ICT-Lösungen mit Machine Learning entwickeln

Machine Learning heisst: Ein Programm lernt Regeln aus Beispielen, statt dass du sie von Hand schreibst. Du lernst, ein Problem richtig einzuordnen, Daten mit pandas zu erkunden und aufzubereiten und mit scikit-learn Modelle zu trainieren. Du vergleichst sie mit einer einfachen Baseline, bewertest sie mit passenden Kennzahlen und erkennst Overfitting. Zum Schluss stellst du ein Modell über eine API bereit und prüfst, ob es fair, datenschutzkonform und verständlich genug für den Einsatz ist.

Das sind die Fähigkeiten, die am Ende des Moduls sitzen sollten. Jedes Ziel mit einem Beispiel aus dem Lehrbetrieb.

1. 1

   Ein Geschäftsproblem als ML-Aufgabe formulieren und prüfen, ob ML überhaupt passt

   Kompetenz A

   Du erkennst, ob es um eine Kategorie (Klassifikation), eine Zahl (Regression) oder um Gruppen ohne vorgegebene Antwort (Clustering) geht. Und du prüfst ehrlich, ob es genügend Daten gibt und ob eine einfache Regel nicht schon reicht.

   Situation

   Der Support eines Internetanbieters in Bern erhält täglich 400 Tickets, die von Hand den Teams Technik, Rechnung und Vertrag zugewiesen werden.

   Deine Aufgabe

   Formuliere das Problem als ML-Aufgabe und prüfe die Voraussetzungen.

   Gutes Ergebnis

   Klassifikation mit drei Klassen auf Basis von Betreff und Text. Es gibt 25 000 bereits zugewiesene Tickets aus zwei Jahren als Trainingsdaten. Erfolg: mindestens 85 % korrekt zugewiesen, unsichere Fälle gehen weiter an einen Menschen. Eine Schlüsselwortregel schafft nur 61 %, ML lohnt sich also.

   überwachtes / unüberwachtes LernenKlassifikationRegressionClusteringLabelBaseline
2. 2

   Daten mit pandas erkunden, bereinigen und für ein Modell vorbereiten

   Kompetenz B

   Rohdaten sind nie perfekt. Du findest fehlende Werte, Ausreisser und falsche Datentypen, wandelst Kategorien in Zahlen um und teilst die Daten sauber in Trainings- und Testdaten, bevor du ein Modell anfasst.

   Situation

   Eine Immobilienverwaltung in Luzern will Mietpreise schätzen. Die Excel-Liste mit 3800 Wohnungen hat Lücken und Tippfehler.

   Deine Aufgabe

   Bereite die Daten in einem Jupyter-Notebook für ein Regressionsmodell auf.

   Gutes Ergebnis

   120 Zeilen ohne Fläche werden entfernt, fehlende Baujahre mit dem Median des Quartiers ersetzt, eine Wohnung mit 4000 m² als Tippfehler korrigiert. Ortschaft und Balkon werden per One-Hot-Encoding umgewandelt. Eine scikit-learn-Pipeline mit 80/20-Split stellt sicher, dass die Testdaten nie in die Aufbereitung einfliessen.

   DataFramefehlende WerteAusreisserOne-Hot-EncodingSkalierungTrain-Test-Split
3. 3

   Modelle mit scikit-learn trainieren und mit einer Baseline vergleichen

   Kompetenz C

   Du trainierst mehrere Algorithmen auf denselben Daten und vergleichst sie mit einer möglichst einfachen Vorhersage. Ein Modell ist nur dann gut, wenn es die Baseline deutlich schlägt.

   Situation

   Für die Mietpreise liegen aufbereitete Daten vor.

   Deine Aufgabe

   Trainiere drei Modelle und vergleiche sie mit einer Baseline.

