Wer Netflix öffnet und sofort drei passende Serien vorgeschlagen bekommt, erlebt Präferenzlernen in seiner kommerziell ausgereiftesten Form. Dahinter stecken keine Zufallsalgorithmen, sondern Systeme, die Klickdauer, Abbruchzeitpunkte, Tageszeit und Gerätewechsel zu einem Nutzerprofil verdichten. Das Prinzip ist älter als KI-Hype und Cloud-Streaming, aber die technische Umsetzung hat sich in den letzten fünf Jahren fundamental verändert.
Was „Lernen“ bei KI-Systemen konkret bedeutet
Der Begriff maschinelles Lernen bezeichnet grob drei Ansätze: überwachtes Lernen, unüberwachtes Lernen und Bestärkungslernen. Für die Speicherung persönlicher Präferenzen ist vor allem das sogenannte kollaborative Filtern relevant, eine Technik aus dem unüberwachten Bereich. Das System sucht nach Mustern zwischen Nutzern mit ähnlichem Verhalten und schließt daraus auf Vorlieben, die der einzelne Nutzer selbst noch nicht explizit geäußert hat. Wer sich für eine gute Einführung in die Grundlagen interessiert, findet auf der Wikipedia-Seite zu maschinellem Lernen einen soliden Überblick über die wesentlichen Verfahren.
Konkret passiert Folgendes: Jede Interaktion erzeugt einen Datenpunkt. Aus Millionen solcher Datenpunkte entstehen Vektoren im hochdimensionalen Raum. Der Abstand zweier Vektoren zeigt, wie ähnlich sich zwei Nutzerprofile sind. Je kürzer der Abstand, desto wahrscheinlicher trifft eine Empfehlung, die bei Nutzer A funktioniert hat, auch bei Nutzer B ins Schwarze. Das klingt abstrakt, hat aber sehr konkrete Auswirkungen: Spotify-Nutzer berichten, dass der Algorithmus nach etwa 30 bis 40 Hördurchgängen so präzise wird, dass neu vorgeschlagene Titel von unbekannten Künstlern häufiger gespeichert als übersprungen werden.
Implizite versus explizite Signale
Es gibt einen grundlegenden Unterschied zwischen dem, was Nutzer sagen, und dem, was sie tun. Explizite Signale sind Sterne-Bewertungen, Likes oder manuelle Einstellungen. Implizite Signale sind Scrollgeschwindigkeit, Verweildauer, Kaufabbrüche oder der Wechsel vom Laptop aufs Smartphone um 22 Uhr. Systeme, die ausschließlich auf explizite Signale setzen, arbeiten mit unvollständigen Daten, weil die meisten Nutzer nie aktiv bewerten. Amazon hat 2003 erstmals öffentlich beschrieben, dass Item-to-Item Collaborative Filtering auf impliziten Signalen deutlich besser performed als auf expliziten Bewertungen.
Moderne Systeme kombinieren beide Signaltypen in sogenannten hybriden Empfehlungssystemen. Ein solches System wertet nicht nur aus, welche Produkte ein Nutzer angesehen hat, sondern auch wie lange, ob er zurückgekehrt ist und ob er im direkten Anschluss eine Suchanfrage gestellt hat. Das Ergebnis ist ein Profil, das sich permanent aktualisiert und dabei kurzfristige Kontextfaktoren von langfristigen Grundpräferenzen unterscheidet.
Personalisierung in physischen Geräten
Präferenzlernen beschränkt sich längst nicht auf Bildschirme. Smarte Thermostate wie der Tado oder der Google Nest lernen innerhalb von sieben bis zehn Tagen, wann Bewohner aufstehen, wann sie das Haus verlassen und welche Temperatur sie in welchem Raum bevorzugen. Die Daten werden lokal und in der Cloud gespeichert. Das Gerät erstellt ein Zeitmodell, das es täglich gegen tatsächliches Verhalten abgleicht und bei Abweichungen, etwa durch Urlaub oder Krankheit, anpasst.
