Supervised Machine Learning

Supervised Learning ist die häufigste ML-Variante in produktiven Anwendungen. Das Prinzip ist einfach: Ein Mensch labelt Beispiele (dieses Produkt gehört in Kategorie X, dieser Datenpunkt ist eine Anomalie), das Modell lernt die Muster und wendet sie auf neue, ungelabelte Daten an. Die Qualität des Modells hängt direkt von der Qualität und Menge der Trainingsdaten ab.

Die zwei Hauptanwendungstypen sind Klassifizierung und Regression. Klassifizierung weist Eingaben einer von mehreren Kategorien zu (Spam oder nicht, Produktkategorie A, B oder C, Bewertung positiv oder negativ). Regression sagt einen numerischen Wert vorher (Preis, Lagermenge, Conversion-Wahrscheinlichkeit). Beide nutzen ähnliche Algorithmen mit unterschiedlichen Output-Strukturen.

Pimcore nutzt Supervised Learning in mehreren Funktionsbereichen. Produktklassifizierung in eCl@ss/ETIM-Strukturen wird auf historischen Klassifizierungs-Entscheidungen trainiert, Datenqualitäts-Checks lernen aus markierten Anomalien, KI-Anreicherung lernt aus angereicherten Produkten. Über den Agent SDK lassen sich eigene Supervised-Learning-Modelle für anwendungsspezifische Klassifizierungen einbinden.