KI-Modelle im Einsatz: Dynamische Zuverlässigkeit bei Zeitveränderungen steuern

In nicht stationären Einsatzumgebungen leiden KI‑Modelle unter zeitlichen Verteilungsverschiebungen, die ihre Vorhersagezuverlässigkeit im Laufe der Zeit schwächen. Traditionelle Gegenmaßnahmen wie periodisches Retraining oder Neukalibrierung konzentrieren sich meist auf durchschnittliche Kennzahlen zu einzelnen Zeitpunkten und berücksichtigen nicht, wie sich die Zuverlässigkeit während des Betriebs tatsächlich entwickelt.

Die vorgestellte, deploymentspezifische Methodik betrachtet Zuverlässigkeit als dynamischen Zustand, der aus Diskriminierung und Kalibrierung besteht. Die Entwicklung dieses Zustands über aufeinanderfolgende Evaluationsfenster liefert ein messbares Volatilitätsmaß, das es ermöglicht, Anpassungen als mehrzieliges Steuerungsproblem zu formulieren. Dabei wird die Stabilität der Zuverlässigkeit gegen die kumulative Kosten von Interventionen abgewogen.

Im Rahmen dieses Ansatzes werden zustandsabhängige Interventionsrichtlinien definiert und die daraus resultierende Kosten‑Volatilität‑Pareto-Grenze empirisch untersucht. Experimente mit einem umfangreichen, zeitlich indizierten Kreditrisikodataset (1,35 Mio. Kredite, 2007‑2018) zeigen, dass gezielte, driftgetriggerte Interventionen glattere Zuverlässigkeitstrajektorien erzeugen als kontinuierliches Rolling‑Retraining und gleichzeitig die Betriebskosten deutlich senken.

Diese Ergebnisse stellen die Zuverlässigkeit von KI‑Modellen unter zeitlichen Verschiebungen als steuerbares Mehrzielsystem dar und unterstreichen die Bedeutung der Richtliniendesign‑Entscheidungen für die Balance zwischen Stabilität und Kosten in hochriskanten tabellarischen Anwendungen.