Sehen Sie sich die folgenden Optionen an.
Welche der folgenden Modelle sind für eine Feedbackschleife anfällig?
Ein Modell für Verkehrsprognosen, das eine Überlastung an Autobahnausgängen in Strandnähe prognostiziert und dabei die Menschenmengen am Strand berücksichtigt.
Einige Strandbesucher basieren ihre Pläne wahrscheinlich auf der Verkehrsprognose. Wenn es am Strand sehr viele Menschen gibt und die Verkehrslage voraussichtlich stark ist, könnten viele Menschen Alternativen einplanen. Dadurch kann die Nutzung am Strand deprimiert werden, was zu einer leichteren Verkehrsprognose führt, was wiederum die Besucherzahlen erhöhen kann und sich der Zyklus wiederholt.
Ein Buchempfehlungenmodell, das darauf hinweist, dass Romane seinen Nutzern basierend auf ihrer Beliebtheit (z.B. wie oft die Bücher gekauft wurden) gefallen könnten.
Buchempfehlungen führen wahrscheinlich zu Käufen und diese zusätzlichen Verkäufe werden als Eingabe in das Modell zurückgeliefert. Dadurch ist es wahrscheinlicher, dass wir dieselben Bücher in Zukunft empfehlen.
Ein Universitäts-Ranking-Modell, bei dem Schulen teilweise nach ihrer Auswahl bewertet werden – der Prozentsatz der Bewerber, die sich beworben haben.
Das Ranking des Modells kann für Schulen mit höchster Bewertung zusätzliches Interesse hervorrufen, wodurch sich die Anzahl der Bewerbungen erhöht. Wenn diese Schulen weiterhin die gleiche Anzahl von Schülern oder Studenten zulassen, erhöht sich die Selektivität (der Prozentsatz der zulässigen Schüler und Studenten wird geringer sein). Das verbessert das Ranking dieser Schulen, was wiederum das Interesse der Schüler und Studenten verstärkt usw.
Ein Wahlergebnismodell, das den Gewinner eines Bürgermeisterschaftens mit einer Umfrage unter 2% der Wähler nach Ende der Wahlen prognostiziert.
Wenn das Modell seine Vorhersage erst veröffentlicht, nachdem die Umfragen abgeschlossen sind, können sich diese Vorhersagen nicht auf das Wählerverhalten auswirken.
Ein Wertmodell, das die Hauspreise anhand der Größe (Fläche in Quadratmetern), der Anzahl der Schlafzimmer und des geografischen Standorts als Merkmale prognostiziert.
Es ist nicht möglich, in Abhängigkeit von Preisprognosen schnell den Standort, die Größe oder die Anzahl der Schlafzimmer in einem Haus zu ändern und dadurch eine Feedbackschleife zu vermeiden. Es besteht jedoch möglicherweise ein Zusammenhang zwischen der Größe und der Anzahl der Schlafzimmer (in größeren Gebäuden sind wahrscheinlich mehr Räume vorhanden), die voneinander getrennt sein müssen.
Ein Modell mit Gesichterattributen, das ermittelt, ob eine Person auf einem Foto lächelt, was regelmäßig anhand einer Datenbank mit Stockfotos trainiert wird, die automatisch monatlich aktualisiert wird.
Es gibt keine Feedbackschleife, da Modellvorhersagen keinen Einfluss auf unsere Fotodatenbank haben. Die Versionsverwaltung unserer Eingabedaten ist hier jedoch ein Problem, da diese monatlichen Aktualisierungen möglicherweise unvorhergesehene Auswirkungen auf das Modell haben.