INFOMOTION GmbH

Key-Account-Manager

This is where I have really arrived. Here, everyone has the 🧡 to data in their heart and the passion for data performance. Simply feel good!

Sales Manager

bdg | better decisions group

Unforgettable 6 years. Kudos to Guido Kurth and Christian Kiock, the two founders of bdg, who gave me the chance to start as a newcomer in the data and BI bubble in 2016.

Jedox Solution Expert & Certified Trainer

OC Tanner Company GmbH

Awesome. Making employee appreciation so huge! An absolute topic of the heart for me still today. People want to be valued. That's exactly what I brought into the conversation together with a colleague in companies. Together with EU Headquarters, we built up OC Tanner's presence in Germany. From the office to the first visuals to marketing campaigns, we worked intensively with our colleagues in the UK and the headquarters in the USA to bring the topic forward. Unfortunately, we realized that the topic was still too new for the DACH market. Failure is part of the game :-)

Reward & Recognition Strategist

Monster Worldwide

In my position as Key Account Manager, I also quickly took on additional responsibility as Sales Group Coordinator and provided professional support to colleagues.

Sales Group Coordinator Enterprise Business

The last station at Monster was my absolute dream position. Working with key accounts from various industries, both in new business and in the renewal area > €1 million/year, was the absolute highlight of my career at monster.de. In this position, too, it was great working with the team and a Manager who I am still grateful to today for recognizing my potential.

Key Account Manager Automotive, Healthcare, Chemical & Pharma

During my long journey at monster.de, I was responsible in this position for customers from the SME sector in Baden-Württemberg. Through the many trips to visit customers, I was able to meet many interesting people who were just as passionate about HR and recruiting as I was. In this position I also quickly took on additional responsibility and was able to support the sales team as a Team Coordinator.

Senior Consultant Sales & Team Coordinator

My first station in a steep career at monster.de. Starting in telesales Austria, I was very quickly given responsibility for larger customers in the enterprise business. I particularly remember the good cooperation with my colleagues in Vienna. The many trips to Austria were an absolute enrichment and awakened my passion for a wonderful country and super nice people there.

Senior Account Manager Telesales Enterprise Business AT

I 🧡  Data Performance

I love data and am happy every time I can help companies generate added value from their data. Data performance helps companies in many ways: e.g. increasing sales, reducing costs, process automation, digitalization, higher quality of products and services.

Data Performance has many facets and looks different in every company.

Just write to me if you want to exchange ideas about Data Performance.

---------------------------------------------------------------------------------------------------------------
Husband and father of two children. At home in beautiful Thuringia.
Hobby-Author, Studying again (yes, even with over 40 ;-))
Since 20 years in Sales and since 6 years I do something with data 😉
---------------------------------------------------------------------------------------------------------------
👉 #dataperformance
👉 #moderndatastack
👉 #CloudData
👉 #CloudDWH
👉 #ML
👉 #SaaS

Michael Schirra

Sandra L.

Halbleiterbranche

Global Inside Sales Thin Film Coating Technology Solutions

Internat. Hersteller von Kosmetik und Nahrungsergänzungsmitteln

Personal Assistant to Managing Director

Naturkosmetik- und Arzneimittelindustrie

Assistent der Geschäftsleitung

Business Economist (B.A.) | Data Science and Business Analytics | AI/ML | LeanSixSigma certified

Data Science with business economics background: Prior to my study in Data Science and Business Analytics (part-time), I had already been learning about areas related to the umbrella term Artificial Intelligence and, in addition to the extensive theoretical knowledge, I have arrived at the application and programming. From this, I have developed an unstoppable enthusiasm for AI.

Dealing with data is becoming more and more important. Data volumes are getting larger and larger and computing capacities are getting faster and faster. The exponential acceleration of technologies is very much in my consciousness. 

Eine Ära geht zu Ende. Einige Zeit habe ich hier die mathematischen Grundlagen von Transformern erklärt, Aufklärung über LLMs betrieben und in jedem Post die Relevanz von Mathematik im Zeitalter von AI hervorgehoben. Die Grundlagen sind mittlerweile hinreichend bekannt, und meine Inhalte finden immer mehr Nachahmer was zeigt, wie wertvoll sie sind.

Was mir die Freude genommen hat, ist die ständige Notwendigkeit, mich zu rechtfertigen. Die Diskussionskultur rund um AI ist stark von Marketing und generischen Kommentaren geprägt, was echte Fachgespräche erschwert. 

Das Thema AI ist aktuell völlig überhitzt. Gleichzeitig passiert in einigen Unternehmen noch real zu wenig oder vieles läuft falsch, was AI betrifft. Zwischen Hype und Umsetzung klafft eine große Lücke. Dabei hat Machine Learning weit mehr zu bieten als nur LLMs.

Ich möchte mich neuen Themen widmen, sowohl Machine Learning jenseits des Hypes als auch anderen Bereichen, in denen ich Erfahrungen gesammelt habe. Wer mitkommen möchte, den nehme ich gerne mit.

Sandra Looß

Business Economist (B.A.) | Data Science and Business Analytics | ML | LeanSixSigma certified

No alternative text description for this image

Transformer-basierte LLMs sind keine Reasoning-Engines, sondern hochentwickelte Sequenztransformationssysteme. Ein realistisches Verständnis ihrer Ursprünge und Grenzen ist wichtig, um Erwartungen korrekt zu kalibrieren und effektive Kompensationsstrategien zu entwickeln.

Wer Transformer wirklich verstehen will, muss die Mathematik dahinter verstehen. 

Die Transformer-Architektur wurde in 2017 entwickelt, um ein spezifisches technisches Problem zu lösen, nämlich die effiziente Sequenztransduktion, insbesondere bei der maschinellen Übersetzung. 

Der Fokus lag auf Parallelisierbarkeit und Kontextmodellierung, nicht auf symbolischer Logik oder semantischem Verständnis. Die eigentliche Funktion war Abbildung zwischen Sprachsequenzen. Der Transformer ist im Kern ein System zur Abbildung von Sequenzen natürlicher Sprache zwischen Eingabe- und Ausgabedomänen. 

Seine entscheidende Innovation liegt im Attention-Mechanismus, der es ermöglicht, alle Tokens einer Sequenz simultan zu verarbeiten und kontextuelle Abhängigkeiten zu modellieren. Die stochastische Komponente der Ausgabeerzeugung erhöht die Ausdrucksvielfalt, nicht die Erkenntnisfähigkeit.

Diese architektonische Grundlage erklärt zentrale Limitationen aktueller LLMs! 

