Machine Learning

Machine Learning – zu Deutsch maschinelles Lernen – ist ein Teilgebiet der Künstlichen Intelligenz, bei dem Software aus Daten lernt, ohne dass jede Regel einzeln von Hand programmiert wird. Statt fester Wenn-Dann-Anweisungen erkennt ein Modell Muster in Beispielen und wendet sie auf neue Fälle an – ähnlich wie ein Lehrling, der durch viele Aufträge ein Gefühl für die richtige Vorgehensweise entwickelt.

Dabei unterscheidet man meist drei Grundverfahren: Klassifikation ordnet einen Datenpunkt einer Kategorie zu (etwa „Ausschuss“ oder „i. O.“), Regression sagt einen konkreten Wert voraus (etwa den Energieverbrauch der nächsten Woche), und Clustering gruppiert ähnliche Datensätze, ohne vorher zu wissen, wie viele Gruppen es gibt. Trainiert werden alle drei Verfahren an einem vorhandenen Datensatz, bevor sie auf neue, unbekannte Daten angewendet werden.

Deep Learning ist wiederum ein Teilbereich von Machine Learning, der mit vielschichtigen neuronalen Netzen arbeitet und etwa hinter modernen Sprachmodellen steckt (siehe LLM). Für den Betriebsalltag reicht oft klassisches Machine Learning völlig aus – etwa für Absatzprognosen oder die Bilderkennung an der Qualitätskontrolle –, ohne dass ein aufwendiges neuronales Netz nötig wäre.

Machine Learning lohnt sich überall dort, wo wiederkehrende Muster in Daten stecken, die bislang Menschen mühsam per Hand auswerten. Klassische Einsatzfelder im Mittelstand sind Nachfrage- und Absatzprognosen im Handel, vorausschauende Wartung (Predictive Maintenance) im Maschinenbau anhand von Sensordaten, automatische Dokumenten- oder Rechnungssortierung in der Verwaltung sowie Bilderkennung zur Qualitätskontrolle in der Produktion.

Der Nutzen liegt weniger in einer pauschalen Zeitersparnis als im Wegfall wiederkehrender, gut vorhersagbarer Routineentscheidungen – etwa ob ein Bauteil aussortiert wird oder wie viel Material für die nächste Woche bestellt werden sollte. Das Risiko menschlicher Flüchtigkeitsfehler sinkt dort, wo ein Modell konsistent nach denselben trainierten Kriterien entscheidet. Voraussetzung ist immer eine ausreichende Menge an brauchbaren, sauberen Daten – ohne die bleibt jedes ML-Projekt Theorie.

Die Kosten für ein Machine-Learning-Projekt hängen stark davon ab, ob ein vortrainiertes Standardmodell angepasst wird oder ein Modell komplett neu auf euren eigenen Daten trainiert werden muss. Entscheidend sind vor allem drei Faktoren: die vorhandene Datenqualität und -menge, der Integrationsaufwand in bestehende Systeme (ERP, MES, CRM) und der laufende Wartungsaufwand, wenn sich die Datenbasis über die Zeit verändert.

Nach unserer Erfahrung ist der größte Kostentreiber selten das Modell selbst, sondern die Datenaufbereitung im Vorfeld. Euer erstes KI-System gibt es bei AI READY zum Festpreis ab 3.500 € – als überschaubarer Einstieg, bevor größere, individuellere Vorhaben geplant werden.

Ein Maschinenbaubetrieb mit 60 Mitarbeitenden sammelt seit Jahren Sensordaten seiner Fertigungsanlagen – Temperatur, Vibration, Laufzeit. Bislang wurden Wartungstermine starr nach Kalender geplant, was zu unnötigen Stillständen oder überraschenden Ausfällen führte. Ein Machine-Learning-Modell lernt aus den historischen Sensordaten, welche Muster einem baldigen Defekt vorausgehen, und schlägt Wartungstermine anhand des tatsächlichen Zustands vor – klassisches Predictive Maintenance auf Basis von Regressions- und Klassifikationsverfahren.