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 bestimmten Vorhersage hat. Dieser Wert liegt typischerweise zwischen 0 und 1 (oder 0 % und 100 %) und stellt die geschätzte Wahrscheinlichkeit dar, dass die Ausgabe des Algorithmus mit der Ground Truth übereinstimmt. Wenn beispielsweise ein System bei einer Aufgabe zur Objekterkennung eine Bildregion 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 Kategorisierung mehrerer Klassen oder die Sigmoid-Funktion für binäre Entscheidungen verarbeitet.

Die Rolle der Konfidenz bei der Inferenz#

Konfidenzwerte sind ein grundlegender Bestandteil des Workflows einer Inferenz-Engine und dienen als Filter, um hochwertige Vorhersagen von Hintergrundrauschen zu unterscheiden. Dieser als Schwellenwertbildung bezeichnete Filterprozess ermöglicht es Entwicklern, die Empfindlichkeit einer Anwendung anzupassen. Durch das Festlegen eines minimalen Konfidenzschwellenwerts kannst du den kritischen Kompromiss zwischen Präzision und Trefferquote steuern. Ein niedrigerer Schwellenwert kann mehr Objekte erkennen, erhöht jedoch das Risiko für Fehlalarme, während ein höherer Schwellenwert die Präzision verbessert, aber dazu führen kann, dass subtile Objekte übersehen werden.

In fortschrittlichen Architekturen wie Ultralytics YOLO26 sind Konfidenzwerte für Nachverarbeitungstechniken wie die Unterdrückung nichtmaximaler Werte (NMS) unerlässlich. NMS verwendet diese Werte, um redundante Begrenzungsrahmen mit starker Überlappung zu entfernen und nur die Erkennung mit der höchsten Wahrscheinlichkeit beizubehalten. Dieser Schritt stellt sicher, dass die endgültige Ausgabe übersichtlich und für nachgelagerte Aufgaben wie das Zählen von Objekten oder die Verfolgung bereit ist.

Das folgende Python-Beispiel zeigt, wie du Vorhersagen mithilfe des Pakets ultralytics nach ihrer 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}")

Anwendungen in der Praxis#

Konfidenzwerte bieten eine Ebene der Interpretierbarkeit, die in allen Branchen, in denen Bildverarbeitung (CV) eingesetzt wird, unverzichtbar ist. Sie helfen automatisierten Systemen dabei zu entscheiden, wann sie autonom fortfahren und wann sie zur menschlichen Überprüfung Alarme auslösen sollen.

• Autonomes Fahren: Im Bereich der künstlichen Intelligenz im Automobilsektor verlassen sich selbstfahrende Fahrzeuge auf Konfidenzmetriken, um die Sicherheit der Insassen zu gewährleisten. Wenn ein Wahrnehmungssystem ein Hindernis mit geringer Konfidenz erkennt, kann es diese Daten mit LiDAR-Sensoren oder Radar abgleichen, um das Vorhandensein des Objekts zu überprüfen, bevor es ein Notfallmanöver ausführt. Diese Redundanz trägt dazu bei, durch Schatten oder Blendung verursachtes „Phantombremsen“ zu verhindern.
• Medizinische Diagnostik: Beim Einsatz von künstlicher Intelligenz im Gesundheitswesen unterstützen Modelle medizinisches Fachpersonal, indem sie auf mögliche Auffälligkeiten in Bilddaten hinweisen. Ein für die Tumorerkennung entwickeltes System kann Regionen mit hoher Konfidenz für eine sofortige Diagnose hervorheben, während Vorhersagen mit geringerer Konfidenz zur weiteren Analyse protokolliert werden. Dieser Workflow mit menschlicher Beteiligung stellt sicher, dass KI die klinische Entscheidungsfindung ergänzt, ohne das Urteil von Fachleuten zu ersetzen.
• Industrielle Automatisierung: In der intelligenten Fertigung verwenden Roboterarme Konfidenzwerte, um mit Objekten an Montagelinien zu interagieren. Ein mit KI zur Bildverarbeitung ausgestatteter Roboter versucht möglicherweise nur dann, ein Bauteil zu greifen, wenn die Erkennungskonfidenz 90 % überschreitet, wodurch das Risiko verringert wird, empfindliche Teile aufgrund einer fehlerhaften Ausrichtung zu beschädigen.

Konfidenz von verwandten Begriffen unterscheiden#

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

• Konfidenz im Vergleich zur Genauigkeit: Genauigkeit ist eine globale Metrik, die beschreibt, wie oft ein Modell über einen gesamten Datensatz hinweg korrekt ist (z. B. „Das Modell ist zu 92 % genau“). Im Gegensatz dazu ist Konfidenz ein lokaler, auf eine bestimmte Vorhersage bezogener Wert (z. B. „Das Modell ist zu 92 % sicher, dass dieses Bild eine Katze enthält“). Ein Modell kann eine hohe Gesamtgenauigkeit aufweisen und dennoch bei Grenzfällen eine geringe Konfidenz liefern.
• Konfidenz im Vergleich zur Wahrscheinlichkeitskalibrierung: Ein roher Konfidenzwert stimmt nicht immer mit der tatsächlichen Wahrscheinlichkeit der Korrektheit überein. Ein Modell ist „gut kalibriert“, wenn Vorhersagen mit einer Konfidenz von 0,8 ungefähr in 80 % der Fälle korrekt sind. Techniken wie die Platt-Skalierung oder die isotone Regression werden häufig eingesetzt, um Werte an empirische Wahrscheinlichkeiten anzugleichen.
• Konfidenz im Vergleich zur Präzision: Präzision misst den Anteil der positiven Identifizierungen, die tatsächlich korrekt waren. Während eine Erhöhung des Konfidenzschwellenwerts im Allgemeinen die Präzision steigert, geschieht dies häufig auf Kosten der Trefferquote. Entwickler müssen diesen Schwellenwert darauf abstimmen, ob ihre Anwendung darauf ausgerichtet ist, möglichst wenige Objekte zu übersehen oder Fehlalarme zu minimieren.

Konfidenz von Modellen verbessern#

Wenn ein Modell durchgehend eine geringe Konfidenz für gültige Objekte ausgibt, deutet dies häufig auf eine Abweichung zwischen den Trainingsdaten und der Einsatzumgebung hin. Zu den Strategien zur Minderung dieses Problems gehört die Datenerweiterung, bei der der Datensatz durch Variationen von Beleuchtung, Drehung und Rauschen künstlich vergrößert wird. Darüber hinaus können Entwickler mithilfe der Ultralytics Platform Pipelines für aktives Lernen implementieren, um Beispiele mit geringer Konfidenz einfach zu identifizieren, zu annotieren und das Modell erneut zu trainieren. Dieser iterative Zyklus ist entscheidend für die Entwicklung robuster KI-Agenten, die zuverlässig in dynamischen Umgebungen der realen Welt arbeiten können.