LLMs führen statistische Mustervergleiche in hochdimensionalen Vektorräumen durch. Ihre Repräsentationen sind semantisch nutzbar, aber nicht semantisch interpretiert. Sie besitzen keine intentionalen Bedeutungsstrukturen oder Weltmodelle.

Die Architektur enthält keine dedizierten Mechanismen für logisches Schließen, Kausalverständnis oder mehrstufiges Denken. Was wie Reasoning erscheint, entsteht aus probabilistischer Generalisierung gesehener Muster, nicht aus explizit symbolischer Inferenz. 

Emergente Ansätze wie Chain-of-Thought können reasoningähnliche Prozesse teilweise simulieren, indem sie Zwischenschritte externalisieren, stellen jedoch keine architektonische Lösung dar, sondern nutzen dieselben statistischen Mechanismen in strukturierterer Form.

Trotz erweiterter Kontextfenster bleibt die Verarbeitung tokenbasiert. Hierarchisches Wissen oder persistente Wissensgraphen entstehen nicht. Kontext wird flüchtig im Attention-Muster gehalten.

Externe Stützsysteme, die nur teilweise wirksam sind, wie RAG, Tool Use, Knowledge Graphs und ähnliche Technologien sind keine optionalen Ergänzungen sondern strukturell notwendige Kompensation für fehlende interne Steuermechanismen.  

Ein Transformer kann architektonisch keine faktische Präzision, logisches Schließen und konsistente Wissensverarbeitung leisten. 

Dies sollten zumindest all diejenigen verinnerlichen, die LLM-Output zur Unterstützung von Geschäftsentscheidungen nutzen wollen. Dieser sollte immer von menschlichen Experten im jeweiligen Fachgebiet verifiziert werden.

Kürzlich wurde ich in einem Beitrag erwähnt, der zahlreiche Profile von Menschen taggte, die auf LinkedIn über AI schreiben. Der Beitrag verfolgte offensichtlich das Ziel, Reichweite zu generieren, was für mich jedoch keinen Mehrwert bot. 

Ich habe den Beitrag kurz beobachtet, reflektiert und dann meine Verlinkung entfernt. Ich habe entschieden, dass diese Art der Vernetzung nicht zu meinem Ansatz passt.

Mein Ansatz ist ein anderer. AI ist für mich eine ernstzunehmende Technologie, die auf Mathematik basiert. Ich möchte unter anderem über die mathematischen Grundlagen aufklären, Zusammenhänge transparent machen und zum Nachdenken anregen. Mein Fokus liegt auf Wissenstransfer, Motivation für andere für Mathematik in Zusammenhang mit ML, jedoch nicht auf kommerziellen Interessen.

Deshalb lehne ich auch Anfragen zu Podcasts ab und besuche nur noch selten AI-Events, mir geht Substanz vor Sichtbarkeit.

Wer meine Beiträge lesen möchte, wird sie aus eigenem Interesse finden, nicht durch algorithmische Reichweiten-Mechanismen.

Die Verbreitung oberflächlicher AI-Beiträge ist eine strukturelle Konsequenz niedriger Eintrittsbarrieren bei hoher Aufmerksamkeitsökonomie. Vereinfachende AI-Narrative gedeihen in einem Informationsvakuum. Wenn qualifizierte Stimmen fehlen oder in akademischer Sprache unzugänglich bleiben, dominieren substanzarme Beiträge. Der Mechanismus ist einfach. Vereinfachung maximiert Reichweite, Reichweite suggeriert Autorität, wahrgenommene Autorität validiert Vereinfachung. Dieser Kreislauf bricht nicht durch Empörung, sondern durch substanziellen Gegendiskurs.

Mathematische Kompetenz in öffentlichen Beiträgen schafft einen Qualitätsfilter durch natürliche Selektion. 

Wer z. B. behauptet, “AI-Agenten arbeiten autonom und lösen komplexe Probleme”, kann mit Fragen konfrontiert werden.
Unter welcher Reward-Funktion optimiert der Agent? 
Wie wird Konvergenz bei partieller Observability garantiert? 
Welche Exploration-Exploitation-Strategie verhindert suboptimale Policies? 

Diese Fragen fordern präzise Antworten. Die fehlende Substanz wird nicht durch Angriff, sondern durch Präzisionsforderung sichtbar.
Der Effekt ist messbar. Jeder qualifizierte Beitrag erhöht die Kosten für oberflächliche Behauptungen. Detailfragen zwingen entweder zu substanzieller Auseinandersetzung oder offenbaren die fehlende Grundlage.

Mathematische Präzision erzeugt schlicht Schweigen. Wer nicht antworten kann, wird zunehmend ignoriert. Das ist Selektion durch erhöhte Qualitätsstandards. Konkret bedeutet dies, statt über substanzarme Inhalte zu klagen, selbst hochwertige Inhalte zu publizieren. 

Statt “das ist falsch” zu kommentieren, besser zeigen, was korrekt ist. Statt Gatekeeping zu fordern, die Tiefe demonstrieren, die notwendig ist. Der Raum für oberflächliche Darstellungen schrumpft proportional zur Verfügbarkeit qualifizierter Alternativen.

Die Verantwortung liegt bei allen mit echter Kompetenz. Öffentlicher Diskurs erfordert öffentliche Präsenz. Akademische Publikationen erreichen nicht die Entscheider, die zwischen qualifizierter Beratung und Marketing-Narrativen wählen müssen. 

LinkedIn, Fachforen und öffentliche Kommentare sind keine Zeitverschwendung, sie sind die Infrastruktur. Jeder präzise Beitrag erhöht die Opportunitätskosten für substanzarme Inhalte. Die Strategie,  systematisch die Qualitätsstandards durch substanzielle Beiträge zu erhöhen ist nicht konfrontativ, sondern konstruktiv. 

Oberflächliche Narrative verschwinden nicht durch Kritik, sondern durch Irrelevanz. Diese Irrelevanz entsteht, wenn qualifizierte Stimmen den Diskurs dominieren. Mathematische Kompetenz ist ebenfalls Infrastruktur für informierten Diskurs.

Ich sehe die Transformer-Architektur  als eine Reihe von parametrisierten Funktionen, die durch Optimierungsverfahren, üblicherweise mittels Gradientenabstieg, trainiert werden. Die Mathematik beschreibt, was geschieht.

Transformer basieren auf linearer Algebra, Wahrscheinlichkeitstheorie und Optimierung. Ihre Funktionsweise lässt sich vollständig durch mathematische Operationen beschreiben. 

Halluzinationen entstehen aus dem Optimierungsziel des Trainings, Maximum Likelihood. Die Metapher für Vektorapproximation wurde 2018 von Google DeepMind etabliert. Ich werde manchmal gefragt, ob mich der Begriff stört. Meine Antwort darauf lautet wie folgt. 

