Grenzen von Machine Learning – Was die Forecast App nicht kann
Obwohl die Forecast App auf leistungsfähigen LSTM-Modellen basiert, ist sie – wie jedes Machine-Learning-Verfahren – nur so gut wie die Daten, mit denen sie arbeitet. In diesem Kapitel werden typische Fallstricke und Fehlannahmen aufgezeigt, die bei der Nutzung der App zu schlechten oder irreführenden Ergebnissen führen können.
1. Keine Vorhersage ohne Muster
Problem: Wenn Ihre Daten kein erkennbares Muster enthalten, kann auch das Modell keines finden.
Beispiel: Ein Zielattribut schwankt rein zufällig oder enthält keine relevante Korrelation zu den Eingangswerten – dann kann die Forecast App lediglich Durchschnittswerte schätzen, aber keine belastbaren Vorhersagen treffen.
Erkennbar an:
Flache Vorhersagekurven
Geringe Modellverbesserung nach erneutem Training
Sehr hoher oder sehr niedriger Konfidenzbereich in der Ausgabe
Lösung:
Prüfen Sie vorab in Analytics & Reports, ob erkennbare Trends oder Muster vorhanden sind.
Vermeiden Sie binäre, zufällige oder unregelmäßige Signale ohne erklärbare Abhängigkeiten.
2. Extremwerte und Ausreißer stören das Modell
Problem: Ein einziger Ausreißer (z. B. durch fehlerhafte Messung) kann die Modellstruktur und das Vorhersageverhalten stark verzerren.
Beispiel: Wenn alle Werte im Bereich von 0.01 liegen, ein Datenpunkt aber plötzlich 10.000.000 beträgt, wird das Modell zukünftige Vorhersagen künstlich anheben, um mögliche „ähnliche“ Ausreißer zu berücksichtigen.
Lösung:
Bereinigen Sie historische Daten vor dem Training (z. B. durch Filter oder manuelles Entfernen).
Verwenden Sie ggf. logarithmierte oder normalisierte Werte.
Nutzen Sie den Eliona Calculator, um differenzierte oder geglättete Werte abzuleiten.
3. Neue Wertebereiche führen zu ungenauen Prognosen
Problem: Wenn nach dem Training plötzlich Werte auftreten, die das Modell noch nie gesehen hat, kann es keine sinnvolle Reaktion darauf lernen.
Beispiel: Ein Sensor liefert während des Trainings Werte zwischen 10–50. Nach dem Training kommen neue Werte im Bereich 100–200. Das Modell „kennt“ diesen Bereich nicht und verhält sich unvorhersehbar.
Lösung:
Statt absolute Werte zu prognostizieren, berechnen Sie relative Veränderungen oder Differenzen.
Bei Änderungen im Datenverhalten: Modell neu trainieren.
4. Modelle benötigen ausreichend Daten
Problem: Bei zu wenig Daten kann kein tragfähiges Modell erstellt werden.
Empfehlung:
Mindestens mehrere hundert Datenpunkte sollten verfügbar sein.
Ideal: Historien mit saisonalen oder periodischen Schwankungen über mehrere Zyklen.
6. Häufige Strukturbrüche im Datenverlauf
Problem: Plötzliche Veränderungen (z. B. Systemumstellungen, Messmethodenwechsel) führen zu Strukturbrüchen, die das Modell nicht erklären kann.
Lösung:
Segmentieren Sie den Datensatz vor dem Training.
Vermeiden Sie Mischungen aus unterschiedlichen Datenquellen oder Messmethoden in einem Forecast.
Fazit
Die Forecast App ist ein mächtiges Werkzeug – aber nur bei sinnvoll vorbereiteten und strukturierten Daten. Sie erkennt keine Bedeutung, sondern nur statistische Muster.
Das Modell kann nicht:
Eigenständig fehlerhafte Daten erkennen
Entscheidungen „verstehen“ oder interpretieren
Mit völlig unbekannten Datenbereichen sinnvoll umgehen
Prognosen treffen, wenn keine erklärbaren Muster existieren
Das Modell kann aber:
Regelmäßigkeiten erkennen
Aus historischen Mustern verlässliche Trends ableiten
Prognosen auf Basis konsistenter, bereinigter Daten liefern
Ein gutes Forecasting beginnt nicht beim Modell – sondern bei den Daten.
Last updated
Was this helpful?