Machine Learning (ML) ist das Teilgebiet der Künstlichen Intelligenz, in dem Algorithmen aus Daten lernen, statt explizit für jede Regel programmiert zu werden. Im Kern werden Modelle mit großen Datenmengen trainiert, sodass sie statistische Muster, Zusammenhänge und Strukturen aufnehmen und auf neuen, ungesehenen Daten Vorhersagen oder Entscheidungen treffen. Drei Lernparadigmen sind klassisch: Supervised Learning (mit gelabelten Daten), Unsupervised Learning (ohne Labels, etwa Clustering oder Dimensionsreduktion) und Reinforcement Learning (Lernen durch Belohnung in interaktiven Umgebungen). Daneben existieren Mischformen wie Semi-Supervised und Self-Supervised Learning, das insbesondere für Sprachmodelle zentral ist.
Eingesetzt wird ML in Empfehlungssystemen, Suchmaschinen-Ranking, Bild- und Spracherkennung, Betrugserkennung, prädiktiver Wartung, medizinischer Diagnostik, Kreditrisikobewertung, Übersetzung, Robotik, Demand Forecasting und in unzähligen weiteren Bereichen. Übliche Frameworks und Bibliotheken sind scikit-learn (klassisches ML), XGBoost und LightGBM (Gradient Boosting), TensorFlow, PyTorch (Deep Learning), JAX (Forschung), MLflow (Experiment Tracking), ONNX (Modellaustausch) und Cloud-Dienste wie Azure Machine Learning, AWS SageMaker und Google Vertex AI.
Wo regelbasierte Systeme an der Vielfalt realer Daten scheitern, lernen ML-Modelle aus Beispielen die zugrundeliegenden Muster. Gleichzeitig stellen sie neue Herausforderungen: Datenqualität, Bias, Erklärbarkeit, Robustheit gegen Verteilungsänderungen, Reproduzierbarkeit und Compliance.
Historisch reicht Machine Learning bis in die 1950er-Jahre zurück. Arthur Samuel prägte den Begriff 1959 in seiner Arbeit zu Dame-Spielsoftware bei IBM und beschrieb Machine Learning als "the field of study that gives computers the ability to learn without being explicitly programmed". Wichtige Meilensteine sind das Perzeptron (Frank Rosenblatt, 1958), die Wiederbelebung neuronaler Netze durch Backpropagation (Rumelhart, Hinton, Williams, 1986), Support Vector Machines (Vapnik, 1990er), Random Forests (Breiman, 2001), die ImageNet-Revolution durch AlexNet (Krizhevsky, Sutskever, Hinton, 2012) und schließlich die Transformer-Ära mit Modellen wie BERT, GPT und Diffusion Models ab 2017.
Eingeführt und geprägt wurde das Feld von einer breiten Forschungs-Community. Lange galten die Begriffe "Künstliche Intelligenz" und "Machine Learning" als getrennte Welten, die auf verschiedenen Konferenzen und in unterschiedlichen Lehrstühlen verhandelt wurden. Mit dem Erfolg von Deep Learning ab 2012 ist diese Trennung in der Praxis weitgehend verschwommen — heute ist Machine Learning, insbesondere in Form neuronaler Netze, der dominante Implementierungsansatz für die meisten Aufgaben, die historisch unter "KI" verstanden wurden.
Bei bluehands haben wir ML vorallem bei den Prognossen in der Energiewirtschaft eingesetzt. In der Praxis verwenden wir jedoch vortrainierte Modelle.