Zu Inhalt springen Zu Fußbereich springen

Maschinelles Lernen

Lesezeit 7 Min.
27. Mai 2026
AK Ganzheitliche und integrative informatische Bildung

Maschinelles Lernen

Maschinell lernende KI-Systeme können schon heute wichtige Entscheidungen treffen, beispielsweise über die Vergabe von Kindergartenplätzen, die Einladung zum Bewerbungsgespräch oder Rückmeldungen in Lernsoftware. Doch sind ihre Urteile verlässlich? Um diese Frage fundiert beantworten zu können, ist es hilfreich zu verstehen, wie KI-Systeme zu ihren Entscheidungen kommen.

Lernen aus Daten

Maschinelles Lernen heißt, aus Daten zu lernen. Diese Daten können beispielsweise aus Bewegungsdaten in Smartphones, Sensordaten aus Fitness-Apps, Nutzereingaben auf Websites oder in Apps, Daten aus vergangenen Bewerbungsverfahren oder dem Einkaufsverhalten vieler Konsumierender, Vogelstimmen, Bildern von Pflanzen, medizinischen Daten u.v.m. bestehen.

Die Datenbasis kann dabei frei zugänglich sein, wie zum Beispiel die Bibliothek GovData, die Daten öffentlicher Stellen in Deutschland verlinkt, z. B. Statistiken der Bundesanstalt für Arbeit, topographische Karten oder Daten über Schulstandorte. Die Datenbasis kann aber auch von einer Organisation oder einem Unternehmen gesammelt worden sein, z. B. Tierstimmen auf xeno-canto oder mobile Selbstscan-Systeme im Laden.

„Maschinelles Lernen ist eine Sammlung von Methoden, die in Daten der Vergangenheit nach Mustern suchen, die für die Zukunft Vorhersagen erlauben.”

Je nach Lernansatz lassen sich die Methoden maschinellen Lernens in drei wesentliche Typen einteilen: überwachtes Lernen, unüberwachtes Lernen und verstärkendes Lernen.

Arten datenbasierten maschinellen Lernens. Bei der Herstellung dieses Bildes am 03.01.2026 wurde gpt-image-1-mini eingesetzt. © ISB

Grundlage für jedes maschinelle Lernen ist dabei eine Datenbasis, also eine Sammlung von Daten. Deren Quantität und Qualität beeinflussen die Entscheidung des Systems maßgeblich: Ist die Datenbasis unvollständig, veraltet oder vorurteilsbehaftet, dann kann dies zu verzerrten Entscheidungen führen.

Überwachtes Lernen (Supervised Learning)

Beim überwachten Lernen werden für eine Trainingsmenge von Ein- und Ausgabe-Paaren Regeln gesucht, mit denen das System für diese Eingaben die korrekte Ausgabe liefert. Dann wendet das System diese Regeln auch auf neue Eingaben an und erhält - abhängig vom „Lernerfolg” des Systems - Ausgaben, die korrekt oder nicht korrekt sein können.

CC BY 4.0 Stefan Seegerer, Tilman Michaeli, Sven Jatzlau

Beispielsweise könnte ein KI-System darauf trainiert werden, aus den Daten einer Lernsoftware vorherzusagen, ob die übende Person im kommenden Test erfolgreich sein wird.

Als Trainingsdaten für das KI-System könnten Daten wie die folgenden vorliegen:

Eingaben

Ausgabe

Level

Übungszeit

Anteil korrekt gelöster Übungsaufgaben

Erfolg im Test

2

170

60%

ja

2

90

40%

nein

4

30

90%

ja

3

50

75%

ja

1

120

50%

nein

Das KI-System könnte aus diesen Daten die einfache Regel „Falls der Anteil korrekt gelöster Übungsaufgaben über 50% liegt, wird die übende Person im kommenden Test erfolgreich sein.” ableiten.

Wenn die Person nun tatsächlich 70 Minuten lang Aufgaben auf Level 2 zu 75% korrekt löst, würde dieses System also vorhersagen, dass sie im Test erfolgreich sein wird - ob diese Vorhersage stimmt, kann durch das KI-System nicht garantiert werden.

Wenn Sie mehr über überwachtes Lernen wissen wollen, lesen Sie die gut verständliche Erklärung im Artikel: So lernen Maschinen! bei computingeducation.de.

Unüberwachtes Lernen (Unsupervised Learning)

Beim unüberwachten Lernen lernt das KI-System in Trainingsmengen Muster zu finden, ohne dass es dafür Regeln erhält. Beispielsweise könnte das KI-System anhand einer großen Menge an Katzenbildern lernen, Katzen zu erkennen. Das KI-System lernt aus diesen Bildern katzentypische Merkmale wie Katzengesichter, Schnurrhaare, Ohren, Pfoten usw. als Muster, mit denen es neue Bilder vergleicht, um dann zu entscheiden, ob auf dem neuen Bild ebenfalls eine Katze abgebildet ist (Kaplan 2017, S. 46).

