Der Begriff Model Drift stammt aus den Bereichen K\u00fcnstliche Intelligenz und Big Data und beschreibt ein wichtiges Ph\u00e4nomen bei der Nutzung von lernenden Computermodellen. Model Drift passiert, wenn die Qualit\u00e4t von Vorhersagen eines KI-Modells mit der Zeit schlechter wird, weil sich die Daten oder Bedingungen ver\u00e4ndern, mit denen das Modell arbeitet.<\/p>\n
Ein einfaches Beispiel: Ein Online-Shop verwendet eine k\u00fcnstliche Intelligenz, um vorherzusagen, welche Produkte Kundinnen und Kunden als N\u00e4chstes kaufen k\u00f6nnten. Wenn sich das Kaufverhalten aufgrund eines Trends oder einer gesellschaftlichen Ver\u00e4nderung verschiebt, arbeitet das urspr\u00fcngliche Modell pl\u00f6tzlich mit \u201ealten\u201c Annahmen. Die Empfehlungen werden weniger genau \u2013 das Modell ist sozusagen \u201edrifted\u201c, also abgewichen.<\/p>\n
Model Drift ist deshalb wichtig im Blick zu behalten, weil es Entscheidern zeigt: K\u00fcnstliche Intelligenz ist kein Selbstl\u00e4ufer. Modelle m\u00fcssen regelm\u00e4\u00dfig \u00fcberpr\u00fcft und wenn notwendig neu trainiert werden, damit sie weiterhin zuverl\u00e4ssig nutzbare Ergebnisse liefern. So bleibt die Technik ein n\u00fctzliches Werkzeug im Arbeitsalltag \u2013 und unterst\u00fctzt datenbasierte Entscheidungen effektiv.<\/p>\n","protected":false},"excerpt":{"rendered":"