Glanz: aiMOOC über GPT aiMOOC Action erstellt

2026-07-06T16:54:37Z

aiMOOC über GPT aiMOOC Action erstellt

Neue Seite

{{T}}

{{BR}}
= Einleitung =

{{#ev:youtube|https://www.youtube.com/watch?v=h8CM4AyFYBQ|500|center}}

'''Retrieval-Augmented Forecasting''' wird hier als zukunftsorientierter Ansatz verstanden, der [[Zeitreihenanalyse]], [[Maschinelles Lernen]], [[Information Retrieval]] und [[Neuronales Netz|neuronale Netze]] verbindet. Der Grundgedanke ist einfach, aber folgenreich: Ein Prognosemodell soll nicht nur aus seinen gelernten [[Parameter|Parametern]] arbeiten, sondern bei einer Vorhersage gezielt passendes externes Wissen abrufen. Dieses Wissen kann aus ähnlichen historischen Zeitfenstern, [[Datenbank|Datenbanken]], [[Dokument|Dokumenten]], [[Sensordaten]], [[Kalender|Kalendereinträgen]], [[Wetterdaten]], Wartungsprotokollen, Nachrichten oder fachlichen Regeln stammen.

Im Video wird dieser Ansatz unter dem Leitgedanken '''Neuronale Netze neu denken''' vorgestellt: [[Künstliche Intelligenz]] soll nicht nur immer größere Modelle trainieren, sondern Modelle mit einer Art überprüfbarem, austauschbarem und situationsbezogenem Gedächtnis ausstatten. Für [[Forecasting|Prognosen]] bedeutet das: Das Modell blickt nicht nur auf die aktuelle [[Zeitreihe]], sondern sucht aktiv nach Fällen, die für die aktuelle Situation relevant sein könnten.

[[Datei:Moving average 004.svg|500px|rahmenlos|center]]

Eine [[Zeitreihe]] besteht aus Messwerten, die in einer zeitlichen Reihenfolge stehen. Typische Beispiele sind Stromverbrauch pro Stunde, Verkehrsaufkommen pro Minute, Aktienkurse pro Tag, Temperaturwerte pro Woche oder Produktionsdaten pro Schicht. Beim [[Forecasting]] geht es darum, aus bisherigen Beobachtungen plausible zukünftige Werte abzuleiten. Je dynamischer die Welt ist, desto wichtiger wird zusätzliches [[Kontextwissen]].

{{BR}}
= Lernziele =

Nach diesem aiMOOC kannst Du erklären, was [[Retrieval-Augmented Forecasting]] bedeutet, warum dieser Ansatz über klassische [[Zeitreihenanalyse]] hinausgeht und wie er sich von [[Retrieval-Augmented Generation]] ableiten lässt. Du lernst, welche Rolle [[Embedding|Embeddings]], [[Retriever]], [[Vektordatenbank|Vektordatenbanken]], [[Ähnlichkeitssuche]], [[Transformer]] und externe [[Wissensbasis|Wissensbasen]] spielen. Außerdem übst Du, Chancen und Risiken solcher Systeme kritisch zu bewerten, insbesondere [[Data Leakage]], [[Nichtstationarität]], Verzerrungen, Datenschutz und Scheinkorrelationen.

# [[Zeitreihenanalyse|Zeitreihen verstehen]]: Du erkennst Trend, Saison, Rauschen, Ausreißer und externe Einflussgrößen.
# [[Neuronales Netz|Neuronale Modelle einordnen]]: Du unterscheidest klassische Modelle, tiefe Netze und [[Foundation Model|Foundation Models]] für Zeitreihen.
# [[Retrieval]]: Du erklärst, wie relevante Beispiele, Dokumente oder Kontextdaten gesucht werden.
# [[Forecasting]]: Du beschreibst, wie abgerufenes Wissen in eine Prognose integriert werden kann.
# [[Modellkritik]]: Du beurteilst, wann Retrieval hilft und wann es ein Modell in die Irre führen kann.

{{BR}}
= Grundlagen der Zeitreihenanalyse =

[[Zeitreihenanalyse]] untersucht Daten, die in zeitlicher Reihenfolge beobachtet werden. Eine Zeitreihe kann regelmäßig gemessen werden, etwa jede Stunde, oder unregelmäßig, etwa bei medizinischen Ereignissen. Sie kann einen einzelnen Wert enthalten, zum Beispiel Temperatur, oder mehrere zusammenhängende Werte, etwa Temperatur, Luftfeuchtigkeit und Windgeschwindigkeit.

Wichtige Bestandteile einer [[Zeitreihe]] sind '''Trend''', '''Saisonalität''', '''Zyklen''', '''Rauschen''' und '''Ausreißer'''. Ein [[Trend]] beschreibt eine langfristige Richtung. [[Saisonalität]] meint wiederkehrende Muster, zum Beispiel Tages-, Wochen- oder Jahresrhythmen. [[Rauschen]] steht für zufällige Schwankungen. [[Ausreißer]] sind ungewöhnliche Werte, die durch Messfehler, Störungen oder seltene Ereignisse entstehen können.

