„Machine Learning“ klingt nach Forschungslabor und Großkonzern. Tatsächlich steckt dahinter eine ziemlich bodenständige Idee – und die kann auch für einen Handwerksbetrieb oder ein mittelständisches Unternehmen interessant sein. Vorausgesetzt, ein paar Bedingungen stimmen.
In diesem Artikel erfahren Sie, was Maschinelles Lernen ist, wie es sich von Chat-Programmen wie ChatGPT unterscheidet, wofür es sich im Betriebsalltag eignet – und wann Sie besser die Finger davon lassen.
Was ist Maschinelles Lernen?
Normale Software arbeitet nach Regeln, die ein Mensch vorher festgelegt hat: Wenn der Rechnungsbetrag über 5.000 Euro liegt, muss der Chef freigeben. Das funktioniert gut, solange sich die Regeln klar aufschreiben lassen.
Beim Maschinellen Lernen ist es umgekehrt. Sie schreiben die Regeln nicht selbst, sondern zeigen dem Computer viele Beispiele aus der Vergangenheit. Das Programm sucht darin selbstständig nach Mustern – und wendet diese Muster dann auf neue Fälle an.
Ein Vergleich aus dem Alltag: Ein erfahrener Meister sieht einer Baustelle oft schon beim ersten Termin an, ob sie länger dauern wird als geplant. Eine feste Regel dafür könnte er kaum aufschreiben. Sein Gespür kommt aus Hunderten Baustellen, die er erlebt hat. Maschinelles Lernen macht im Grunde dasselbe – nur mit Zahlen statt mit Erfahrung, und nur so gut wie die Beispiele, die es bekommt.
Und was ist mit ChatGPT?
Chat-Programme wie ChatGPT beruhen ebenfalls auf Maschinellem Lernen. Sie wurden mit riesigen Mengen an Text trainiert und sind deshalb gut darin, Texte zu schreiben, zusammenzufassen oder Fragen zu beantworten.
Wenn in der Beratung von „Machine Learning“ die Rede ist, geht es aber meist um etwas anderes: um ein Modell, das mit den Daten Ihres eigenen Betriebs trainiert wird und eine ganz bestimmte Frage beantwortet. Zum Beispiel: Wie viele Aufträge kommen im nächsten Quartal voraussichtlich rein? Ein Chat-Programm kennt Ihre Auftragshistorie nicht – ein eigenes Modell schon.
| Chat-Programm (z. B. ChatGPT) | Eigenes Machine-Learning-Modell |
|---|---|
| allgemeines Wissen aus dem Internet | lernt aus Ihren Betriebsdaten |
| schreibt, fasst zusammen, erklärt | schätzt, sortiert, erkennt Auffälligkeiten |
| sofort einsetzbar | braucht Vorbereitung und Daten |
| Ergebnis ist Text | Ergebnis ist meist eine Zahl, eine Kategorie oder ein Warnhinweis |
Wofür sich Maschinelles Lernen im Betrieb eignet
Die meisten Anwendungen lassen sich einer von vier Aufgaben zuordnen:
- Vorhersagen: Wie entwickelt sich eine Zahl in Zukunft? Etwa die Auftragslage, der Materialbedarf oder der Personalbedarf in bestimmten Wochen.
- Einordnen: In welche Schublade gehört etwas? Etwa eingehende Anfragen nach Dringlichkeit oder Gewerk sortieren oder Belege der richtigen Kostenstelle zuordnen.
- Auffälligkeiten erkennen: Was weicht vom Normalen ab? Etwa ungewöhnliche Messwerte einer Maschine, bevor sie ausfällt, oder Rechnungen, die nicht ins übliche Muster passen.
- Bilder auswerten: Was ist auf einem Foto zu sehen? Etwa Schäden auf Bildern von der Baustelle oder Fehler an Bauteilen in der Qualitätskontrolle.
Wichtig: Ein Modell liefert Wahrscheinlichkeiten, keine Gewissheiten. Es sagt nicht „Diese Maschine fällt am Dienstag aus“, sondern „Bei dieser Maschine ist das Risiko gerade deutlich erhöht – schauen Sie besser mal nach.“ Die Entscheidung trifft weiterhin ein Mensch.
