Fachblog

KI verstehen — erklärbar gemacht

Schritt-für-Schritt-Anleitungen und Hintergründe zu erklärbarer künstlicher Intelligenz. Für alle, die Modelle nicht nur anwenden, sondern nachvollziehen wollen.

Personen arbeiten gemeinsam an KI-Modellen und Erklärungsvisualisierungen
Beiträge
LIME gegen SHAP: Was ich nach drei Monaten Experimenten gelernt habe

LIME gegen SHAP: Was ich nach drei Monaten Experimenten gelernt habe

Ein direkter Vergleich zweier populärer XAI-Methoden anhand konkreter Experimente mit Tabellendaten und Bildklassifikation.

Weiterlesen
Attention Maps überzeugten mich nicht sofort, bis ich diesen Fehler machte

Attention Maps überzeugten mich nicht sofort, bis ich diesen Fehler machte

Wie ein falsch interpretiertes Attention-Muster in einem NLP-Modell zu einer falschen Produktionsentscheidung führte und was daraus folgte.

Weiterlesen
Was Artikel 22 der DSGVO konkret vom Modell verlangt und wie ich das umgesetzt habe

Was Artikel 22 der DSGVO konkret vom Modell verlangt und wie ich das umgesetzt habe

Ein praxisnaher Bericht über die Umsetzung erklärbarer KI unter regulatorischem Druck im Finanzbereich.

Weiterlesen
Kontrafaktische Erklärungen im Test: Was Nutzer wirklich damit anfangen können

Kontrafaktische Erklärungen im Test: Was Nutzer wirklich damit anfangen können

Ergebnisse eines internen Nutzertests mit kontrafaktischen Erklärungen bei einem Kreditablehnungsmodell und was überraschte.

Weiterlesen
Modellspezifisch oder modellagnostisch: Wann ich welchen Ansatz wähle

Modellspezifisch oder modellagnostisch: Wann ich welchen Ansatz wähle

Eine ehrliche Gegenüberstellung von modellspezifischen und modellagnostischen XAI-Methoden anhand eigener Projekterfahrungen.

Weiterlesen
Der Genauigkeits-Erklärbarkeitskompromiss ist echter als man denkt

Der Genauigkeits-Erklärbarkeitskompromiss ist echter als man denkt

Wie ein reales Projekt gezeigt hat, dass der Tradeoff zwischen Modellleistung und Erklärbarkeitssystematik keine Theorie ist.

Weiterlesen

Neue Beiträge direkt im Postfach

Keine Zusammenfassungen, keine Werbung — nur neue Artikel zu erklärbarer KI, sobald sie erscheinen.

Wo Erklärbarkeit heute steht

Ein Überblick über die Relevanz verschiedener XAI-Methoden in der Praxis — basierend auf aktuellen Anwendungsfeldern.

SHAP-Werte (Feature-Attribution) 88 %
LIME (Lokale Approximation) 72 %
Aufmerksamkeitskarten (Attention Maps) 61 %
Regelextraktion (Rule Extraction) 44 %
6+ XAI-Methoden praxisnah erklärt auf domain.biz