Wie man ein KI-Modell erstellt: Eine Schritt-für-Schritt-Anleitung

Wie erstellt man ein KI-Modell? Das ist derzeit die meistgestellte Frage, denn KI ist allgegenwärtig. Unternehmen und Privatpersonen können heute KI-Modelle entwickeln, um Herausforderungen zu meistern, die Effizienz zu steigern und innovative Produkte zu schaffen. Der Einstieg in die Welt der KI erfordert jedoch nicht zwangsläufig fortgeschrittene Programmierkenntnisse. Verschiedene Plattformen bieten visuelle Oberflächen für die Erstellung von KI-Modellen und machen den Einstieg so auch für Anfänger einfach und komfortabel.

Dieser Artikel beantwortet diese Fragen und führt Sie Schritt für Schritt durch den Prozess der KI-Modellierung. Am Ende verfügen Sie über das nötige Wissen, um Ihre eigene KI zu entwickeln – selbst mit wenig bis gar keinen Vorkenntnissen.

KI und ML verstehen

KI und maschinelles Lernen sind eng miteinander verbundene Bereiche und bilden die Grundlage moderner intelligenter Systeme. KI konzentriert sich auf die Entwicklung von Systemen, die Aufgaben ausführen können, die typischerweise menschenähnliche Intelligenz erfordern, wie Problemlösung und Sprachverarbeitung.

Innerhalb der KI spielt maschinelles Lernen eine entscheidende Rolle, indem es Computern ermöglicht, aus Daten zu lernen und ihre Leistung im Laufe der Zeit zu verbessern. Anstatt für jede Aufgabe explizit programmiert zu werden, passen ML-Algorithmen ihre Ergebnisse basierend auf Erfahrung an und verfeinern sie. Dadurch werden KI-Systeme effizienter und intelligenter.

Im vorherigen Blogbeitrag haben wir bereits die wichtigsten Arten des maschinellen Lernens besprochen. Jede KI-Art nutzt unterschiedliche Methoden, um Maschinen das effektive Lernen aus Daten zu ermöglichen. Durch die Verarbeitung riesiger Datenmengen können KI-Systeme Muster und Erkenntnisse identifizieren, die dem Menschen möglicherweise verborgen bleiben.

Verschiedene Klassen künstlicher Intelligenz


Bevor wir uns damit beschäftigen, wie man ein KI-Modell erstellt, müssen wir zunächst die verschiedenen KI-Klassen verstehen. Typischerweise lassen sich KI-Klassen anhand ihrer Fähigkeiten in drei Haupttypen unterteilen:

• ANI – Künstliche Schwache Intelligenz: Dies ist die heute am weitesten verbreitete Form von KI. ANI ist auf bestimmte Aufgaben spezialisiert, kann aber nicht über ihren trainierten Bereich hinaus agieren.

• AGI – Künstliche Allgemeine Intelligenz: AGI bezeichnet KI, die in der Lage ist, die menschliche Intelligenz in verschiedenen Aufgabenbereichen zu erreichen. Obwohl sie noch theoretisch ist, stellt sie ein zentrales Ziel der KI-Forschung dar.

• ASI – Künstliche Superintelligenz: ASI würde die menschliche Intelligenz in allen Aspekten übertreffen. Auch wenn sie noch hypothetisch ist, wirft sie erhebliche ethische Bedenken auf.

Die meisten aktuellen KI-Modelle gehören zur Kategorie ANI. Sie zeichnen sich durch ihre Fähigkeiten in spezialisierten Aufgaben aus, verfügen aber nicht über eine menschenähnliche allgemeine Intelligenz.

Vorbereitung für die Erstellung eines KI-Modells

Die Erstellung eines KI-Modells erfordert sorgfältige Planung und Einrichtung. Der Erfolg hängt von den richtigen Daten, Werkzeugen und Fähigkeiten ab. Wenn Sie sich fragen, wie man ein KI-Modell erstellt, führt Sie dieser Leitfaden durch die wichtigsten Schritte.

Datenerfassung

Hochwertige Daten sind die Grundlage für die Entwicklung von KI-Modellen. Teams müssen daher Daten sammeln, die ihren Projektzielen entsprechen. Dazu gehören beispielsweise Texte, Bilder oder Sensordaten.

