Training – Modelltraining – bezeichnet den Prozess, durch den ein Machine-Learning-Modell anhand von Beispieldaten lernt, Muster zu erkennen und korrekte Vorhersagen zu treffen. Beim Training werden dem Modell große Mengen an Eingabe-Ausgabe-Paaren (Trainingsdaten) präsentiert. Das Modell passt iterativ seine internen Parameter (Gewichte) so an, dass die Differenz zwischen seinen Vorhersagen und den korrekten Ausgaben minimiert wird.
Training ist der ressourcen- und datenintensivste Schritt im ML-Lifecycle: Die Qualität und Menge der Trainingsdaten bestimmt maßgeblich die spätere Leistungsfähigkeit des Modells. Schlechte Trainingsdaten führen zu schlechten Modellen, egal wie sophisticated die Architektur ist. „Garbage in, garbage out“ gilt für ML-Training noch kompromissloser als für klassische Automatisierung.
Der ML-Trainingsprozess
1 Daten sammeln & aufbereiten: Trainingsdaten erheben, bereinigen, beschriften und in Train/Validation/Test-Sets aufteilen
2 Feature Engineering: Relevante Merkmale aus Rohdaten ableiten und in geeigneter Form für das Modell aufbereiten
3 Modellarchitektur wählen: Passenden Algorithmus auswählen – je nach Aufgabentyp, Datenmenge und verfügbaren Ressourcen
4 Training: Modell auf Trainingsdaten optimieren – iterative Anpassung der Parameter zur Minimierung des Fehlers
5 Evaluation: Modell auf Test-Daten bewerten – wurde wirklich gelernt oder nur auswendig gelernt? (Overfitting-Check)
6 Deployment & Monitoring: Modell in Produktion bringen und kontinuierlich überwachen – Leistung degradiert über Zeit wenn sich Daten ändern
Training vs. Inferenz
Training ist der einmalige (oder periodisch wiederholte) Prozess, bei dem das Modell aus Daten lernt – rechenintensiv, zeitaufwändig, offline. Inferenz ist die Nutzung des fertig trainierten Modells für neue Eingaben in Echtzeit – schnell, effizient, online. In der Praxis findet Training auf leistungsstarken GPU-Clustern statt; Inferenz läuft auf normaler Infrastruktur. Das trainierte Modell ist das Ergebnis des Trainings und wird in Produktionssysteme integriert.
Praxisbeispiel
Ein Handelsunternehmen trainiert ein ML-Modell zur Absatzprognose. Trainingsdaten: 36 Monate Verkaufshistorie für 2.400 Artikel, ergänzt um Wetter-Features, Feiertagskalender, Werbekalender und externe Wirtschaftsindikatoren. Datenaufbereitung: 3 Wochen (fehlende Werte, Anomalien bereinigen, Feature Engineering). Modellwahl: LightGBM (Gradient Boosting) – bewährt für tabellarische Daten. Training: 4 Stunden auf einem Cloud-GPU-Cluster. Evaluation: MAPE von 11,3 Prozent auf Test-Daten. Deployment: Modell läuft täglich, generiert Prognosen für die nächsten 13 Wochen in 8 Minuten. Retraining: monatlich mit aktuellen Daten – Modellleistung hat sich nach 6 Monaten ohne Retraining auf 16,8 Prozent MAPE verschlechtert. Monatliches Retraining hält es bei 11–12 Prozent.