Beim [[Forecasting]] wird häufig ein Zeitfenster aus der Vergangenheit genutzt, um einen zukünftigen Zeitraum vorherzusagen. Entscheidend ist dabei, dass Trainingsdaten und Testdaten zeitlich sauber getrennt werden. Wer beim Training versehentlich Informationen aus der Zukunft verwendet, erzeugt [[Data Leakage|Datenleckage]] und erhält unrealistisch gute Ergebnisse.

{{BR}}
== Klassische Prognoseidee ==

Klassische Prognoseverfahren nutzen vergangene Werte, statistische Zusammenhänge und oft explizite Modellannahmen. Beispiele sind [[Gleitender Mittelwert]], [[Exponentielle Glättung]], [[ARIMA]], [[Lineare Regression]] oder [[Random Forest|baumbasierte Verfahren]]. Diese Methoden sind oft gut erklärbar und für viele Anwendungen weiterhin wichtig.

[[Datei:Random-data-plus-trend-r2.png|500px|rahmenlos|center]]

Der Vorteil klassischer Verfahren liegt in ihrer Transparenz. Der Nachteil liegt darin, dass komplexe nichtlineare Muster, viele parallele Einflussgrößen oder wechselnde Regime schwer abzubilden sein können. Genau hier setzen [[Neuronales Netz|neuronale Netze]] und [[Deep Learning]] an.

{{BR}}
= Neuronale Netze im Forecasting =

[[Neuronales Netz|Künstliche neuronale Netze]] bestehen aus Schichten künstlicher [[Neuron|Neuronen]], die Eingaben schrittweise in Ausgaben umwandeln. Beim Training passt das Modell seine [[Gewicht|Gewichte]] so an, dass die Vorhersagefehler auf Trainingsdaten kleiner werden. Für Zeitreihen wurden unter anderem [[Rekurrentes neuronales Netz|rekurrente Netze]], [[Long short-term memory|LSTM]], [[Convolutional Neural Network|CNN]], [[Transformer]] und neuere [[Foundation Model|Foundation Models]] eingesetzt.

[[Datei:Neural network.svg|500px|rahmenlos|center]]

Ein neuronales Prognosemodell lernt Muster aus den Daten, die ihm beim Training gezeigt wurden. Das ist leistungsfähig, aber begrenzt. Wenn sich die Welt stark verändert, wenn seltene Ereignisse auftreten oder wenn wichtige Kontextinformationen nicht in den Trainingsdaten enthalten sind, kann ein Modell falsch generalisieren. Deshalb wird zunehmend gefragt, ob ein Prognosemodell zusätzlich eine externe, durchsuchbare [[Wissensbasis]] nutzen sollte.

{{BR}}
== Transformer und Aufmerksamkeit ==

[[Transformer]] nutzen [[Attention|Aufmerksamkeitsmechanismen]], um Beziehungen zwischen verschiedenen Teilen einer Eingabe zu modellieren. In der [[Sprachmodell|Sprachverarbeitung]] hat diese Architektur große Bedeutung erlangt. Für Zeitreihen kann [[Attention]] helfen, relevante frühere Zeitpunkte, Variablen oder externe Hinweise stärker zu gewichten.

[[Datei:Transformer, full architecture.png|500px|rahmenlos|center]]

Für [[Zeitreihenanalyse|Zeitreihen]] ist Aufmerksamkeit besonders interessant, weil nicht jeder vergangene Wert gleich wichtig ist. Ein Stromverbrauchswert von letzter Woche zur gleichen Uhrzeit kann relevanter sein als ein Wert von gestern, wenn das Wochenmuster stark ist. Ein Feiertag, ein Temperatursturz oder ein Wartungsereignis kann wichtiger sein als viele normale Messpunkte.

{{BR}}
= Von Retrieval-Augmented Generation zu Retrieval-Augmented Forecasting =

[[Retrieval-Augmented Generation]] verbindet ein [[Large Language Model]] mit externen Informationsquellen. Vor der Antwort sucht ein [[Retriever]] passende Dokumente oder Textstellen. Diese werden dem Modell als Kontext gegeben, damit es aktueller, fachlicher und überprüfbarer antworten kann.

'''Retrieval-Augmented Forecasting''' überträgt diese Idee auf [[Forecasting]]. Statt nur Textdokumente abzurufen, kann ein RAF-System ähnliche Zeitreihenabschnitte, frühere Ereignisse, externe Variablen oder fachliche Regeln abrufen. Dadurch entsteht eine Prognose, die nicht nur aus dem Modellgedächtnis kommt, sondern auch aus situationsbezogener Evidenz.

