noun
Modellabweichung (model drift) tritt auf, wenn ein KI-Modell weniger genau wird, weil die realen Daten anders sind als die, mit denen es trainiert wurde. Das passiert, weil sich Nutzerverhalten, Sprachtrends oder externe Faktoren ändern und die Annahmen des Modells veralten.
Zum Beispiel könnte ein Sprachmodell, das 2020 trainiert wurde, 2024 Probleme mit neuem Slang oder kulturellen Referenzen haben. Ein Bildgenerator könnte veraltete Modetrends produzieren, wenn seine Trainingsdaten nicht aktuell sind. Modellabweichung zwingt Entwickler, Modelle regelmäßig nachzutrainieren, um die Leistung zu erhalten.
In der Praxis bedeutet das, dass Unternehmen ihre KI-Systeme kontinuierlich überwachen müssen. Wird die Abweichung ignoriert, kann sie zu schlechteren Nutzererfahrungen oder sogar Sicherheitsrisiken führen. Beispielsweise könnte eine medizinische KI, die Röntgenbilder analysiert, neue Virenstämme übersehen, wenn ihre Trainingsdaten veraltet sind. Das Nachtrainieren kostet Zeit und Ressourcen, aber die Abweichung zu ignorieren ist langfristig teurer.
Ein Chatbot, der 2021 trainiert wurde, gibt 2024 veraltete Antworten zu Smartphone-Modellen.
In anderen Sprachen
Siehe auch: model fine-tuning