Dieser Beitrag ist Teil der Blog-Serie Effektives KI-Design.

Thema heute: Abgestimmte Komplexität für eine besonders effiziente KI.
In Kürze: Wird eine neue KI-Lösung entwickelt, empfiehlt sich zu Beginn meist die Wahl eines KI-Modells mit niedriger Komplexität. Es ist leicht zu justieren und ressourcensparend im Betrieb.

Ein wichtiger Aspekt bei der Konzeption eines KI-Modells ist die Komplexität des Modells.

Diese Komplexität wird dadurch bestimmt, wie viele Eingangsvariablen ein KI-Modell berücksichtigt (zum Beispiel ausschließlich die Variable Immobilienfläche oder zusätzlich die Anzahl an Badezimmern, das Baujahr, etc.) und welche Komplexität bei der Beschreibung von Zusammenhängen einem Modell erlaubt wird.

Der Einfluss zunehmender Komplexität auf KI-Modelle ist in folgender Abbildung gezeigt:

 

Einfluss zunehmender Komplexität auf KI-Modelle.

Das Beispiel zeigt den Einfluss zunehmender Komplexität auf KI-Modelle. Modell A mit der niedrigsten Komplexität erfasst Zusammenhänge nur grob, die erlernten Zusammenhänge sind aber gut auf neue Daten übertragbar. Modell B ist etwas komplexer als das Modell A. Dies erlaubt es dem Modell B, zusätzliche Effekte zu beschreiben. Modell C ist zu komplex für die Datenlage und lernt Datenbeispiele auswendig, anstatt übertragbare Zusammenhänge zu erfassen. Modell C ist daher schlechter in der Vorhersage als die einfacheren Modelle.

Das KI-Modell A hat die niedrigste Komplexität und entspricht einer einfachen Ausgleichsgeraden. Ein Modell mit sehr geringer Komplexität ist nicht in der Lage, die besonders komplizierten Zusammenhänge in Daten zu erfassen. Die Vorhersagen solch eines Modells sind daher relativ grob. Dies spiegelt sich in der relativ hohen Abweichung der Datenbeispiele zum Modell wider.

Ein großer Vorteil von Modellen mit niedriger Komplexität ist allerdings die gute Übertragbarkeit, das heißt Vorhersagen für neue Datenpunkte werden mit großer Verlässlichkeit etwa so genau sein, wie auch die Lernbeispiele durch das KI-Modell beschrieben werden.

Ein KI-Modell mit niedriger Komplexität ist also nicht perfekt hinsichtlich Genauigkeit, allerdings weiß ein Anwender genau woran er mit diesem Modell ist.

Ein weiterer und oft entscheidender Vorteil von KI-Modellen mit niedriger Komplexität ist der, dass Machine Learning-Algorithmen nur eine geringe Anzahl an Lernbeispiele benötigen, um das KI-Modell zu erstellen. Darüber hinaus sind auch die Ansprüche an die Datenqualität von Lernbeispielen gering, das heißt einzelne fehlerhafte Lernbeispiele haben nur einen geringen Einfluss auf das Ergebnis.

Das KI-Modell B ist in der Lage, etwas komplexere Zusammenhänge als das Modell A zu erfassen. Im Vergleich zu Modell A sind hier nicht nur die vertikale Position und die Steilheit der Ausgleichsgeraden einstellbar, sondern auch die Krümmung des Modells. Dies erlaubt es, zum Beispiel eine weniger starke Zunahme des Verkaufspreises mit der Immobilienfläche bei besonders großen Wohnungen zu beschreiben. In Folge kann das Modell B die Realität etwas genauer abbilden als das Modell A und genauere Vorhersagen treffen.

Das KI-Modell C ist potentiell in der Lage sehr komplexe Zusammenhänge zu erlernen. Liegen aber zu wenig Datenbeispiele vor, um die komplexen Zusammenhänge verlässlich zu belegen, nutzt das komplexe Modell seine Fähigkeiten, um Lernbeispiele mit Hilfe komplizierter Regeln quasi auswendig zu lernen, anstatt allgemeingültige Zusammenhänge zu erlernen.

Den Verkaufspreis in den Lernbeispielen kann das zu komplexe Modell C infolge zwar besonders genau reproduzieren, es leidet aber die Fähigkeit Gelerntes auf neue Datenpunkte zu übertragen. Die Vorhersagefähigkeit von Modell C ist dadurch schlechter und bereits kleine Änderungen oder Fehler in den Lernbeispielen haben einen großen Einfluss auf die Vorhersagen.

Ein komplexes KI-Modell ist daher nur dann die Lösung der Wahl, wenn sehr große Datenmengen zur Verfügung stehen, um komplizierte Zusammenhänge deutlich und durch viele Datenbeispiele untermauert zu erkennen. Entsprechend wachsen im Fall komplexer Modelle die Anforderungen an Datenspeicher und Rechenleistung sowie an eine umfassende Modellüberwachung im Betrieb, um unerwünschte Effekte durch die empfindliche Reaktion auf fehlerhafte Lernbeispiele zu erkennen. 

Vor der Umsetzung einer KI-Lösung ist es sehr lohnenswert KI-Modelle und Algorithmen für einen Anwendungsfall auszuwählen, die besonders adäquat hinsichtlich intuitiver Problembeschreibung und Komplexität sind.

Mit der Komplexität der Algorithmen steigt die Zahl der erforderlichen Lernbeispiele schnell an. Für die besonders komplexen Deep Learning-Algorithmen sind oft über 1.000.000 Lernbeispiele notwendig, um verlässliche KI-Modelle zu erhalten.  

Für die Entwicklung einer neuen KI-Lösung ist es meist empfehlenswert, sich für ein KI-Modell geringerer Komplexität zu entscheiden. So ist es möglich bereits bei einer überschaubaren Datenlage sehr schnell und ressourcensparend eine erste robuste Lösung und Ergebnisse zu erzielen.

Tatsächlich ist es in der Praxis oft so, dass bereits diese ersten schnellen Ergebnisse einen Großteil des möglichen Mehrwerts einer KI bieten. Daher ist dies ein idealer Ansatz für KI-Projekte, um den Business Value einer Lösung nach minimalen Investitionskosten zu überprüfen.

Quick-Check: Stellen Sie sicher, dass Ihre KI-Lösung so einfach ist wie möglich aber so komplex wie notwendig, um eine Fragestellung zu erfassen. Dies macht die Logik Ihrer KI besonders effizient.

Zur Blog-Serie: Effektives KI-Design
Vorheriger Artikel: Intuitive KI

Leave a Reply

Your email address will not be published. Required fields are marked *

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>