Datenquellen umfassen öffentliche Datensätze, APIs, Web-Scraping oder benutzerdefinierte Datenerfassung. Der Datenbedarf variiert. Einfache Modelle benötigen möglicherweise Tausende von Beispielen, während Deep-Learning-Modelle oft Millionen benötigen.

Datenbereinigung und -vorverarbeitung

Rohdaten sind nicht sofort einsatzbereit. Sie müssen bereinigt und vorverarbeitet werden, um Konsistenz und Nutzbarkeit zu gewährleisten.

Häufige Vorverarbeitungsaufgaben:

• Entfernen von Duplikaten
• Korrigieren von Fehlern und Tippfehlern
• Umgang mit fehlenden Werten
• Skalierung numerischer Merkmale
• Kodierung kategorialer Variablen

Saubere Daten verbessern die Modellgenauigkeit und beschleunigen das Training. Dieser Schritt hilft außerdem, potenzielle Probleme frühzeitig zu erkennen. Teams sollten daher ausreichend Zeit dafür einplanen.

Auswahl der richtigen Tools und Frameworks

Die Auswahl der richtigen KI-Tools kann die Entwicklungseffizienz erheblich beeinflussen. Beliebte Optionen sind:

• TensorFlow – Googles Open-Source-ML-Bibliothek

• PyTorch – Facebooks Deep-Learning-Framework

• Scikit-learn – Ideal für klassische ML-Algorithmen

• Keras – High-Level-API für neuronale Netze

Cloud-Plattformen wie AWS, Google Cloud und Azure bieten ebenfalls KI-Dienste, die die Entwicklung beschleunigen können.

Auswahl der geeigneten Programmiersprache

Python ist aufgrund seines umfangreichen Ökosystems und seiner einfachen Bedienbarkeit die erste Wahl für die KI-Entwicklung.

Weitere Optionen:

• R – Stark für statistische Analysen
• Java – Geeignet für Anwendungen im Unternehmensmaßstab
• C++ – Ideal, wenn hohe Performance entscheidend ist

Für Anfänger ist Python der beste Einstieg, da es den einfachsten Zugang zur KI-Programmierung bietet. Plattformen wie Jupyter Notebook vereinfachen das Experimentieren und die Visualisierung der Ergebnisse.

KI-Algorithmen entwickeln

Die Entwicklung effektiver KI-Algorithmen ist essenziell für den Aufbau leistungsstarker Modelle. Die Wahl des Algorithmus und seine Optimierung beeinflussen den Erfolg maßgeblich. Beim Erstellen eines KI-Modells ist das Verständnis verschiedener Lernansätze ein entscheidender erster Schritt.

Arten von Lernalgorithmen

Hier werden nur die drei gängigsten Algorithmenarten erwähnt, da sie weit verbreitet sind.

Zunächst einmal basiert überwachtes Lernen auf gelabelten Daten. Daher eignet es sich ideal für Aufgaben wie Bildklassifizierung oder Spam-Erkennung. Der Algorithmus lernt, Eingaben bekannten Ausgaben zuzuordnen.

Unüberwachtes Lernen hingegen deckt Muster in unbeschrifteten Daten auf. Es ist besonders nützlich für Clustering oder Dimensionsreduktion, da es verborgene Strukturen ohne vordefinierte Kategorien identifiziert.

Bestärkendes Lernen ermöglicht es Agenten, durch belohnungsbasiertes Training zu lernen. Dieser Ansatz ist besonders effektiv in Spielen, Robotik und Entscheidungsfindung, wo der Agent seine Aktionen durch Interaktion mit der Umgebung optimiert.

Da jeder Lerntyp unterschiedlichen Zwecken dient, ist die Wahl des richtigen Ansatzes grundlegend für die KI-Entwicklung.

Algorithmenoptimierung

Die Verbesserung der Algorithmenleistung erfordert eine optimale Abstimmung. In unserem Leitfaden zur Erstellung von KI-Modellen stellen wir Ihnen kurz die wichtigsten Techniken zur Algorithmenoptimierung vor. Diese sind:

• Hyperparameteroptimierung: Anpassung wichtiger Einstellungen zur Verbesserung der Genauigkeit.

• Feature Engineering: Auswahl und Transformation von Eingabevariablen für bessere Ergebnisse.

• Regularisierung: Vermeidung von Überanpassung durch Kontrolle der Modellkomplexität.

