Was ist Machine Learning (ML)

Hinweis: Dieses Dokument ist eine automatische Übersetzung des englischen Originals.

Was ist Machine Learning (ML)

Machine Learning (ML) ist ein Teilgebiet der künstlichen Intelligenz, bei dem Systeme Muster aus Daten lernen, anstatt handgeschriebenen Regeln zu folgen. Stell es dir wie Lehren durch Beispiele vor: Statt ein Schritt-für-Schritt-Rezept zu schreiben, zeigst du dem System Tausende fertiger Gerichte und lässt es herausfinden, wie man kocht. Statt dass ein Programmierer jede Entscheidung codiert, werden dem System Tausende oder Millionen von Beispielen gezeigt, und es entdeckt die Regeln von selbst.

Die meiste praktische KI heute – von Spamfiltern und Sprachassistenten bis zu medizinischer Bildanalyse und großen Sprachmodellen – baut auf Machine Learning auf. Wenn ein Krypto-Projekt behauptet, KI zu nutzen, ist die zugrunde liegende Technologie fast immer irgendeine Form von ML.

Kurz gesagt: ML bedeutet, aus Daten zu lernen. Statt dem System zu sagen, was es tun soll, zeigst du ihm Beispiele, und es findet die Muster heraus. In der Krypto-KI bedeutet „Machine Learning“ in einer Projektkarte, dass das Projekt datengetriebenes Lernen behauptet, nicht fest codierte Logik.

Wie Machine Learning funktioniert

Ein Machine-Learning-System folgt einem allgemeinen Zyklus. Das Verständnis jedes Schritts ist wesentlich für die Bewertung, ob die ML-Behauptungen eines Projekts echt sind – jeder Schritt erzeugt überprüfbare Artefakte, die als Evidenz dienen können.

Der ML-Lebenszyklus

Das Problem definieren – bestimme, was das Modell vorhersagen oder klassifizieren muss. Zum Beispiel: „Gegeben eine Blockchain-Transaktion, bestimme, ob sie verdächtig ist.“ Eine klare Problemstellung ist der erste Prüfpunkt bei der Bewertung von ML-Behauptungen.
Daten sammeln – beschaffe einen für das Problem relevanten Datensatz. Dies könnte Transaktionshistorien, Wallet-Aktivitätsprotokolle, Textdokumente oder Nutzerverhaltensdaten umfassen. Daten können aus öffentlichen Quellen, proprietären Datenbanken oder On-Chain-Aufzeichnungen stammen.
Die Daten aufbereiten und bereinigen – Rohdaten sind selten unmittelbar verwendbar. Dieser Schritt umfasst das Entfernen von Fehlern, den Umgang mit fehlenden Werten, das Normalisieren von Formaten und das Aufteilen der Daten in Trainings-, Validierungs- und Testsets. Die Datenaufbereitung verschlingt typischerweise den Großteil der Zeit eines ML-Projekts.
Eine Modellarchitektur wählen – wähle den für die Aufgabe geeigneten Typ von KI-Modell: ein neuronales Netz, einen Entscheidungsbaum, eine Support Vector Machine oder eine Ensemble-Methode. Die Wahl hängt vom Datentyp, der Problemkomplexität und der verfügbaren Rechenleistung ab. Für Text dominieren Transformer-Architekturen (die Grundlage für GPT, BERT und moderne LLMs wie DeepSeek). Für tabellarische Daten übertreffen oft gradient-boosted Trees (XGBoost, LightGBM) das Deep Learning.
Das Modell trainieren – führe einen Trainings-Algorithmus aus, der die internen Parameter (Gewichte) des Modells so anpasst, dass seine Vorhersagen mit den bekannten Ergebnissen in den Trainingsdaten übereinstimmen. Das Training iteriert mehrmals über die Daten (genannt Epochen) und verringert allmählich die Differenz zwischen Vorhersagen und Realität (gemessen durch eine Verlustfunktion).
Evaluieren – miss das trainierte Modell an zurückgehaltenen Testdaten oder Benchmarks, um zu prüfen, ob es echte Muster gelernt oder nur das Trainingsset auswendig gelernt hat (ein Problem namens Overfitting). Gängige Metriken umfassen Genauigkeit, Präzision, Recall und F1-Score für die Klassifikation; mittlerer quadratischer Fehler und R-Quadrat für die Regression; Perplexität für Sprachmodelle.
Bereitstellen – bringe das Modell in die Produktion, wo es Inferenz auf neuen, ungesehenen Eingaben durchführt. Die Bereitstellung umfasst das Einrichten der Serving-Infrastruktur, das Verwalten der Latenz und den Umgang mit Randfällen.
Überwachen und neu trainieren – reale Daten ändern sich über die Zeit (Data Drift). Ein auf den Blockchain-Transaktionsmustern des letzten Jahres trainiertes Modell schneidet bei aktuellen Transaktionen möglicherweise schlecht ab. Verantwortungsvolle ML-Systeme umfassen Überwachungspipelines, die Leistungsverschlechterung erkennen und ein Neutraining auf frischen Daten auslösen.