Das Modell wird darauf trainiert, die bedingte Wahrscheinlichkeit P(y_t | y_<t, x) für jedes Token zu maximieren. 
Die Zielfunktion ist die negative Log-Likelihood: L = -Σ_t log P(y_t* | y_<t, x). Das Modell lernt, die empirische Verteilung der Trainingsdaten zu approximieren. Die Ausgabewahrscheinlichkeit ergibt sich aus der Softmax-Transformation:
P(y_t | y_<t, x) = softmax(W_out h_t + b). Der Vektor h_t wird durch eine lineare Projektion W_out in den Vokabularraum transformiert. Tokens, deren Vektorrepräsentationen im hochdimensionalen Raum nah beieinander liegen, erhalten ähnliche Wahrscheinlichkeiten. Diese räumliche Nähe entsteht aus semantischer oder syntaktischer Ähnlichkeit während des Trainings.

Das Modell maximiert statistische Plausibilität, nicht faktische Korrektheit. Wenn in den Trainingsdaten häufige Muster existieren, die sachlich falsch sind, oder wenn der Kontext mehrdeutig ist, generiert das Modell die statistisch wahrscheinlichste Fortsetzung, auch wenn sie faktisch inkorrekt ist. Die Vektorrepräsentation degradiert zudem über Layer durch Normalisierung, Residual-Verbindungen und Softmax-Operationen. Bei unsicheren oder unterrepräsentierten Kontexten verschiebt sich die Wahrscheinlichkeitsmasse auf plausible, aber falsche Tokens.

Die Wurzel liegt in der Natur der Optimierung. Maximum Likelihood belohnt Übereinstimmung mit der Trainingsverteilung, nicht mit der Realität. Faktische Wahrheit ist keine Eigenschaft der Zielfunktion.

Die Debatte um solche Begrifflichkeiten ist technisch irrelevant, da Metaphern keine Erklärung darstellen. 

Die Mathematik ist die einzig präzise Sprache, in der diese Modelle vollständig beschrieben werden können.

Ohne mathematisches Verständnis sind AI-Governance-Frameworks bürokratische Checklisten ohne substanzielle Schutzwirkung. Mathematische Kompetenz identifiziert Risiken, die prozessuale Governance strukturell übersieht. 

Ein Governance-Framework fordert Fairness-Evaluation für ein Kreditscoring-Modell. Der Compliance-Prozess prüft, ob geschützte Attribute ausgeschlossen wurden, ein Fairness-Audit durchgeführt wurde. All das wurde erfüllt. Die mathematische Analyse zeigt jedoch, das Modell nutzt Proxy-Variablen mit Korrelationen über 0.8 zu geschützten Attributen. Postleitzahl, Bildungsinstitution etc. rekonstruieren die ausgeschlossenen Attribute im hochdimensionalen Feature-Raum nahezu perfekt. Governance versagt, weil sie die lineare Abhängigkeitsstruktur nicht versteht.

Governance-Frameworks reduzieren komplexe mathematische Probleme auf binäre Fragen, welche mathematisch nicht sinnvoll stellbar sind! 

Bias ist keine binäre Eigenschaft, sondern abhängig von gewählten Metriken. Ein Modell kann gleichzeitig demografische Parität verletzen und Chancengleichheit in der Vorhersage erfüllen. Diese Metriken sind bei unterschiedlichen Grundwahrscheinlichkeiten  mathematisch nachweisbar inkompatibel. Die Metrik-Wahl kodiert implizit ethische Priorisierungen. Governance wählt arbiträr oder folgt Best Practices, ohne die Trade-offs zu verstehen. Mathematisches Wissen identifiziert diese und ermöglicht informierte Entscheidungen statt prozessualer Compliance.

AI-Governance fordert Monitoring von Modell-Performance. Alarmschwellen werden definiert. Accuracy unter 90% triggert Eskalation. Diese Metrik ist unzureichend. Ein Modell kann konstant 92% Accuracy zeigen, während es systematisch in kritischen Subpopulationen versagt. Produktionsdaten weichen kontinuierlich von Trainingsdaten ab. Die Kullback-Leibler-Divergenz zwischen Verteilungen wächst monoton über Zeit. Ohne Verständnis statistischer Lerntheorie wird dieser Drift nicht erkannt. 

Governance-Metriken zeigen grün, während Kovariatenverschiebungs-Metriken Schwellenwerte überschreiten und Posterior-Kalibrierung sich verschlechtert. Diese Indikatoren erfordern Verständnis von Wahrscheinlichkeitstheorie und Informationstheorie.

Regulatorische Frameworks fordern Robustness Testing. Ein Modell wird auf Test-Set evaluiert, Performance dokumentiert. Die mathematische Realität ist, Test-Set-Performance garantiert keine Robustness gegen adversarielle Perturbationen. Ein Bildklassifikator mit 98% Accuracy kann durch minimale Perturbationen zu beliebigen Fehlklassifikationen gezwungen werden. Governance erkennt diese Vulnerabilität nicht, weil sie die Geometrie des Input-Space und Lipschitz-Konstanten der Entscheidungsfunktion nicht analysiert.

AI-Governance operiert auf Prozessebene, mathematisches Verständnis auf Ebene der Systemdynamik. Governance kann nur ex-ante formalisierbare Risiken adressieren. Mathematische Analyse identifiziert Risiken aus ML-Systemeigenschaften.

Mit LLMs verbreitet sich die Annahme, ML ließe sich allein durch Erklärungen in natürlicher Sprache mühelos verstehen und professionell anwenden.

ML-Modelle werden durch Code erstellt, implementiert, angewandt. Ohne Programmierkenntnisse fehlt die praktische Basis für Datenverarbeitung, Steuerung des Lernprozesses, Interpretation der Ergebnisse. Im Gegensatz zur klassischen Programmierung mit explizit kodierten Regeln lernen ML-Modelle Muster aus Daten und treffen probabilistische Vorhersagen. Dieser Prozess ist komplex, iterativ, fehleranfällig. Er erfordert aktives Programmieren.

Programmierung zwingt zur formalen Präzision, zum Denken in Datenstrukturen und Algorithmen. Eine Denkweise, die theoretisches Verständnis vertieft.

Python dominiert heute das ML-Feld durch umfangreiche Bibliotheken und moderate Einstiegshürden, doch die Syntax zu kennen genügt nicht. Effektive ML-Programmierung erfordert mathematisches Verständnis, zumindest in folgenden Kernkompetenzen. 

Linearer Algebra mit Matrix- und Vektoroperationen strukturiert Daten und Modelle. Ohne sie bleibt die Datenrepräsentation unverständlich.

