Ein Angebot der EMBRACE Family

EF26Festival-Session · Audio-Mitschnitt · KI & Automatisierung

KI selbst trainieren: Wie ein neuronales Netz aus Daten lernt

KI selbst trainieren, statt nur zu prompten: Viele HR-Teams nutzen KI täglich, ohne zu wissen, was dahinter passiert. Tim Schleicher von One Thousand baut auf dem EMBRACE Festival 2026 mit dem Publikum ein neuronales Netz, das Kleidung auf Fotos erkennt. Dazu kommt eine einfache Formel, mit der du gute Anwendungsfälle findest.

  • Mit Tim Schleicher
  • Von One Thousand
  • Format Festival-Session · EMBRACE Festival 2026 · Purple Stage
  • Datum 10.06.2026

Das nimmst du mit

KI selbst trainieren: Wie ein neuronales Netz aus Daten lerntAudio-Mitschnitt für Mitglieder · kostenlosMit kostenlosem Login anhören33 Min.
  1. Prüf jeden Anwendungsfall mit der Formel Pain mal Data: Du brauchst ein echtes Problem und Daten, aus denen die KI lernen kann.

    4:37
  2. Lern aus Daten statt aus Regeln. Muster wie die IBAN als Hinweis auf Wechselbereitschaft findet niemand mit einem Regelwerk.

    2:48
  3. Trenn Trainings- und Testdaten von Anfang an. Erst Bilder, die das Modell nie gesehen hat, zeigen, ob es Muster gelernt hat.

    10:42
  4. Achte auf Datenqualität: Ein falsches Label, etwa eine Kündigung, die es nie gab, verdirbt das Lernen.

    20:37
  5. Entscheide gemeinsam, wie gut ein Modell sein muss. Für Zalando reichen 83 Prozent vielleicht, für Hautkrebserkennung nicht.

    28:40

KI selbst trainieren: Regeln gegen Lernen aus Daten

Kein Prompting-Workshop, sondern selbst programmieren: Mit diesem Versprechen startet Schleicher in 45 Minuten Druckbetankung. KI heißt für Schleicher, menschliche Intelligenz zu simulieren. Das Thema ist nicht neu, es beschäftigt die Forschung seit den 1940er- und 1950er-Jahren. Die große Revolution kam mit maschinellem Lernen, einem Teilbereich von KI. Der Unterschied: Früher schrieben Ingenieurinnen und Ingenieure Regeln, wie eine Katze aussieht. Maschinelles Lernen vergisst die Regeln und lernt aus vielen Beispielen.

Wie gut das funktioniert, zeigt ein Projekt mit Gewerkschaften. One Thousand hat aus 200.000 Mitgliedern, die gekündigt hatten, Muster gelernt. Ein Ergebnis: Die IBAN hilft vorherzusagen, wer austritt. Wer seit der Kindheit bei der Sparkasse ist, wechselt seltener als jemand mit einem Konto bei einer Direktbank. Auf diese Regel wäre niemand gekommen. Deep Learning geht noch weiter und lernt mit künstlichen neuronalen Netzen ähnlich wie das Gehirn. Darauf basieren auch Sprachmodelle wie ChatGPT.

KI-Anwendungsfälle finden mit Pain mal Data

Für den Start mit KI braucht es laut Schleicher zwei Dinge: Pain und Data. Ein Beispiel aus dem Kreis der Shareholder von One Thousand: Ein Hersteller nahtloser Stahlrohre lässt Kameras durch die Rohre fahren. Mitarbeitende schauten acht Stunden lang auf graue Bildschirme und entschieden oft unterschiedlich. Der Schmerz war klar, die Daten waren da. Also lernt eine KI aus den Aufnahmen, Defekte zu erkennen.

Der Anwendungsfall im Workshop stammt von Zalando. Beim Versand soll wirklich ein T-Shirt im Paket sein, bei Retouren wirklich zwei Schuhe. Das zu prüfen ist aufwendig, gleichzeitig gibt es jede Menge Bilddaten. Das Ziel: eine KI, die Kleidungsstücke auf Fotos erkennt.