Im Falle des obigen Beispiels mit den Prüfungsaufgaben würde das KI-System eine große Menge von Eingabedaten erfolgreicher Schülerinnen und Schüler analysieren und daraus Muster ableiten. Die neuen Daten „Level 2, 70 min., 75%” würde es dann mit den Mustern vergleichen und zur Erfolgsvorhersage „ja” bzw. „nein” zu kommen.

CC BY 4.0 Stefan Seegerer, Tilman Michaeli, Sven Jatzlau

Wenn Sie mehr über unüberwachtes Lernen wissen wollen, lesen Sie die gut verständliche Erklärung im Artikel So lernen Maschinen! bei computingeducation.de.

Verstärkendes Lernen (Reinforcement Learning)

Beim verstärkenden Lernen lernt das KI-System, indem es für richtige Entscheidungen Belohnungen erhält.

Verkürzt lässt sich verstärkendes Lernen so beschreiben: Stellen Sie sich vor, Sie spielen ein Spiel, dessen Regeln Sie nicht kennen. Sie erfahren am Ende des Spiels nur, ob Sie gewonnen oder verloren haben. Wenn Sie das Spiel nun sehr oft spielen und immer wieder die Information erhalten, ob Sie gewonnen haben, werden Sie (hoffentlich) die Regeln herausgefunden haben und auch wissen, wie Sie gewinnen können.

CC BY 4.0 Stefan Seegerer, Tilman Michaeli, Sven Jatzlau

Wenn Sie mehr über verstärkendes Lernen wissen wollen, lesen Sie die gut verständliche Erklärung im Artikel So lernen Maschinen! bei computingeducation.de.

Risiken maschinellen Lernens

KI-Systeme, deren Entscheidungen auf datenbasiertem Training beruhen, bringen einige Risiken mit sich:

  • Je nach Qualität der Trainingsdaten können die Entscheidungen Vorurteile reproduzieren oder Verzerrungen enthalten. Lesen Sie mehr darüber im Artikel Verzerrungen.

  • Jede Entscheidung eines KI-Systems ist mit einer Unsicherheit behaftet. Daher müssen für einen verantwortungsvollen Umgang die möglichen Fehlentscheidungen vom Anbieter transparent gemacht werden, so dass sie ein Anwender bewerten kann. Lesen Sie mehr darüber im Artikel Maschinelles Lernen und Verantwortung.

Den Risiken gegenüber stehen aber auch klar Vorteile des maschinellen Lernens. So beruhen auch nützliche Anwendungen auf maschinellem Lernen, z. B. in der Medizin, der Landwirtschaft oder bei der Energieversorgung. Mehr Beispiele finden Sie auch im Artikel Exemplarische Anwendungsbereiche und Ökologische Nachhaltigkeit und KI.

Bei der Bewertung der Unsicherheit müssen jedoch auch die Risiken bewertet werden. So sieht der EU AI Act, d. h. das europäische KI-Gesetz, vor, dass in Hochrisiko-Bereichen für den KI-Einsatz wesentlich höhere Hürden gelten als in Niedrigrisiko-Bereichen.

CC BY 4.0 ISB

Verantwortungsvolle KI-Nutzung heißt also, vor dem Einsatz eines KI-Systems genau hinzusehen, was hinter dem jeweiligen KI-System steckt, und dann Nutzen und Risiko zu bewerten.

Ideen für den Unterricht

Mittlerweile gibt es zahlreiche Beispiele, wie maschinelles Lernen in sehr unterschiedlichen Lernsettings behandelt werden kann. Im Folgenden finden Sie eine kleine Auswahl solcher Materialien.

Reinforcement Learning und Schlag das Krokodil!

  • Unter dem Titel „Reinforcement Learning - Schlag das Krokodil!” liefern Annabel Lindner und Stefan Seegerer im Rahmen ihrer „AI Unplugged - Wir ziehen künstlicher Intelligenz den Stecker” - Einheiten ein Spiel, bei dem eine Spielerin oder ein Spieler in die Rolle eines zunächst unerfahrenen Computers schlüpft, der durch Belohnungen seine Spielstrategie immer weiter verbessert.