Wahrscheinlichkeitsrechnung und Statistik ermöglichen Unsicherheitsmodellierung, Hypothesentests, korrekte Interpretation von Ergebnissen.

Verfahren wie Gradientenabstieg trainieren Modelle, sogenannte Optimierungsmethoden. Ohne Verständnis dieser Mechanismen bleiben Konvergenzprobleme, Hyperparameter-Wahl und Trainingsinstabilitäten rätselhaft.

Backpropagation basiert auf der Differentialrechnung, nutzt Ableitungen, um Fehler in ANNs zu berechnen. Damit ist es der Algorithmus, mit dem die Gewichte beim Training systematisch angepasst werden. 

Konzepte wie Entropie, Kreuzentropie und Mutual Information gewinnen zunehmend zentrale Bedeutung für Modellverständnis und -optimierung.

Diese Mathematik muss aktiv operationalisiert werden, durch Implementierung von Verlustfunktionen, Regularisierungsmethoden oder Optimierungsalgorithmen. Das unterscheidet praxisrelevantes Wissen von Theorie.

Ohne mathematisches Wissen wird ML-Programmierung limitiert und fehleranfällig. Datenrepräsentation, Modellanpassung und Fehlerbewertung basieren auf mathematischen Prinzipien. Ohne Grundlagen fehlt die Fähigkeit, Fehler kritisch zu erkennen und ihre Ursachen zu verstehen.

LLMs können Code generieren, Syntax erklären und beim Debugging helfen, aber nur als Unterstützung für jene, die bereits über das notwendige Wissen verfügen. Sie verstärken vorhandene Kompetenz, ersetzen aber weder Programmierkenntnisse noch mathematisches Verständnis. 

ML zu beherrschen erfordert solide Programmierkenntnisse, mathematisches Wissen und Lernen durch Fehler. ML ist experimentell, ohne Erfahrung wird kein Modell erfolgreich laufen. 

Es gibt keine Abkürzung. Wer beide Disziplinen vereint, kann Modelle definieren, trainieren, evaluieren und an reale Probleme anpassen.

Die AI-Industrie entwickelt sich nicht zu einem vielfältigen Ökosystem gleichberechtigter Wettbewerber, sondern folgt einer mathematischen Logik der extremen Konzentration. 

Dieses Phänomen ist bekannt als Winner-Takes-All Dynamik und kein Zufall, sondern das vorhersagbare Ergebnis ökonomischer, mathematischer und spieltheoretischer Mechanismen.

Im Kern geht es um Power Laws, mathematische Verteilungen, bei denen der Marktführer nicht nur etwas größer, sondern um Größenordnungen dominanter ist als seine Konkurrenten. 

Während in normalen Märkten die Größenunterschiede moderat bleiben, gilt in der AI, das führende Unternehmen kann zehn- oder hundertmal wertvoller sein als der Zweitplatzierte. 

Diese extreme Asymmetrie folgt der mathematischen Form P(x) ≈ x^(-α) und lässt sich empirisch in den Marktkapitalisierungen, Nutzerzahlen und Investitionen der Tech-Giganten nachweisen.

Drei Faktoren verstärken sich gegenseitig.

Erstens erzeugen Netzwerkeffekte exponentielles Wachstum, mehr Nutzer bedeuten bessere Daten, bessere Modelle, noch mehr Nutzer. 

Zweitens erfordern leistungsfähige AI-Modelle massive Investitionen in Rechenleistung und Daten, die nur wenige Akteure stemmen können. 

Drittens schaffen frühe Marktführer durch Standards, Integrationen und Talentanziehung Barrieren, die Konkurrenten kaum überwinden können.

Aus spieltheoretischer Sicht entsteht ein Koordinationsspiel mit stabilen Gleichgewichten, die den Erstplatzierten begünstigen. Komplexitätstheoretisch handelt es sich um selbstorganisierte Kritikalität, bei der kleine anfängliche Vorteile durch positive Rückkopplungen zu dramatischer Dominanz führen.

Diese Entwicklung hat Konsequenzen für Innovation und Wettbewerb, für gesellschaftliche Machtverhältnisse und für die Frage, wer letztlich über eine der transformativsten Technologien unserer Zeit verfügt. 

Die mathematischen Gesetze hinter dieser Konzentration zu verstehen ist entscheidend, um Entscheidungen über Investitionen und technologische Entwicklung zu treffen.

In den folgenden Beiträgen werde ich diese Mechanismen detailliert analysieren. Die mathematischen Grundlagen der Power Laws sind spieltheoretische Modelle des Wettbewerbs, die Rolle von Skaleneffekten und Daten-Monopolen, informationsökonomische Asymmetrien, wohlfahrtsökonomische Implikationen sowie mögliche Gegenstrategien und regulatorische Ansätze. 

Jeder dieser Aspekte verdient eine tiefgehende Betrachtung, um das Gesamtbild der Winner-Takes-All Dynamik in AI vollständig zu erfassen.​​​​​​​​​​​​​​​​

Als Betriebswirt mit langjähriger Berufserfahrung in der Arzneimittelindustrie und als Data Scientist mit mathematischer Affinität sehe ich genau an der Schnittstelle dieser Disziplinen die entscheidenden Fragen unserer Zeit. Ich möchte künftig verstärkt dazu informieren, wo ökonomische Realität, AI-Entwicklung und mathematische Gesetzmäßigkeiten sich vereinen.

Warum LLMs nicht nachhaltig sind, hat mehrere Dimensionen. Der Begriff Nachhaltigkeit im Zusammenhang mit AI ist meiner Ansicht nach ein Buzzword, welches sich nicht allein auf den Energieverbrauch beziehen darf. 

Ökologische Dimension

Energiebilanzen ignorieren oft den Wasserverbrauch. Man kann nachlesen, dass Microsofts Iowa-Rechenzentrum rund 6 Millionen Liter in 2023 verbraucht hat. 

Verkörperter Kohlenstoff der Hardware-Produktion übertrifft Betriebsemissionen einer A100 GPU, konfliktbehaftete Gewinnung seltener Erden und elektronische Abfälle nach 3-5 Jahren Nutzungszyklus. Diese externalisierten Kosten erscheinen in keiner Nachhaltigkeitsrechnung.


Ökonomische Konzentration

Chinchilla Scaling Laws quantifizieren, dass optimales LLM-Training hunderte Millionen USD bis Milliarden an Investition erfordert. Weltweit können fünf Akteure diese Schwelle überschreiten. Dies produziert Monopolbildung, systematischen Ausschluss akademischer Institutionen und Entwicklungsländer sowie obligatorische API-Abhängigkeiten. 
Ökonomische Nachhaltigkeit erfordert diversifizierte Ökosysteme.


