4. Grundlagen: Output

An dieser Stelle ist schon einiges über KI-Système bekannt (siehe Kap. 2 und 3): Welche Daten werden für diese genutzt? Wie werden diese bearbeitet? Jetzt geht es um den letzten Teil der Einführung, nämlich die Frage: was für Ergebnisse erzeugt ein solches System?

In diesem Kapitel geht es demnach um die Resultate, die KI-Systeme erzeugen. In der Anwendung ist das eine wichtige Fragestellung: denn der Output eines KI-Systems ist die Information, die z. B. zur weiteren Bearbeitung oder Entscheidung an den Menschen übergeben wird. Plant man den falschen Output, können die Nutzenden vielleicht nichts damit anfangen – wenn zum Beispiel ein Bescheid angenommen oder abgelehnt werden muss und das System lediglich eine Prozentzahl darstellt. Oder wenn ein Tool zur Verarbeitung von Texten zurückmeldet, ob ein Text leicht verständlich geschrieben ist, obwohl eigentlich die Anzahl an Wörtern benötigt wird.

Es gibt viele Arten des Outputs, die zu dem Problem, das man lösen will, passen können. Dieses Kapitel soll eine kurze Einführung zu unterschiedlichen Typen geben und dabei helfen, diese anhand von konkreten Beispielen zu verstehen und zuzuordnen.

Als Grundlage werden zunächst zwei Fallbeispiele vorgestellt. Danach werden nach und nach verschiedene Arten von Ergebnissen erklärt – und auf die Beispiele bezogen. Nach jeder dieser kurzen Abschnitte gibt es zudem Aufgaben, die Sie dabei unterstützen sollen, sich tiefer mit den dargestellten Themen zu beschäftigen.

Am Ende eines Arbeitsprozesses können verschiedene Formen von Ergebnissen stehen. Das kann zum Beispiel die Entscheidung darüber sein, ob ein Antrag bewilligt wird oder nicht. Genauso gut kann es aber auch eine Prognose sein, z. B. wieviele PKW eine bestimmte Kreuzung nutzen werden. Das Ergebnis könnte weiterhin z. B. eine E-Mail oder ein Brief mit der Bitte um eine Auskunft sein.

Diese verschiedenen Arten von Ergebnissen verbindet eines: es wurden Informationen genutzt, damit sie zustande kommen. Möchte man die Nutzungsfrequenz einer Kreuzung prognostizieren, können dazu historische Daten über die Nutzung eingesetzt werden. Es können Vergleichsdaten von anderen Kreuzungen genutzt werden, um ein besseres Ergebnis zu erzielen.

In diesem Modul soll es darum gehen, welche Ergebnisse ein intelligentes System eigentlich erzeugen kann – und wo es insbesondere anderen Systemen gegenüber überlegen sein kann. Dazu werden wir uns als Beispiel zwei Systeme anschauen, die als Fallbeispiele dienen sollen:

In den beiden folgenden Texten werden die beiden Systeme kurz beschrieben. Über Abschn. 4.3 finden Sie Fragen zu den Texten.

Ergebnisse von KI-Systemen können sehr unterschiedlich aussehen. Das hängt damit zusammen, dass unter KI auch sehr viele unterschiedliche, statistische Methoden zusammengefasst sind.

Ein sehr prominentes Beispiel ist die Sortierung von eingegangenen Informationen in verschiedene Kategorien. Diese Kategorien werden – im Regelfall – vor dem Training der KI festgelegt und können danach als Ergebnisse ausgegeben werden. Manchmal entwickeln KI-Systeme auch eigene Sortierungen für Daten, siehe Abschn. 4.4 zu Pattern Matching.

Mit Blick auf die beschriebenen Fallbeispielen zeigt sich folgendes Bild (siehe Abb. 4.2):

Die Zuordnung von Daten zu Kategorien haben wir bisher vor allem mit statischen Daten wie einem Bild oder einem Text beleuchtet. Allerdings kann es auch vorkommen, dass Daten über einen bestimmten Zeitraum beobachtet werden müssen. Nehmen wir zum Beispiel die Anzahl an Krankheitsfällen in einer Organisation. Wenn bemerkt wird, dass vermehrt Personen krank werden – und das über einen längeren Zeitraum – und eventuell auch noch der Herbst beginnt, kann daraus eine Schlussfolgerung gezogen werden: die Erkältungswelle rollt.

