal beantworten. Wichtig sind Vielfalt, Qualität und die Abdeckung relevanter Situationen. Viele ähnliche Beispiele können seltene Fehler oder neue Varianten nicht ersetzen. Lernkurven und gezielte Tests können helfen zu beurteilen, ob zusätzliche Daten voraussichtlich nützen oder andere Probleme die Leistung begrenzen.

Warum kann ein Modell nach einiger Zeit schlechter werden?

Die späteren Daten können von den Entwicklungsbedingungen abweichen. Ursachen sind beispielsweise neue Materialien, andere Sensoren oder geänderte Abläufe. Auch die Beziehung zwischen Eingaben und Zielwert kann sich ändern. Deshalb braucht ein produktiv eingesetztes Modell eine angemessene Überwachung und einen geregelten Prozess für Prüfung, Anpassung und erneute Freigabe.

Kann Machine Learning ohne Programmierkenntnisse genutzt werden?

Werkzeuge können viele technische Schritte erleichtern. Die fachlichen Aufgaben bleiben jedoch bestehen: Ziel definieren, Daten prüfen, geeignete Tests wählen und Ergebnisse richtig interpretieren. Eine komfortable Oberfläche schützt nicht automatisch vor Informationslecks oder ungeeigneten Kennzahlen. Für eine belastbare Anwendung werden daher passende Daten- und Prozesskompetenzen benötigt.

Quellen und weiterführende Informationen

IBM: What is Machine Learning?, Grundlagen und Lernformen.
scikit-learn: Common pitfalls and recommended practices, Datenaufbereitung und Informationslecks.

Stand: Oktober 2026. Das Prognosebeispiel ist fiktiv und dient der Erläuterung von Fehlerkennzahlen.