Maschinelles Lernen (Machine Learning, ML) ist der Zweig der KI, bei dem ein System die Regeln für eine Aufgabe nicht vorgegeben bekommt, sondern sie selbst aus Beispieldaten ableitet. Statt jede Bedingung zu programmieren, zeigt man dem Modell tausende Fälle mit bekanntem Ausgang; es sucht darin die statistischen Zusammenhänge und wendet sie auf neue, ungesehene Fälle an. Ein Spamfilter lernt so aus abertausenden markierten E-Mails, welche Merkmalskombinationen auf Werbung oder Betrug hindeuten, ohne dass jemand eine Wortliste pflegt.
Der Ablauf folgt fast immer demselben Muster: Daten sammeln und bereinigen, Modell trainieren, an zurückgehaltenen Testdaten prüfen, im Betrieb überwachen und nachtrainieren. Nach der Art des Trainings unterscheidet man Supervised, Unsupervised und Reinforcement Learning; Deep Learning ist eine besonders leistungsfähige Untergruppe, die mit vielschichtigen neuronalen Netzen arbeitet.
Die Qualität hängt weniger am Algorithmus als an den Daten: Sind sie lückenhaft, veraltet oder einseitig, übernimmt das Modell diese Schwächen und reicht sie als scheinbar objektives Ergebnis weiter. Im Unternehmen scheitern ML-Projekte deshalb selten an der Technik, sondern daran, dass die nötigen Daten verstreut, unstrukturiert oder rechtlich nicht nutzbar sind.