{{#ev:youtube|https://www.youtube.com/watch?v=T-D1OfcDW1M|500|center}}

{{BR}}
== Vergleich von RAG und RAF ==

{| class="wikitable"
! Aspekt
! Retrieval-Augmented Generation
! Retrieval-Augmented Forecasting
|-
| Ziel
| Erzeugung einer informierten Antwort
| Vorhersage zukünftiger Zeitwerte
|-
| Eingabe
| Frage, Prompt oder Dokument
| Zeitfenster, Messwerte und Kontextvariablen
|-
| Abruf
| Passende Textstellen oder Dokumente
| Ähnliche historische Muster, externe Daten oder Ereignisse
|-
| Ausgabe
| Text, Zusammenfassung oder Begründung
| Prognosewerte, Unsicherheit und mögliche Erklärung
|-
| Hauptrisiko
| Falsche oder irrelevante Quellen
| Datenleckage, instabile Ähnlichkeit oder irrelevante historische Fälle
|}

{{BR}}
= Architektur eines RAF-Systems =

Ein typisches [[Retrieval-Augmented Forecasting|RAF-System]] besteht aus mehreren Bausteinen. Zuerst wird ein aktuelles Zeitfenster als Anfrage betrachtet. Dann wird diese Anfrage in eine vergleichbare Darstellung gebracht, häufig als [[Embedding]]. Ein [[Retriever]] sucht in einer [[Wissensbasis]] nach ähnlichen Mustern oder relevanten Kontextinformationen. Danach entscheidet ein Prognosemodell, wie diese abgerufenen Informationen genutzt werden.

[[Datei:K-nearest Neighbors.png|500px|rahmenlos|center]]

# [[Eingabefenster]]: Das System betrachtet die letzten Messwerte und relevante Zusatzinformationen.
# [[Embedding]]: Das Muster wird als Vektor dargestellt, damit Ähnlichkeit berechnet werden kann.
# [[Retriever]]: Eine Suche findet vergleichbare Zeitfenster, Ereignisse oder Dokumente.
# [[Kontextintegration]]: Die abgerufenen Informationen werden mit der aktuellen Zeitreihe verbunden.
# [[Prognosemodell]]: Ein neuronales oder statistisches Modell erzeugt zukünftige Werte.
# [[Evaluation]]: Die Prognose wird mit geeigneten Testdaten und Baselines verglichen.

{{BR}}
== Retrieval-Strategien ==

Nicht jedes Retrieval ist gleich. Ein System kann nach geometrischer Ähnlichkeit in einem [[Vektorraum]] suchen, nach gleichen Kalenderbedingungen filtern, nach Ereignissen in Textdaten suchen oder mehrere Strategien kombinieren. Bei Zeitreihen ist besonders wichtig, dass ähnliche Vergangenheit nicht automatisch ähnliche Zukunft bedeutet. Wenn sich die Rahmenbedingungen geändert haben, kann ein sehr ähnlicher Verlauf dennoch täuschen.

{{#ev:youtube|https://www.youtube.com/watch?v=HVXime0nQeI|500|center}}

# [[Ähnlichkeitssuche]]: Suche nach Zeitfenstern mit ähnlichem Verlauf.
# [[k-nearest neighbors|K-nearest neighbors]]: Auswahl der nächsten Nachbarn im Merkmalsraum.
# [[Semantische Suche]]: Suche nach inhaltlich passenden Dokumenten, Ereignissen oder Beschreibungen.
# [[Hybride Suche]]: Kombination aus numerischer Ähnlichkeit, Metadaten und fachlichen Regeln.
# [[Diversity Retrieval]]: Auswahl verschiedener relevanter Fälle, damit nicht nur fast identische Beispiele genutzt werden.

{{BR}}
== Integration des abgerufenen Wissens ==

Nach dem Abruf muss entschieden werden, wie die Informationen in die Prognose gelangen. Eine einfache Möglichkeit ist, zusätzliche Merkmale an das Eingabefenster anzuhängen. Fortgeschrittene Ansätze verwenden [[Attention]], [[Cross-Attention]], Gewichtung, Ensemble-Modelle oder separate Module zur Korrektur der Prognose. Ziel ist nicht, blind alles Abgerufene zu übernehmen, sondern Relevanz und Zuverlässigkeit zu bewerten.

