Induktives Lernen bezeichnet das Vorgehen, aus vielen einzelnen Beispielen eine allgemeine Regel abzuleiten. Statt mit einer fertigen Regel zu starten, schließt man vom Konkreten aufs Allgemeine — vom Besonderen zum Muster. Genau so lernen die meisten heutigen KI-Systeme.

Ein Beispiel aus dem Alltag

Ein alltägliches Bild: Ein Kind sieht viele verschiedene Hunde — große, kleine, braune, gefleckte. Niemand nennt ihm eine exakte Definition, trotzdem bildet es mit der Zeit den Begriff „Hund“ und erkennt später auch eine Rasse, die es noch nie gesehen hat. Es hat aus Einzelfällen eine allgemeine Vorstellung geformt. Das ist Induktion.

So lernen Maschinen

Beim maschinellen Lernen läuft es ähnlich. Ein Programm bekommt tausende Beispiele vorgesetzt — etwa E-Mails, die als „Spam“ oder „kein Spam“ markiert sind. Daraus leitet es selbstständig Merkmale ab, die typisch für Spam sind, und wendet diese Regel danach auf neue, unbekannte E-Mails an. Das Gegenstück ist das deduktive Vorgehen, bei dem man von einer feststehenden Regel ausgeht und sie auf den Einzelfall anwendet.

Der große Vorteil des induktiven Lernens ist seine Flexibilität: Man muss nicht jede Regel von Hand programmieren, das System findet Muster selbst. Der Haken liegt genau dort. Sind die Beispiele einseitig oder fehlerhaft, lernt die KI falsche Regeln — und wendet sie überzeugt auf alles Neue an. Gute, ausgewogene Beispieldaten sind deshalb beim induktiven Lernen fast wichtiger als der Algorithmus selbst.