Retrieval-augmented Forecasting

Einleitung

Retrieval-augmented Forecasting verbindet klassische Zeitreihenanalyse, moderne Künstliche Intelligenz, Maschinelles Lernen und Information Retrieval. Die Grundidee ist einfach: Ein Prognosemodell soll nicht nur aus den aktuellen Eingabedaten lernen, sondern zusätzlich in einem „Gedächtnis“ nach ähnlichen historischen Fällen suchen. Dieses historische Fallwissen kann dem Modell helfen, bessere Vorhersagen für tabellarische Daten und Zeitreihen zu erstellen.

{{#ev:youtube| https://www.youtube.com/watch?v=B6Mx6rBx4xE |500|center}}

Im Video geht es um „Retrieval-augmented Forecasting: Ein KI-Gedächtnis / Hist. Fallwissen für tabellarische Zeitreihen“. Du lernst, warum neuronale Netze für Zeitreihenprognosen nicht nur Muster in Trainingsdaten erkennen, sondern durch gezielten Abruf ähnlicher Vergangenheitsfälle erweitert werden können. Besonders wichtig ist diese Idee, wenn Zeitreihen stark von Ereignissen, Saisonalität, Strukturbrüchen oder seltenen Sonderfällen geprägt sind.

Was ist Retrieval-augmented Forecasting?

Retrieval-augmented Forecasting bedeutet: Eine Prognose wird durch den Abruf ähnlicher historischer Fälle ergänzt. Das Modell betrachtet also nicht nur die unmittelbare Vergangenheit einer Zielzeitreihe, sondern sucht in einer Datenbank nach vergleichbaren Verlaufsmustern. Diese abgerufenen Fälle können Hinweise geben, wie sich die aktuelle Situation in Zukunft entwickeln könnte.

Der Begriff orientiert sich an Retrieval-Augmented Generation, kurz RAG. Bei RAG werden externe Wissensquellen abgerufen, bevor ein Large Language Model eine Antwort erzeugt. Bei Retrieval-augmented Forecasting werden statt Textpassagen ähnliche Zeitfenster, Muster, Ereignisverläufe oder tabellarische Fallbeispiele abgerufen. Aus einem sprachlichen Gedächtnis wird also ein zeitliches und tabellarisches Gedächtnis.

Das Ziel ist nicht, die Zukunft auswendig zu kennen. Das Ziel ist, aus früheren vergleichbaren Situationen sinnvolle Zusatzinformationen zu gewinnen. Wenn beispielsweise ein Online-Shop vor Weihnachten, während einer Rabattaktion oder nach einem Lieferengpass ähnliche Verlaufsmuster in der Vergangenheit hatte, kann ein Retrieval-System diese Fälle finden und für die neue Prognose nutzbar machen.

Grundidee in einem einfachen Beispiel

Stell Dir vor, Du möchtest die Zahl der täglichen Kundendienstanfragen eines Unternehmens vorhersagen. Die Zeitreihe zeigt normalerweise einen Wochenrhythmus: Montags gibt es viele Anfragen, am Wochenende weniger. Zusätzlich treten Sonderereignisse auf, etwa ein neues Produkt, eine technische Störung oder eine Rabattaktion. Ein normales Modell erkennt vielleicht Trend und Wochensaison. Ein retrieval-augmentiertes Modell sucht zusätzlich: „Gab es früher schon Tage oder Wochen, die ähnlich aussahen?“ Wenn ja, kann es die anschließende Entwicklung dieser historischen Fälle als Kontext verwenden.

Dadurch entsteht eine Art fallbasiertes Schließen für Zeitreihen. Der aktuelle Fall wird mit historischen Fällen verglichen. Ähnliche Fälle werden abgerufen. Deren Zukunftsverläufe liefern Hinweise für die aktuelle Prognose. Das Modell kann diese Hinweise direkt verwenden, gewichten oder über Attention-Mechanismen in eine neuronale Vorhersage integrieren.

Warum reicht klassisches Forecasting nicht immer aus?

Klassische Methoden der Zeitreihenanalyse wie Gleitender Durchschnitt, Exponentielle Glättung oder ARIMA sind sehr nützlich, wenn Daten relativ stabile Muster besitzen. Auch moderne Deep-Learning-Modelle wie RNNs, LSTM-Netze oder Transformer können komplexe Zusammenhänge lernen. Dennoch gibt es Probleme, bei denen ein reines Modellgedächtnis nicht genügt.