„Und das ist Lernen aus Daten, eigentlich Lernen aus Fehlern.“

Tim Schleicher · im Video ab 8:31

Wie lernt eine KI? Daten, Modell, Training, Test

Vier Schritte braucht jede eigene KI. Erstens eine Datenbasis, hier 60.000 Trainingsbilder und 10.000 Testbilder in zehn Kategorien, jeweils 28 mal 28 Pixel. Zweitens ein Modell: Mit der Open-Source-Bibliothek Keras entsteht in wenigen Zeilen Python ein neuronales Netz mit drei Schichten. Die erste macht das Bild flach, die letzte hat zehn Neuronen, eins pro Kategorie.

Drittens das Training. Das Netz rät zuerst zufällig, bekommt die Rückmeldung richtig oder falsch und passt die Verbindungen zwischen den Neuronen an. Schleicher vergleicht das mit einem Kind, das sprechen lernt. In fünf Epochen laufen 300.000 Bilder durch das Netz, die Genauigkeit steigt auf 78 Prozent. Viertens der Test mit neuen Bildern, wie bei einer Klausur ohne bekannte Übungsaufgaben. Wer mehr Schichten, Neuronen oder Epochen einsetzt, kommt im Workshop auf über 80 Prozent. Die beste Testgenauigkeit liegt bei 83,31 Prozent.

Datenqualität: Warum das Label zählt

Gelernt wird nur, weil zu jedem Bild ein Label gehört, im Zalando-Datensatz etwa der Hinweis, dass eine Hose zu sehen ist. Steht bei einem Schuh das Label Hose, kann das Netz die Muster nicht richtig lernen. Dasselbe gilt in HR: Ist im System eine Kündigung vermerkt, die es nie gab, gibt es beim Training Schwierigkeiten.

Mehr Komplexität ist nicht automatisch besser. Mehr Schichten und Epochen lernen tendenziell mehr Muster, dauern aber länger und kosten mehr Geld. Irgendwann lernt das Netz Bilder auswendig, statt Muster zu erkennen. Genau dafür gibt es die Testphase, die Schleicher den Moment der Wahrheit nennt.

Warum ein KI-Projekt nie nur Sache der IT ist

Reicht Zalando eine Genauigkeit von 83 Prozent? Vielleicht. Bei der Erkennung von Hautkrebs reicht sie wohl nicht. Dazu kommt das Budget: Mit 10.000 Euro mehr lassen sich weitere 100 Epochen rechnen. Und Legal muss klären, ob die Daten zum Training genutzt werden dürfen. Deshalb entscheiden Techies, Führungskräfte und Rechtsabteilung gemeinsam.

Alles im Workshop ist Open Source und läuft auch auf dem eigenen Rechner. Solchen Code kann KI heute schon sehr gut schreiben, etwa wenn du Copilot bittest, die Architektur auf über 90 Prozent zu bringen. Dein erster Schritt: Nimm einen Schmerz aus deinem HR-Alltag und prüf, ob du die Daten hast, aus denen eine KI lernen kann.

Kapitel im Mitschnitt

  1. 0:12 Einstieg: Selbst programmieren
  2. 0:49 Regeln oder Lernen aus Daten
  3. 4:17 Die Formel: Pain mal Data
  4. 6:08 Vier Schritte zur eigenen KI
  5. 9:41 Daten: 60.000 Bilder
  6. 13:25 Ein neuronales Netz bauen
  7. 19:04 Training und Datenqualität
  8. 22:30 Testen: Moment der Wahrheit
  9. 28:04 KI ist ein Teamprojekt

Häufige Fragen

Wie lernt eine künstliche Intelligenz?

Aus Daten statt aus Regeln. Das Modell rät zuerst, bekommt die Rückmeldung richtig oder falsch und passt die Verbindungen zwischen seinen Neuronen an. So lernt es aus Fehlern.

Wie finde ich gute KI-Anwendungsfälle?

Mit der Formel Pain mal Data: Es braucht ein echtes Problem und genug Daten, aus denen die KI lernen kann.

Was ist der Unterschied zwischen Trainings- und Testdaten?

Mit Trainingsdaten lernt das Modell. Testdaten hältst du von Anfang an zurück, um zu prüfen, ob das Modell Muster verstanden oder nur auswendig gelernt hat.

Speaker

410Beiträge in Wissen & Praxis

Lernen aus der Praxis. Kostenlos.

Videos, Folien, Whitepaper und durchsuchbare Transkripte aus Festival, HR Slam, Trendence Awards und Webinaren. Mit Learnings, die dich direkt an die richtige Stelle im Video bringen.