Ein praktisches Beispiel

Angenommen, ein Projekt behauptet, sein ML-Modell erkenne verdächtige Wallet-Aktivitäten. Eine überprüfbare Implementierung würde zeigen:

Daten: welche On-Chain-Daten gesammelt und wie sie gelabelt werden (z. B. von bekannten Exploit-Datenbanken markierte Adressen)
Modell: welche Architektur verwendet wird (z. B. ein gradient-boosted Klassifikator auf Transaktionsmerkmalen)
Metriken: gemessene Erkennungsrate, Falsch-Positiv-Rate und Methodik (z. B. „evaluiert auf 10.000 zurückgehaltenen Transaktionen aus einem definierten Zeitraum“)
Bereitstellung: wie das Modell Echtzeit-Vorhersagen liefert (API-Endpunkt, Latenzeigenschaften)
Updates: wie oft das Modell neu trainiert wird und was das Neutraining auslöst

Wenn ein Projekt keine davon beschreibt, fehlt der „ML“-Behauptung überprüfbare Substanz.

Wichtige ML-Ansätze, die für Krypto-KI relevant sind

Machine Learning ist nicht eine einzige Technik – es ist eine Familie von Ansätzen, jeder für unterschiedliche Arten von Problemen geeignet.

Ansatz	Wie er lernt	Datenanforderung	Krypto-Beispiel
Überwachtes Lernen (Supervised)	Aus gelabelten Beispielen	Gelabelter Datensatz	Betrugserkennung, Scam-Klassifikation
Unüberwachtes Lernen (Unsupervised)	Findet Struktur ohne Labels	Ungelabelter Datensatz	Wallet-Clustering, Anomalieerkennung
Reinforcement Learning	Durch Versuch und Belohnung	Umgebung + Belohnungssignal	Automatisierte Agenten, Protokolloptimierung
Deep Learning	Mehrschichtige neuronale Netze	Großer Datensatz + Rechenleistung	LLMs, Bildgenerierung, NLP
Transfer Learning	Passt vortrainiertes Modell an neue Aufgabe an	Kleiner aufgabenspezifischer Datensatz	Feinabstimmung von LLMs für die Krypto-Domäne

Überwachtes Lernen (Supervised Learning)

Das Modell lernt aus gelabelten Daten – jedes Beispiel kommt mit einer bekannten richtigen Antwort. Das Modell lernt, Eingaben auf Ausgaben abzubilden, und wird daran gemessen, wie gut es die richtige Antwort für neue, ungesehene Beispiele vorhersagt.

Wie es funktioniert: gegeben Paare aus (Eingabe, korrekte Ausgabe), passt der Algorithmus die Modellparameter an, um Vorhersagefehler zu minimieren.
Beispiel: ein auf gelabelten Transaktionen (betrügerisch / legitim) trainierter Klassifikator zum Markieren von Scams. Jedes Trainingsbeispiel ist eine Transaktion mit Merkmalen (Betrag, Senderhistorie, Contract-Interaktion) und einem Label.
Gängige Werkzeuge: scikit-learn, XGBoost, LightGBM und Deep-Learning-Frameworks wie PyTorch und TensorFlow.
Stärke: hohe Genauigkeit, wenn gute Labels verfügbar sind.
Grenze: erfordert gelabelte Daten, deren Erstellung teuer und zeitaufwendig sein kann.

Unüberwachtes Lernen (Unsupervised Learning)

Das Modell findet Muster ohne Labels. Niemand sagt ihm, wonach es suchen soll; es entdeckt Struktur, Cluster oder Anomalien in den Daten von selbst.

