Machine Learning: Grundlagen und Relevanz für den EU AI Act

Machine Learning ist ein Teilbereich der KI, bei dem Systeme aus Daten lernen, ohne explizit für jede Aufgabe programmiert zu werden. Anstatt Regeln vorzugeben, lernt das System Muster aus Beispieldaten. Klassische Software: Programmier explizite Regeln (wenn X, dann Y). Machine Learning: System leitet Regeln selbst aus Trainingsdaten ab. Dieser Unterschied ist für den EU AI Act entscheidend: ML-Systeme passen sich durch Daten an und können unvorhergesehenes Verhalten zeigen.

Supervised Learning: Das System lernt aus beschrifteten Beispielen (Input-Output-Paaren). Anwendung: Spam-Filter, Kreditscoring, Bildklassifikation. Unsupervised Learning: Das System findet selbst Muster in unbeschrifteten Daten. Anwendung: Kundensegmentierung, Anomalieerkennung. Reinforcement Learning: Das System lernt durch Belohnungs- und Bestrafungssignale. Anwendung: Spielende KI, autonome Fahrzeuge, Robotersteuerung. Transfer Learning: Vortrainierte Modelle werden für neue Aufgaben angepasst. Anwendung: LLMs, Bildverarbeitung.

Die EU AI Act-Definition (Art. 3 Abs. 1) umfasst ausdrücklich ML-Ansätze: maschinenbasierte Systeme, die Muster inferieren und so Ausgaben wie Vorhersagen, Empfehlungen, Entscheidungen oder Inhalte generieren. Alle ML-Systeme, die diese Kriterien erfüllen, fallen unter den EU AI Act. Klassische regelbasierte Software (if-then-else) fällt nicht darunter. Hybride Systeme, die sowohl regelbasierte als auch ML-Komponenten haben, müssen individuell bewertet werden.

Wenn Ihr Unternehmen ML-Modelle einsetzt oder entwickelt: Identifizieren Sie alle ML-basierten Komponenten in Ihrer Software. Klassifizieren Sie das Gesamt-System nach EU AI Act-Risikoklassen. Beachten Sie: Auch ein ML-Modul in einem größeren System macht das System zu einem KI-System nach EU AI Act. Die Risikoklasse bestimmt sich nach dem Zweck des Gesamtsystems, nicht des ML-Moduls allein.