[[Datei:Encoder cross-attention.png|500px|rahmenlos|center]]

{| class="wikitable"
! Integrationsform
! Idee
! Beispiel
|-
| Zusatzmerkmale
| Abgerufene Informationen werden als Features ergänzt
| Feiertag, Temperatur, ähnlicher Verbrauchsverlauf
|-
| Gewichtung
| Relevante Fälle zählen stärker als schwache Treffer
| Nähere Nachbarn erhalten höhere Gewichte
|-
| Attention
| Das Modell lernt, welche Hinweise wichtig sind
| Cross-Attention zwischen aktuellem Muster und Retrieval-Ergebnissen
|-
| Ensemble
| Mehrere Prognosen werden kombiniert
| Neuronales Modell plus Nachbarschaftsprognose
|-
| Residualkorrektur
| Retrieval korrigiert Restfehler eines Basismodells
| Baseline sagt 100, Retrieval-Korrektur ergänzt plus 8
|}

{{BR}}
= Externes Wissen in Zeitreihenprognosen =

Externes Wissen ist nur dann hilfreich, wenn es fachlich relevant, zeitlich korrekt und sauber eingebunden ist. Ein Stromverbrauchsmodell kann von Wetterdaten profitieren. Ein Verkehrsmodell kann Ferien, Großveranstaltungen oder Baustellen berücksichtigen. Ein Produktionsmodell kann Wartungsprotokolle, Schichtpläne oder Materialchargen nutzen. Ein Finanzmodell kann Nachrichten berücksichtigen, muss aber besonders vorsichtig mit Zufall, Überanpassung und Scheinkorrelationen sein.

# [[Kalenderdaten]]: Wochentag, Feiertag, Ferien, Monatsende oder Saison.
# [[Wetterdaten]]: Temperatur, Wind, Niederschlag oder Sonneneinstrahlung.
# [[Ereignisdaten]]: Konzerte, Streiks, Sportveranstaltungen, Wartung oder Störung.
# [[Textdaten]]: Nachrichten, Protokolle, Berichte oder Kundenfeedback.
# [[Domänenwissen]]: Fachregeln, Grenzwerte, bekannte Abhängigkeiten oder physikalische Zusammenhänge.

{{BR}}
= Warum neuronale Netze neu denken? =

Die klassische Fortschrittslogik in der [[Künstliche Intelligenz|KI]] lautet oft: mehr Daten, größere Modelle, mehr Parameter. [[Retrieval-Augmented Forecasting]] schlägt eine andere Denkweise vor. Ein Modell muss nicht jede Information dauerhaft in seinen Parametern speichern. Es kann zur Laufzeit relevantes Wissen suchen, prüfen und einbeziehen.

Das verändert die Rolle eines [[Neuronales Netz|neuronalen Netzes]]. Es wird nicht nur als abgeschlossenes Vorhersagesystem betrachtet, sondern als Teil einer größeren Architektur aus Modell, Suchsystem, Datenbank, Bewertungslogik und menschlicher Kontrolle. Dadurch kann ein Prognosesystem flexibler und transparenter werden. Gleichzeitig entstehen neue Verantwortlichkeiten: Wer bestimmt die Wissensbasis? Wie wird Qualität geprüft? Welche Daten dürfen überhaupt abgerufen werden?

{{BR}}
== Vorteile ==

# [[Adaptivität]]: Neue Informationen können über die Wissensbasis verfügbar werden, ohne das gesamte Modell neu zu trainieren.
# [[Interpretierbarkeit]]: Abgerufene ähnliche Fälle können Hinweise liefern, warum eine Prognose plausibel ist.
# [[Datenökonomie]]: Ein Modell kann mit externen Beispielen ergänzt werden, statt alles in Parametern speichern zu müssen.
# [[Domänenbezug]]: Fachwissen aus Dokumenten, Regeln oder Metadaten kann gezielter eingebunden werden.
# [[Robustheit]]: Bei seltenen Mustern kann ein guter Abruf hilfreiche historische Analogien liefern.

{{BR}}
== Grenzen und Risiken ==

# [[Data Leakage]]: Wenn zukünftige Informationen versehentlich abgerufen werden, wirkt das Modell besser, als es real wäre.
# [[Nichtstationarität]]: Ähnliche Vergangenheit kann eine andere Zukunft haben, wenn sich das System verändert hat.
# [[Scheinkorrelation]]: Ein Retrieval-Treffer kann zufällig ähnlich aussehen, ohne ursächlich relevant zu sein.
# [[Datenschutz]]: Externe Wissensbasen können sensible Informationen enthalten.
# [[Rechenaufwand]]: Suche, Speicherung und Aktualisierung großer Wissensbasen kosten Ressourcen.
# [[Komplexität]]: Ein RAF-System ist schwerer zu testen als ein einzelnes Modell.

{{BR}}
= Aktuelle Forschungslinien =

[[Retrieval-Augmented Forecasting]] ist ein dynamisches Forschungsfeld. Verschiedene Ansätze untersuchen, wie Zeitreihenmuster gesucht, bewertet und in Prognosemodelle integriert werden können. Besonders wichtig sind Fragen der [[Generalisierung]], [[Zero-shot Learning|Zero-Shot-Prognose]], [[Nichtstationarität]], Robustheit und Erklärbarkeit.

