Wann nutze ich Klassifikation und wann Regression?

Beide sind überwachtes Lernen (Sie haben Beispiele mit bekanntem Ergebnis). Der Unterschied liegt allein in dem, was Sie vorhersagen: Klassifikation liefert eine Kategorie oder ein Ja/Nein (Spam oder nicht, Kunde springt ab oder nicht), Regression liefert eine fortlaufende Zahl (Preis, Nachfrage, Restlaufzeit). Faustregel: Lässt sich die Antwort sinnvoll mitteln, ist es Regression; lässt sie sich nur abzählen, ist es Klassifikation.

Was ist der Unterschied zwischen klassischem Machine Learning und GenAI?

Klassisches ML lernt aus Ihren strukturierten Daten ein eng umrissenes Vorhersage- oder Mustermodell (Klassifikation, Regression, Clustering). Generative KI (LLMs, Bildmodelle) ist auf riesigen allgemeinen Datenmengen vortrainiert und erzeugt neue Inhalte oder versteht Sprache und Bilder, oft ganz ohne eigene Trainingsdaten. Für strukturierte Tabellendaten ist klassisches ML meist treffsicherer und günstiger; für Sprache, Dokumente und Bilder spielt GenAI seine Stärke aus.

Brauche ich für ein KI-Projekt immer Machine Learning?

Nein. Wenn sich Ihre Entscheidung als klare, stabile Regeln beschreiben lässt, ist eine Regel-Engine oder ein einfacher Algorithmus fast immer die bessere Wahl: schneller, billiger, nachvollziehbar und ohne Trainingsdaten. Machine Learning lohnt sich erst, wenn die Zusammenhänge zu komplex oder zu unscharf für feste Regeln sind.

Wann nutze ich RAG statt Fine-Tuning?

RAG (Retrieval-Augmented Generation) liefert einem Sprachmodell zur Laufzeit die relevanten Stellen aus Ihren Dokumenten — ideal für Faktenwissen, das sich ändert. Fine-Tuning passt das Modell dauerhaft an und eignet sich eher für Stil, Format und Ton. Für Wissensfragen über eigene Daten ist RAG fast immer der erste Schritt.

Welche ML-Methode brauche ich? Entscheidungsbaum (2026)

Q: Kann ich mehrere Methoden kombinieren?

Ja, und in der Praxis ist das die Regel. Ein Recommender nutzt im Hintergrund Clustering und Klassifikation, eine Dokumenten-Pipeline kombiniert Extraktion, RAG und ein LLM, ein Forecasting-System wird durch Anomalieerkennung abgesichert. Der Entscheidungsbaum hilft, mit der dominanten Methode zu starten — die übrigen kommen oft als ergänzende Bausteine dazu.

Die meisten KI-Projekte scheitern nicht an der Technik, sondern an einer falschen Weichenstellung ganz am Anfang: Es wird die falsche Art von Methode auf das Problem geworfen. Klassifikation, wo eigentlich eine Regel gereicht hätte. Ein teures Sprachmodell, wo eine simple Regression treffsicherer gewesen wäre. Dieser Leitfaden dreht die Reihenfolge um: erst das Problem verstehen, dann die Methode wählen. Und weil sich diese Wahl auf wenige, einfache Entscheidungen herunterbrechen lässt, beantworten Sie sie unten gleich selbst.

1. Finden Sie Ihre Methode — in unter einer Minute

Hangeln Sie sich durch ein paar einfache Fragen. Am Ende steht die Methoden-Kategorie, die zu Ihrem Vorhaben passt, mit einem Sprung in den passenden Abschnitt weiter unten. Wer lieber die ganze Landkarte auf einmal sieht, öffnet über den Button den kompletten Entscheidungsbaum.

Der Rest des Artikels erklärt jede Kategorie in Klartext: wann sie passt, ein Beispiel, die häufigste Stolperfalle — und für die, die es genauer wissen wollen, jeweils einen kurzen technischen Hinweis.

2. Brauchen Sie überhaupt Machine Learning?

Die wertvollste Frage zuerst, weil sie am häufigsten übersprungen wird. Machine Learning ist dann sinnvoll, wenn ein Zusammenhang in den Daten steckt, der sich nicht als überschaubare Menge fester Regeln aufschreiben lässt. Lässt er sich das doch, ist eine Regel-Engine fast immer besser: Sie ist sofort einsatzbereit, kostet kein Training, braucht keine Daten und jeder kann nachvollziehen, warum sie entscheidet, wie sie entscheidet.

