Dissertation von Dr. Simon Staudinger, MSc
In seiner Dissertation untersucht Dr. Staudinger die aktuelle und äußerst wichtige Frage, wie Entscheidungsträger die Zuverlässigkeit von Analyseergebnissen beurteilen können, z.B. von Vorhersagen, die durch die Anwendung von maschinellem Lernen gewonnen wurden. Maschinelles Lernen gehört zum probabilistisch-statistischen Zweig der künstlichen Intelligenz, was bedeutet, dass die Ergebnisse zutreffend sein können oder nicht. Wenn Entscheidungsträger die Zuverlässigkeit einzelner Vorhersagen besser beurteilen könnten, würde dies natürlich zu deutlich besseren Entscheidungen führen, da Entscheidungen, die auf unzuverlässigen Analyseergebnissen basieren, potenziell verheerend sein können.
Für Interessierte: Der allgemeine Ansatz wurde ursprünglich in einer Ausgabe von Springer Nature Computer Science beschrieben:
Simon Staudinger, Christoph G. Schuetz, Michael Schrefl: Ein Referenzprozess zur Beurteilung der Zuverlässigkeit von Predictive Analytics-Ergebnissen. SN Comput. Sci. 5(5): 563 (2024)