Machine Learning (ML) – maschinelles Lernen – ist ein Teilbereich der künstlichen Intelligenz, der Systemen ermöglicht, aus Daten zu lernen und ihre Leistung bei einer Aufgabe zu verbessern, ohne explizit für jeden Einzelfall programmiert zu werden. Statt Regeln manuell zu definieren (wenn X, dann Y), lernt ein ML-Modell Muster und Zusammenhänge eigenständig aus einer Menge von Beispieldaten – und wendet dieses Wissen auf neue, unbekannte Daten an.
Der Kern von Machine Learning ist die Generalisierung: Ein Modell, das auf Tausenden von Beispiel-Rechnungen trainiert wurde, kann danach eine neue, nie zuvor gesehene Rechnung klassifizieren. Ein Modell, das auf historischen Kaufdaten trainiert wurde, kann die Wahrscheinlichkeit eines nächsten Kaufs vorhersagen. Das Modell hat gelernt, nicht jede Regel explizit zu kennen – es erkennt Muster.
ML-Typen und ihre Anwendungen
Supervised
Lernen aus gelabelten Daten. Spam-Erkennung, Kreditbewertung, Bildklassifikation.
Unsupervised
Muster in ungelabelten Daten entdecken. Kundensegmentierung, Anomalieerkennung.
Reinforcement
Lernen durch Feedback und Belohnungen. Empfehlungssysteme, Game-Agents, Robotik.
Deep Learning
Neuronale Netze mit vielen Schichten. Sprachmodelle, Bilderkennung, Sprachverarbeitung.
Transfer Learning
Vortrainierte Modelle für neue Aufgaben anpassen. Basis für LLMs und GPT-Modelle.
AutoML
Automatische Auswahl und Optimierung von ML-Modellen ohne Deep-Expertise.
Machine Learning in der Prozessautomatisierung
ML erweitert klassische regelbasierte Automatisierung um die Fähigkeit, mit Varianz und Unvollständigkeit umzugehen. Wo ein Regelwerk versagt – weil ein Eingang nicht dem vordefinierten Muster entspricht, weil eine Entscheidung von vielen Faktoren abhängt oder weil die „Regel“ implizit in Daten verborgen liegt – kann ein ML-Modell einspringen. Typische Einsatzgebiete in der Automation: Dokumentenklassifikation, Anomalieerkennung in Prozessdaten, intelligentes Routing von Vorgängen und prädiktive Bearbeitungszeit-Schätzung.
Praxisbeispiel
Ein Versicherungsunternehmen verarbeitet täglich 1.200 Schadenmeldungen. Klassische regelbasierte Automatisierung deckt 65 Prozent ab – Standardfälle mit klaren, definierten Merkmalen. Die restlichen 35 Prozent gehen in manuelle Bearbeitung, weil sie nicht in das Regelwerk passen. ML-Ergänzung: Ein Klassifikationsmodell wird auf 50.000 historischen Schadenfällen trainiert – es lernt, welche Merkmalskombinationen zu welchem Schadenstyp und welcher Regulierungsentscheidung führen. Das Modell übernimmt nun die schwierigeren 35 Prozent und trifft probabilistische Vorhersagen mit Konfidenzwerten. Fälle über 85 Prozent Konfidenz werden automatisch reguliert. Fälle unter 85 Prozent gehen mit einer ML-generierten Voreinschätzung an den Sachbearbeiter. Manuelle Bearbeitungsrate sinkt von 35 auf 11 Prozent.