Soziale Externalisierung

LLMs basieren strukturell auf prekären Arbeitsverhältnissen: Data Labeling mit 1-2 USD pro h in Afrika, Südostasien. Traumatisierte Content Moderation ohne psychologische Infrastruktur, RLHF-Training unter ausbeuterischen Bedingungen. 85% der Trainingsdaten sind anglozentrisch, seltene Sprachen sind systematisch marginalisiert. Dies konstituiert keine Teilhabe, sondern Hierarchieverstärkung.


Epistemische Degradation

Shumailovs Model Collapse in 2023 demonstriert mathematisch LLMs, trainiert auf LLM-Output, degenerieren über Generationen durch kumulative Verzerrung der Datenverteilung. Systematische Halluzinationen, Bias-Perpetuation durch historische P(y|x)-Verteilungen und proprietäre Intransparenz. Sie widersprechen wissenschaftlichen Nachhaltigkeitskriterien wie Offenheit, Akkumulation, Korrigierbarkeit.


Governance-Vakuum

Die technologische Entwicklungsgeschwindigkeit übersteigt die regulatorische Kapazität um Größenordnungen. Globale Basismodelle treffen auf fragmentierte nationale Rechtsräume. Fragen der Haftung, Transparenz und Dual-Use bleiben ungeklärt. Der EU AI Act wird beim Inkrafttreten technologisch bereits überholt sein. Ohne robuste, adaptiv lernfähige Governance-Strukturen ist nachhaltige Entwicklung nicht denkbar.


Technische Limits

Self-Attention-Mechanismen operieren mit O(n²d)-Komplexität. Sehr viele FLOPs pro Inferenz. Lineare Attention reduziert etwas die Performanz, Quantisierung ermöglicht 2-4× Speedup, jedoch greift Jevons-Paradoxon, welches sagt, Effizienzgewinne induzieren Nachfragesteigerung, Nettoeffekt positiv. 

Hoffmanns Scaling Laws zeigen keine Sättigung, Superior Performance korreliert monoton mit Ressourcenverbrauch. Die Mathematik lässt keine Auswege.

Im derzeitigen Entwicklungszustand sind LLMs strukturell nicht nachhaltig, weder ökologisch noch ökonomisch, sozial oder regulatorisch.

Anwendung statistischer Methoden außerhalb ihrer Gültigkeitsbedingungen führt zu systematischen Fehlschlüssen, eine alte Einsicht in Disziplinen wie Biometrie, Psychologie, Ökonometrie und klinischer Forschung. Dort ist die Prüfung methodischer Annahmen Standard, weil Regelverletzungen zu invaliden Schlussfolgerungen mit realen Konsequenzen führen. 

In der Entwicklung von LLMs
erleben wir gerade eine analoge Verschiebung, einen methodischen Scope Creep. Transformer-Architekturen werden für Aufgaben eingesetzt, für die ihre mathematischen Grundlagen nicht ausgelegt sind.

Ein Transformer approximiert eine bedingte Wahrscheinlichkeitsverteilung P_θ(y|x) über tokenisierte Sequenzen x, y, deren Parameter θ durch Minimierung der Verlustfunktion L(θ) = -∑_i log P_θ(y_i | x_i) bestimmt werden. 

Ziel ist, die Modellverteilung P_θ(y|x) an die empirische Datenverteilung P_data(y|x) anzunähern, konzipiert für Sequenztransduktion, nicht für kognitives Schließen oder inferenzielle Semantik.

Die Architektur enthält keine Komponenten für kausale Weltmodelle mit expliziten Zustandsübergängen, intentionale Semantik mit Referenten, Konsistenzprüfungen zwischen Modell und Beobachtung. Die
stochastische Approximation erfasst nur aleatorische, nicht Erkenntnisunsicherheit. 

Wenn Transformer für logisches oder kausales Reasoning genutzt werden, operieren sie jenseits ihrer Gültigkeit. 

Viele als emergent bezeichnete Fähigkeiten lassen sich statistisch als Generalisierungen höherer Ordnung erklären, die keiner neuen strukturellen Fähigkeit der Architektur entsprechen. Die Parallelen zu historischen Fehlentwicklungen sind deutlich, unkritische Anwendung parametrischer Tests führte zu verzerrten Inferenzen in Biometrie, Psychologie und Ökonometrie, in der klinischen Forschung wären solche Verletzungen untragbar.

Die LLM-Entwicklung zeigt hier mangelnde methodische Disziplin. Scope Creep wird durch Skalierung ersetzt, um architektonische Defizite zu kompensieren.

Neue Stützsysteme wie RAG, Tool Use oder Knowledge Graphs mildern diese Defizite teilweise, lösen sie jedoch nicht. Sie kompensieren architektonische Lücken, ohne deren methodische Ursache zu beheben.

Solange Scope Creep als Innovation, statt als Methodenverletzung gilt, bleiben LLM-basierte Transformer strukturell unzuverlässig. Ohne methodische Rigorosität wiederholt LLM-Entwicklung Fehler, die andere quantitative Disziplinen längst überwunden haben.

graphical user interface, text, application

Mathematische Perspektive von AI-Training mit fehlerhaften Daten anlässlich des Artikels „Informationen aus erster Hand: Warum KI-Trainer davon abraten, Chatbots zu nutzen” aus T3n vom 27.11.2025.

Eine AI-Trainerin berichtet, wie sie bei der Bewertung eines Tweets erst recherchieren musste, um dessen rassistischen Kern zu erkennen und sich fragte, wie oft sie solche Fehler schon übersehen hatte. 

Aus mathematischer Perspektive lässt sich verstehen, warum diese Skepsis berechtigt ist. Das Problem ist die Fehlerfortpflanzung im Training. Wenn Trainingsdaten mit einer Fehlerrate p gelabelt werden, propagiert sich dieser Fehler durch das gesamte Modell. Bei supervised learning lernt ein Modell die Verteilung der Labels inklusive systematischer Verzerrungen. Sei y das wahre Label und ŷ das gelabelte, möglicherweise fehlerhafte Label. Bei einer Fehlerrate P(ŷ ≠ y) = p minimiert das Modell die Verlustfunktion L(f(x), ŷ), nicht L(f(x), y). Das Resultat, das Modell konvergiert zu einer Approximation der fehlerhaften Labels.

