Die vorliegende Masterarbeit befasst sich mit der Entwicklung und Evaluation eines Machine Learning gestützten Prozesses, um in einer Konfigurator-Objektwelt 2D-Avatare aus realen Gesichtsbildern zu erzeugen. Dabei wurden 2 Ansätze zur automatisierten Avatarerstellung entwickelt und evaluiert. Ein additiver Ansatz, bei dem die Gesichtsattribute durch Landmarkenerkennung extrahiert und zu seinem Avatar zusammengesetzt werden sowie ein generativer Ansatz, der Stil-Transfer-Techniken unter Verwendung eines StyleGAN-Modells nutzt. Beide Ansätze wurden implementiert und Schnittstellen zur Einbindung in die Konfigurator-Objektwelt am Beispiel des Softwareheld:innenKonfigurators geschaffen. Die Evaluation zeigt, dass beide Methoden unzureichende Ergebnisse liefern. Sowohl die generierten Avatare des additiven als auch des generativen Ansatzes weisen Mängel, insbesondere in Bezug auf Genauigkeit der Gesichtsmerkmale auf. Die generative Methode weist außerdem Artefakte und Gesichtsdeformationen auf, was die Bildqualität negativ beeinflusst. Beide Verfahren konnten die Anforderungen an eine qualitativ hochwertige Generierung der Avatare nicht erfüllen. Diese Arbeit verdeutlicht die Herausforderungen der maschinellen, domäneübergreifenden Avatarerstellung und liefert mögliche Ansätze zur Verbesserung dieses Systems.