Wie es funktioniert: der Algorithmus gruppiert ähnliche Datenpunkte zusammen oder identifiziert Ausreißer auf Basis statistischer Eigenschaften.
Beispiel: Clustering von Wallet-Adressen nach Verhaltensmustern – Transaktionshäufigkeit, Beträge, Interaktion mit bekannten Protokollen –, um Gruppen verwandter Wallets ohne vorherige Labels zu identifizieren.
Gängige Werkzeuge: k-Means-Clustering, DBSCAN, Hauptkomponentenanalyse (PCA), Autoencoder.
Stärke: funktioniert, wenn Labeling unpraktisch oder zu teuer ist.
Grenze: Ergebnisse erfordern menschliche Interpretation; der Algorithmus findet Struktur, erklärt aber nicht, was die Cluster bedeuten.

Reinforcement Learning (RL)

Das Modell lernt durch Versuch und Belohnung. Es führt Aktionen in einer Umgebung aus und erhält Feedback (positiv oder negativ). Mit der Zeit lernt es Strategien, die die kumulierte Belohnung maximieren.

Wie es funktioniert: ein Agent beobachtet den aktuellen Zustand, führt eine Aktion aus, erhält eine Belohnung oder Strafe und aktualisiert seine Strategie. Diese Schleife wiederholt sich tausende oder millionenfach.
Beispiel: ein automatisierter Agent, der lernt, Gas-Gebühren zu optimieren, indem er Transaktionen anhand von Mustern der Netzwerküberlastung zeitlich abstimmt.
Meilensteine: RL treibt spielende Systeme wie AlphaGo an. In der Krypto erscheint RL bei der Abstimmung von Protokollparametern und agentenbasierten Strategien.
Stärke: geeignet für sequenzielle Entscheidungsprobleme, bei denen die optimale Aktion von langfristigen Konsequenzen abhängt.
Grenze: erfordert ein gut definiertes Belohnungssignal und viele Iterationen; kann während des Trainings instabil sein.

Deep Learning

Ein Teilgebiet von ML, das neuronale Netze mit vielen Schichten verwendet (daher „deep“). Deep Learning treibt die meisten modernen KI-Durchbrüche an: Bilderkennung, Verarbeitung natürlicher Sprache, generative Modelle und große Sprachmodelle.

Wie es funktioniert: Daten fließen durch aufeinanderfolgende Schichten künstlicher Neuronen, von denen jede zunehmend abstraktere Merkmale extrahiert. Eine Faltungsschicht (Convolution) könnte Kanten erkennen; tiefere Schichten kombinieren Kanten zu Formen, dann zu Objekten.
Beispiel: ein Transformer-Modell (die Architektur hinter GPT, BERT und DeepSeek), das auf Krypto-Dokumentation feinabgestimmt ist, um strukturierte Informationen aus unstrukturiertem Text zu extrahieren.
Schlüsselarchitekturen: Transformer (Text/Sequenzen), Convolutional Neural Networks / CNNs (Bilder), Recurrent Neural Networks / RNNs (Zeitreihen).
Stärke: brilliert bei komplexen, hochdimensionalen Daten (Text, Bilder, Audio, Sequenzen).
Grenze: erfordert große Datensätze, erhebliche Rechenleistung und sorgfältige Abstimmung. Die Leistung ist schwerer zu interpretieren als bei einfacheren Modellen.

Transfer Learning

Eine Technik, bei der ein auf einem großen allgemeinen Datensatz vortrainiertes Modell an eine spezifische Aufgabe angepasst wird, mit einem kleineren Datensatz. Statt von Grund auf zu trainieren, startet das Modell mit bereits erlerntem Wissen.

Wie es funktioniert: nimm ein Modell wie BERT (vortrainiert auf allgemeinem Text) und stimme es auf einem kleineren Datensatz von Krypto-Whitepapers fein ab, um Projektbehauptungen zu klassifizieren.
Warum es wichtig ist: Transfer Learning reduziert die für neue Aufgaben erforderlichen Daten und Rechenleistung. Viele Krypto-KI-Projekte verwenden feinabgestimmte Versionen bestehender Modelle, statt von null zu trainieren.