Es ist zwischen zufälligen und systematischen Fehlern zu unterscheiden. Zufällige Fehler mitteln sich bei ausreichend großen Datensätzen teilweise aus, erhöhen aber die Varianz. Systematische Fehler sind gefährlicher. Wenn Annotatoren systematisch bestimmte Inhalte falsch bewerten, lernt das Modell diese Verzerrung als valide Pattern. Mathematisch verschiebt systematischer Bias die Zielfunktion. Das Modell optimiert zur falschen Verteilung.

LLMs werden oft mit Kreuzentropie trainiert L = -Σ y_i log(p_i). Bei fehlerhaften Labels ŷ statt y maximiert das Modell die Wahrscheinlichkeit falscher Ausgaben. Bei nur wenigen Prozent Fehlerrate und einer Milliarde Trainingspunkte bedeutet das Millionen falsche Signale, die das Modell als valide Patterns lernt.

RLHF verschärft das Problem zusätzlich. Modelle werden auf menschliche Präferenzen optimiert, die inkonsistent, subjektiv und fehlerhaft sind. Die Reward-Funktion ist verrauscht und biased. Das Modell lernt, menschliche Fehler zu reproduzieren. Bei oft nur drei bis fünf Annotatoren pro Sample entsteht hohe Varianz. Das Modell lernt den statistischen Durchschnitt, der mathematisch, aber nicht faktisch korrekt ist. 

Inter-Annotator-Agreement liegt oft unter 0,7, ein Zeichen erheblicher Unsicherheit. Aus mathematischer Sicht haben die Trainer vollkommen Recht, LLMs sind mathematische Funktionen, die Trainingsdaten approximieren. Wenn diese Daten systematisch fehlerhaft sind, ist das Modell es auch unabhängig von Größe oder Komplexität. 

Skalierung verschlimmert Bias sogar, da Modelle mit Milliarden Parametern auch seltene, falsche Patterns lernen. Dabei gilt, Konfidenz bedeutet nicht Korrektheit. Modelle geben auch bei fehlerhaften Trainingsdaten hochkonfidente Antworten.

Die Trainer sehen diese Fehler direkt und verstehen, was sie bauen, ist eine probabilistische Approximation menschlicher Fehler. Ihre Warnung ist mathematisch fundiert.​​​​​​​​​​​​​​​​

Link 🔗 in Kommentar

Der mathematische Unterschied zwischen MuonClip und herkömmlichen Transformer-Trainingsmethoden ist interessant. Die Wahl des Optimierungsverfahrens beim Training großer Sprachmodelle entscheidet nicht über Rechenkosten und die generelle Machbarkeit von Projekten. 

Der von Moonshot AI aus China entwickelte MuonClip-Optimierer ist eine Innovation mit weitreichenden technischen und strategischen Konsequenzen.

Transformer-Modelle wie GPT-5 oder Claude verwenden allen Anzeichen nach überwiegend den AdamW-Optimierer. Dieser skaliert Gradienten adaptiv über exponentiell gewichtete Mittelwerte der ersten und zweiten Momente. AdamW erzeugt Update-Schritte mit niedrigem Effektiv-Rang, die Gewichtsänderungen konzentrieren sich auf wenige dominante Richtungen im Parameterraum. Er gilt als stabil und zuverlässig, benötigt aber deutlich mehr Trainingsdaten als theoretisch notwendig, was die Effizienz limitiert.

Der Muon-Optimierer, auf dem MuonClip basiert, verfolgt einen anderen Ansatz. Durch die Newton-Schulz-Iteration erzeugt er Updates mit höherem Rang, die Singulärwerte der Update-Matrix sind gleichmäßiger verteilt. Dies führt zu einer wesentlich besseren Token-Effizienz. Dieser Effizienzgewinn bringt allerdings Stabilitätsherausforderungen mit sich. Vollrangige Updates erhöhen die Wahrscheinlichkeit für Singulärvektor-Alignment zwischen Gewichtsmatrizen und Update-Matrix. Insbesondere in Attention-Mechanismen, die Query- und Key-Projektionen multiplikativ kombinieren, kann dies zu explosivem Wachstum der Attention-Logits führen. Vorige Ansätze wie Logit Soft-Capping oder Query-Key-Normalisierung konnten diese Probleme nicht umfassend lösen. 

MuonClip interveniert direkt auf Weight-Ebene nach jedem Optimizer-Schritt. Überschreitet ein Attention-Head einen Logit-Schwellenwert von 100, werden Query- und Key-Projektionsmatrizen proportional skaliert. Diese adaptive, per-Head-Strategie minimiert Eingriffe im stabilen Bereich des Modells. Zudem deaktiviert sich das Clipping bei Kimi K2 nach etwa 30% des Trainings selbstständig, da die maximale Logit-Größe natürlicherweise sinkt.

Das Ergebnis ist, Kimi K2 wurde mit 15,5 Billionen Tokens ohne einen Loss-Spike trainiert und das bei Trainingskosten von nur 4,6 Millionen USD. 

Dieses Wissen ist kein rein akademisches Detail, sondern strategisch essenziell. Alle, die weiterhin ausschließlich auf AdamW setzen, akzeptieren strukturelle Ineffizienz und höheren Ressourcenverbrauch.

Die mathematischen Mechanismen hinter MuonClip zeigen jetzt, das  Large-Scale-Training ist doch keine Frage des Kapitals, sondern algorithmischer Innovation.

Das hat disruptives Potenzial für die gesamte AI-Landschaft mit Grüßen aus China.

Paper in den Kommentaren.

CUDA (Compute Unified Device Architecture ) ist eine von NVIDIA entwickelte Kombination aus Plattform, API und Toolchain zur parallelen Datenverarbeitung auf GPUs. Es handelt sich dabei um ein umfassendes Software-Ökosystem aus Laufzeit, Treibern, Compilern, Bibliotheken und Entwicklerwerkzeugen, das weit mehr als nur ein reines Programmiermodell darstellt. 

CUDA ermöglicht unter anderem, sehr rechenintensive Abschnitte eines Programms effizient von der CPU auf die GPU auszulagern, wodurch die Ausführung paralleler Aufgaben stark beschleunigt wird.

TensorFlow, ab Version 2.17, veröffentlicht 2024, unterstützt den sogenannten hermetic CUDA-Build.  Beim Kompilieren mit Bazel werden spezifische, von TensorFlow gepflegte Versionen von CUDA, cuDNN und NCCL automatisch heruntergeladen und isoliert als Build-Abhängigkeiten eingebunden. Dadurch ist die Installation komplett unabhängig von auf dem System installierten CUDA-Versionen, was die Reproduzierbarkeit und die Kompatibilität der Build-Prozesse für ML-Workloads deutlich verbessert.

