Learning Algorithm

Die Wahl des Lernalgorithmus ist eine zentrale Entscheidung im ML-Projekt. Für strukturierte tabellarische Daten haben sich Gradient-Boosting-Verfahren wie XGBoost als robust erwiesen. Für Bilder dominieren Convolutional Neural Networks, für Text und Sequenzen Transformer-Architekturen, für sequenzielle Entscheidungsaufgaben Reinforcement Learning. Jeder Algorithmus hat seine Stärken in bestimmten Datentypen und Anwendungsfeldern.

Lernalgorithmen unterscheiden sich auch im Datenbedarf. Klassische statistische Verfahren funktionieren mit wenigen hundert Datenpunkten, Deep-Learning-Modelle brauchen oft Millionen. Diese Anforderungen müssen mit dem verfügbaren Datenbestand und der verfügbaren Rechenleistung abgeglichen werden, bevor ein Algorithmus gewählt wird.

Pimcore wählt Lernalgorithmen anwendungsspezifisch. Klassifizierung von Produktdaten nutzt Gradient-Boosting-Verfahren auf strukturierten Attributen, Bildverschlagwortung Convolutional Neural Networks, Textgenerierung Transformer-basierte LLMs. Der Agent SDK abstrahiert die Algorithmus-Wahl, sodass Anwender Anwendungen bauen können, ohne ML-Architektur-Entscheidungen selbst treffen zu müssen.