    Zielgruppe: ab 5. Jahrgangsstufe

    Art des Materials: Spiel-Anleitung und Hintergrundtext

    Link zum Material: https://www.aiunplugged.org/german.pdf, S. 12-15

Lernende Systeme - Computer in meinem Alltag

Das Prinzip des verstärkenden Lernens im Rollenspiel erkunden

  • Kerstin Strecker stellt ein Rollenspiel vor, mit dem das Prinzip des verstärkenden Lernens entdeckend gelernt werden kann. Ein System soll lernen, automatisch Müll zu sortieren. Dabei übernehmen zehn Schülerinnen und Schüler aktive Rollen, der Rest der Klasse wird zu Beobachtenden mit konkreten Aufgaben.

    Zielgruppe: ab 5. Jahrgangsstufe

    Art des Materials: Begleitmaterial für die Lehrkraft

    Link zum Material: https://mundo.schule/details/SODIX-0001103715

So lernen Maschinen - Videotutorials

  • Der Verein acatech - Deutsche Akademie der Technikwissenschaften e.V. hat Studierende eine Video-Reihe erstellen lassen, die Grundlagen und Anwendungen des maschinellen Lernens in jeweils 4-7 Minuten leicht verständlich erklärt.

    Zielgruppe: ab 7. Jahrgangsstufe

    Art des Materials: Video-Tutorials

    Link zum Material: https://www.plattform-lernende-systeme.de/video-tutorials.html

Mensch, Maschine! - Wer zeigt hier wem den Weg?

  • Drei bis sechs Mitspielenden lernen hier spielerisch, was verstärkendes Lernen bedeutet.

    Zielgruppe: ab 8. Jahrgangsstufe

    Art des Materials: Spielmaterial und Begleitheft für Lehrkräfte

    Link zum Material: https://mundo.schule/details/SODIX-0001131365

Modul KI-A1: Die Bananenjagd

  • In einer Kooperation der FU Berlin mit dem Verein Wissensfabrik wurde ein Modul entwickelt, in dem Schülerinnen und Schüler selbst in die Rolle von KI-Entwicklerinnen und -Entwicklern schlüpfen und verschiedene Methoden anwenden, um ihr Bananen-Jagd-System zu entwickeln.

    Zielgruppe: ab 8. Jahrgangsstufe

    Art des Materials: Handreichung und Material für Lehrkräfte

    Link zum Material: https://computingeducation.de/proj-it2school/

Künstliche Intelligenz im Informatikunterricht

  • In einem didaktischen Artikel für Lehrkräfte stellt Julian Dorn seine vielfältigen Erfahrungen mit der Behandlung maschinellen Lernens im Informatik-Unterricht vor und liefert Hintergrundinformationen zu seinem digitalen Lehrbuch unter https://buch.informatik.cc/ki/, in dem die verschiedenen Arten maschinellen Lernens behandelt werden.

    Zielgruppe: ab 9. Jahrgangsstufe

    Art des Materials: Online-Lehrbuch und Handreichung für Lehrkräfte

    Link zum Material: https://mundo.schule/details/SODIX-0001116076

Maschinelles Lernen: Heine und Lovelace fragen nach...

  • In weniger als zwei Minuten gibt Dr. Michael Heck eine kurze Erklärung, was Maschinelles Lernen bedeutet.

    Zielgruppe: ab 10. Jahrgangsstufe

    Art des Materials: Video

    Link zum Material: https://mundo.schule/details/SODIX-0001121350

Unravel – Bilderkennung mit neuronalen Netzen

  • Chris Gräßl stellt in einem didaktischen Artikel vor, wie Schülerinnen und Schüler anhand der bilderkennenden Software Unravel die Arbeitsweise neuronaler Netze, aber auch ganz allgemein das Prinzip überwachten Lernens kennenlernen können.

    Zielgruppe: ab 10. Jahrgangsstufe

    Art des Materials: Handreichung für Lehrkräfte

    Link zum Material: https://www.informatischebildung.de/index.php/ibis/article/view/24

Perzeptron – interaktiv und unplugged. Enaktive Ansätze zur Vermittlung künstlicher neuronaler Netze im Unterricht

Erkundung - Lernende Systeme

Der Lernbereich „Künstliche Intelligenz“ in der Jahrgangsstufe 13 des Gymnasiums

  • Die vom ISB erarbeitete Handreichung 'Der Lernbereich „Künstliche Intelligenz“ in der Jahrgangsstufe 13 des Gymnasiums' enthält auf den Seiten 209 - 220 eine allgemein verständliche Einführung in die Arten maschinellen Lernens sowie Material für den Unterricht.

    Zielgruppe: 13. Jahrgangsstufe

    Art des Materials: Handreichung für Lehrkräfte

    Link zum Material: https://mundo.schule/details/SODIX-0001126080

Zu Seitenstart springen Über uns