Julian Marstaller

Analytische Anwendungen sollen in der Regel Antworten auf mehrere Fragen finden. Die verschiedenen Zielgrößen zu ermitteln, erfordert häufig mehrstufige, sequenzielle Analysen mit unterschiedlichen Modellen. Was aber, wenn die Ergebnisse der ersten Analyse eine zu große Varianz aufweisen? Oder nicht alle Parameter, die eigentlich für die nachfolgende Analyse erforderlich wären, überhaupt erfasst und weitergegeben werden? Ein Beispiel dafür ist die Analyse von Gebäudeschäden anhand von Fotografien. Ein erstes Modell A erkennt auf mehreren Fotografien, welche Teile der Fassade betroffen und wie schwer diese beschädigt sind. Ein zweites Modell B soll ermitteln, wie und mit welchem Aufwand die Schäden behoben werden können. Diese Auswertung basiert auf dem vorher ermittelten Schweregrad und wird schnell zu einem Information Bottleneck: Unter Umständen fehlen auf den Fotografien notwendige Details, eine Schadensart erfordert bei unterschiedlichen Materialien eine eigene Behandlung, oder es sind mehrere Schadensarten gleichzeitig aufgetreten. Die Folge: Der Handlungsspielraum beim Verbessern der Modelle wird eingeschränkt, Fehlerraten steigen, die Operationalisierung und Verwaltung der Modelle wird deutlich aufwendiger und es entstehen zeitraubende Diskussionen zwischen Kooperationspartnern. Das Problem existiert auch für OCR-Schnittstellen, die Informationen über Kontext und Struktur eines Scans beim Übersetzen verlieren. Die Praxis zeigt: Solche Information Bottlenecks entstehen und dürfen keinesfalls vernachlässigt werden. Der Vortrag zeigt verschiedene Ausprägungen von Information Bottlenecks auf, bewertet diese und erläutert Methoden und Innovationen, diese zu vermeiden.