Von klassischem ML zu modernem Deep Learning

Das Verständnis der Entwicklung von ML hilft, Projektbehauptungen zu bewerten:

Klassisches ML (1990er-2010er): Entscheidungsbäume, Support Vector Machines, logistische Regression. Diese funktionieren gut auf strukturierten (tabellarischen) Daten und bleiben in der Krypto-Analytik für Transaktionsklassifikation und Risiko-Scoring verbreitet.
Deep-Learning-Ära (2012-heute): neuronale Netze mit vielen Schichten begannen, klassische Methoden bei komplexen Aufgaben zu übertreffen. Die Transformer-Architektur von 2017 („Attention Is All You Need“) prägte das Feld neu. BERT (2018) und GPT (2018-heute) brachten Transformer in das Sprachverständnis und die Sprachgenerierung.
Foundation Models (2020er-heute): sehr große Modelle, die auf breiten Daten vortrainiert und für spezifische Aufgaben feinabgestimmt oder geprompted werden. GPT, Claude, Gemini und Mistral sind bekannte Beispiele. Diese Modelle machen leistungsstarkes NLP zugänglich, erleichtern es aber auch, dünne Wrapper zu bauen, die mit minimalem Eigenanteil „KI“ behaupten.

Wenn ein Projekt „Machine Learning“ sagt, lohnt sich die Frage: Ist das klassisches ML auf strukturierten Daten, Feinabstimmung bestehender Foundation Models oder das Training eines neuen Modells von Grund auf?

Warum ML in DecAIHub wichtig ist

Wenn eine Projektkarte „Machine Learning“ als Teil ihrer AI component aufführt, bedeutet das, dass das Projekt behauptet, ein System zu nutzen, das aus Daten lernt, statt sich auf statische Regeln zu verlassen. Diese Unterscheidung ist wichtig, weil:

ML eine Trainingspipeline impliziert – es muss Daten, einen Trainingsprozess und ein resultierendes Modell geben. Dies sind alles überprüfbare Artefakte.
ML messbare Leistung impliziert – ein gelerntes Modell kann benchmarked und verglichen werden. Ein handcodierter Regelsatz kann nicht auf dieselbe Weise evaluiert werden.
ML laufende Wartung impliziert – Modelle verschlechtern sich über die Zeit, wenn sich Datenverteilungen verschieben. Ein Projekt, das ML nutzt, muss periodisch neu trainieren und neu evaluieren.
ML Rechenanforderungen impliziert – Training und Inferenz erfordern Rechenressourcen. Dezentrale ML-Projekte müssen erklären, wie Rechenleistung bereitgestellt wird und wer die Kosten trägt.

DecAIHub prüft auf Tier-1-Evidenz dieser Artefakte, wenn es bewertet, ob „Machine Learning“ echt oder nur ein Marketing-Etikett ist. Die AI-reality-Flags (AI_0 bis AI_4) bilden direkt auf Evidenz-Prüfpunkte ab: Beschreibt das Projekt seine ML-Komponente (AI_1)? Gibt es funktionierende Demos (AI_2)? Veröffentlichte Metriken (AI_3)? Technische Architekturdokumentation (AI_4)?

Ein Projekt, das „Machine Learning“ erwähnt, ohne eines dieser Artefakte zu liefern, erhält niedrigere AI-reality-Flags, was seinen DecAI Fit-Score durch den ai_score-Obergrenzenmechanismus begrenzt.

Was ML allein nicht beweist

Modellqualität – ML zu behaupten, bedeutet nicht, dass das Modell genau, robust oder gut abgestimmt ist. Qualität erfordert Benchmark-Evidenz.
Datenqualität – das Modell ist nur so gut wie seine Trainingsdaten. Schlechte, verzerrte oder unzureichende Daten erzeugen schlechte Ergebnisse, unabhängig vom Algorithmus.
Echtes Lernen – manche Projekte bezeichnen regelbasierte Systeme oder einfache Heuristiken als „ML“. Siehe Automatisierung vs. echte AI component.
Proprietärer Vorteil – die Verwendung einer Standard-ML-Bibliothek mit Standardeinstellungen auf öffentlichen Daten stellt keine sinnvolle KI-Tiefe dar.
Dezentralisierung – ML-Modelle können auf vollständig zentralisierter Infrastruktur laufen. Die Tatsache, dass ein Projekt ML nutzt, sagt nichts darüber aus, ob seine KI dezentral oder seine Blockchain-Integration sinnvoll ist.