Um das zu tun, wurden wiederkehrende Informationen genutzt – die Anzahl an Kranken an verschiedenen Tagen. Da in der Vergangenheit bereits beobachtet werden konnte, dass unter diesen Umständen eine Erkältungswelle besteht, kann nun ein entsprechender Rückschluss gezogen werden. Am Ende dieses Kapitels geht es auch um Möglichkeiten, sogar zukünftige Entwicklungen abschätzen zu können. Allerdings sind nicht nur numerische Daten die Grundlage dieser Form der Mustererkennung, auch Pattern Matching genannt (vgl. Russel & Norvig, 2012, S. 400). Generell ist das Pattern Matching eng verwandt mit der Sortierung in Kategorien. Wieso unterscheidet sich dies von Kategorien? Für ein Pattern Matching werden stets mehrere, z. B. zeitlich getrennte Datenpunkte, benötigt. Bei Kategorien wie einer Bildanalyse ist dies nicht notwendig. Möchten Sie zum Beispiel die Strategie eines Spielers beim Schach erkennen, ist es mitunter notwendig, mehrere Züge zu beobachten, um eine zuverlässige Aussage zu treffen. Eine Momentaufnahme würde dafür nicht ausreichen – könnte aber helfen um z. B. zu bewerten, welcher Spieler oder welche Spielerin gerade größere Chancen auf den Sieg hat.

Das Pattern Matching hat außerdem noch eine andere, wichtige Komponente. Durch die wiederholte Beobachtung von Ereignissen und Daten können Zusammenhänge, also Muster – die Patterns – identifiziert werden. Es muss also vorher nicht in einem Datensatz für das Training bereits ein „Label“ entwickelt werden. Die Muster können dadurch erkannt werden, dass bestimmte Abfolgen von Informationen mit einer hohen, statistischen Wahrscheinlichkeit nacheinander auftreten.

Immer wenn also Verläufe von Daten zur Verfügung stehen, die abstrakteren Mustern zugeordnet werden können, ist es sinnvoll Pattern Matching als Verfahren einzusetzen. Dies könnten zum Beispiel Kontostände sein, die sich über die Zeit verändern – und ggf. Rückschlüsse darauf zulassen, ob ein Unternehmen von der Kleinunternehmerregelung betroffen sein kann oder nicht. Ein anderes Beispiel sind Daten zum Aufkommen von Wildtieren, die eine Aussage darüber ermöglichen, ob die Tiere bereits in der Brunftphase sind – und so eine präzise Steuerung von Schutzphasen zulassen.

Machine Learning kann genutzt werden, um verschiedenste Arten von Outputs zu generieren. Eine der vielleicht Wichtigsten ist dabei die Erzeugung von sogenannten numerischen Prädiktionen (siehe Abb. 4.3), also der Ausgabe von Zahlenwerten, um Vorhersagen über einen Sachverhalt zu ermöglichen.

Im weitesten Sinne können als numerische Prädiktionen alle Outputs verstanden werden, die Zahlen als Ergebnis haben. Dies ist im Sinne von kontinuierlichen Zahlen zu verstehen, die in mathematischen Bezügen zueinanderstehen. Es geht also, anders als bei den zuvor vorgestellten Kategorien, nicht um gleichwertige Unterteilungen mit verschiedenen Charakteristiken, sondern darum, eine mathematische Funktion zu finden, die zu einem gegebenen Datensatz passt.

Eingangswerte können allerdings durchaus auch als Kategorien vorliegen.

Anschauliche Beispiele für verschiedene Outputs dieser Art sind etwa folgende:

In Bezug auf das präsentierte Fallbeispiel der Altbauten könnte eine mögliche numerische Prädiktion in der Erechnung von durch verschiedene Faktoren beeinflusste Immobilienwerte oder die Kalkulation der Dauer von Umbaumaßnahmen bestehen.

