Confidence

Im Bereich der künstlichen Intelligenz und des maschinellen Lernens ist ein Konfidenzwert (Confidence Score) eine Metrik, die den Grad der Gewissheit quantifiziert, den ein Modell hinsichtlich einer spezifischen Vorhersage hat. Dieser Wert liegt typischerweise zwischen 0 und 1 (oder 0 % und 100 %) und repräsentiert die geschätzte Wahrscheinlichkeit, dass die Ausgabe des Algorithmus mit der Ground Truth übereinstimmt. Wenn beispielsweise ein System in einer Objekterkennung-Aufgabe einen Bereich eines Bildes mit einer Konfidenz von 0,92 als „Fahrrad“ identifiziert, deutet dies auf eine geschätzte Wahrscheinlichkeit von 92 % hin, dass die Klassifizierung korrekt ist. Diese Werte werden aus der letzten Schicht eines neuronalen Netzes abgeleitet und häufig durch eine Aktivierungsfunktion wie Softmax für die Multiklassen-Kategorisierung oder die Sigmoid-Funktion für binäre Entscheidungen verarbeitet.

Die Rolle der Konfidenz bei der Inferenz#

Konfidenzwerte sind eine fundamentale Komponente des Inferenz-Engine-Workflows und dienen als Filter, um qualitativ hochwertige Vorhersagen von Hintergrundrauschen zu unterscheiden. Dieser Filterprozess, bekannt als Schwellenwertbildung (Thresholding), ermöglicht es Entwicklern, die Empfindlichkeit einer Anwendung anzupassen. Durch das Festlegen eines Mindest-Konfidenzschwellenwerts kannst du den kritischen Precision-Recall-Trade-off steuern. Ein niedrigerer Schwellenwert erkennt möglicherweise mehr Objekte, erhöht jedoch das Risiko von falsch-positiven Ergebnissen, während ein höherer Schwellenwert die Präzision verbessert, aber dazu führen kann, dass subtile Instanzen übersehen werden.

In fortgeschrittenen Architekturen wie Ultralytics YOLO26 sind Konfidenzwerte für Nachbearbeitungstechniken wie Non-Maximum Suppression (NMS) unerlässlich. NMS nutzt diese Werte, um redundante Bounding Boxes zu entfernen, die sich stark überlappen, und behält nur die Detektion mit der höchsten Wahrscheinlichkeit bei. Dieser Schritt stellt sicher, dass die endgültige Ausgabe sauber und bereit für nachgelagerte Aufgaben wie Objektzählung oder Tracking ist.

Das folgende Python-Beispiel demonstriert, wie Vorhersagen anhand der Konfidenz mithilfe des Pakets ultralytics gefiltert werden:

from ultralytics import YOLO

# Load the latest YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with a confidence threshold of 0.5 (50%)
# Only detections with a score above this value are returned
results = model.predict("https://ultralytics.com/images/bus.jpg", conf=0.5)

# Inspect the confidence scores of the detected objects
for box in results[0].boxes:
    print(f"Class: {box.cls}, Confidence: {box.conf.item():.2f}")

Praxisanwendungen#

Konfidenzwerte bieten eine Ebene der Interpretierbarkeit, die in Branchen, in denen Computer Vision (CV) eingesetzt wird, unverzichtbar ist. Sie helfen automatisierten Systemen zu bestimmen, wann sie autonom fortfahren und wann sie Alarme für eine menschliche Überprüfung auslösen sollten.

