Floemdata
KI

Datenqualität vs. Modellleistung in der KI

Modell verbessern oder Daten? Wir erklären, wie die Datenqualität die Modellleistung beeinflusst und wann sich welche Investition zuerst lohnt.

Floemdata · · 3 Min. Lesezeit
Zwei Blocktürme: Ein vollständiger Sockel hält den oberen Block gerade, bei fehlendem Block kippt er

Ist eine KI-Ausgabe schlechter als erwartet, lautet der erste Reflex, ein stärkeres Modell zu suchen. Oft liegt das Problem nicht im Modell, sondern in den Daten, die es bekommt: fehlende Datensätze, inkonsistente Codes, doppelt gezählte Belege. (Zu weiteren Stolpersteinen beim Einsatz von KI im Unternehmen siehe einen anderen Beitrag.)

Wie wirkt Datenqualität auf ein Modell?

  • Fehlende Daten: Das Modell rät die fehlende Information oder ignoriert die Lücke.
  • Inkonsistente Definitionen: Bedeutet dasselbe Feld an zwei Stellen Verschiedenes, führt das Modell beides zusammen und verallgemeinert falsch.
  • Doppelte oder veraltete Datensätze: Sie blähen Zahlen auf und verzerren den Trend.
  • Label-Fehler: Bei einem lernenden Modell wird ein falsches Label als falsche Regel gelernt.

Wo zuerst investieren?

  • Wiederholen sich die Fehler gleichartig (immer dieselbe Quelle, immer dasselbe Feld), schauen Sie zuerst auf die Daten.
  • Sind die Daten sauber und schlägt eine Basislinie (eine einfache Regel) das Modell noch immer, hinterfragen Sie die Problemdefinition, nicht das Modell.
  • Sind die Daten sauber, die Basislinie schwach und die Fehler vielfältig, gehen Sie zur Modellverbesserung über.
  • Messen Sie vor der Wahl mit einem kleinen Experiment: Senkt die Datenkorrektur oder die Modelländerung die Fehler stärker?

Das Gleichgewicht finden

Statt beide Aufgaben parallel zu betreiben, erledigen Sie sie nacheinander: Schließen Sie zuerst die Datenprobleme, bewerten Sie dann das Modell. Sonst wissen Sie nicht, welche Änderung das Ergebnis verbessert hat. Schreiben Sie Datenqualitätsprüfungen einmal und führen Sie sie bei jedem Laden aus; so steht jedes Modellexperiment auf verlässlichem Grund.

Stand bei Floemdata

Bei Floemdata Analytics ist die Datenqualitätsseite weiter: Die Abstimmung mit dem Quellsystem entsteht in der Gold-Schicht, und eine Abweichung wird nicht verborgen, sondern im Dashboard gezeigt; Bronze ist nur anfügend, Ladevorgänge sind wiederholbar. Ein KI-Modell ist kein verifiziertes Produktmerkmal und steht auf der Roadmap (nicht verifiziert). Abstimmungsergebnisse auf Testdaten (simuliertes SAP) zeigen nicht die Realität von Kunden.

Zum Einstieg nehmen Sie die letzten zehn fehlerhaften Ausgaben Ihres Modells und verfolgen jede bis zu den Quelldaten zurück. Fragen: info@floemdata.com.

← Alle Leitfäden