   Gutes Ergebnis

   Baseline 'Durchschnittsmiete pro Quartier' liegt im Mittel CHF 310 daneben. Lineare Regression CHF 220, Entscheidungsbaum CHF 240, Random Forest CHF 165. Der Random Forest wird weiterverfolgt, die Ergebnisse stehen übersichtlich in einer Tabelle im Notebook.

   fit / predictlineare RegressionEntscheidungsbaumRandom ForestPipelineHyperparameter
4. 4

   Modelle mit passenden Kennzahlen bewerten und Overfitting erkennen

   Kompetenz D

   Genauigkeit allein kann täuschen, besonders bei seltenen Fällen. Du wählst Kennzahlen, die zum Problem passen, liest eine Konfusionsmatrix und prüfst mit Kreuzvalidierung, ob dein Modell auch auf neuen Daten funktioniert.

   Situation

   Ein Online-Händler will betrügerische Bestellungen erkennen. Nur 1 % aller Bestellungen sind Betrug. Ein erstes Modell hat 99 % Genauigkeit.

   Deine Aufgabe

   Beurteile, ob das Modell wirklich gut ist.

   Gutes Ergebnis

   Die Konfusionsmatrix zeigt: Das Modell sagt immer 'kein Betrug' und findet 0 von 120 Betrugsfällen. Nach Anpassung mit Klassengewichten: Recall 78 %, Precision 41 %. Mit dem Händler wird vereinbart, dass verdächtige Bestellungen von Hand geprüft werden. Die Trainingsgenauigkeit von 100 % bei deutlich tieferem Testwert wird beim Entscheidungsbaum als Overfitting erkannt und mit max_depth begrenzt.

   AccuracyPrecision / RecallKonfusionsmatrixMAE / RMSEKreuzvalidierungOverfitting
5. 5

   Ein trainiertes Modell über eine API in eine Anwendung einbinden

   Kompetenz E

   Ein Modell im Notebook nützt niemandem. Du speicherst das trainierte Modell inklusive Vorverarbeitung, stellst es über eine kleine API bereit und sorgst dafür, dass Eingaben geprüft und Versionen nachvollziehbar sind.

   Situation

   Das Ticketsystem des Internetanbieters soll für jedes neue Ticket automatisch einen Teamvorschlag erhalten.

   Deine Aufgabe

   Stelle das Klassifikationsmodell als Webdienst bereit.

   Gutes Ergebnis

   Die scikit-learn-Pipeline wird mit joblib als 'ticket-classifier-1.2.joblib' gespeichert. Eine FastAPI-Anwendung mit Endpunkt POST /classify liefert Team und Wahrscheinlichkeit, unter 60 % lautet der Vorschlag 'manuell prüfen'. Das Ganze läuft als Docker-Container und antwortet in unter 50 ms.

   Modell serialisieren (joblib)REST-APIEingabevalidierungModellversionKonfidenz / Wahrscheinlichkeit
6. 6

   Fairness, Datenschutz und Grenzen eines Modells beurteilen

   Kompetenz F

   Modelle lernen auch Verzerrungen aus den Daten. Du prüfst, ob bestimmte Gruppen benachteiligt werden, ob Personendaten nötig sind und ob Betroffene Entscheidungen nachvollziehen können. Das DSG (oft noch revDSG genannt) verlangt bei automatisierten Einzelentscheidungen mit erheblicher Wirkung eine Information und die Möglichkeit, eine menschliche Prüfung zu verlangen.

   Situation

   Eine Personalabteilung will Bewerbungsdossiers automatisch vorsortieren lassen und hat dafür Daten der letzten 5 Jahre.

   Deine Aufgabe

   Beurteile Risiken und mache einen Vorschlag.

   Gutes Ergebnis

   Analyse zeigt: In den alten Daten wurden Personen über 50 seltener eingeladen, ein Modell würde das übernehmen. Vorschlag: Alter, Geschlecht, Name und Foto werden entfernt, das Modell sortiert nur vor, jede Absage prüft ein Mensch, Bewerbende werden informiert. Ein kurzer Bericht dokumentiert Datenherkunft, Kennzahlen pro Altersgruppe und Grenzen des Modells.