# [https://proceedings.mlr.press/v267/han25d.html RAFT - Retrieval Augmented Time Series Forecasting]: Der Ansatz ruft ähnliche historische Zeitreihenabschnitte und deren zukünftige Fortsetzungen ab, um ein Prognosemodell zu ergänzen.
# [https://arxiv.org/abs/2412.20810 TimeRAF]: Dieser Ansatz verbindet Retrieval mit [[Foundation Model|Foundation Models]] für Zero-Shot-Zeitreihenprognosen.
# [https://arxiv.org/abs/2503.07649 TS-RAG]: Dieser Ansatz nutzt eine eigene Wissensbasis und semantisch relevante Segmente zur Verbesserung von Generalisierung und Interpretierbarkeit.
# [https://arxiv.org/abs/2603.14709 Cross-RAG]: Dieser Ansatz untersucht Cross-Attention, um abgerufene Beispiele selektiver einzubinden.
# [https://arxiv.org/abs/2606.04135 SARAF]: Dieser Ansatz berücksichtigt Stationarität und Diversität, damit Retrieval unter wechselnden Zeitreihenregimen robuster wird.

{{BR}}
= Beispiel: Energieverbrauch prognostizieren =

Stell Dir vor, Du möchtest den Stromverbrauch eines Gebäudes für die nächsten 24 Stunden prognostizieren. Ein Basismodell nutzt die vergangenen Verbrauchswerte. Ein RAF-System ergänzt diese Sicht durch externe Hinweise. Es sucht ähnliche Tage im Archiv, prüft Wochentag und Uhrzeit, bezieht Wetterprognosen ein und berücksichtigt besondere Ereignisse wie Feiertage oder Gebäudeschließungen.

Ein solches System könnte für einen Montag im Januar andere Vergleichsfälle abrufen als für einen Samstag im Juli. Es könnte erkennen, dass ein ähnlicher Verbrauchsverlauf nur dann relevant ist, wenn Temperatur, Nutzung und Kalenderkontext ebenfalls ähnlich sind. Die Prognose wird dadurch nicht automatisch richtig, aber sie wird begründbarer und kann systematischer geprüft werden.

{{BR}}
= Bewertung guter Prognosen =

Eine gute Prognose ist nicht nur eine niedrige Fehlerzahl. Sie muss zu einer realen Entscheidung passen. In der Praxis werden oft [[Mean Absolute Error|MAE]], [[Root Mean Square Error|RMSE]], [[Mean absolute percentage error|MAPE]] oder probabilistische Maße genutzt. Wichtig ist, dass die Metrik zum Problem passt. Bei kleinen oder nullnahen Ist-Werten kann MAPE irreführend sein. Bei sicherheitskritischen Systemen reicht ein Durchschnittsfehler nicht aus, weil seltene, aber schwere Fehler entscheidend sein können.

# [[Baseline]]: Vergleiche RAF immer mit einfachen Verfahren wie gleitendem Mittelwert oder saisonaler Naivprognose.
# [[Ablationsstudie]]: Prüfe, ob Retrieval wirklich hilft, indem Du das Retrieval-Modul entfernst und die Ergebnisse vergleichst.
# [[Walk-forward validation|Walk-Forward-Validierung]]: Teste Prognosen in zeitlich korrekter Reihenfolge.
# [[Unsicherheit]]: Gib nicht nur Punktwerte, sondern möglichst Prognoseintervalle an.
# [[Fehleranalyse]]: Untersuche, bei welchen Ereignissen das Modell scheitert.

{{BR}}
= Didaktische Merkhilfe =

'''RAF''' kannst Du Dir als drei Fragen merken: '''Was ist gerade passiert?''' Das beantwortet die aktuelle [[Zeitreihe]]. '''Was ähnelt dieser Situation?''' Das beantwortet der [[Retriever]]. '''Was folgt daraus wahrscheinlich?''' Das beantwortet das [[Prognosemodell]].

Wenn alle drei Fragen sauber gestellt werden, entsteht ein stärkeres System. Wenn eine der drei Fragen schlecht beantwortet wird, kann das System trotz moderner [[Künstliche Intelligenz|KI]] scheitern.

