Unterausstattung
Ein Modellierungsproblem, bei dem ein KI-System zu einfach ist, um die zugrunde liegenden Datenmuster zu erfassen, was zu einer schlechten Leistung sowohl bei Trainingsdaten als auch bei neuen Daten führt.
Definition
Tritt auf, wenn die Modellkomplexität (z. B. zu wenige Parameter, zu starke Regularisierung) das Erlernen wahrer Zusammenhänge verhindert, was zu hohen Trainings- und Validierungsfehlern führt. Zu den Governance-Praktiken gehören die Überwachung sowohl des Trainings- als auch der Validierungsverluste, die Festlegung akzeptabler Fehlerschwellenwerte und die iterative Erhöhung der Modellkapazität oder der Funktionskomplexität, bis die unzureichende Anpassung behoben ist. Gleichzeitig wird sichergestellt, dass Änderungen durch Versionskontroll- und Validierungs-Gates nachverfolgt und überprüft werden.
Real-World Example
Ein Nachfrageprognosemodell, das als einfache lineare Regression erstellt wurde, weist sowohl bei historischen Daten als auch bei Hold-Out-Daten einen Fehler von 10% auf, was auf eine unzureichende Anpassung hindeutet. Das Team fügt iterativ polynomiale Merkmale hinzu und wechselt zu einem Random-Forest-Modell, wodurch die Fehlerquote vor der Bereitstellung auf 3% reduziert wird.
.svg)