• Ensemble-Methoden: Kombination mehrerer Modelle für präzisere Vorhersagen.

Eine weit verbreitete Optimierungsmethode ist der Gradientenabstieg, der Modellparameter durch Minimierung von Fehlern feinabstimmt.

Zusätzlich stellt die Kreuzvalidierung sicher, dass das Modell gut generalisiert, indem es an unbekannten Daten getestet wird. Um Überanpassung weiter entgegenzuwirken, stoppt das Early Stopping das Training, sobald die Validierungsfehler zunehmen.

Effektive Optimierung steigert nicht nur die Genauigkeit, sondern auch die Effizienz und ist daher ein wesentlicher Bestandteil des KI-Modelldesigns.

KI-Modell trainieren

Die Konfiguration von Trainingsprozessen und die Bewertung der Leistung sind von größter Bedeutung, damit Ihr Modell die Erwartungen erfüllt. Daher ist das Verständnis dieser Schritte unerlässlich für genaue und zuverlässige Ergebnisse.

Trainingsprozesse konfigurieren

Der Trainingsprozess beginnt mit der Aufbereitung hochwertiger Daten, die dem vorgesehenen Zweck des Modells entsprechen. Bevor die Daten dem Modell zugeführt werden, müssen sie bereinigt und vorverarbeitet werden, um Fehler und Inkonsistenzen zu beseitigen.

Anschließend ist die Auswahl des richtigen Algorithmus entscheidend für die Entwicklung eines KI-Modells. Gängige Optionen sind neuronale Netze, Entscheidungsbäume und Support-Vektor-Maschinen, abhängig von der Art des Problems und den Dateneigenschaften. Wenn Sie beispielsweise ein ML-Vorhersagemodell erstellen, eignen sich Entscheidungsbäume gut für strukturierte Daten. Neuronale Netze hingegen werden häufig für komplexe Muster in großen Datensätzen bevorzugt.

Die Einrichtung einer effizienten Trainingsumgebung ist ebenfalls wichtig. Dies kann die Nutzung von Machine Learning as a Service (MLaaS)-Plattformen oder spezialisierter Hardware sowie die Installation notwendiger Softwarebibliotheken und Frameworks umfassen.

Darüber hinaus ist die Definition von Hyperparametern wie Lernrate und Batchgröße ein weiterer wichtiger Schritt. Diese Einstellungen beeinflussen direkt, wie das Modell lernt. Beachten Sie, dass das Experimentieren mit verschiedenen Werten die Trainingsleistung optimieren kann.

Leistungsmetriken

Die Bewertung der Modellleistung ist grundlegend für Verbesserungen. Die Wahl der Leistungsmetriken hängt von der Aufgabe ab:

• Bei Klassifizierungsproblemen sind Genauigkeit, Präzision und Trefferquote wichtige Metriken.

• Bei Regressionsaufgaben helfen Kennzahlen wie der mittlere quadratische Fehler (MSE) und das Bestimmtheitsmaß (R²) bei der Leistungsbewertung.

• Zeitreihenmodelle verwenden häufig den mittleren absoluten Fehler (MAE) zur Bewertung der Genauigkeit.

Die Überwachung dieser Metriken während des gesamten Trainings ist unerlässlich, um Probleme wie Überanpassung oder Unteranpassung frühzeitig zu erkennen. Die Anpassung des Modells oder der Trainingsstrategie auf Basis dieser Erkenntnisse verbessert die Gesamteffektivität.

Schließlich liefert das Testen des Modells auf einem separaten Validierungsdatensatz, der nicht während des Trainings verwendet wurde, ein klareres Bild der Leistung in der Praxis. Der Vergleich der Ergebnisse mit Basismodellen oder Branchenstandards gewährleistet eine kontinuierliche Verbesserung.

Implementierung neuronaler Netze

Neuronale Netze bilden die Grundlage vieler KI-Modelle. Sie nutzen miteinander verbundene Knoten, um Daten zu analysieren, Muster zu erkennen und Vorhersagen zu generieren. Diese Struktur ermöglicht es KI-Systemen, zu lernen und ihre Genauigkeit im Laufe der Zeit zu verbessern.

Architektur neuronaler Netze

Neuronale Netze sind in Neuronenschichten aufgebaut. Jedes Neuron ist über gewichtete Verbindungen mit anderen Neuronen verbunden, deren Gewichtung sich mit dem Lernprozess des Modells anpasst.