{{BR}}
= Interaktive Aufgaben =

{{BR}}
== Quiz: Teste Dein Wissen ==

{{MC}}

'''Was bedeutet Retrieval im Retrieval-Augmented Forecasting?'''
(Das gezielte Abrufen relevanter externer Informationen vor einer Prognose)
(!Das zufällige Entfernen alter Trainingsdaten)
(!Das reine Vergrößern eines neuronalen Netzes)
(!Das manuelle Runden aller Messwerte)

{{E}}
<br>

{{MC}}

'''Was ist eine Zeitreihe?'''
(Eine Folge von Messwerten in zeitlicher Reihenfolge)
(!Eine ungeordnete Sammlung beliebiger Texte)
(!Eine Liste ohne Bezug zu Messzeitpunkten)
(!Ein einzelner Wert ohne Verlauf)

{{E}}
<br>

{{MC}}

'''Warum kann externes Wissen bei Prognosen hilfreich sein?'''
(Weil Kontext wie Wetter, Kalender oder ähnliche Fälle zukünftige Werte beeinflussen kann)
(!Weil dadurch jede Prüfung der Datenqualität überflüssig wird)
(!Weil ein Modell dann keine Fehler mehr machen kann)
(!Weil historische Daten grundsätzlich unwichtig werden)

{{E}}
<br>

{{MC}}

'''Welche Gefahr ist bei Zeitreihen besonders kritisch?'''
(Data Leakage durch Informationen aus der Zukunft)
(!Eine zu verständliche Dokumentation)
(!Zu wenige Achsenbeschriftungen in einem Diagramm)
(!Die Verwendung von Überschriften im Bericht)

{{E}}
<br>

{{MC}}

'''Welche Aufgabe hat ein Retriever in einem RAF-System?'''
(Er sucht passende Beispiele, Dokumente oder Kontextdaten)
(!Er löscht alle Ausreißer ohne Prüfung)
(!Er ersetzt jede Metrik durch Bauchgefühl)
(!Er verhindert jede Form von Modellvergleich)

{{E}}
<br>

{{MC}}

'''Wozu dienen Embeddings in einem Retrieval-System?'''
(Sie stellen Daten so dar, dass Ähnlichkeit berechnet werden kann)
(!Sie machen Messwerte automatisch wahr)
(!Sie ersetzen die zeitliche Reihenfolge)
(!Sie verhindern jede Saisonalität)

{{E}}
<br>

{{MC}}

'''Was bedeutet Nichtstationarität bei Zeitreihen?'''
(Statistische Eigenschaften ändern sich im Zeitverlauf)
(!Alle Werte bleiben immer exakt gleich)
(!Die Zeitreihe enthält keine Messpunkte)
(!Die Prognose wird ohne Daten erstellt)

{{E}}
<br>

{{MC}}

'''Welche Validierung passt besonders gut zu Zeitreihen?'''
(Eine zeitlich geordnete Prüfung auf späteren Daten)
(!Ein zufälliges Mischen aller Zeitpunkte ohne Prüfung)
(!Eine Bewertung nur auf Trainingsdaten)
(!Eine Prognose ohne Vergleichswerte)

{{E}}
<br>

{{MC}}

'''Was kann Cross-Attention in einem RAF-Modell leisten?'''
(Sie kann aktuelle Eingaben und abgerufene Informationen gezielt verbinden)
(!Sie löscht automatisch alle externen Quellen)
(!Sie verhindert, dass ein Modell trainiert wird)
(!Sie wandelt jede Zeitreihe in ein Bild um)

{{E}}
<br>

{{MC}}

'''Welche Aussage beschreibt eine gute Modellkritik?'''
(RAF muss gegen einfache Baselines und ohne Datenleckage getestet werden)
(!Ein komplexes Modell ist automatisch besser)
(!Ein einziges gutes Beispiel beweist die Allgemeingültigkeit)
(!Eine Prognose braucht keine Fehleranalyse)

{{E}}
<br>

{{BR}}
== Memory ==

<div class="memo-quiz">
{|
|-
| Zeitreihe || Werte in zeitlicher Reihenfolge
|-
| Retriever || Sucht passende externe Hinweise
|-
| Embedding || Vektorielle Darstellung eines Musters
|-
| Exogene Variable || Einflussgröße von außen
|-
| Data Leakage || Unerlaubter Blick in die Zukunft
|-
| Walk Forward Validation || Testen entlang der Zeitachse
|}
{{E}}
<br>

{{BR}}
== Drag and Drop ==

<div class="lueckentext-quiz">

{| class="wikitable"
! Ordne die richtigen Begriffe zu.
! Thema
|-
| '''Aktuelles Zeitfenster'''
| Anfrage an das System
|-
| '''Embedding'''
| Vergleichbare Vektorform
|-
| '''Retriever'''
| Suche nach ähnlichen Fällen
|-
| '''Kontextintegration'''
| Einbau des gefundenen Wissens
|-
| '''Prognosekopf'''
| Ausgabe zukünftiger Werte

|}
{{E}}

<br>
...
<br />

{{BR}}
== Kreuzworträtsel ==

<div class="kreuzwort-quiz">
{|
|-
| Zeitreihe || Wie nennt man eine Folge von Messwerten, die nach Zeitpunkten geordnet ist?
|-
| Retriever || Welcher Baustein sucht passende Beispiele oder Dokumente?
|-
| Embedding || Wie heißt eine vektorielle Darstellung für den Ähnlichkeitsvergleich?
|-
| Prognose || Wie nennt man eine begründete Aussage über zukünftige Werte?
|-
| Leakage || Wie heißt der Fehler, wenn Zukunftsinformation in Training oder Abruf gelangt?
|-
| Validierung || Wie nennt man die systematische Prüfung eines Modells mit Testdaten?
|}
{{E}}
<br>