Zeitreihen können nichtstationär sein. Das bedeutet, dass sich ihre statistischen Eigenschaften über die Zeit verändern. Ein Verkaufsverlauf kann sich durch neue Konkurrenz, Lieferprobleme, Preisänderungen, Feiertage oder gesellschaftliche Ereignisse plötzlich ändern. In solchen Fällen ist es hilfreich, nicht nur abstrakte Modellparameter zu nutzen, sondern konkrete historische Vergleichsfälle abzurufen.

Zentrale Begriffe

Zeitreihe

Eine Zeitreihe ist eine zeitlich geordnete Folge von Beobachtungen. Beispiele sind tägliche Temperaturen, monatliche Umsätze, stündliche Stromlasten, Aktienkurse, Website-Besuche oder Produktionsmengen. Zeitreihen besitzen häufig Trend, Saisonalität, Zyklus, Rauschen und gelegentlich Ausreißer.

Bei einer Zeitreihenprognose wird aus vergangenen Beobachtungen eine Zukunftsschätzung erstellt. Dabei geht es nicht nur um eine einzige Zahl, sondern häufig auch um Unsicherheit. Eine gute Prognose sollte deshalb möglichst auch angeben, wie sicher oder unsicher sie ist.

Tabellarische Zeitreihen

Tabellarische Zeitreihen verbinden Zeitreihendaten mit zusätzlichen Merkmalen in Tabellenform. Eine Zeile kann zum Beispiel einen Tag, eine Filiale, ein Produkt und mehrere Einflussgrößen enthalten. Mögliche Spalten sind Datum, Umsatz, Preis, Wetter, Feiertag, Werbeaktion, Lagerbestand, Region oder Kundengruppe.

Diese Datenform ist in der Praxis besonders wichtig. Unternehmen, Verwaltungen und Forschungseinrichtungen arbeiten häufig mit Tabellen, in denen zeitliche Beobachtungen und erklärende Merkmale kombiniert sind. Retrieval-augmented Forecasting kann hier helfen, ähnliche historische Zeilenblöcke oder Zeitfenster zu finden.

Retrieval

Retrieval bedeutet Abruf. In der Informatik bezeichnet es das Suchen und Zurückholen relevanter Informationen aus einer Sammlung. Bei Texten kann es sich um Dokumente handeln. Bei Zeitreihen kann es sich um ähnliche Kurvenabschnitte, Ereignisfenster oder tabellarische Fälle handeln.

Ein Retrieval-System benötigt eine Suchfrage. Bei Forecasting ist diese Suchfrage oft kein normaler Satz, sondern ein Datenmuster: ein aktuelles Zeitfenster, eine Merkmalskombination oder eine Repräsentation im Vektorraum. Das System sucht dann ähnliche Muster in einer historischen Datenbank.

Embeddings und Ähnlichkeitssuche

Ein Embedding ist eine numerische Repräsentation eines Objekts. Texte, Bilder, Zeitfenster oder Tabellenzeilen können in Vektoren umgewandelt werden. Ähnliche Objekte sollen im Vektorraum nahe beieinanderliegen. Dadurch kann ein System effizient nach ähnlichen Fällen suchen.

Für Zeitreihen können Embeddings aus Rohwerten, statistischen Merkmalen oder neuronalen Repräsentationen entstehen. Die Ähnlichkeit kann zum Beispiel über Kosinus-Ähnlichkeit, Euklidischer Abstand, Dynamic Time Warping oder gelernte Distanzfunktionen bestimmt werden.

Historisches Fallwissen

Historisches Fallwissen meint gespeicherte Beispiele aus der Vergangenheit. Ein Fall kann aus einem Eingabefenster, Kontextmerkmalen und dem anschließend beobachteten Zukunftsverlauf bestehen. Das Modell kann fragen: „Welche vergangenen Fälle sahen ähnlich aus, und was geschah danach?“

Dieses Prinzip ist besonders nützlich bei seltenen oder komplexen Situationen. Wenn ein Modell ein bestimmtes Ereignis nur selten gesehen hat, kann der gezielte Abruf ähnlicher Fälle wertvoller sein als eine stark verallgemeinerte Durchschnittsregel.

Wie funktioniert ein retrieval-augmentiertes Prognosesystem?

Schritt 1: Daten sammeln und aufbereiten

Zunächst werden historische Zeitreihen und tabellarische Zusatzinformationen gesammelt. Dazu gehören Zielwerte, Zeitstempel und erklärende Merkmale. Die Daten müssen bereinigt werden: fehlende Werte werden behandelt, Ausreißer geprüft, Zeitabstände vereinheitlicht und Merkmale sinnvoll codiert.

