Confidence

Im Bereich der künstlichen Intelligenz und des maschinellen Lernens ist ein Konfidenzwert eine Metrik, die den Grad der Sicherheit quantifiziert, den ein Modell hinsichtlich einer spezifischen Vorhersage hat. Dieser Wert liegt typischerweise zwischen 0 und 1 (oder 0 % bis 100 %) und repräsentiert die geschätzte Wahrscheinlichkeit, dass die Ausgabe des Algorithmus mit der Grundwahrheit übereinstimmt. Wenn beispielsweise bei einer Objekterkennung-Aufgabe ein System einen Bildbereich 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 oft durch eine Aktivierungsfunktion verarbeitet, wie etwa Softmax für die Mehrklassen-Kategorisierung oder die Sigmoid-Funktion für binäre Entscheidungen.

Link to this sectionDie Rolle der Konfidenz bei der Inferenz#

Konfidenzwerte sind ein grundlegender Bestandteil des Workflows der Inferenz-Engine und dienen als Filter, um qualitativ hochwertige Vorhersagen von Hintergrundrauschen zu unterscheiden. Dieser Filterprozess, bekannt als Schwellenwertbildung, ermöglicht es Entwicklern, die Empfindlichkeit einer Anwendung anzupassen. Durch die Festlegung eines minimalen Konfidenz-Schwellenwerts 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 fortschrittlichen Architekturen wie Ultralytics YOLO26 sind Konfidenzwerte unerlässlich für Post-Processing-Techniken wie Non-Maximum Suppression (NMS). NMS verwendet diese Werte, um redundante Begrenzungsrahmen, die sich signifikant überlappen, zu entfernen und nur die Erkennung mit der höchsten Wahrscheinlichkeit beizubehalten. Dieser Schritt stellt sicher, dass die endgültige Ausgabe sauber und bereit für nachgelagerte Aufgaben wie Objektzählung oder Tracking ist.

Das folgende Python-Beispiel zeigt, wie du Vorhersagen mithilfe des ultralytics-Pakets nach Konfidenz filterst:

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}")

Link to this sectionPraxisanwendungen#

Konfidenzwerte bieten ein Maß an Interpretierbarkeit, das in Branchen, in denen Computer Vision (CV) eingesetzt wird, unverzichtbar ist. Sie helfen automatisierten Systemen dabei, zu entscheiden, wann sie autonom fortfahren und wann sie Warnmeldungen für eine menschliche Überprüfung auslösen sollen.

• Autonomes Fahren: Im Sektor der KI in der Automobilindustrie 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 Anwesenheit des Objekts zu verifizieren, bevor ein Notfallmanöver eingeleitet wird. Diese Redundanz hilft, „Phantombremsungen“ durch Schatten oder Blendung zu vermeiden.
• Medizinische Diagnostik: Beim Einsatz von KI im Gesundheitswesen unterstützen Modelle medizinisches Fachpersonal, indem sie potenzielle Anomalien in Bildgebungsdaten markieren. Ein System zur Tumorerkennung könnte Regionen mit hoher Konfidenz zur sofortigen 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 smarten Fertigung nutzen Roboterarme Konfidenzwerte, um mit Objekten an Montagelinien zu interagieren. Ein Roboter mit Vision-KI versucht möglicherweise erst dann, ein Bauteil zu greifen, wenn die Erkennungskonfidenz 90 % übersteigt, wodurch das Risiko einer Beschädigung empfindlicher Teile durch Fehlplatzierung verringert wird.

Link to this sectionUnterscheidung von Konfidenz und verwandten Begriffen#

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

• Konfidenz vs. Genauigkeit: Genauigkeit ist eine globale Metrik, die beschreibt, wie oft ein Modell über einen gesamten Datensatz hinweg korrekt liegt (z. B. „Das Modell ist zu 92 % genau“). Im Gegensatz dazu ist 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 dennoch eine geringe Konfidenz bei Grenzfällen liefern.
• Konfidenz vs. Wahrscheinlichkeitskalibrierung: Ein roher Konfidenzwert stimmt nicht immer mit der tatsächlichen Korrektkeitswahrscheinlichkeit überein. Ein Modell ist „gut kalibriert“, wenn Vorhersagen, die mit einer Konfidenz von 0,8 getroffen werden, zu etwa 80 % korrekt sind. Techniken wie Platt-Skalierung oder Isotonische Regression werden häufig eingesetzt, um Werte mit empirischen Wahrscheinlichkeiten in Einklang zu bringen.
• Konfidenz vs. Präzision: Die Präzision misst den Anteil der positiven Identifikationen, die tatsächlich korrekt waren. Während eine Erhöhung des Konfidenz-Schwellenwerts im Allgemeinen die Präzision steigert, geschieht dies oft auf Kosten des Recalls. Entwickler müssen diesen Schwellenwert basierend darauf anpassen, ob ihre Anwendung es priorisiert, weniger Objekte zu übersehen oder Fehlalarme zu minimieren.

Link to this sectionVerbesserung der Modellkonfidenz#

Wenn ein Modell für gültige Objekte durchweg eine niedrige Konfidenz ausgibt, deutet dies häufig auf eine Diskrepanz zwischen den Trainingsdaten und der Einsatzumgebung hin. Strategien zur Minderung dieses Problems umfassen Datenerweiterung, die den Datensatz künstlich durch Variationen von Beleuchtung, Rotation und Rauschen erweitert. Darüber hinaus ermöglicht die Nutzung der Ultralytics Plattform 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 zuverlässig in dynamischen, realen Umgebungen agieren können.