# Grenzen des Machine Learning – Was die Forecast App nicht kann

Obwohl die *Forecast App* auf leistungsstarken LSTM-Modellen basiert, ist sie – wie jede Methode des maschinellen Lernens – nur so gut wie die Daten, mit denen sie arbeitet. Dieses Kapitel hebt typische Fallstricke und Missverständnisse hervor, die bei der Verwendung der App zu schlechten oder irreführenden Ergebnissen führen können.

***

## 1. Keine Vorhersage ohne Muster

**Problem:** Wenn Ihre Daten kein erkennbares Muster enthalten, kann das Modell ebenfalls keines finden.

**Beispiel:** Ein Zielattribut schwankt rein zufällig oder enthält keine relevante Korrelation zu den Eingabewerten – in diesem Fall kann die *Forecast App* nur Durchschnittswerte schätzen, aber keine zuverlässigen Vorhersagen treffen.

**Erkennbar an:**

* Flache Vorhersagekurven
* Geringe Modellverbesserung nach erneutem Training
* Sehr hohes oder sehr niedriges Konfidenzintervall in der Ausgabe

**Lösung:**

* Prüfen Sie zunächst in *Analytics & Reports* ob erkennbare Trends oder Muster vorhanden sind.
* Vermeiden Sie binäre, zufällige oder unregelmäßige Signale ohne erklärbare Abhängigkeiten.

***

## 2. Extreme Werte und Ausreißer stören das Modell

**Problem:** Ein einzelner Ausreißer (z. B. aufgrund einer fehlerhaften Messung) kann die Modellstruktur und das Vorhersageverhalten stark verzerren.

**Beispiel:** Wenn alle Werte im Bereich von 0,01 liegen, aber ein Datenpunkt plötzlich 10.000.000 beträgt, wird das Modell zukünftige Vorhersagen künstlich anheben, um mögliche „ähnliche“ Ausreißer zu berücksichtigen.

**Lösung:**

* Bereinigen Sie historische Daten vor dem Training (z. B. mit Filtern oder manueller Entfernung).
* Verwenden Sie bei Bedarf logarithmische oder normalisierte Werte.
* Verwenden Sie den *Eliona Calculator* um differenzierte oder geglättete Werte abzuleiten.

***

## 3. Neue Wertebereiche führen zu ungenauen Vorhersagen

**Problem:** Wenn nach dem Training plötzlich Werte auftreten, die das Modell noch nie gesehen hat, kann es darauf nicht sinnvoll reagieren.

**Beispiel:** Ein Sensor liefert während des Trainings Werte zwischen 10–50. Nach dem Training kommen neue Werte im Bereich von 100–200 an. Das Modell „kennt“ diesen Bereich nicht und verhält sich unvorhersehbar.

**Lösung:**

* Berechnen Sie statt absoluter Werte relative Änderungen oder Differenzen.
* Bei Änderungen im Datenverhalten: Trainieren Sie das Modell erneut.

***

## 4. Modelle benötigen ausreichende Daten

**Problem:** Wenn zu wenig Daten vorhanden sind, kann kein brauchbares Modell erstellt werden.

**Empfehlung:**

* Es sollten mindestens mehrere hundert Datenpunkte vorhanden sein.
* Ideal: Historien mit saisonalen oder periodischen Schwankungen über mehrere Zyklen.

{% hint style="info" %}
Das System prüft automatisch die Datenlänge und startet das Training nur, wenn genügend Messwerte vorhanden sind.
{% endhint %}

***

## 6. Häufige strukturelle Brüche in der Datenhistorie

**Problem:** Plötzliche Änderungen (z. B. Systemwechsel, Änderungen der Messmethoden) führen zu strukturellen Brüchen, die das Modell nicht erklären kann.

**Lösung:**

* Segmentieren Sie den Datensatz vor dem Training.
* Vermeiden Sie es, unterschiedliche Datenquellen oder Messmethoden in einer Vorhersage zu mischen.

***

## Fazit

Die *Forecast App* ist ein leistungsstarkes Werkzeug – aber nur mit sinnvoll vorbereiteten und strukturierten Daten. Es erkennt keine Bedeutung, sondern nur statistische Muster.

**Das Modell kann nicht:**

* Fehlerhafte Daten eigenständig erkennen
* Entscheidungen „verstehen“ oder interpretieren
* Mit völlig unbekannten Wertebereichen sinnvoll umgehen
* Vorhersagen treffen, wenn keine erklärbaren Muster vorhanden sind

**Aber das Modell kann:**

* Regelmäßigkeiten erkennen
* Zuverlässige Trends aus historischen Mustern ableiten
* Vorhersagen auf Basis konsistenter, bereinigter Daten liefern

{% hint style="success" %}
Gute Prognosen beginnen nicht mit dem Modell – sie beginnen mit den Daten.
{% endhint %}