Aktivierungsfunktionen bestimmen, ob Neuronen aktiviert werden. Gängige Funktionen sind ReLU, Sigmoid und Tanh, die Nichtlinearität einführen und dem Netzwerk so das Erlernen komplexer Muster ermöglichen.

Der Aufbau eines neuronalen Netzes umfasst mehrere wichtige Schritte:

• Definition der Netzwerkstruktur
• Initialisierung von Gewichten und Bias-Werten
• Implementierung der Vorwärtsausbreitung
• Berechnung des Verlusts zur Fehlermessung
• Durchführung der Rückwärtsausbreitung zur Anpassung der Gewichte

Gängige ML-Frameworks vereinfachen diesen Prozess durch vorgefertigte Tools für das effiziente Design und Training neuronaler Netze.

Deep-Learning-Techniken

Wie Sie vielleicht wissen, nutzt Deep Learning mehrschichtige neuronale Netze, um hierarchische Merkmale aus Daten zu extrahieren. Es gibt verschiedene Deep-Learning-Architekturen, die sich für unterschiedliche Aufgaben eignen:

• Convolutional Neural Networks (CNNs) sind besonders effektiv für die Bildverarbeitung. Sie verwenden Filter, um Kanten, Formen und Muster in Bildern zu erkennen.

Rekurrente Neuronale Netze (RNNs) sind für sequenzielle Daten konzipiert und eignen sich daher ideal für Anwendungen wie Spracherkennung und NLP.

Transferlernen beschleunigt die Modellentwicklung, indem es vortrainierte Netze als Grundlage für neue Aufgaben nutzt. Dieser Ansatz verbessert die Genauigkeit und reduziert gleichzeitig Trainingszeit und Datenbedarf.

Die erfolgreiche Implementierung von Deep-Learning-Modellen in den Prozess der KI-Modellentwicklung erfordert Folgendes:

• Große Datensätze für effektives Lernen
• Leistungsstarke Hardware (häufig GPUs) für effizientes Training
• Sorgfältige Hyperparameter-Optimierung zur Leistungsoptimierung
• Regularisierungstechniken zur Vermeidung von Überanpassung und Verbesserung der Generalisierung

Evaluierung und Optimierung von KI-Modellen

Um die Leistungsfähigkeit eines KI-Modells zu gewährleisten, sind eine gründliche Evaluierung und Feinabstimmung unerlässlich. Diese Phase trägt dazu bei, die Genauigkeit zu verbessern und sicherzustellen, dass das Modell für reale Anwendungen geeignet bleibt.

Kreuzvalidierungsmethoden

Die Kreuzvalidierung ist eine Technik, um zu beurteilen, wie gut ein KI-Modell auf unbekannte Daten generalisiert. Dabei wird der Datensatz in mehrere Teile aufgeteilt, wobei ein Teil zum Trainieren und der andere zum Testen verwendet wird.

• K-fache Kreuzvalidierung teilt die Daten in k gleich große Teile. Das Modell wird mit k-1 Teilen trainiert und mit dem verbleibenden Teil getestet. Dieser Vorgang wird k-mal wiederholt, um eine umfassende Evaluierung zu gewährleisten.

• Leave-One-Out-Kreuzvalidierung (LOOCV) ist eine strengere Methode, bei der das Modell mit allen Datenpunkten außer einem trainiert wird. Anschließend sagt das Modell den ausgeschlossenen Punkt voraus. Dies wird für jeden Datenpunkt wiederholt und liefert so detaillierte Einblicke in die Leistungsfähigkeit.

Diese Methoden verhindern somit Überanpassung und helfen zu überprüfen, ob das Modell zuverlässige Vorhersagen für neue Daten trifft.

Optimierung und Feinabstimmung

Die Feinabstimmung eines KI-Modells umfasst die Anpassung von Hyperparametern, welche das Lernverhalten wie Lernrate, Batchgröße und Regularisierungsstärke steuern.

• Die Gittersuche untersucht systematisch verschiedene Hyperparameterkombinationen.

• Die Zufallssuche wählt zufällige Einstellungen, um schnell eine effektive Konfiguration zu finden.

• Die Bayes’sche Optimierung verfolgt einen intelligenteren Ansatz, indem sie vergangene Evaluierungsergebnisse nutzt, um zukünftige Auswahlen zu steuern, was oft zu schnelleren Verbesserungen führt.