Ein weiterer Aspekt, den es in Bezug auf numerische Prädiktion zu beachten gilt, ist ihr Wert für Machine-Learning-Prozesse wie bspw. Reinforcement Learning (vgl. Abschn. 3.​4). Wichtigstes Element des Reinforcement Learnings ist die Idee, dass der lernende Algorithmus nicht nach jedem Datenpunkt Feedback bekommt, sondern erst nach dem eine bestimmte Anzahl an Schritten erfolgt ist. Dies ist besonders bei spielerischen Kontexten der Fall, bei denen nach einer wie auch immer abgegrenzten Runde eine gewisse Punktzahl erreicht werden muss. Bleibt der Algorithmus unter dieser Zahl, erhält er auch keine Belohnung. Um seine Strategie und somit sich selbst zu verbessern, sind mehrere Durchläufe nötig. Numerische Prädiktion erlaubt ein Feedback, das nicht nur eine klar beobachtbare Richtung hat (höher vs. niedriger), sondern zusätzlich auch das Ausmaß der Abweichung beobachtbar macht (5 Punkte von 10 benötigen, um Verstärkung zu erhalten).

Auch im Sinne dieser Lernmethode ist es wichtig darauf zu achten, dass Algorithmen, die für Numerische Prädiktion eingesetzt werden sollen, sehr „saubere“ Datensätze für ihr Training benötigen, da starke Ausreißer die Qualität der Beurteilung verringern und die Modelle des Algorithmus verwirren können. Man stelle sich exemplarisch vor, dass für die Berechnung der Rentenpunkte Zahlenwerte eingespeist worden wären, die um ein vielfaches höher oder niedriger waren als „realistische Werte“.

Verschiedene Outputs von Systemen, die Machine Learning nutzen, wurde in den vorigen Abschnitten bereits vorgestellt. Eine in unserem Alltag häufig vorkommende, aber oft übersehene Variante sind dabei Systeme, die „synthetisierte“ oder „simulierte“ Ergebnisse erzeugen. Synthetische Ergebnisse sind in Form elektronischer Musik oder in Videospielen wie Minecraft erlebbar und zwar durch automatisch generierte Musikelemente oder prozedural erstellte Spielwelten.

Prozedural generiert bedeutet dabei, dass Inhalte nach bestimmten Regeln generiert werden. In simulierten Welten wird so z. B. geregelt, in welchem Verhältnis Land und Wasser zueinanderstehen oder dass Bäume nur auf festem Untergrund wachsen können und nicht z. B. im Wasser. Der Anwendungsraum dieser Technologien ist allerdings deutlich größer: auch natürliche Prozesse können z. B. in simulierten Umwelten getestet werden – die Prüfung des Luftwiderstandes von Fahrzeugen ist dabei genauso relevant wie z. B. die Erosion von Böden nach der Rodung bestimmter Landabschnitte. Sie können so z. B. überprüfen, wie bestimmte Regeln sich auf unterschiedliche – prozedural generierte – Gegebenheiten auswirken würden.

Ein weiteres, sich immer weit verbreitendes, Beispiel sind DeepFake-Videos. Also Videos, die so digital manipuliert worden sind, dass es aussieht, als ob Personen, z. B. prominente Politiker- oder Künstler/innen, in ihnen auftauchen, die nie im ursprünglichen Video mitgespielt haben. Ein mit DeepFake erzeugtes Video von Tom Cruise, welches auf der Videoplattform TikTok kursierte sowie die Einbindung der eigentlich verstorbenen Schauspielerin Carry Fischer in ihrer Rolle als Prinzessin Leia in den jüngsten Star Wars Filmen, sind populäre Beispiele.

Alle präsentierten Beispiele teilen sich dabei eine technische Grundlage bzw. einen der Technologie zugrunde liegenden Prozess: Bei der Erstellung von synthetischen Ergebnissen wird zunächst auf Grundlage struktureller Zusammenhänge im Beispielmaterial Regelwissen aufgebaut, auf dessen Grundlage die spätere Synthetisierung erfolgen kann. Wie in Kap. 2 bereits ausgeführt, kann dies durch die Nutzung von Trainingsdaten erfolgen – die Regeln können aber auch explizit gegeben werden.

Im Falle von DeepFakes könnten dies Regeln darüber sein, wie sich die Mimik einer prominenten Person verändert, wenn diese eine bestimmte Handlung wie Lächeln o. ä. vollzieht. In diesem Beispiel wären Trainingsdaten notwendig. In einem nächsten Schritt kann dann die Synthetisierung erfolgen, bei der neue Inhalte erzeugt werden, die den zuvor festgelegten Regeln und Strukturen folgen, sodass am Ende eine synthetische, aber trotzdem authentische Entität erschaffen worden ist.

Welche genaue Form diese annimmt, kann, wie die Beispiele gezeigt haben, vielseitig sein. Wichtig ist die Abfolge von Abstraktion von Regeln, z. B. aus Beispielmaterial, und dann Synthetisierung auf Grundlage dieser Regelstrukturen.