Für die Schule oder Ausbildung ist wichtig: Ein Modell ist nur so zuverlässig wie seine Datengrundlage. Fehlerhafte historische Daten führen auch bei moderner KI zu schlechten Prognosen.

Schritt 2: Fälle bilden

Die Vergangenheit wird in Fälle zerlegt. Ein Fall kann zum Beispiel aus 30 vergangenen Tagen und den darauffolgenden 7 Tagen bestehen. Die ersten 30 Tage bilden das Eingabefenster. Die folgenden 7 Tage bilden den bekannten Zukunftsverlauf des historischen Falls. Bei tabellarischen Zeitreihen kommen zusätzliche Merkmale hinzu, etwa Preis, Region, Produktgruppe oder Feiertage.

Durch diese Zerlegung entsteht eine Fallbibliothek. Sie ist das Gedächtnis des Systems.

Schritt 3: Index erstellen

Damit das System schnell suchen kann, werden die Fälle indexiert. Dazu werden sie häufig in Embeddings umgewandelt und in einem Vektorindex gespeichert. Der Index ermöglicht es, ähnliche Fälle effizient zu finden, ohne jede einzelne Zeitreihe vollständig vergleichen zu müssen.

Die Qualität dieses Index ist entscheidend. Wenn die Repräsentationen schlechte Ähnlichkeiten abbilden, werden irrelevante Fälle gefunden. Dann kann Retrieval die Prognose sogar verschlechtern.

Schritt 4: Ähnliche Fälle abrufen

Für eine neue Prognose wird das aktuelle Zeitfenster ebenfalls in eine Suchrepräsentation umgewandelt. Anschließend sucht das System ähnliche historische Fälle. Je nach Methode werden die nächsten Nachbarn, besonders relevante Fallgruppen oder divers ausgewählte Beispiele abgerufen.

Hier entsteht eine zentrale didaktische Frage: Was heißt „ähnlich“? Zwei Zeitreihen können ähnliche Werte, ähnliche Formen, ähnliche Ereignisse oder ähnliche Kontextmerkmale besitzen. Eine gute Methode muss entscheiden, welche Ähnlichkeit für die konkrete Prognose relevant ist.

Schritt 5: Prognosemodell mit Kontext versorgen

Die abgerufenen Fälle werden dem Prognosemodell zusätzlich zur aktuellen Eingabe bereitgestellt. Es gibt verschiedene Möglichkeiten:

Direkte Nachbarschaftsprognose: Die Zukunftswerte ähnlicher Fälle werden gemittelt oder gewichtet.
Feature Engineering: Aus den abgerufenen Fällen werden zusätzliche Merkmale berechnet.
Attention: Ein neuronales Modell lernt, welche abgerufenen Fälle wichtig sind.
Hybridmodell: Ein klassisches Prognosemodell wird mit Retrieval-Informationen kombiniert.
Foundation Model: Ein großes vortrainiertes Zeitreihenmodell erhält die abgerufenen Fälle als zusätzlichen Kontext.

Schritt 6: Ergebnis prüfen und erklären

Eine Prognose ist nur dann nützlich, wenn sie geprüft und verstanden werden kann. Deshalb werden Metriken wie Mean Absolute Error, Root Mean Square Error oder Mean Absolute Percentage Error verwendet. Zusätzlich sollte geprüft werden, ob die abgerufenen Fälle fachlich plausibel sind.

Retrieval kann die Erklärbarkeit verbessern: Man kann zeigen, welche historischen Fälle zur Prognose beigetragen haben. Gleichzeitig darf man diese Erklärung nicht überschätzen. Ähnliche Fälle beweisen keine Kausalität. Sie liefern Hinweise, aber keine Garantie.

Architektur eines KI-Gedächtnisses

Fallbibliothek

Die Fallbibliothek enthält historische Beispiele. Jedes Beispiel sollte klar beschreiben, welche Eingabedaten vorlagen und welcher Zukunftsverlauf danach beobachtet wurde. In einer Produktprognose könnte ein Fall aus Produktgruppe, Region, Preis, Werbekalender, Lagerbestand und Absatzverlauf bestehen.

Eine gute Fallbibliothek ist gepflegt, aktuell und repräsentativ. Alte Fälle können wertvoll sein, aber sie können auch veraltet sein. Deshalb muss entschieden werden, ob alle historischen Fälle gleich wichtig sind oder ob aktuelle Fälle stärker gewichtet werden.

