Hattest du jemals das Gefühl, dass du zu viel für eine Prüfung gelernt hast, alle winzigen Details aus dem Lehrbuch gepaukt hast, um dann total zu versagen, als du mit der echten Prüfung konfrontiert wurdest? Das ist so ziemlich das, was Überanpassung in der Welt der Künstlichen Intelligenz bedeutet. Überanpassung tritt auf, wenn unser AI-System – nennen wir es mal Marvin – zum «Überflieger» wird. Marvin prägt sich das gesamte Trainingsdatenset bis ins kleinste Detail ein, hat dann aber Schwierigkeiten, wenn er mit neuen, unbekannten Daten konfrontiert wird. Es ist, als hätte Marvin gelernt, mit dem Fahrrad im Park mit genauen Wendungen und Manövern zu fahren, und ist dann verwirrt, wenn man ihn bittet, in unbekanntem Gebiet zu fahren, wie zum Beispiel auf der belebten Stadtstraße.
Auf der anderen Seite ist die Unteranpassung Marvins kleiner Fehler beim Lernen. Es ist, wenn er die Oberfläche der Trainingsdaten nur streift und nicht genug lernt. Folglich hat er nicht nur bei neuen Daten eine schlechte Leistung, sondern auch bei den Trainingsdaten selbst. Es ist so, als würde Marvin versuchen, Fahrrad zu fahren, aber nie ganz das Gleichgewicht oder das Treten beherrschen – er wird im Park oder auf der Stadtstraße einfach nicht weit kommen.
Die Idee ist, ein Gleichgewicht zu finden – Marvin muss lernen, sein Fahrrad gut genug im Park zu fahren, aber sich auch an die belebten Stadtstraßen anpassen. Hier kommt das richtige AI-Modellieren und Anpassen ins Spiel, um sowohl Überanpassung als auch Unteranpassung zu verhindern, für eine reibungslose Fahrt in der Welt der Künstlichen Intelligenz.