Diese Regeln werden dann auf einen Ausgangswert angewendet. Im Falle prozedural generierter Daten spricht man von einem „Seed“, also dem Samen, der die Grundlage für z. B. prozedural generierte Welten oder auch Musik ist.

Bild- oder Videomaterialen, die via DeepFake oder ähnlichen Systemen verändert wurden, können eine große Herausforderung im Bereich des Datenschutzes oder Urheberrechts darstellen. Auch das Persönlichkeitsrecht könnte davon betroffen sein – mehr dazu im Rechtsteil (Kap. 11).

Beziehen wir diese Idee auf die bereits vorgestellten Fallbeispiele, wird die Variabilität dieses Outputs noch einmal deutlicher:

Ein synthetisches Ergebnis im Falle der Nutzung von SchreibFix wäre beispielsweise eine vollständig synthetisch erzeugte E-Mail. Sie als bearbeitende Person geben dabei klassische Faktoren, wie den Titel der E-Mail, den Adressaten etc., aber auch weitreichendere Informationen, wie das Ziel der E-Mail, z. B. eine Mahnung, und Ihre E-Mail-Historie in das Tool ein. Auf Grundlage dieser Faktoren erstellt die KI dann einen für diesen Vorgang spezifischen Vorschlag. Anders als bei klassischen, lediglich auf vorgefertigten Regeln basierenden Systemen werden hier nicht einfach bereits bestehende Textbausteine konzipiert, sondern erlernte Regeln auf Grundlage Ihrer Eingaben abgeleitet und zur Vorlagen-Erstellung verwendet. So ist es auch möglich, dass sich ein synthetisiertes Produkt auf Ihren eigenen Schreibstil hin anpasst, da das System gelernt hat, wie Sie verschiedene Satzelemente, bspw. Nebensätze, bilden.

Ein weiterer wichtiger Output bei der Verwendung von Machine Learning sind Forecastings, also Ergebnisse, die als Vorhersage für bestimmte Ereignisse genutzt werden können. Dabei ist es wichtig zu verstehen, dass es sich bei Forecastings nicht einfach um einen Sammelbegriff für jede Form von Prädiktionen wie bspw. die Numerische Prädiktionen handelt. Der Begriff Forecasting beschreibt vielmehr einen konkreten Prozess, bei dem Daten aus der Vergangenheit und Gegenwart genutzt werden, um durchgängige Verläufe oder Trends für die Zukunft zu antizipieren. Vereinfacht gesagt werden Vorhersagen über mögliche Verläufe getroffen. Standardmäßig wird es für Zeitreihen benutzt.

Exemplarische Beispiele aus dem Alltag sind Trendvorhersagen, wie sie in Wetterberichten genutzt werden, bei denen Wetterdaten aus der Vergangenheit beobachtet werden, um Aussagen über ähnliche Verhältnisse in der Zukunft zu entwickeln. Auch die Prädiktion von Verkehrsaufkommen, wie es viele Apps für die Planung von Routen nutzen, kann als Forecasting bezeichnet werden. Auch die Entwicklung von Absatzzahlen spielt z. B. in der Logistik eine wichtige Rolle.

Für die bereits bekannten Fallbeispiele würde ein exemplarischer Forecasting-Output wie folgt aussehen:

Forecasting ist dabei mehr, als nur die bloße Voraussage eines einzelnen möglichen Trends. Vielmehr geht es darum, Interaktionen zwischen verschiedenen Prädiktionen sichtbar zu machen. Dies ermöglicht eine präzise Steuerung von z. B. logistischen Ressourcen, da ein Forecasting es absehbar macht, wie diese optimal verteilt werden können.

Rückblickend auf das Fallbeispiel I SchreibFix kann die Voraussage einer Auslastung durch zu hohes E-Mail-Aufkommen als Interaktion bezeichnet werden. Der aufgezeigte Trend zeigt zunächst eine hohe Wahrscheinlichkeit für ein erhöhtes E-Mail-Aufkommen an, um dann die Ressourcenprädiktion „Sind ausreichend Arbeitskräfte verfügbar. Ja oder nein?“ zu ermöglichen. Das Forecasting ermöglicht also Einblicke in verschiedene zukünftige Interaktionen.

