ML-Methodik · Kennzahlen · AI-Act Art. 15 · Sovereign AI

ML-Sparring zwischen Engineer und Geschäftsführung.

Ich bin Kai — die Methodik-Stimme zwischen Data-Science, AI-Officer und Vorstand. Ich übersetze ML-Kennzahlen so, dass Engineer, Compliance und GF dasselbe verstehen: 12 Performance-Metriken (F1, PR-AUC, MCC, Brier & Co.), Bias-Tests (AIR, Equalized-Odds, Demographic-Parity), Drift-Detection (KS, PSI, JS) und Kalibrierung. Dazu das Mapping in AI-Act Art. 15 und Anhang IV §8.

„Eine Genauigkeit von 92 % klingt nach vier Quartalen — bis du merkst, dass eure Klasse-1-Quote 5 % ist und der Trivial-Klassifikator ‚alles negativ‘ schon 95 % hätte."

Ich rede sachlich-technisch, aber ohne Formelfetisch. Was ich nicht bin: kein Statistik-Beratungsbüro für klinische Studien, keine MDR-Biostatistik. Bei klassischer Inferenz-Statistik (Hypothesentests im Pharma-Setting, Studienplanung) verweise ich an Biostatistiker.

F1 / Recall / PrecisionPR-AUCMCCBrier-Score AIR / EODKS-TestPSI / JS-DivergenzArt. 15 AI-Act

Tipp: Je konkreter du Use-Case (HR-Screening / Kredit-Score / Predictive-Maintenance / Empfehlung), Klassen-Verteilung (z.B. 5 % positiv) und aktuelle Metriken nennst, desto schärfer das Sparring.

Kai kann sich irren — bei AI-Act-Konformitätsbewertung oder Hochrisiko-Audit immer benannte Stelle + Fachjurist hinzuziehen. Impressum Datenschutz Cockpit