• Autonomes Fahren: Im Sektor der KI im Automobilbereich verlassen sich selbstfahrende Fahrzeuge auf Konfidenzmetriken, um die Sicherheit der Passagiere zu gewährleisten. Wenn ein Wahrnehmungssystem ein Hindernis mit geringer Konfidenz erkennt, kann es diese Daten mit LiDAR-Sensoren oder Radar abgleichen, um die Präsenz des Objekts vor der Ausführung eines Ausweichmanövers zu verifizieren. Diese Redundanz hilft, „Geisterbremsungen“ zu verhindern, die durch Schatten oder Blendung verursacht werden.
• Medizinische Diagnostik: Bei der Nutzung von KI im Gesundheitswesen unterstützen Modelle medizinisches Fachpersonal, indem sie potenzielle Anomalien in Bildgebungsdaten markieren. Ein für die Tumorerkennung entwickeltes System könnte Regionen mit hoher Konfidenz für eine sofortige Diagnose hervorheben, während Vorhersagen mit geringerer Konfidenz für eine sekundäre Analyse protokolliert werden. Dieser Human-in-the-Loop-Workflow stellt sicher, dass KI die klinische Entscheidungsfindung ergänzt, ohne das Urteil von Experten zu ersetzen.
• Industrielle Automatisierung: In der intelligenten Fertigung verwenden Roboterarme Konfidenzwerte, um mit Objekten an Fließbändern zu interagieren. Ein mit Vision-KI ausgestatteter Roboter versucht möglicherweise nur dann, eine Komponente zu greifen, wenn die Erkennungskonfidenz 90 % überschreitet, wodurch das Risiko verringert wird, empfindliche Teile durch Fehlausrichtung zu beschädigen.

Unterscheidung von Konfidenz und verwandten Begriffen#

Es ist entscheidend, die Konfidenz von anderen statistischen Metriken zu unterscheiden, die bei der Modellevaluierung verwendet werden.

• Konfidenz vs. Genauigkeit: Genauigkeit (Accuracy) ist eine globale Metrik, die beschreibt, wie oft ein Modell über einen gesamten Datensatz hinweg korrekt ist (z. B. „Das Modell hat eine Genauigkeit von 92 %“). Im Gegensatz dazu ist die Konfidenz ein lokaler, vorhersagespezifischer Wert (z. B. „Das Modell ist sich zu 92 % sicher, dass dieses spezifische Bild eine Katze enthält“). Ein Modell kann eine hohe Gesamtgenauigkeit aufweisen, aber bei Grenzfällen (Edge Cases) dennoch eine geringe Konfidenz liefern.
• Konfidenz vs. Wahrscheinlichkeitskalibrierung: Ein roher Konfidenzwert stimmt nicht immer mit der tatsächlichen Wahrscheinlichkeit der Korrektheit überein. Ein Modell ist „gut kalibriert“, wenn Vorhersagen, die mit einer Konfidenz von 0,8 getroffen werden, in etwa 80 % der Fälle korrekt sind. Techniken wie Platt-Skalierung oder Isotonische Regression werden häufig eingesetzt, um Werte an empirische Wahrscheinlichkeiten anzugleichen.
• Konfidenz vs. Präzision: Präzision misst den Anteil positiver Identifikationen, die tatsächlich korrekt waren. Während eine Erhöhung des Konfidenzschwellenwerts im Allgemeinen die Präzision steigert, geschieht dies häufig auf Kosten des Recalls (Vollständigkeit). Entwickler müssen diesen Schwellenwert basierend darauf anpassen, ob ihre Anwendung priorisiert, weniger Objekte zu übersehen oder Fehlalarme zu minimieren.

Verbesserung der Modellkonfidenz#

Wenn ein Modell konsequent eine niedrige Konfidenz für gültige Objekte ausgibt, signalisiert dies oft eine Diskrepanz zwischen den Trainingsdaten und der Einsatzumgebung. Strategien zur Minderung dieses Problems umfassen Datenaugmentation, wodurch der Datensatz durch Variieren von Beleuchtung, Rotation und Rauschen künstlich erweitert wird. Darüber hinaus ermöglicht die Verwendung der Ultralytics Platform zur Implementierung von Active-Learning-Pipelines Entwicklern, Proben mit geringer Konfidenz einfach zu identifizieren, zu annotieren und das Modell neu zu trainieren. Dieser iterative Zyklus ist entscheidend für die Erstellung robuster KI-Agenten, die in dynamischen, realen Umgebungen zuverlässig arbeiten können.