Nachdem nun verschiedene Output-Typen für Machine-Learning-Algorithmen vorgestellt wurden, folgt nun ein Blick auf Informationen, die diese Outputs begleiten bzw. aus ihnen generiert werden können, sogenannte Metadaten.

Mit Metadaten kann beschrieben werden, wie gut ein durch Machine Learning entwickeltes Modell für ein Problem angepasst ist (vgl. Sokolova et al., 2006). Diese Daten helfen also zu verstehen, ob es sinnvoll ist, ein Modell einzusetzen oder ob es z. B. mit anderen Daten erneut trainiert werden muss.

Eine wichtige Metrik für die Beurteilung der Qualität von Algorithmen ist dabei die Accuracy (siehe Abb. 4.4).

Damit gemeint ist die Qualität, mit der ein Algorithmus richtige Entscheidungen bei der Zuordnung trifft. Versteht man den Algorithmus als System, das in Abhängigkeit von den ihm gegebenen Inputs eine Entscheidung darüber fällt, ob der Input positiv oder negativ ist, dann ist die Accuracy ein Maß dafür, wie oft der Algorithmus richtige positive und richtige negative Inputs identifizieren konnte.

Ein mögliches Anwendungsbeispiel wäre ein Algorithmus, der trainiert werden soll, um unerwünschte Bilder oder Videos (bspw. pornographische oder gewalttätige Abbildungen) aus einer großen Datenmenge herauszufiltern bzw. als solche kenntlich zu machen.

Um zu verstehen, auf welche Art und Weise Accuracy eine Einschätzung der Fähigkeiten des Algorithmus erlaubt, ist es zunächst notwendig zu betrachten, welche Ergebnisse überhaupt ausgegeben werden könnten. Eine Möglichkeit besteht darin, dass der Algorithmus den ihm zur Verfügung gestellten Input, hier also verschiedene Bildmaterialien, korrekt als einer der beiden Kategorien (pornographisch vs. nicht pornographisch) identifiziert. Diese Ergebnisse werden als true positive bezeichnet, wenn ein Bild richtigerweise als pornographischer Inhalt identifiziert wird und true negative, wenn ein Bild korrekt als nicht-pornographischer Inhalt klassifiziert wird.

Umgekehrt ist es ebenfalls möglich, dass der Algorithmus den ihm gegebenen Input falsch bewertet: Also etwas als pornographischen Inhalt klassifiziert, das keiner ist, was als false positive bezeichnet wird oder einen pornographischen Inhalt übersieht und als „nicht pornographisch“ klassifiziert, obwohl es sich um einen handelt, was false negative genannt wird.

Betrachten wir nun einen imaginären Algorithmus, dem zehn Inputs gegeben werden: Bilder, die als pornographisch oder nicht-pornographisch klassifiziert werden sollen. Neun der zehn bereitgestellten Inputs sind dabei harmlose Alltagsbilder, nur der zehnte Input zeigt ein Bild mit pornographischem Inhalt. Würde der Algorithmus jetzt alle zehn Bilder als nicht-pornographisch klassifizieren, sähe das Ergebnis wie folgt aus: Neun true positive + ein false positive, die Accuracy des Algorithmus läge somit bei 90 % (9/10 sind richtig identifiziert worden).

Diese Beispiele verdeutlichen eindringlich, dass Accuracy als Maßeinheit allein nicht ausreichend ist, um wirklich ein Urteil über die Qualität eines Algorithmus zu treffen. Wir benötigen sowohl weitere Metriken als auch ein Verständnis für den Kontext, in dem unsere Ergebnisse für weitere Entscheidungen genutzt werden.

Es sind zusätzliche Metriken notwendig, mit denen die Outputs eines Machine-Learning-Algorithmus interpretiert und bewertet werden können. Zwei, die an dieser Stelle kurz vorgestellt werden sollen sind Precision und Recall (siehe Abb. 4.5), die beide in direkter Verbindung mit der zuvor präsentierten Accuracy stehen.

Precision beschreibt dabei, wie gut der Algorithmus darin ist, richtige Positive unter allen Positiven zu erkennen. Die Formel lautet:

True Positive/(True Positive + False Positive). Vereinfacht: True Positive/All Positive.

Für das vorherige Beispiel würde dies ebenfalls bedeuten, 9 Inputs sind als true positives erkannt worden, also Bilder, die korrekt als harmlose Alltagsbilder klassifiziert worden sind, während 1 Input als false positive, also als harmloses Bild klassifiziert worden ist, obwohl es pornographische Inhalte abbildet.