Beispiel: „Rechnungen über 10.000 € brauchen eine zweite Freigabe” ist eine Regel, kein ML-Problem. „Welche Rechnungen sind wahrscheinlich fehlerhaft?” dagegen schon — das steckt in Mustern, die kein Mensch vollständig aufschreiben kann.

Stolperfalle: ML als Prestigeprojekt einzusetzen, wo zehn if-Bedingungen die Sache robuster und transparenter gelöst hätten. Mehr dazu in Warum KI-Projekte scheitern.

Für Techniker: Geschäftsregeln, Entscheidungstabellen oder ein BPM-/Workflow-Tool. ML kommt erst ins Spiel, wenn die Regelmenge explodiert oder die Grenzfälle unscharf werden.

3. Etwas vorhersagen (überwachtes Lernen)

Sie haben historische Beispiele, bei denen das richtige Ergebnis bereits bekannt ist, und wollen dieses Ergebnis für neue Fälle vorhersagen. Das ist überwachtes Lernen — die am besten verstandene und meistgenutzte ML-Familie. Welche der vier Methoden es wird, hängt davon ab, was Sie vorhersagen.

Klassifikation — eine Kategorie vorhersagen

Ordnet jeden Fall einer von mehreren bekannten Kategorien zu oder beantwortet eine Ja/Nein-Frage. Wird dieser Kunde abspringen? Ist diese E-Mail Spam? Welcher Fehlerklasse gehört dieser Defekt an?

Stolperfalle: unausgewogene Klassen. Wenn nur 1 % der Fälle „Betrug” sind, erreicht ein Modell, das immer „kein Betrug” sagt, 99 % Genauigkeit — und ist trotzdem nutzlos. Hier zählen Precision und Recall, nicht Accuracy.

Für Techniker: Gradient Boosting (XGBoost, LightGBM) oder Random Forest für Tabellendaten; bei Text mit wenigen Beispielen oft ein LLM-basierter Klassifikator statt eines klassischen Modells.

Regression — eine Zahl vorhersagen

Sagt eine fortlaufende Zahl voraus statt einer Kategorie. Welchen Preis erzielt diese Immobilie? Wie hoch ist die Nachfrage nächste Woche? Wie lange läuft diese Maschine noch bis zum Ausfall?

Stolperfalle: der Unterschied zur Klassifikation wird verwischt. Faustregel: Lässt sich die Antwort sinnvoll mitteln, ist es Regression; lässt sie sich nur abzählen, ist es Klassifikation.

Für Techniker: lineare oder regularisierte Regression als ehrliche Baseline, Gradient Boosting für nichtlineare Zusammenhänge. Den Fehler immer in der Einheit des Geschäfts ausdrücken (Euro, Stück), nicht nur als abstrakte Metrik.

Zeitreihen-Forecasting — zukünftige Werte über die Zeit

Ein Sonderfall der Zahlen-Vorhersage, bei dem die zeitliche Reihenfolge entscheidend ist: Trend, Saisonalität und die Abhängigkeit von der jüngsten Vergangenheit. Absatz pro Woche, Serverlast pro Stunde, Lagerbestand pro Tag.

Stolperfalle: Zeitreihen mit gewöhnlicher Regression behandeln und dabei die Zeitstruktur ignorieren — oder beim Testen aus der Zukunft in die Vergangenheit „spicken”.

Für Techniker: statistische Modelle (Prophet, ARIMA, ETS) als Start; bei vielen Reihen Gradient Boosting auf Lag-Features oder neuronale Modelle. Immer zeitlich sauber validieren (kein zufälliges Train/Test-Split).

Anomalie- & Betrugserkennung — das Seltene finden

Hier geht es nicht darum, in bekannte Klassen einzuordnen, sondern das Ungewöhnliche aufzuspüren — gerade dann, wenn es kaum gelabelte Beispiele dafür gibt. Betrugsverdacht, Maschinendefekte, ungewöhnliche Zugriffe.