Ab TensorFlow Version 2.18 wurde die direkte Integration von TensorRT (TF-TRT) in hermetischen CUDA-Builds deaktiviert bzw. archiviert. TensorRT bleibt jedoch grundsätzlich für die Modellinferenz auf NVIDIA-GPUs optional verfügbar, allerdings wird es nicht mehr automatisch mitgeliefert und muss explizit aktiviert oder nachinstalliert werden, sofern benötigt. Dies führt zu einem schlankeren, wartungsärmeren Code und ist die empfohlene Praxis in neuen TensorFlow-Setups.

Das Training neuronaler Netze wird dank CUDA auf NVIDIA-GPUs um ein Vielfaches beschleunigt.

Praktisch alle bedeutenden Deep-Learning-Frameworks wie TensorFlow, PyTorch, JAX, Keras sind eng mit CUDA verzahnt, diese Integration reicht tief bis zum Backend.

Spezialisierte Bibliotheken wie cuDNN für Deep-Learning-Operationen, NCCL für schnelles Multi-GPU-Training oder cuBLAS, cuFFT für lineare Algebra und Fourier-Transformationen bauen direkt auf CUDA auf.

NVIDIAs dauerhafte Dominanz im ML-Sektor beruht zum einen auf überlegener GPU-Hardware, zum anderen aber wesentlich auf dem umfangreichen CUDA-Software-Ökosystem.

Moderne NVIDIA-GPUs, z. B. Hopper, Ada oder Blackwell, Stand 2025, verfügen über tausende Rechenkerne und hardwareoptimierte Einheiten wie TensorCores , welche für ML-Operationen, wie Matrixmultiplikationen, essentiell sind.

Die Einführung von CUDA in 2007 hat den Grundstein für die heutige Rolle NVIDIAs gelegt, da schon weit vor dem AI-Boom eine leistungsfähige Plattform für paralleles Rechnen und maschinelles Lernen etabliert wurde.

Die starke Vernetzung von Hardware, Treibern, Bibliotheken und Tools sorgt dafür, dass ein Wechsel zu alternativen Plattformen wie AMD ROCm oder Intel oneAPI selbst 2025 noch mit hohem Aufwand und Leistungseinbußen verbunden wäre.

Verluste bei ML-Integration durch Metrik-Fehlinterpretation, Distribution-Shift-Ignoranz, Bias-Blindheit, fehlende Kosten-Nutzen-Analyse, falsche Architektur-Erwartungen übersteigen die Investition in mathematisch versierte Mitarbeitende oft um Größenordnungen. Fehlermuster aus Deployments bieten folgende Beispiele. 

Ein Klassifikationsmodell zeigt z. B. 97% Accuracy bei der Betrugserkennung. Ohne Verständnis der zugrundeliegenden Mathematik erscheint dies zuverlässig. Die Realität ist, bei einer Datenverteilung von 97% legitimen und 3% betrügerischen Transaktionen erreicht ein Modell, das ausschließlich „legitim” vorhersagt, exakt diese Accuracy. Die relevante Größe ist der F1-Score als harmonisches Mittel von Precision und Recall. Für das triviale Modell gilt, Precision ist undefiniert, Recall ist null. Es erkennt keinen einzigen Betrugsfall, erscheint jedoch nach Accuracy-Metrik als hochperformant. 

Ohne Verständnis der mathematischen Definitionen und des Verhaltens von Metriken bei unbalancierten Klassenverteilungen ist eine Bewertung unmöglich. Konsequenz ist, Deployment eines wertlosen Systems mit finanziellen Verlusten.

Ein Bildklassifikationsmodell zeigt 94% Validierungs-Accuracy, performt in Produktion jedoch mit 63%. Die Loss-Funktion während des Trainings minimiert den empirischen Risiko-Term über die Trainingsdaten. Das eigentliche Ziel ist Minimierung des erwarteten Risikos über der wahren Datenverteilung. Wenn Trainings- und Produktionsverteilung systematisch abweichen, besteht keine Garantie für Generalisierung. 

Ohne Diskrepanz zwischen empirischem und erwartetem Risiko zu verstehen, ein Konzept der statistischen Lerntheorie, wird das Problem als schlechtes Modell fehlinterpretiert, statt als Distribution-Shift-Problem erkannt. Die Fehlentscheidung verursacht Mehrkosten durch unnötiges Re-Training statt gezielter Datenanpassung.

Ein Unternehmen bindet eine ML-basierte Dokumentenklassifikation per API ans ERP-System an. Der Anbieter berechnet nutzungsabhängig nach Anzahl der Klassifikationen. Ein günstigerer Tarif für Standard-Modelle, ein höherer für spezialisierte, feinjustierte Modelle. Ohne Verständnis der zugrundeliegenden Kostenstruktur wird oft das teurere Modell gewählt, da höhere Genauigkeit versprochen wird. Bei hoher Dokumentenmenge entstehen so viel höhere Gesamtkosten. 

Rechtfertigt die Differenz in der Modellgenauigkeit zusätzliche Kosten? Dies erfordert eine Analyse des Trade-offs zwischen Modellperformance und betriebswirtschaftlichem Nutzen. Ohne quantitative Bewertung der tatsächlichen Fehlerkosten, z. B.  durch eine erwartete Wertberechnung basierend auf den Folgen von Fehlklassifikationen, ist keine rationale Entscheidung möglich. Die Analyse kann aufzeigen, dass Fehlerkosten des Standard-Modells in einem bestimmten Rahmen liegen, während die Mehrkosten für das spezialisierte Modell den wirtschaftlichen Gewinn übersteigen. Dies führt zu Nettoverlust durch fehlende quantitative Steuerung der Modellwahl.

Ein Gründer, Yang Zhilin, von Moonshot AI aus China ist ein hochkarätiger NLP- und Machine-Learning-Forscher mit Expertise in Transformer-Architekturen, genau dem Fundament baut Kimi K2 auf.

Kimi K2 ist ein Mixture-of-Experts (MoE) Transformer-Modell mit 1,04 Billionen Gesamtparametern, von denen pro Token nur 32 Milliarden aktivier werden. Im Juli 2025 von Moonshot AI als Open-Source-Modell veröffentlicht, basiert die Architektur auf dem fundamentalen Transformer-Paradigma, implementiert jedoch eine ultra-sparse MoE-Struktur für maximale Effizienz.

Die Architektur umfasst 384 spezialisierte Experten mit einer versteckten Dimension von 2.048 pro Expert. Für jedes Token werden dynamisch 8 Experten plus ein gemeinsamer Experte ausgewählt, was einer Sparsity-Ratio von etwa 3% entspricht﻿. Das Modell verfügt über 61 Layer, davon eine dichte Schicht, 64 Attention-Heads und eine Modell-Hidden-Dimension von 7.168﻿. 