Der Formel folgend bedeutet dies eine Precision von 90 %. Precision liefert also einen Wert, der es ermöglicht, eine realistischere Einschätzung darüber vorzunehmen, wie hoch die Wahrscheinlichkeit eines false positive ist. Dies muss dann abhängig des jeweiligen Kontextes beurteilt werden. Wie zuvor bereits beschrieben, kann ein false positive bei der Sortierung von Tierbildern als zu vernachlässigen akzeptiert werden, während es bei der Überprüfung von potenziellen Straftätern von großer Bedeutung ist.

True Positive/(True Positive + False Negative) also, wie hoch die wirkliche Anzahl positiver Ereignisse war, die durch den Algorithmus bewertet worden sind.

Recall beschreibt also, wie viele tatsächliche true positive vom Algorithmus auch als solche erkannt worden sind. Es ist somit die Metrik, die genutzt werden sollte, wenn ein false negative Ergebnis mit hohen Kosten oder Schäden verbunden ist. Dies ist bspw. bei der Erkennung von Krankheiten oder der Einschätzung von Betrugsversuchen gegeben. Hier sind die Konsequenzen einer fehlerhaften Zuordnung so hoch, dass es wichtig ist, eine Einschätzung der Fähigkeiten des Algorithmus zu bekommen, bevor dieser praktisch eingesetzt werden kann.

Die letzte Metrik, der sich im Rahmen dieses Kapitels zugewandt werden soll, ist der sogenannte F1-Score (F1-Wert). Dieser wird genutzt, wenn eine Balance zwischen Precision und Recall hergestellt werden soll. Also, wenn sowohl false positives, aber auch false negatives im Kontext der Beurteilung relevant sind. Dies kann bspw. der Fall sein, wenn eine besonders ungleiche Verteilung der Outputs vorliegt. Während Accuracy unabhängig davon genutzt werden kann, ob ein Modell in den Bereichen Recall und Precision schlecht performed, leidet der F1-Wert darunter, wenn ein Ungleichgewicht vorliegt. Somit ist Accuracy immer dann nicht isoliert zu betrachten, wenn die assoziierten Risiken von false negative und false positive unterschiedliche Effekte haben.

In diesem Kapitel wurde gezeigt, dass die Ergebnisse von Machine Learning und KI-Anwendungen sehr viele verschiedene Formen annehmen können. Die Art und Weise des Ergebnisses beeinflusst zentral, wie ein intelligentes System eingesetzt werden kann. Bevor ein solches System eingesetzt wird, ist es wichtig zu verstehen, welches Ergebnis von dem System erwartet wird und wie damit weitergearbeitet wird. Das erlaubt auch, zu überlegen, wie sich Arbeitsprozesse verändern.

Als erstes wurden dabei Kategorien vorgestellt – das sind gleichwertige Gruppen, zu denen ein Ergebnis einsortiert werden kann, z. B. „Angenommen“ oder „Abgelehnt“.

Danach wurde das Pattern Matching vorgestellt. Dabei wird der Verlauf von Daten betrachtet und Mustern zugeordnet, z. B. wie sich Nutzende in einer Anwendung orientieren.

Im Rahmen von Numerischer Prädiktion wurden Ergebnisse vorgestellt, die sich anders als Kategorien in einem Zahlenraum bewegen und so z. B. andere Lerntechniken zulassen. Ein Beispiel dafür ist die Berechnung der Steuerschuld.

Ein großer Bereich ist auch das Erzeugen synthetischer Ergebnisse. Dabei werden Regeln aus bestehenden Produkten, z. B. Bescheiden, extrahiert, um auf Basis weniger Eingangsinformationen neue Ergebnisse erzeugen zu können.

Das Forecasting von z. B. der Entwicklung von Finanzdaten oder E-Mail-Aufkommen anhand einer Zeitserie wurde ebenfalls behandelt.

Abschließend wurden Accuracy, Precision und Recall als Werte zur Beurteilung der Genauigkeit von Ergebnissen besprochen.

Nutzen Sie die Inhalte des Kapitels, um in den weiteren Kapiteln zu überlegen, welche Auswirkung bestimmte Ergebnisse z. B. auf die Nachvollziehbarkeit, die Automatisierbarkeit oder gar die rechtliche Grundlage eines Systems haben (z. B. wenn es um Urheberrechte geht).