Nicht verwechseln mit

Künstliche Intelligenz – das breitere Feld. ML ist ein Teilgebiet der KI, kein Synonym dafür.
KI-Modell – das trainierte Artefakt. ML ist der Prozess, dieses Artefakt durch datengetriebenes Lernen zu erstellen.
Deep Learning – ein Teilgebiet von ML, das mehrschichtige neuronale Netze verwendet. Alles Deep Learning ist ML, aber nicht alles ML ist Deep Learning.
Automatisierung – das Ausführen vordefinierter Regeln. ML lernt seine eigenen Regeln aus Daten. Siehe Automatisierung vs. echte AI component.
Statistik – ML baut auf statistischen Grundlagen auf, geht aber über die traditionelle Statistik hinaus, indem es sich auf die Vorhersageleistung auf neuen Daten konzentriert statt auf die Erklärung historischer Daten.

Häufig gestellte Fragen

Was ist der Unterschied zwischen Machine Learning und traditioneller Programmierung?

In der traditionellen Programmierung schreibt ein Entwickler explizite Regeln: „Wenn der Transaktionsbetrag einen Schwellenwert überschreitet und der Sender keine Historie hat, markiere sie.“ Im Machine Learning liefert der Entwickler gelabelte Beispiele, und der Algorithmus entdeckt die Regeln selbst. Das Ergebnis ist ein Modell, das Muster erkennen kann, die für handgeschriebene Regeln zu subtil sind – aber es erfordert qualitativ hochwertige Trainingsdaten und laufende Evaluierung.

Erfordert Machine Learning Big Data?

Nicht immer. Deep-Learning-Modelle (insbesondere LLMs) erfordern große Datensätze, aber viele klassische ML-Techniken funktionieren effektiv mit bescheidenen Datenmengen. Transfer Learning reduziert die Datenanforderungen weiter, indem es von einem vortrainierten Modell ausgeht. Der Schlüsselfaktor ist Datenqualität und -relevanz, nicht nur Quantität. Ein kleiner, gut kuratierter, korrekt gelabelter Datensatz kann einen großen, verrauschten übertreffen.

Was ist der Unterschied zwischen überwachtem und unüberwachtem Lernen?

Überwachtes Lernen verwendet gelabelte Daten – jedes Beispiel enthält die korrekte Antwort, und das Modell lernt, sie vorherzusagen. Unüberwachtes Lernen arbeitet mit ungelabelten Daten und entdeckt Muster, Cluster oder Anomalien, ohne dass ihm gesagt wird, wonach es suchen soll. Eine dritte Kategorie, halbüberwachtes Lernen (semi-supervised), kombiniert eine kleine Menge gelabelter Daten mit einer größeren Menge ungelabelter Daten. Die Wahl hängt davon ab, ob Labels verfügbar und erschwinglich herzustellen sind.

Wie erkennt man, ob ein Krypto-Projekt echtes ML nutzt?

Suche nach überprüfbaren Artefakten: einem beschriebenen Datensatz, einer dokumentierten Modellarchitektur, veröffentlichten Benchmarks mit Methodik, einer öffentlichen Demo und Belegen für ein Neutraining. DecAIHub bewertet diese durch die AI-reality-Flags (AI_1 bis AI_4) und Tier-1-Evidenz-Prüfungen. Ein Projekt, das „ML-powered“ sagt, aber keines davon liefert, verwendet den Begriff wahrscheinlich als Marketing.

Ist Deep Learning dasselbe wie Machine Learning?

Deep Learning ist ein Teilgebiet von Machine Learning, kein Synonym. ML umfasst viele Techniken über Deep Learning hinaus: Entscheidungsbäume, Support Vector Machines, Bayes'sche Methoden und Ensemble-Methoden. Deep Learning verwendet neuronale Netze mit mehreren Schichten, um hierarchische Repräsentationen zu lernen. Es brilliert bei komplexen Daten (Text, Bilder, Audio), aber einfachere ML-Methoden übertreffen es oft bei strukturierten, tabellarischen Daten.

Siehe auch

Externe Referenzen

Google Developers — Machine Learning Crash Course – kostenloser Einführungskurs, der grundlegende ML-Konzepte mit praktischen Beispielen abdeckt
Stanford CS229 — Machine Learning – umfassende Universitätskursmaterialien zu ML-Theorie und -Praxis
Hugging Face — Learn – praktische Anleitungen zu modernem ML und NLP mit Open-Source-Werkzeugen
Machine learning (Wikipedia) – Überblick über ML-Geschichte, -Methoden und -Anwendungen
Papers With Code — Methods – Referenz für ML-Methoden mit Links zu Papern und Implementierungen