OnlineModelle

OnlineModelle, oft im Deutschen als Online-Modelle bezeichnet, bezeichnen Modelle in der Statistik und dem maschinellen Lernen, die in einem Online- oder Streaming-Setting trainiert werden. Im Gegensatz zu Offline- oder Batch-Modellen werden Daten einzeln oder in kleinen Batches nacheinander verarbeitet, und das Modell wird nach jeder neuen Beobachtung angepasst.

Charakteristisch ist die Fähigkeit, schnell auf neue Informationen zu reagieren und laufend zu lernen, während Ressourcen wie Speicher und Rechenzeit begrenzt bleiben. Viele Online-Modelle nutzen inkrementelle Lernalgorithmen wie stochastischen Gradientenabstieg, Perceptron oder Passive-Aggressive-Methoden. Für datenstrombasierte Aufgaben kommen spezialisierte Verfahren wie Hoeffding-Bäume oder Online-Ensembles zum Einsatz. Bibliotheken wie River unterstützen solche Ansätze.

Anwendungsfelder umfassen Echtzeit- Entscheidungsunterstützung in Bereichen wie Betrugserkennung, Alarm- und Anomalie-Erkennung, Empfehlungs-Systeme, Finanzhandel und Robotik. In der Praxis werden Online-Modelle oft dort eingesetzt, wo sich Verteilungen ändern (concept drift) oder sofortiges Handeln erforderlich ist.

Herausforderungen sind die Anpassung an sich ändernde Daten, das Balance zwischen Reaktionszeit und Genauigkeit, Speicher- und Rechenbeschränkungen sowie der Evaluationsaufwand. Prequentiales Testen und kontinuierliche Validierung sind gängige Vorgehensweisen, um die Leistung laufend zu überwachen.

Historisch entwickelten sich Online-Modelle aus der Theorie des Online-Lernens in den 1990er Jahren, mit einem Fokus auf adaptives Lernen aus Sequenzen. Heute existieren zahlreiche Algorithmen, Frameworks und Anwendungen, die Online-Modellierung in industriellen und wissenschaftlichen Kontexten ermöglichen.