Die Optimierung dieser Einstellungen kann Genauigkeit, Effizienz und Generalisierung verbessern. Darüber hinaus benötigen Modelle regelmäßige Updates, um neue Daten zu integrieren und so ihre Relevanz und hohe Leistungsfähigkeit langfristig zu gewährleisten.

Bereitstellung von KI-Modellen

Nach dem Training folgt die Bereitstellung, die sicherstellt, dass das Modell zugänglich ist und in reale Anwendungen integriert werden kann. Beim Erstellen eines KI-Modells ist das Verständnis von Bereitstellungsstrategien unerlässlich für die effiziente Bereitstellung KI-gestützter Lösungen.

Bereitstellungsstrategien

Cloud-Plattformen bieten skalierbare und flexible Lösungen für die Bereitstellung von KI-Modellen. Sie vereinfachen Infrastrukturmanagement und Versionskontrolle.

Die Bereitstellung vor Ort bietet hingegen mehr Kontrolle und Sicherheit und eignet sich daher ideal für sensible Daten oder hardwarespezifische Anforderungen. Allerdings ist der Aufwand für Einrichtung und Wartung höher.

Containerisierungstools wie Docker gewährleisten eine konsistente Bereitstellung in verschiedenen Umgebungen, indem sie Modelle zusammen mit ihren Abhängigkeiten verpacken.

Für Szenarien, die geringe Latenz und Offline-Funktionalität erfordern, platziert die Edge-Bereitstellung KI-Modelle direkt auf IoT-Geräten, Mobiltelefonen oder eingebetteten Systemen. Hierbei sind jedoch die Ressourcen begrenzt.

Serverlose Bereitstellung nutzt Cloud-Funktionen zur automatischen Skalierung, kann aber beim Kaltstart zu längeren Antwortzeiten führen.

API-Integration

Um KI-Modelle zugänglich zu machen, fungieren APIs als Kommunikationsbrücken zwischen Anwendungen und dem bereitgestellten Modell.

• RESTful APIs werden aufgrund ihrer Einfachheit und Kompatibilität häufig in Web- und mobilen Anwendungen eingesetzt.

• gRPC bietet schnellere Performance und eignet sich daher für interne Anfragen mit hohem Volumen.

• [GraphQL](https://graphql.org/Die flexible Abfrage ist von Vorteil, wenn Clients individuelle Datenantworten vom Modell benötigen.

WebSockets ermöglichen Echtzeit-Interaktionen und eignen sich daher ideal für Streaming-Vorhersagen und kontinuierliche Aktualisierungen.

Darüber hinaus vereinfacht die SDK-Integration die API-Nutzung in verschiedenen Programmiersprachen und verwaltet Authentifizierung, Datenformatierung und Anfrageverarbeitung effizient.

Für mobile Anwendungen ermöglichen Mobile SDKs die einfache Integration in iOS und Android. Sie unterstützen häufig On-Device-Inferenz für höhere Geschwindigkeit und mehr Datenschutz.

Wartung und Aktualisierung von KI-Systemen

Nach der Bereitstellung eines KI-Modells sind kontinuierliche Wartung und Aktualisierung unerlässlich, um seine Genauigkeit und Effektivität zu gewährleisten. Ohne entsprechende Pflege können Modelle im Laufe der Zeit aufgrund von Datenänderungen und veränderten realen Bedingungen an Leistung verlieren.

Bewährte Verfahren für die Wartung

Zunächst ist die kontinuierliche Überwachung entscheidend für die Nachverfolgung der Modellleistung. Man kann es sich wie die Nachsorge für den Prozess der Entwicklung eines KI-Modells vorstellen. Teams sollten daher regelmäßig die Ergebnisse überprüfen und automatisierte Tools einsetzen, um Anomalien oder Genauigkeitsveränderungen zu erkennen.

Darüber hinaus spielt das Datenqualitätsmanagement eine Schlüsselrolle. Sicherzustellen, dass die eingehenden Daten sauber, relevant und aktuell sind, beugt Leistungsproblemen vor. Dies beinhaltet zunächst die Behebung von Fehlern, das Entfernen veralteter Informationen und die Integration neuer Datenquellen.