Stolperfalle: zu viele Fehlalarme. Ein Anomalie-System, das ständig Alarm schlägt, wird ignoriert — die Schwelle muss am tatsächlichen Aufwand pro Alarm ausgerichtet werden.

Für Techniker: Isolation Forest, One-Class-Modelle oder Autoencoder, wenn keine Labels vorliegen; sobald genug Betrugsbeispiele existieren, eine kostenempfindliche Klassifikation.

4. Struktur in Daten finden (unüberwachtes Lernen)

Sie haben Daten, aber keine bekannten Ergebnisse — keine Labels. Statt etwas vorherzusagen, wollen Sie die verborgene Struktur sichtbar machen. Das ist unüberwachtes Lernen.

Clustering & Segmentierung — Gruppen ohne Vorgaben

Bündelt ähnliche Fälle zu Gruppen, ganz ohne vorgegebene Kategorien. Welche natürlichen Kundensegmente gibt es? Welche Produkte werden zusammen gekauft?

Stolperfalle: Cluster sind eine Hypothese, kein Befund. Die Gruppen, die der Algorithmus findet, müssen erst fachlich interpretiert werden — sonst segmentiert man Rauschen.

Für Techniker: k-Means als Start, HDBSCAN für unregelmäßig geformte Cluster; oft sinnvoller auf Embeddings als auf Rohdaten. Die Clusterzahl validiert man, man rät sie nicht.

Recommender-Systeme — was passt zu diesem Nutzer?

Schlägt pro Nutzer oder Kontext die passendsten Produkte, Inhalte oder Aktionen vor. „Andere kauften auch …”, personalisierte Startseiten, Next-Best-Action.

Stolperfalle: der Kaltstart. Für neue Nutzer oder neue Produkte fehlt die Historie — dafür braucht es einen Fallback, sonst empfiehlt das System nichts oder immer dasselbe.

Für Techniker: Collaborative Filtering und Matrix-Faktorisierung als Klassiker; moderne Varianten über Embedding-basierte Ähnlichkeitssuche.

Dimensionsreduktion — viele Variablen verdichten

Verdichtet viele Variablen auf wenige aussagekräftige — zum Visualisieren, Entrauschen oder als Vorstufe für andere Methoden. Eher ein Werkzeug als ein Endziel.

Stolperfalle: die reduzierten Achsen für bare Münze nehmen. Eine schöne 2D-Karte hochdimensionaler Daten ist eine Projektion, keine Wahrheit — Abstände darin können täuschen.

Für Techniker: PCA für lineare Struktur, UMAP oder t-SNE zum Visualisieren hochdimensionaler Daten. Häufig als Vorverarbeitung vor Clustering eingesetzt.

5. Mit Sprache & Inhalten arbeiten (GenAI)

Sobald das Material Text, Bilder oder Audio ist statt sauberer Tabellen, kommt generative KI ins Spiel — vortrainierte Modelle, die Sprache und Inhalte verstehen, oft ohne dass Sie eigene Trainingsdaten brauchen.

Textverstehen & Extraktion — einordnen und herausziehen

Dokumente klassifizieren oder strukturierte Felder herausziehen — auch dann, wenn kaum gelabelte Beispiele vorliegen. Rechnungspositionen extrahieren, Tickets nach Thema sortieren, Verträge nach Klauseln durchsuchen.

Stolperfalle: sich auf die LLM-Ausgabe verlassen, ohne sie gegen ein festes Schema zu prüfen. Extraktion braucht Validierung, sonst schleichen sich plausibel aussehende, aber falsche Werte ein.

Für Techniker: ein LLM mit klaren Prompts und vorgegebenem Ziel-Schema; bei vielen Beispielen ein kleineres, feinjustiertes Modell, das schneller und günstiger läuft.

Generieren, Zusammenfassen & Chat

Erzeugt neuen Text, fasst zusammen oder führt Dialoge — auf Basis allgemeinen Sprachkönnens. E-Mail-Entwürfe, Zusammenfassungen, ein Chat-Assistent.

Stolperfalle: Generierung ohne Faktenbindung. Ein Sprachmodell formuliert flüssig, auch wenn es danebenliegt — wo es auf Korrektheit ankommt, gehört eine Wissensquelle dazu (siehe RAG).

Für Techniker: ein Sprachmodell mit sauberem Prompting; on-premise, wenn die Daten das Haus nicht verlassen dürfen — das geht heute sogar komplett im Browser.

