noun
Modellverschiebung beschreibt, wie ein KI-Modell an Genauigkeit verliert, weil die Daten, mit denen es trainiert wurde, nicht mehr zur aktuellen Realität passen. Das passiert, weil sich Sprache, Trends oder Nutzerverhalten ändern, und das Modell sich nicht automatisch anpasst.
Häufig tritt dies bei großen Sprachmodellen (LLMs) oder Bildgeneratoren auf, wenn deren Trainingsdaten veraltet sind. Beispiel: Ein Chatbot, der 2020 trainiert wurde, könnte 2024 Slang nicht mehr verstehen, oder ein Bildgenerator könnte veraltete Modestile erzeugen.
Für Entwickler bedeutet das ständige Überwachung und Nachschulung, was Zeit und Geld kostet. Ein reales Beispiel: Eine Studie aus 2023 zeigte, dass ein Sprachmodell ohne Nachschulung in zwei Jahren 15 % an Genauigkeit verlor.
Ein Kundenservice-KI, der 2021 trainiert wurde, gibt 2024 falsche Antworten, weil er neue Produktfunktionen nicht kennt.