Ein Unternehmen entwickelt eine KI, die Prognosen für Verkaufszahlen verschiedener Produkte erstellen soll.
Die KI analysiert historische Daten und erstellt Vorhersagen für die Zukunft.
Zunächst sind die Manager zufrieden, denn die Prognosen scheinen realistisch zu sein.
Doch mit der Zeit fällt auf: Die Vorhersagen tendieren immer dazu, eher durchschnittliche Werte zu prognostizieren.
Extreme Hoch- oder Tiefphasen werden selten vorhergesagt, obwohl solche Schwankungen in der Vergangenheit häufiger vorkamen.
Die Prognosen wirken sicher, aber oft ungenau, wenn es um wichtige Spitzen oder Einbrüche geht.
Warum trifft die KI immer nur den Mittelwert, obwohl sie eigentlich genaue Prognosen liefern soll?
Frage: Warum kann eine KI bei Prognosen dazu neigen, extreme Werte zu vermeiden und stattdessen den Mittelwert zu treffen?
Lösung folgt morgen.
Lösung
Viele KI-Modelle, insbesondere solche mit mittleren Verlustfunktionen wie dem mittleren quadratischen Fehler, optimieren ihre Vorhersagen so, dass sie den Durchschnitt der möglichen Ausgänge treffen.
Das bedeutet, dass sie bei unsicheren oder stark schwankenden Datenpunkten dazu neigen, extreme Werte zu vermeiden und stattdessen eine Prognose in der Mitte der beobachteten Verteilung abgeben.
Dadurch entstehen Vorhersagen, die zwar im Mittel gut sind, aber selten tatsächliche Spitzen oder Ausreißer erfassen.
Die KI „sichert“ sich gegen große Fehler ab, indem sie konservative Werte wählt, was jedoch die Genauigkeit bei wichtigen Extremereignissen mindert.
Ergebnis: Eine KI, die Prognosen auf Mittelwert-Optimierung stützt, kann wichtige Schwankungen übersehen und dadurch in kritischen Situationen unbrauchbar sein. Für präzisere Vorhersagen sind oft spezialisierte Modelle oder Methoden nötig, die Unsicherheiten und Extremwerte besser abbilden.