Supervised Learning (überwachtes Lernen) trainiert ein Modell mit gelabelten Daten, bei denen zu jedem Beispiel das gewünschte Ergebnis bereits vermerkt ist. Aus tausenden Rechnungen mit hinterlegtem Rechnungsbetrag lernt das Modell, den Betrag auch auf einer neuen Rechnung zu finden; aus Kundendaten mit bekanntem Kündigungsverhalten lernt es, Abwanderungsrisiken einzuschätzen.
Zwei Aufgabentypen dominieren: die Klassifikation, die einer Kategorie zuordnet, etwa Spam oder kein Spam, und die Regression, die einen Zahlenwert schätzt, etwa einen Immobilienpreis. Die Güte prüft man an zurückgehaltenen Testdaten, mit Kennzahlen wie Genauigkeit, Trefferquote und Präzision. Zwei typische Fehlerbilder begleiten das Verfahren: Overfitting, bei dem das Modell die Trainingsdaten auswendig lernt und an neuen Fällen versagt, und Underfitting, bei dem es zu grob bleibt.
Der praktische Engpass ist das Labeln selbst, denn die Beispiele müssen jemand kennen, prüfen und markieren, und diese Handarbeit macht in Projekten oft den größten Aufwand aus. Genau darin liegt aber auch die Chance für Unternehmen: Wer über Jahre gepflegte, sauber dokumentierte Vorgangsdaten besitzt, hat die teuerste Zutat bereits im Haus.