RAG — Fragen über die eigenen Daten

Lässt ein Sprachmodell auf Basis Ihrer eigenen Dokumente antworten, ohne es neu zu trainieren. Die passenden Stellen werden zur Laufzeit gesucht und dem Modell mitgegeben. Interner Wissensassistent, Suche in Verträgen und Richtlinien, Kundenservice über die eigene Doku.

Stolperfalle: die meisten RAG-Probleme liegen nicht am Modell, sondern an der Suche davor — schlechtes Chunking, fehlendes Re-Ranking. Tiefer dazu in RAG einfach erklärt.

Für Techniker: Retrieval-Augmented Generation — Embeddings, Vektorsuche und Re-Ranking vor dem LLM. Für Wissensfragen fast immer der bessere erste Schritt als Fine-Tuning.

Bild, Audio & Multimodal

Verarbeitet Bilder, Audio oder Video statt Text — erkennen, beschreiben, transkribieren oder durchsuchen. Wareneingangsfotos prüfen, Meetings transkribieren, Dokumente per OCR erschließen.

Stolperfalle: die Datenqualität unterschätzen. Verwackelte Fotos, Hintergrundlärm oder schlechte Scans drücken die Trefferquote stärker als die Wahl des Modells.

Für Techniker: Vision-Language-Modelle, OCR-Pipelines, Speech-to-Text (z. B. Whisper) je nach Modalität. Mehr in Multimodale KI.

6. Handlungen & Entscheidungen

Die letzte Gruppe sagt nichts vorher und ordnet nichts ein — sie handelt oder entscheidet. Hier verlassen wir teilweise sogar das Machine Learning.

Agenten & Automatisierung

Lässt ein Modell Werkzeuge aufrufen und mehrere Schritte verketten, um echte Aufgaben zu erledigen, statt nur zu antworten. Eine Anfrage entgegennehmen, im System nachschlagen, einen Eintrag anlegen, eine Antwort schicken.

Stolperfalle: einem Agenten zu viel Autonomie ohne Leitplanken geben. Je mehr er selbst tun darf, desto wichtiger sind klare Grenzen und ein Mensch an kritischen Stellen.

Für Techniker: Tool- bzw. Function-Calling, zunehmend über MCP, mit Guardrails und Freigaben. Grundlagen in Was ist ein KI-Agent?.

Optimierung & Reinforcement Learning

Wenn es um die beste Entscheidung unter Randbedingungen geht, sind oft gar keine ML-Modelle gefragt. Bei einer einmaligen optimalen Lösung — Routen, Zuteilungen, Schichtpläne — ist klassische Optimierung (Operations Research) das Richtige. Geht es um fortlaufende Steuerung, die aus Feedback lernt, kommt Reinforcement Learning in Frage.

Stolperfalle: Reinforcement Learning ist mächtig, aber teuer und heikel. Ohne verlässliche Simulation oder reichlich Feedback schlägt eine gut gebaute Heuristik den Aufwand fast immer.

Für Techniker: lineare/ganzzahlige Programmierung oder Constraint-Solver für Optimierung; RL nur, wenn eine Simulationsumgebung oder ein klares Belohnungssignal vorhanden ist.

7. In der Praxis kombiniert man

Der Entscheidungsbaum führt Sie zur dominanten Methode — der einen, um die herum sich Ihr Projekt dreht. Reale Systeme bestehen aber meist aus mehreren Bausteinen: Ein Dokumenten-Workflow kombiniert Extraktion, RAG und ein LLM. Ein Forecasting-System wird durch Anomalieerkennung abgesichert. Ein Recommender nutzt im Hintergrund Clustering und Klassifikation.

Wichtiger als die perfekte Methodenwahl auf den ersten Versuch ist, mit der richtigen Hauptrichtung zu starten und ehrlich zu prüfen, ob es überhaupt ML braucht. Den Rest baut man iterativ. Und wenn Sie unsicher sind, wo Ihr Problem in dieser Landkarte liegt: Genau diese Einordnung ist der erste Schritt jedes guten KI-Projekts — und ein guter Anlass für ein Gespräch.

Welche ML-Methode brauche ich? Der Entscheidungsbaum für Ihr Problem