Der überfüllte Support-Posteingang
Ein Online-Shop bekommt jeden Tag 500 Support-Mails. Manche sind dringend: Ein Paket fehlt, oder eine Zahlung wurde doppelt abgebucht.
Heute liest eine Person jede Mail und sortiert sie. Das dauert Stunden.
Kann ein Programm das übernehmen? Es gibt zwei Wege. Der eine nutzt feste Regeln. Der andere lernt aus Beispielen.
Am Ende dieser Lektion
Notiz
Ich kann erklären, wie ein Modell aus Beispielen lernt.
Schlüsselwörter
| Begriff | Was er bedeutet | Beispiel |
|---|---|---|
| Modell | ein Programm, das aus Beispielen gelernt hat | schätzt die Dauer einer Lieferung |
| Beispiel | eine Zeile Daten, zu der die richtige Antwort schon bekannt ist | |
| Merkmal | etwas, das wir über einen Fall wissen und dem Modell geben | die Entfernung in km |
| Etikett | die richtige Antwort zu einem Beispiel | die Dauer in Minuten |
| Training | der Schritt, in dem das Modell aus den Beispielen lernt | |
| Vorhersage | die Antwort, die das Modell für einen neuen Fall gibt |
Die Zellen, die Lernende ausfüllen, bleiben in dieser Vorschau leer.
Weg 1: feste Regeln
Bei festen Regeln schreibt eine Person jede Bedingung selbst. Zum Beispiel: Steht „doppelt abgebucht“ in der Mail, dann ist sie dringend.
Das klappt, bis jemand „zweimal bezahlt“ schreibt. Die Regel kennt diese Worte nicht. Sie müssen die Regeln immer weiter pflegen.
Weg 2: aus Beispielen lernen
Beim maschinellen Lernen schreiben Sie keine Regeln. Sie zeigen dem Programm viele Beispiele: Mails, bei denen die Antwort schon feststeht.
Das Programm sucht selbst nach Mustern. Was es dabei lernt, nennen wir ein Modell.
Regeln und Lernen im Vergleich
| Frage | Feste Regeln | Maschinelles Lernen |
|---|---|---|
| Wer findet das Muster? | Eine Person | Das Programm |
| Was braucht man? | Genaue Kenntnis der Aufgabe | Viele gute Beispiele |
| Ein neuer Fall tritt auf | Die Regel wird ergänzt | Das Modell wird neu trainiert |
| Wofür eignet es sich? | Klare, einfache Aufgaben | Unscharfe Aufgaben wie Sprache oder Bilder |
Die Zellen, die Lernende ausfüllen, bleiben in dieser Vorschau leer.
Die Bausteine in einer Tabelle
Wir bleiben bei einer Aufgabe mit Zahlen. Ein Lieferdienst will vorhersagen, wie lange eine Fahrt dauert.
Jede Zeile der Tabelle ist ein Beispiel. Die Entfernung ist das Merkmal: Das wissen wir vorher. Die Dauer ist das Etikett: Das wissen wir erst nach der Fahrt.
Fünf Lieferungen aus dem Archiv
| Nr. | Entfernung (Merkmal) | Dauer in Minuten (Etikett) |
|---|---|---|
| 1 | 2 km | 9 |
| 2 | 5 km | 26 |
| 3 | 8 km | 39 |
| 4 | 10 km | 50 |
| 5 | 5 km | 26 |
| Neu | 7 km | Gesucht: die Vorhersage |
Die Zellen, die Lernende ausfüllen, bleiben in dieser Vorschau leer.
Rechenbeispiel: was das Modell lernt
Zusammen sind es 30 km und 150 Minuten. Das sind 150 geteilt durch 30, also 5 Minuten pro Kilometer.
Diese eine Zahl ist unser Modell. Das Training ist die Rechnung, die sie aus den Beispielen holt.
Für 7 km sagt das Modell 7 mal 5 voraus, also 35 Minuten. Das ist eine Vorhersage.
Training und Vorhersage in Python
# Fünf vergangene Lieferungen: Entfernung in km und Dauer in Minuten.
entfernungen = [2, 5, 8, 10, 5]
minuten = [9, 26, 39, 50, 26]
# Training: Wir zählen alle Kilometer und alle Minuten zusammen.
summe_km = 0
summe_minuten = 0
for i in range(len(entfernungen)):
summe_km = summe_km + entfernungen[i]
summe_minuten = summe_minuten + minuten[i]
# Das Modell ist eine einzige Zahl: Minuten pro Kilometer.
minuten_pro_km = summe_minuten / summe_km
print("Gelernt:", minuten_pro_km, "Minuten pro km")
# Vorhersage für Lieferungen, die noch nicht gefahren sind.
print("Vorhersage für 7 km:", 7 * minuten_pro_km, "Minuten")
print("Vorhersage für 12 km:", 12 * minuten_pro_km, "Minuten")
# Ändern Sie eine Dauer in der Liste minuten und drücken Sie Run.
# Wie verändert sich das Modell?
Echte Modelle sind größer
Unser Modell hat eine Zahl. Ein Modell für Sprache hat Milliarden Zahlen. Das Prinzip bleibt gleich.
Die Zahlen werden nicht von Hand gesetzt. Das Training findet sie, indem es die Vorhersagen mit den Etiketten der Beispiele vergleicht.
Ein häufiger Irrtum
Warnung
Viele glauben, ein Modell versteht seine Aufgabe. Das stimmt nicht. Es kennt nur Muster aus seinen Beispielen. Waren die Beispiele schlecht oder einseitig, ist das Modell es auch. Gute Daten sind die halbe Arbeit.