Regelmäßige Tests tragen außerdem zur Zuverlässigkeit bei. Die Ausführung des Modells mit neuen Datensätzen zeigt, ob es noch gut funktioniert oder angepasst werden muss. Bei einem Genauigkeitsverlust kann ein erneutes Training erforderlich sein.

Sicherheitsupdates sind zudem unerlässlich, um KI-Systeme vor neuen Bedrohungen zu schützen. Teams sollten Patches umgehend einspielen und die Abwehrmaßnahmen verstärken, um Sicherheitslücken zu schließen.

Kontinuierliche Verbesserung

KI-Modelle sollten sich kontinuierlich weiterentwickeln, um ihre Leistung und Anpassungsfähigkeit zu verbessern. Eine effektive Methode ist das regelmäßige Retraining, bei dem Modelle mit neuen Daten aktualisiert werden, um Veränderungen in der realen Welt widerzuspiegeln. Ein strukturierter Retraining-Plan gewährleistet langfristige Effektivität.

Darüber hinaus liefert Nutzerfeedback wertvolle Erkenntnisse. Die Interaktion der Nutzer mit dem KI-System hilft, Bereiche für Verbesserungen und neue Funktionen zu identifizieren.

Weiterführende Informationen: Warum ist Benutzerakzeptanztest wichtig?

In manchen Fällen kann die Leistung durch die Anpassung der Modellarchitektur oder die Integration zusätzlicher KI-Techniken weiter optimiert werden. Daher kann die Erforschung neuer Algorithmen, Hyperparameter oder Datenquellen dazu beitragen, dass das Modell seinen Zweck besser erfüllt.

Fazit

Zusammenfassend lässt sich sagen, dass die Erstellung eines eigenen KI-Modells und die Entwicklung einer KI-Anwendung zunächst abschreckend wirken mag. Mit den richtigen Werkzeugen und der richtigen Anleitung ist dies jedoch durchaus machbar.

Was wird Ihr nächstes KI-Projekt sein? Jetzt ist der perfekte Zeitpunkt, um in die spannende Welt der künstlichen Intelligenz einzutauchen!

Häufig gestellte Fragen (FAQ)

Was ist ein KI-Modell?

Ein KI-Modell ist ein Computerprogramm, das anhand von Daten trainiert wird, um Muster zu erkennen und automatisch Vorhersagen oder Entscheidungen zu treffen. Es lernt aus Datensätzen mithilfe von Algorithmen des maschinellen Lernens und kann Aufgaben wie Bilderkennung, Verarbeitung natürlicher Sprache und Empfehlungssysteme ausführen. KI-Modelle sind die Kernkomponenten moderner intelligenter Anwendungen.

Welche Daten werden zum Trainieren eines KI-Modells benötigt?

KI-Modelle benötigen große und qualitativ hochwertige Datensätze, um Muster präzise zu lernen. Die Daten können je nach Anwendungsfall Text, Bilder, Audio, strukturierte Datenbanken oder Sensordaten umfassen. Vor dem Training müssen die Daten bereinigt, beschriftet und formatiert werden, damit das Modell sie effektiv interpretieren kann.

Wie lange dauert die Entwicklung eines KI-Modells?

Die Entwicklungszeit eines KI-Modells hängt von der Projektkomplexität, der Größe des Datensatzes und der Infrastruktur ab. Einfache Modelle können innerhalb weniger Tage oder Wochen entwickelt werden, während KI-Systeme für Unternehmen vor der Implementierung monatelange Experimente, Optimierungen und Tests erfordern können.

Welche Programmiersprachen werden zum Erstellen von KI-Modellen verwendet?

Die am häufigsten verwendete Sprache zum Erstellen von KI-Modellen ist Python, da es über ein starkes Ökosystem an Machine-Learning-Bibliotheken wie TensorFlow, PyTorch und Scikit-learn verfügt. Andere Sprachen wie R, Java und Julia werden ebenfalls in der Datenwissenschaft und KI-Entwicklung eingesetzt.

Was ist der Unterschied zwischen einem KI-Modell und Machine Learning?

Machine Learning ist eine Methode zum Erstellen von KI-Systemen, während ein KI-Modell das fertige, trainierte System ist, das Vorhersagen trifft oder Aufgaben ausführt. Vereinfacht gesagt: Machine Learning ist der Prozess, und das KI-Modell ist das Ergebnis.