   BiasFairnessErklärbarkeitDatenminimierungautomatisierte EinzelentscheidungHuman in the Loop

Die Kompetenzmatrix zerlegt das Modul in Themenstränge und drei Stufen. Für den Kompetenznachweis solltest du überall mindestens Stufe 2 erreichen. Dein Stand bleibt in diesem Browser gespeichert und färbt Lernweg und Übungen ein.

Leandro ist im 2. Lehrjahr als Informatiker Plattformentwicklung bei der Mobilia Versicherungen AG in Solothurn, einer Versicherung mit 320 Mitarbeitenden. Pro Tag treffen rund 600 Schadenmeldungen über das Online-Formular ein, die ein Team von Hand an die Abteilungen Fahrzeug, Hausrat oder Haftpflicht verteilt. Leandro soll im Data-Team prüfen, ob ein Modell diese Zuteilung zuverlässig vorschlagen kann.

1. Kapitel 1

   Braucht es dafür wirklich KI?

   Leandro schaut sich zuerst an, wie die Zuteilung heute läuft, und erkennt eine Klassifikation mit drei Klassen. Er prüft, ob eine einfache Stichwortregel reichen würde, und kommt damit auf 71 Prozent korrekte Zuteilungen. Mit der Teamleiterin legt er fest, dass ein Modell mindestens 90 Prozent erreichen muss, damit sich der Aufwand lohnt, und dass unsichere Fälle weiterhin von Hand verteilt werden.

   Ziel 1

2. Kapitel 2

   18'000 Meldungen aufräumen

   Aus dem Schadensystem erhält Leandro 18'000 anonymisierte Meldungen der letzten zwei Jahre. In pandas findet er 900 Duplikate, leere Beschreibungen und eine Spalte 'Sachbearbeiter', die direkt verrät, welche Abteilung zuständig war. Diese Spalte entfernt er, weil sie im Moment der Vorhersage noch gar nicht bekannt ist. Danach teilt er die Daten zeitlich auf: die ersten 21 Monate zum Trainieren, die letzten drei Monate zum Testen.

   Ziel 2

3. Kapitel 3

   Die Baseline schlagen

   Leandro wandelt die Texte mit TF-IDF in Merkmale um und trainiert eine logistische Regression und einen Random Forest. Die logistische Regression erreicht im Test 93 Prozent Accuracy, der Random Forest 99 Prozent im Training, aber nur 88 Prozent im Test. Leandro erkennt das Overfitting und wählt die logistische Regression. Die Konfusionsmatrix zeigt, dass Haftpflichtfälle am häufigsten verwechselt werden, deshalb gehen Vorschläge mit tiefer Sicherheit zur manuellen Prüfung.

   Ziel 3Ziel 4

4. Kapitel 4

   Der Vorschlag im Schadensystem

   Leandro speichert das Modell mit joblib und stellt es über eine FastAPI-Schnittstelle bereit, die eine Meldung entgegennimmt und Abteilung und Sicherheit zurückgibt. Die API läuft in einem Docker-Container im internen Netz. Beim ersten Test schickt das Schadensystem Texte mit 20'000 Zeichen, worauf Leandro eine Längenprüfung ergänzt. Jede Vorhersage wird mit der Modellversion protokolliert, damit die Trefferquote im Betrieb verfolgt werden kann.

   Ziel 5

5. Kapitel 5

   Fair für alle Kundinnen und Kunden?

   Vor dem Pilot prüft Leandro die Fehlerraten getrennt nach Sprache und stellt fest, dass französische Meldungen doppelt so oft falsch zugeteilt werden. Der Grund: Nur 8 Prozent der Trainingsdaten waren französisch. Er ergänzt weitere Daten, dokumentiert die Grenzen des Modells und hält fest, dass das Modell nur Vorschläge macht, die Mitarbeitende jederzeit ändern können. Danach gibt die Datenschutzberaterin den Pilot frei.

   Ziel 6

1. 1

   Grundideen und Werkzeuge

   ca. 3 Std.

   Du richtest deine Umgebung ein und lernst die Arten von ML-Problemen kennen. Google Colab oder JupyterLab lokal sind kostenlos.

