Datenqualität im Kontext von Machine Learning ist von zentraler Bedeutung. Denn die 
verwendbaren Daten bilden das Wissen ab, basierend auf welchem das KI-Modell 
trainiert wird (s. Kapitel 2.1.1). Bei geringer Datenqualität kann es u.a. zu 
zrscheinungsformen wie hohem Bias oder hoher Varianz kommen, welche sich in 
geringer Richtigkeit bzw. Präzision manifestieren. In Abbildung 19 sind diese 
Auswirkungen anhand von Würfen auf Dartscheiben vereinfacht dargestellt. 
Mangelnde Datenqualität kann zur Folge haben, dass ein Kl-System nicht zuverlässig 
funktioniert, auch wenn ihre gewählten Machine-Learning-Methoden überaus geeignet 
sind und die sonstige Entwicklung hohen Qualitätsstandards folgte. 
Blei ETF 
Henne varlanız 
{4 
\ 
A 
a — 
GC 
N 
d 
} 
u 
= 
Fa 
"7. 
h 
m 
TS 
I 
f 
(4 
) 
1 
HJ 
[ 
N 
FF) 
= 
Präzision 
Abbildung 19: Zusammenhang zwischen Varianz und Präzision sowie Bias und Richtigkeit als Folger 
mangelnder Datenqualität. 
Die Einhaltung und Verbesserung von Datenqualität mittels geeigneter Methoden und 
<ontrollen wird als Datenqualitätsmanagement bezeichnet (Gudivada et al., 2017). Die 
Jmsetzung von Datenqualitätsmanagement erhöht die Chancen, dass ein 
funktionstüchtiges Kl-System entwickelt wird, welches folglich eine Prüfung erfolgreich 
Jesteht. Datenqualitätsmanagement kann z.B. mittels unternehmens- und 
oranchenweiten Datenstandards oder einheitlichen Prozessen zur Beseitigung von 
Jngereimtheiten wie Inkonsistenzen, Ungenauigkeiten oder Ausreißern umgesetzt 
werden. Methoden zur Umsetzung von Datenqualitätsmanagement werden in (Burkov, 
2020; Gudivada et al., 2017) gründlich behandelt. 
Fraunhofer Ch.L 
erif Al 
Bundesamt für Seeschifffahrt und Hydrographie