Zuletzt aktualisiert am:
Wenn ein KI-Modell fälschlicherweise eine negative Klasse für eine Instanz vorhersagt, die tatsächlich positiv ist (Fehler 2. Art).
Tritt auf, wenn das Modell tatsächliche Fälle übersieht – dies ist in den Bereichen Betrugserkennung, Sicherheit oder medizinische Diagnosen besonders kritisch. Falsch-negative Ergebnisse können zu unentdeckten Bedrohungen oder versäumten Interventionen führen. Die Governance muss die Sensitivitätsraten (Recall) überwachen, akzeptable Risikoniveaus festlegen und sekundäre Kontrollen oder Überwachungssysteme (z. B. Anomalieerkennung) implementieren, um übersehene Ereignisse zu erfassen.
Praxisbeispiel:
Bei einer KI zur Krebsvorsorge bedeutet eine Falsch-Negativ-Rate von 2 %, dass 2 von 100 Tumoren unentdeckt bleiben. Ein Krankenhaus richtet ein manuelles Zweitmeinungsverfahren für Scans mit geringer Konfidenz ein und senkt den Entscheidungsschwellenwert des Modells. Dies reduziert die Falsch-Negativ-Rate auf 1 % auf Kosten einer leicht erhöhten Falsch-Positiv-Rate. Anschließend werden die Patientenergebnisse nachverfolgt, um die Wirksamkeit der Anpassung zu validieren.
