Ein Prozess, bei dem KI-Ausgaben als Eingaben zurückgeführt werden, wodurch das Modellverhalten verstärkt werden kann – zum Positiven (verstärkendes Lernen) oder zum Negativen (Verstärkung von Verzerrungen).
Beschreibt sowohl beabsichtigte (Reinforcement Learning) als auch unbeabsichtigte (Verstärkung von Empfehlungen) Schleifen. Positive Schleifen können die Leistung im Laufe der Zeit optimieren, doch negative Schleifen bergen das Risiko einer Verstärkung von Verzerrungen – z. B. führt ein Empfehlungssystem, das beliebte Inhalte anzeigt, dazu, dass diese noch beliebter werden. Zu den Governance-Strategien gehören Metriken zur Schleifenerkennung, Interventionsrichtlinien (Diversitätsquoten) sowie simulierte Schleifentests vor der Inbetriebnahme im Live-Betrieb.
Das Empfehlungssystem einer Nachrichtenplattform zeigt trendige Artikel an. Da Nutzende häufiger darauf klicken, verstärkt das System diese Inhalte weiter und verengt so die inhaltliche Vielfalt. Das Team führt „Serendipitäts“-Beschränkungen ein – indem weniger häufig geklickte Themen mit einer festen Rate eingespielt werden –, um die ungebundene Rückkopplungsschleife zu durchbrechen und die inhaltliche Vielfalt aufrechtzuerhalten.
