Ein Unternehmen verfügt über Petabytes unbeschrifteter Kundendaten und möchte Kunden für gezielte Werbung in Stufen gruppieren. Welcher Machine-Learning-Ansatz ist für diese Aufgabe am besten geeignet?

Unüberwachtes Lernen ist die beste Wahl, da es Muster in unbeschrifteten Daten ohne vorherige Kenntnis der Ausgabe identifizieren kann. Da das Unternehmen Petabytes unbeschrifteter Kundendaten hat und diese in Gruppen (Segmente) einteilen möchte, ist ein Clustering-Algorithmus, eine Form des unüberwachten Lernens, ideal. Dieser Ansatz hilft dabei, ähnliche Kunden zu identifizieren, um gezielte Werbung zu ermöglichen. Überwachtes Lernen wäre ungeeignet, da es beschriftete Daten erfordert, d.h. die gewünschten Kundengruppen müssten bereits bekannt sein, was hier nicht der Fall ist. Bestärkendes Lernen und RLHF sind für Entscheidungsfindungs- und Optimierungsaufgaben konzipiert, bei denen ein Agent durch Interaktion mit einer Umgebung lernt, und passen nicht zu dieser Clustering-Aufgabe.