Besonders ausgeprägt ist diese Entwicklung im Bereich sozialer Robotik und KI-Assistenz. Systeme, die dauerhaft mit einer einzelnen Person interagieren, müssen Erinnerungen an vergangene Gespräche, Gewohnheiten und emotionale Zustände aufbauen, um hilfreich zu bleiben. Ein Beispiel dafür, wie weit diese Entwicklung bereits gegangen ist, bieten Produkte wie der KI-Begleitroboter Erinnerung, der explizit auf das langfristige Speichern individueller Gesprächsverläufe und Nutzerpräferenzen ausgelegt ist. Solche Systeme stellen die Frage, wie weit personalisiertes Lernen in sozialen Kontexten sinnvoll und ethisch vertretbar ist, mit besonderer Schärfe.
Datenschutz und rechtliche Grenzen
In Deutschland und der EU unterliegt die Verarbeitung personenbezogener Daten der Datenschutz-Grundverordnung. Präferenzprofile gelten als personenbezogene Daten, wenn sie einer identifizierbaren natürlichen Person zugeordnet werden können. Das ist bei Nutzerkonten mit E-Mail-Adresse fast immer der Fall. Anbieter sind verpflichtet, transparent zu machen, welche Daten sie für Empfehlungssysteme verarbeiten, und Nutzern eine Widerspruchsmöglichkeit einzuräumen. Den vollständigen Gesetzestext findet man auf gesetze-im-internet.de, wo auch das Bundesdatenschutzgesetz in seiner aktuellen Fassung abrufbar ist.
In der Praxis hapert es bei der Transparenz erheblich. Eine Studie der Stiftung Warentest aus 2023 zeigte, dass sieben von zehn untersuchten Streaming-Diensten in ihren Datenschutzerklärungen nicht eindeutig beschrieben, welche impliziten Signale in Empfehlungsalgorithmen einfließen. Die DSGVO verlangt zwar Zweckbindung und Datensparsamkeit, legt aber keine technischen Standards für Empfehlungssysteme fest. Das ist eine regulatorische Lücke, die aktuell auf europäischer Ebene im Rahmen des AI Act diskutiert wird.
Wie gut funktioniert das Lernen wirklich?
Die Qualität von Präferenzsystemen lässt sich messen. Gängige Kennzahlen sind Precision (wie viele vorgeschlagene Items gefallen dem Nutzer), Recall (wie viele dem Nutzer gefallende Items wurden vorgeschlagen) und der F1-Score als harmonisches Mittel. In der Forschung erreichen hybride Systeme je nach Datenlage Precision-Werte zwischen 0,6 und 0,85 auf Standarddatensätzen wie MovieLens oder Last.fm. Im realen Einsatz mit spärlicheren Daten liegen die Werte oft deutlich niedriger.
| System-Typ | Datengrundlage | Typische Precision |
|---|---|---|
| Kollaboratives Filtern | Nutzerverhalten (implizit) | 0,65 bis 0,80 |
| Inhaltsbasiertes Filtern | Item-Metadaten | 0,55 bis 0,70 |
| Hybrides System | Beide kombiniert | 0,72 bis 0,85 |
Ein oft unterschätzter Faktor ist der sogenannte Filterblasenefffekt. Systeme, die nur optimieren, was ein Nutzer wahrscheinlich mag, schließen systematisch aus, was er nicht kennt. Das kann langfristig Präferenzen verengen statt erweitern. Einige Anbieter bauen deshalb bewusst Diversitätsparameter in ihre Empfehlungslogik ein, also eine kontrollierte Portion Unbekanntes, das außerhalb des bisherigen Profils liegt.
Was Nutzer selbst steuern können
Die meisten Plattformen bieten Einstellungen, mit denen Nutzer aktiv in ihr Profil eingreifen können. Das reicht vom Löschen des Wiedergabeverlaufs bei YouTube über das Zurücksetzen des Anzeigenprofils in Google-Konten bis hin zur manuellen Auswahl von Interessen auf Spotify. Wer aktiv steuert, erhält schneller präzisere Ergebnisse als jemand, der das System ausschließlich passiv trainiert. Der entscheidende Unterschied: Explizite Eingaben werden sofort und mit hohem Gewicht verarbeitet, implizite Signale dagegen akkumulieren über Wochen hinweg.
Lernende Systeme sind keine Blackboxen mehr, die man passiv erduldet. Sie reagieren auf Eingriffe. Wer versteht, wie das Modell arbeitet, kann es gezielt beeinflussen, ob er nun bessere Filmempfehlungen will, eine präzisere Heizungssteuerung oder einen Assistenten, der auf seine Gewohnheiten eingestellt ist.