{{BR}}
== LearningApps ==

<iframe> https://learningapps.org/index.php?s=Retrieval-Augmented+Forecasting </iframe>

{{BR}}
== Lückentext ==

<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
Bei Retrieval-Augmented Forecasting wird eine { Zeitreihe } nicht nur mit den gelernten Parametern eines Modells ausgewertet. Ein { Retriever } sucht zusätzliche Hinweise, die zur aktuellen Situation passen. Ein { Embedding } macht Muster so vergleichbar, dass Ähnlichkeit berechnet werden kann. Die abgerufenen Informationen werden als { Kontext } in die Prognose eingebunden. Bei realen Daten können sich Muster durch { Nichtstationarität } verändern. Eine besonders gefährliche Fehlerquelle ist { Leakage }, weil dabei Zukunftsinformationen unzulässig genutzt werden. Gute Systeme vergleichen RAF mit einer einfachen { Baseline }. Die Qualität einer Prognose sollte mit passender { Validierung } geprüft werden. Externe Daten wie Wetter oder Kalender heißen oft { exogene } Variablen. Das Ziel ist eine Prognose, die genauer, erklärbarer und { robuster } wird.
</quiz>

<br>

{{BR}}
= Offene Aufgaben =

{{BR}}
=== Leicht ===

# [[Zeitreihen-Tagebuch]]: Sammle über sieben Tage eine einfache Zeitreihe, zum Beispiel Schlafdauer, Temperatur, Bildschirmzeit oder Schritte, und beschreibe Trend, Ausreißer und mögliche Einflussgrößen.
# [[Prognose ohne KI]]: Erstelle für Deine Zeitreihe eine einfache Vorhersage mit dem letzten Wert oder einem gleitenden Mittelwert und prüfe, wie gut sie war.
# [[Kontextkarten]]: Notiere zu fünf Messpunkten Deiner Zeitreihe mögliche Kontextinformationen, die eine Prognose verbessern könnten.
# [[Begriffsplakat]]: Gestalte ein Plakat, das die Begriffe Zeitreihe, Forecasting, Retrieval, Embedding und Data Leakage anschaulich erklärt.

{{BR}}
=== Standard ===

# [[Mini-Retriever]]: Suche in einer kleinen Tabelle ähnliche Zeitfenster und begründe, warum diese Beispiele für eine Prognose relevant sein könnten.
# [[Baseline-Vergleich]]: Vergleiche eine einfache Prognose mit einer Prognose, die zusätzlich Kontextinformationen nutzt, und beschreibe die Unterschiede.
# [[Fehleranalyse]]: Untersuche drei falsche Prognosen und erkläre, ob fehlender Kontext, Ausreißer, Nichtstationarität oder eine schlechte Baseline die Ursache sein könnte.
# [[Anwendungsfall entwerfen]]: Entwickle ein RAF-Konzept für Energie, Verkehr, Schule, Gesundheit, Landwirtschaft oder Produktion und beschreibe Datenquellen, Retriever und Risiken.

{{BR}}
=== Schwer ===

# [[Leakage-Audit]]: Prüfe ein fiktives RAF-System darauf, ob irgendwo Informationen aus der Zukunft in Training, Retrieval oder Evaluation gelangen könnten.
# [[Retrieval-Strategie vergleichen]]: Vergleiche Ähnlichkeitssuche, Kalenderfilter, semantische Suche und hybride Suche für denselben Anwendungsfall.
# [[Cross-Attention erklären]]: Erstelle eine verständliche Skizze oder Animation, die zeigt, wie aktuelle Zeitreihe und abgerufene Beispiele miteinander verbunden werden.
# [[Ethik und Governance]]: Entwickle Regeln für ein RAF-System, das sensible Daten nutzt, und berücksichtige Datenschutz, Transparenz, Verantwortlichkeit und menschliche Kontrolle.

{{:Offene Aufgabe - MOOC erstellen}}

{{BR}}
= Lernkontrolle =

# [[Transfer Energieprognose]]: Erkläre, warum ein Stromverbrauchsmodell an einem Feiertag trotz guter Trainingsdaten falsch liegen kann, und beschreibe, wie Retrieval helfen könnte.
# [[Modellentscheidung]]: Du hast ein einfaches saisonales Modell und ein komplexes RAF-System. Entwickle Kriterien, nach denen Du entscheidest, welches Modell im Betrieb eingesetzt werden sollte.
# [[Fehlerfall analysieren]]: Ein RAF-System ruft sehr ähnliche historische Kurven ab, prognostiziert aber trotzdem falsch. Erkläre mindestens drei mögliche Ursachen.
# [[Datenethik]]: Beurteile, welche externen Wissensquellen für eine Prognose im Gesundheitsbereich genutzt werden dürfen und welche problematisch wären.
# [[Evaluationsdesign]]: Entwirf einen Testplan, mit dem Du nachweisen kannst, dass Retrieval wirklich zur Verbesserung beiträgt und nicht nur zufällig gute Ergebnisse erzeugt.