Die wichtigste Zutat: Ihre Daten
Ob Maschinelles Lernen funktioniert, entscheidet sich fast immer an den Daten – nicht an der Software. Bevor Sie über ein Projekt nachdenken, lohnt ein ehrlicher Blick auf diese Fragen:
- Gibt es die Daten überhaupt? Liegen die Informationen digital vor – in Ihrer Branchensoftware, der Buchhaltung, in Tabellen? Oder stecken sie in Papierordnern und Köpfen?
- Reicht die Vergangenheit? Ein Modell braucht genügend Beispiele, aus denen es lernen kann. Wer Aufträge vorhersagen will, sollte mehrere Jahre Auftragshistorie haben – sonst lernt das Modell Zufälle statt Muster.
- Sind die Daten sauber? Doppelte Einträge, fehlende Felder oder uneinheitliche Schreibweisen verfälschen das Ergebnis. Aufräumen ist oft der größte Teil der Arbeit.
- Ist das Ergebnis bekannt? Um zu lernen, braucht das Modell neben den Daten auch den Ausgang: Welche Anfrage wurde tatsächlich zum Auftrag? Welche Maschine ist tatsächlich ausgefallen?
Tipp: Auch wenn es für ein Modell noch nicht reicht, ist die Arbeit nicht umsonst. Oft zeigt schon eine gute Auswertung der vorhandenen Daten, wo Zeit und Geld verloren gehen – ganz ohne Künstliche Intelligenz.
Wann Sie besser darauf verzichten
Maschinelles Lernen ist kein Allheilmittel. In diesen Fällen lohnt sich der Aufwand meist nicht:
- Die Regel lässt sich einfach aufschreiben. Wenn ein klares „Wenn–dann“ reicht, ist eine normale Automatisierung günstiger und leichter nachzuvollziehen.
- Die Entscheidung fällt selten. Ein Modell, das zweimal im Jahr gebraucht wird, rechnet sich kaum.
- Es gibt zu wenige Beispiele. Ein paar Dutzend Datensätze reichen in der Regel nicht, um verlässliche Muster zu finden.
- Fehler wären teuer und schwer zu erkennen. Wo eine falsche Einschätzung großen Schaden anrichtet, muss besonders sorgfältig geprüft werden – oder ein Mensch bleibt allein zuständig.
So läuft ein Projekt in der Praxis ab
Ein sinnvolles Machine-Learning-Projekt beginnt klein und wird Schritt für Schritt ausgebaut:
- Frage klären: Welche Entscheidung soll besser oder schneller werden – und woran messen wir das?
- Daten sichten: Was ist vorhanden, in welcher Qualität, und dürfen die Daten dafür genutzt werden? Bei personenbezogenen Daten gilt wie immer die DSGVO.
- Prototyp bauen: Ein erstes Modell wird mit den Daten der Vergangenheit trainiert und daran getestet, wie gut es Fälle einschätzt, die es noch nicht kannte.
- Im Alltag erproben: Das Modell läuft eine Zeit lang mit, während die Entscheidungen weiterhin wie gewohnt getroffen werden. So sehen Sie, ob es wirklich hilft.
- Einbinden und pflegen: Erst wenn sich der Nutzen zeigt, wird das Modell fest in die Abläufe eingebaut. Und weil sich Betriebe und Märkte verändern, muss es regelmäßig überprüft und neu trainiert werden.
Fazit: Nicht die Technik entscheidet, sondern die Frage
Maschinelles Lernen kann Betrieben helfen, besser zu planen, schneller zu sortieren und Probleme früher zu erkennen. Der Schlüssel ist nicht die ausgefeilteste Technik, sondern eine klare Frage und Daten, die zu ihr passen. Wer das ehrlich prüft, bevor er investiert, spart sich teure Experimente.
Sie möchten wissen, ob Ihre Daten für ein solches Projekt taugen? In der Daten-Analyse schauen wir uns gemeinsam an, was in Ihren vorhandenen Daten steckt. Und unter Machine Learning erfahren Sie, wie ein eigenes Modell für Ihren Betrieb entstehen kann.