Diese Architektur liefert die Kapazität eines trillionenparametrigen Modells bei den Rechenkosten eines 32-Milliarden-Parameter-Modells.

Anstelle klassischer Multi-head Attention nutzt Kimi K2 Multi-head Latent Attention (MLA), eine in DeepSeek-V2 eingeführte Technik zur Kompression des Key-Value-Cache durch low-rank Matrixzerlegung﻿. 

MLA komprimiert zunächst die KV-Vektoren in einen latenten Raum, cached diesen komprimierten Zustand und dekomprimiert ihn bei Bedarf wieder, wodurch der KV-Cache um bis zu 93,3% reduziert wird﻿. Kimi K2 unterstützt ein Kontextfenster von 128.000 Tokens﻿, in der Version K2-0905 erweitert auf 256.000 Tokens.

Moonshot AI publizierte im Juli 2025 den MuonClip-Optimierer im Paper “Kimi K2: Open Agentic Intelligence” (arXiv:2507.20534 in den Kommentaren). MuonClip kombiniert den token-effizienten Muon-Algorithmus mit einer neuartigen QK-Clip-Technik zum Beschneiden explodierender Attention-Logits﻿﻿. Bei Mid-Scale-Experimenten mit 53 Milliarden Parameter erreichten Attention-Logits ohne Clipping Werte über 1.000, was typischerweise zu Trainingsinstabilitäten führt﻿. Mit MuonClip und einem Clipping-Threshold von τ=100 wurde Kimi K2 auf 15,5 Billionen hochwertigen Tokens vortrainiert, wobei die Verlustkurve glatt und stabil blieb, ohne einen einzigen Loss-Spike﻿.

Die Aktivierungsfunktion ist SwiGLU, kombiniert mit Rotary Position Embeddings (RoPE) für effiziente Positionskodierung﻿. Das Modell nutzt ein Vokabular von 160.000 Tokens und wurde für agentische Aufgaben, Multi-Tool-Nutzung und komplexe Code-Generierung optimiert.

Kimi K2 folgt einem ähnlichen MoE-Design wie DeepSeek-V3, erhöht jedoch die Anzahl der Experten von 256 auf 384 und reduziert die Attention-Heads von 128 auf 64, um Inferenz-Overhead zu senken﻿. Diese Designentscheidungen basieren auf empirischen Scaling-Law-Analysen, die zeigen, dass erhöhte Sparsity substanzielle Performance-Verbesserungen liefert.

Was sagt uns das in Deutschland?

Wissen zu Performance-Metriken ist für eine professionelle Bewertung von ML-Modellen wichtig. Modelle vergleichbar zu machen ist hilfreich, um die Qualität in produktiven Umgebungen zu überwachen, obwohl man damit an viele Grenzen stößt. 

Metriken wie Accuracy, Precision, MSE, etc. bilden jeweils Teilaspekte des Modellverhaltens ab, beruhen auf spezifischen Annahmen zur Datenverteilung und Verlustfunktion, die sich aus dem Anwendungsfall ergeben. 

Um geeignete Metriken zu wählen, benötigt man Wissen zu Algorithmen, Anwendungsfall, den Metriken selbst. Klassifikation, Regression, etc. jede Problemart braucht spezifische Metriken. Die Metrik muss die realen Auswirkungen von Fehlern abbilden.

Wenn Metriken zum Optimierungsziel werden, verlieren sie ihre Aussagekraft. Goodhart’s Law sagt, dass damit die Metrik manipuliert wird und die tatsächliche Aufgabenstellung nicht mehr widerspiegelt. Das führt zu Unterschieden zwischen Testergebnissen und praktischem Einsatz.

Metriken spiegeln nicht wider, wie ein Modell funktioniert. Das Rashomon-Phänomen beschreibt, dass für den gleichen Datensatz zahlreiche Modelle mit der identischen Performance existieren können, die aber intern grundlegend andere Entscheidungswege nutzen. Das führt zu Unsicherheit bei der Übertragbarkeit auf neue Szenarien.

Evaluation basiert auf statischen Testdatensätzen unter Annahme stationärer Datenverteilung. In produktiven Systemen gibt es jedoch Konzeptdrift, Verteilungsverschiebungen, was zu Abweichungen zwischen Offline-Metriken und Online-Verhalten führt. 
Kontinuierliches Monitoring, Nachkalibrierung, Validierung über den Modelllebenszyklus sind notwendig.

Fairness Metriken heben aggregierte Leistungen hervor und verschleiern dabei systematisch Fehler in Subgruppen. Unmöglichkeitsansätze zeigen, dass verschiedene Fairness-Kriterien nicht gleichzeitig erfüllt werden können.

Data Science lehrt, Metriken kontextsensitiv auszuwählen, Annahmen offenzulegen. Modelle werden nicht nur nach Kennzahlen bewertet, sondern nach Robustheit, ggf. Fairness, Übertragbarkeit mithilfe von Sensitivitätsanalysen, Subgruppenprüfungen und Simulationen bei Datenveränderungen. Ein kontinuierliches Monitoring muss etabliert werden, um Performance-Einbrüche und Konzeptdrift zu erkennen. 

Performance sollte als evidenzbasiertes Portfolio mit mehreren Metriken, qualitativer Validierung und klaren Einschränkungen kommuniziert werden. Die Grenzen der Metriken müssen berücksichtigt werden.

Mathematik hilft beim Verständnis für ML-Metriken. Wahrscheinlichkeit, Mittelwert, Varianz sind wichtig für die Interpretation von Metriken wie Recall, AUC. Wahrscheinlichkeitsrechnung benötigt man, um Unsicherheiten und Fehlerarten im Modell zu verstehen. Verlustfunktionen und Optimierungsprinzipien, die erklären, warum Metriken während des Trainings eine zentrale Rolle spielen sind wichtig. Lineare Algebra hilft beim Verständnis komplexerer Modelle mit ANNs und der Beziehung zwischen Features und Metriken.

taplio

The Battle

Michael Schirra

Sandra L.

Followers

Posts

Engagements

Likes

Performance ScoreSandra L.'s LinkedIn Performance

Ready to grow your LinkedIn presence?

taplio

The Battle

Michael Schirra

Sandra L.

Followers

Posts

Engagements

Likes

Performance Score.css-goub6s{font-size:var(--chakra-fontSizes-md);font-weight:500;color:var(--chakra-colors-gray-600);display:block;margin-top:var(--chakra-space-1);}Sandra L.'s LinkedIn Performance

Ready to grow your LinkedIn presence?

Performance ScoreSandra L.'s LinkedIn Performance