<br>
<br>

{{BR}}
= Lernnachweis =

Für einen Lernnachweis zu [[Retrieval-Augmented Forecasting]] solltest Du zeigen, dass Du fachliche Grundlagen, technische Architektur und kritische Bewertung verbinden kannst.

# [[Begriffskompetenz]]: Du erklärst Zeitreihe, Forecasting, Retrieval, Embedding, Retriever, Wissensbasis, Data Leakage und Nichtstationarität korrekt.
# [[Systemverständnis]]: Du zeichnest oder beschreibst eine RAF-Architektur von der Eingabe bis zur Prognose.
# [[Anwendungskompetenz]]: Du entwickelst einen sinnvollen Anwendungsfall mit geeigneten Datenquellen.
# [[Evaluationskompetenz]]: Du wählst Baselines, Metriken und eine zeitlich korrekte Validierung.
# [[Reflexionskompetenz]]: Du diskutierst Grenzen, Risiken, Datenschutz und mögliche Fehlinterpretationen.
# [[Produkt]]: Du reichst ein kurzes Projekt, eine Präsentation, ein Diagramm oder ein erklärendes Video ein, das die Funktionsweise eines RAF-Systems nachvollziehbar macht.

<br>
<br>

{{BR}}
= OERs zum Thema =

<iframe> https://de.m.wikipedia.org/wiki/Zeitreihenanalyse </iframe>

<iframe> https://de.m.wikipedia.org/wiki/Retrieval-Augmented_Generation </iframe>

<iframe> https://de.m.wikipedia.org/wiki/K%C3%BCnstliches_neuronales_Netz </iframe>

<iframe> https://de.m.wikipedia.org/wiki/Transformer_%28Maschinelles_Lernen%29 </iframe>

<br>

{{BR}}
= Ausgewählte Fachquellen und Vertiefung =

# [https://proceedings.mlr.press/v267/han25d.html Retrieval Augmented Time Series Forecasting]: Forschungsbeitrag zu RAFT und ähnlichen historischen Mustern.
# [https://arxiv.org/abs/2412.20810 TimeRAF]: Forschungsbeitrag zu Retrieval-Augmented Foundation Models für Zero-Shot-Forecasting.
# [https://arxiv.org/abs/2503.07649 TS-RAG]: Forschungsbeitrag zu Retrieval-Augmented Generation für Zeitreihenprognosen.
# [https://arxiv.org/abs/2603.14709 Cross-RAG]: Forschungsbeitrag zu Cross-Attention für abgerufene Zeitreihenbeispiele.
# [https://arxiv.org/abs/2606.04135 SARAF]: Forschungsbeitrag zu stationaritätsbewusstem Retrieval bei wechselnden Zeitreihenregimen.
# [https://commons.wikimedia.org/wiki/Category:Time_series Wikimedia Commons - Time series]: Freie Medien zu Zeitreihen.
# [https://commons.wikimedia.org/wiki/Category:Artificial_neural_networks Wikimedia Commons - Artificial neural networks]: Freie Medien zu neuronalen Netzen.

{{BR}}
= Links =

{| align=center
{{:D-Tab}}
'''[[Retrieval-Augmented Forecasting]]'''
# [[Zeitreihenanalyse]]
# [[Forecasting]]
# [[Retrieval-Augmented Generation]]
# [[Information Retrieval]]
# [[Neuronales Netz]]
# [[Transformer]]
# [[Embedding]]
# [[Vektordatenbank]]
# [[k-nearest neighbors]]
# [[Attention]]
# [[Data Leakage]]
# [[Nichtstationarität]]
# [[Modellvalidierung]]
|}

[[Kategorie:Künstliche Intelligenz]]
[[Kategorie:Informatik]]
[[Kategorie:Data Science]]
[[Kategorie:Maschinelles Lernen]]
[[Kategorie:Neuronale Netze]]
[[Kategorie:Zeitreihenanalyse]]
[[Kategorie:Statistik]]
[[Kategorie:Mathematik]]
[[Kategorie:Sekundarstufe II]]
[[Kategorie:Studium]]
[[Kategorie:Ausbildung]]

{{BR}}
= aiMOOC-Projekte =
[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]]
{{MT}}

Retrieval-Augmented Forecasting - Versionsgeschichte

Glanz: aiMOOC über GPT aiMOOC Action erstellt