Ein Modell ist im Machine-Learning-Kontext die mathematische Repräsentation der aus Trainingsdaten gelernten Muster und Zusammenhänge – gespeichert als ein Satz von Parametern (Gewichten), die definieren, wie das Modell auf neue Eingaben reagiert. Ein ML-Modell ist das Ergebnis des Trainingsprozesses und das Werkzeug, das bei der Inferenz angewendet wird: Es nimmt Eingabedaten entgegen und produziert eine Ausgabe – eine Klassifikation, einen numerischen Wert, einen Text oder eine Wahrscheinlichkeitsverteilung.
Im weiteren Sinne ist ein „Modell“ auch die Wahl des Algorithmus und seiner Konfiguration: Ein Decision Tree, ein Random Forest, ein Gradient-Boosting-Modell, ein Neuronales Netz – das sind verschiedene Modelltypen, die verschiedene Stärken haben und für verschiedene Aufgaben geeignet sind. Die Wahl des richtigen Modells ist eine der zentralen Entscheidungen im ML-Workflow.
Häufige Modelltypen in der Unternehmensautomation
Lineare Regression
Vorhersage numerischer Werte. Einfach, interpretierbar. Preisschätzungen, Nachfragemengen.
Entscheidungsbaum
Regelbasierte Klassifikation. Sehr gut erklärbar. Kreditentscheidungen, Diagnosen.
Random Forest
Ensemble aus vielen Bäumen. Robuster als Einzelbaum. Fraud Detection, Churn-Prognose.
Gradient Boosting
XGBoost, LightGBM. Oft stärkstes Modell für tabellarische Daten. Weit verbreitet in der Praxis.
Neuronales Netz
Flexibel, mächtig. Bilder, Text, Sprache. Braucht viele Daten und Rechenleistung.
Transformer / LLM
Große Sprachmodelle (GPT, Claude). Textverstehen, Generierung, Klassifikation.
Modell-Lifecycle in der Produktion
Ein Modell ist keine statische Artefakt, sondern ein lebendes System: Modelle degradieren über Zeit, wenn sich die Verteilung der Eingangsdaten ändert (Data Drift) oder sich die Zusammenhänge in der Realität verschieben (Concept Drift). Produktive Modelle müssen überwacht werden – wenn die Vorhersagequalität unter einen definierten Schwellenwert fällt, wird das Modell mit aktuellen Daten neu trainiert (Retraining). Für kritische Entscheidungsmodelle ist ein klarer Modell-Lifecycle-Prozess mit definierten Retraining-Kriterien unverzichtbar.
Praxisbeispiel
Ein Handelsunternehmen betreibt drei produktive ML-Modelle. Modell-Inventar mit Lifecycle-Status: Nachfrageprognose (LightGBM, v2.3) – monatliches Retraining, letzte Evaluation MAPE 11,2 %, Status: Aktiv. Kundensegmentierung (K-Means, v1.1) – quartalsweises Retraining, letztes Update vor 3 Monaten, Status: Review fällig. Betrugserkennung (Random Forest, v4.0) – wöchentliches Monitoring, Precision 94,1 %, Status: Aktiv mit Alert (Precision letzte Woche auf 89 % gesunken – Retraining ausgelöst). Das Modell-Inventar macht sichtbar, welche Modelle gepflegt werden müssen – analog zum Workflow-Inventar im Lebenszyklusmanagement.