   • JupyterLab mit pandas und scikit-learn installieren oder Google Colab verwenden
   • Zehn Alltagsbeispiele als Klassifikation, Regression oder Clustering einordnen
   • Für ein Beispiel eine einfache Regel als Baseline formulieren

   Trainiert Kompetenz A1A2

   Lernziel1

2. 2

   Daten verstehen und vorbereiten

   ca. 5 Std.

   Du arbeitest mit einem echten, öffentlichen Datensatz und lernst, dass Datenaufbereitung den grössten Teil der Arbeit ausmacht.

   • Einen Datensatz von opendata.swiss laden und mit describe(), info() und Diagrammen erkunden
   • Fehlende Werte und Ausreisser behandeln und Kategorien codieren
   • Daten in Trainings- und Testteil aufteilen und begründen, warum vor der Aufbereitung

   Trainiert Kompetenz B1B2

   Lernziel2

3. 3

   Erste Modelle trainieren

   ca. 5 Std.

   Du trainierst verschiedene Modelle und lernst, sie fair zu vergleichen.

   • Eine Regression und eine Klassifikation mit je drei Algorithmen trainieren
   • Alle Schritte in eine scikit-learn-Pipeline packen
   • Die Ergebnisse in einer Vergleichstabelle mit Baseline darstellen

   Trainiert Kompetenz C1C2

   Lernziel3

4. 4

   Ehrlich bewerten

   ca. 5 Std.

   Du lernst, Kennzahlen richtig zu lesen und Overfitting zu erkennen und zu vermeiden.

   • Konfusionsmatrix, Precision und Recall für einen unausgeglichenen Datensatz berechnen
   • Kreuzvalidierung durchführen und Trainings- mit Testfehler vergleichen
   • Mit GridSearchCV zwei Hyperparameter abstimmen

   Trainiert Kompetenz D1D2C3

   Lernziel4

5. 5

   Vom Notebook zur Anwendung

   ca. 5 Std.

   Du bringst ein Modell aus dem Notebook in einen Webdienst, den andere Programme nutzen können.

   • Die trainierte Pipeline mit joblib speichern und neu laden
   • Eine FastAPI-Anwendung mit Eingabevalidierung schreiben
   • Den Dienst in einen Docker-Container packen und mit curl oder Postman testen

   Trainiert Kompetenz E1E2

   Lernziel5

6. 6

   Verantwortung und Abschlussprojekt

   ca. 4 Std.

   Du prüfst dein Modell auf Fairness und Datenschutz und fasst das ganze Projekt zusammen.

   • Kennzahlen getrennt nach Gruppen berechnen und Unterschiede interpretieren
   • Eine einseitige Modellbeschreibung mit Zweck, Daten, Kennzahlen und Grenzen schreiben
   • Das Projekt in 10 Minuten einer Person ohne ML-Kenntnisse erklären

   Trainiert Kompetenz F1F2A3D3

   Lernziel614

Machine Learning

Verfahren, bei denen ein Programm Regeln aus Beispieldaten lernt, statt sie von Hand zu erhalten.

Feature

Eingangsmerkmal, aus dem das Modell lernt, z.B. Fläche oder Baujahr einer Wohnung.

Label

Die richtige Antwort in den Trainingsdaten, z.B. der tatsächliche Mietpreis.

Baseline

Einfachste sinnvolle Vorhersage, mit der jedes Modell verglichen wird.

Overfitting

Überanpassung an die Trainingsdaten, sodass das Modell auf neuen Daten schlecht abschneidet.

Kreuzvalidierung

Die Daten werden mehrfach unterschiedlich in Training und Test aufgeteilt, um eine stabile Bewertung zu erhalten.

Konfusionsmatrix

Tabelle, die zeigt, wie oft das Modell welche Klasse richtig oder falsch vorhergesagt hat.

Data Leakage

Informationen aus den Testdaten gelangen unbemerkt ins Training und machen die Bewertung zu optimistisch.

Bias

Systematische Verzerrung in Daten oder Modell, die zu unfairen oder falschen Ergebnissen führt.

Passende Module