Parameter-Drift

Ein KI-System besteht im Kern aus sehr vielen Zahlen. Diese Zahlen sind die Stellschrauben, die beim Lernen aus Beispielen eingestellt werden. Fachleute nennen sie Parameter oder Gewichte. Wird ein System später erneut mit neuen Daten weitertrainiert, verschieben sich diese Zahlen ein Stück. Passiert das immer wieder, entfernen sie sich Schritt für Schritt von ihrem ursprünglichen Zustand. Genau diese schleichende Verschiebung heißt Parameter-Drift.

Wenn das Modell heute anders antwortet als gestern

Ein Unternehmen prüft eine KI vor dem Einsatz gründlich. Es misst, wie gut sie Rechnungen erkennt oder Kundenanfragen sortiert. Dieses Prüfergebnis gilt aber nur für den geprüften Zustand. Verschieben sich die Parameter danach, gilt das Ergebnis streng genommen nicht mehr. Die alte Prüfung beschreibt dann ein System, das es so nicht mehr gibt.

Besonders unangenehm ist, dass Parameter-Drift meist unauffällig verläuft. Das System stürzt nicht ab und meldet keinen Fehler. Es wird nur in einzelnen Bereichen ein wenig schlechter, während es in anderen besser wird. Solche Verschlechterungen fallen oft erst auf, wenn sich Nutzer beschweren. Bei Kreditentscheidungen oder medizinischen Auswertungen kann das teuer oder gefährlich werden.

Deshalb ist der Begriff auch für Aufsichtsbehörden interessant. Wer eine KI in einem sensiblen Bereich betreibt, muss belegen können, dass sie zuverlässig arbeitet. Ein System, dessen Parameter sich ständig unkontrolliert bewegen, lässt sich schwer dokumentieren. Viele Betreiber frieren ihre Modelle deshalb bewusst ein und ändern sie nur in geplanten Versionssprüngen.

Warum sich die Zahlen überhaupt verschieben

Training funktioniert immer nach demselben Grundprinzip. Das System macht eine Vorhersage, vergleicht sie mit der richtigen Antwort und misst den Fehler. Danach werden alle Parameter minimal in die Richtung verschoben, die den Fehler kleiner macht. Ein einzelner Schritt ändert kaum etwas. Millionen solcher Schritte verändern das System jedoch spürbar.

Kritisch wird es, wenn die neuen Trainingsdaten anders aussehen als die alten. Das System richtet sich dann stark nach dem Neuen aus und verlernt Teile des Alten. Fachleute sprechen hier vom katastrophalen Vergessen. Parameter-Drift ist die mildere, langsamere Variante desselben Effekts. Man kann es sich wie einen Kompass vorstellen, der bei jeder Berührung ein Grad verrutscht: Nach hundert Berührungen zeigt er in eine deutlich andere Richtung.

Gegenmaßnahmen gibt es mehrere. Man kann alte Trainingsbeispiele beimischen, damit das System sie nicht vergisst. Man kann wichtige Parameter mathematisch bremsen, sodass sie sich kaum noch bewegen dürfen. Und man kann nur eine kleine Zusatzschicht trainieren, während das eigentliche Modell unverändert bleibt. Diese letzte Methode ist heute in der Praxis besonders verbreitet.

Der Begriff in Produktnews und Modellversionen

Am häufigsten trifft man den Begriff bei Firmen, die eigene KI-Systeme betreiben. Sie füttern das System regelmäßig mit frischen Daten aus dem eigenen Betrieb. Dabei überwachen sie laufend, ob die Trefferquote stabil bleibt. Sinkt sie, wird auf eine ältere, gespeicherte Version zurückgeschaltet. Solche Rücksprünge sind der praktische Umgang mit Parameter-Drift.

Auch bei bekannten Chatbots ist das Thema präsent. Nutzer berichten immer wieder, ein Modell habe eine bestimmte Aufgabe früher besser gelöst. Manchmal liegt das an geänderten Vorgaben oder Sicherheitsfiltern, manchmal tatsächlich an nachtrainierten Parametern. Genau deshalb geben Anbieter ihren Modellen Versionsnummern mit Datum. Entwickler können so gezielt eine feste Version ansprechen.

Wichtig ist die Abgrenzung zu einem verwandten Begriff. Beim Datendrift verändert sich die Welt, während das Modell gleich bleibt: Kunden verhalten sich anders, Preise steigen, neue Produkte kommen dazu. Beim Parameter-Drift verändert sich umgekehrt das Modell selbst. Beide Effekte führen zu sinkender Qualität, haben aber unterschiedliche Ursachen. Wer sie verwechselt, sucht den Fehler an der falschen Stelle.