Retriever

Der Retriever ist die Suchkomponente. Er entscheidet, welche historischen Fälle abgerufen werden. Ein einfacher Retriever kann nach nächster Nachbarschaft suchen. Ein komplexer Retriever kann neuronale Embeddings, Kontextfilter und Re-Ranking nutzen.

Ein guter Retriever soll relevante Fälle finden und irrelevante Fälle vermeiden. Er muss außerdem effizient sein, denn in großen Unternehmen können Millionen von Zeitfenstern gespeichert sein.

Prognosemodell

Das Prognosemodell verarbeitet die aktuelle Zeitreihe und den abgerufenen Kontext. Es kann ein einfaches statistisches Modell, ein Random Forest, ein Gradient-Boosting-Modell, ein Transformer oder ein spezialisiertes Zeitreihenmodell sein.

Die Stärke retrieval-augmentierter Verfahren liegt in der Verbindung: Das Modell lernt allgemeine Regeln, während Retrieval konkrete historische Beispiele liefert.

Speicher aktualisieren

Ein KI-Gedächtnis darf nicht statisch bleiben. Neue Daten sollen aufgenommen werden, sobald ihre tatsächlichen Zukunftswerte bekannt sind. Dadurch wächst die Fallbibliothek. Gleichzeitig müssen fehlerhafte, doppelte oder fachlich überholte Fälle geprüft werden.

Hier entstehen wichtige Fragen der Datenethik, des Datenschutzes und Data Governance. Wer darf Daten speichern? Welche Daten dürfen verwendet werden? Wie lange bleiben Fälle gültig? Wie wird verhindert, dass sensible Informationen in Prognosen einfließen?

Chancen und Grenzen

Chancen

Retrieval-augmented Forecasting kann Prognosen verbessern, wenn ähnliche historische Fälle tatsächlich hilfreiche Informationen enthalten. Besonders stark ist die Methode bei wiederkehrenden Sonderlagen, wechselnden Kontexten und vielen verwandten Zeitreihen. Sie kann außerdem transparenter sein als ein rein parametrisches Modell, weil abgerufene Vergleichsfälle sichtbar gemacht werden können.

In der Praxis kann diese Idee in vielen Bereichen eingesetzt werden: Logistik, Energieversorgung, Finanzmarkt, Wettervorhersage, Produktion, Gesundheitswesen, E-Commerce, Kundendienst und Bildungsmonitoring.

Grenzen

Retrieval ist kein Wundermittel. Wenn die historischen Fälle nicht vergleichbar sind, kann der Abruf falsche Hinweise liefern. Wenn die Datenbank verzerrt ist, werden auch die Prognosen verzerrt. Wenn die Zukunft durch völlig neue Ereignisse bestimmt wird, helfen alte Fälle nur begrenzt.

Außerdem kann ein System scheinbar ähnliche Fälle finden, die fachlich nicht zusammengehören. Eine ähnliche Kurvenform kann zufällig entstehen. Deshalb braucht Retrieval-augmented Forecasting immer fachliche Kontrolle und sorgfältige Evaluation.

Typische Fehlerquellen

Datenleck: Zukunftsinformationen gelangen unabsichtlich in Trainingsdaten.
Overfitting: Das System passt sich zu stark an historische Spezialfälle an.
Concept Drift: Die Bedeutung von Mustern verändert sich über die Zeit.
Selection Bias: Die Fallbibliothek enthält keine repräsentativen Beispiele.
Falsche Ähnlichkeit: Der Retriever findet formähnliche, aber fachlich irrelevante Fälle.

Vergleich mit verwandten Ansätzen

Klassische Zeitreihenmodelle

Klassische Modelle wie ARIMA, Exponentielle Glättung oder Gleitender Durchschnitt verwenden mathematische Annahmen über Trends, Saisonalität und Fehlerstrukturen. Sie sind oft gut erklärbar und benötigen weniger Daten. Bei sehr komplexen, nichtstationären oder ereignisgetriebenen Daten können sie jedoch an Grenzen stoßen.

Deep Learning für Zeitreihen

Deep Learning kann komplexe Muster in großen Datenmengen erkennen. RNNs, CNNs und Transformer werden für Zeitreihen eingesetzt. Diese Modelle speichern Wissen vor allem in ihren Parametern. Retrieval ergänzt sie durch ein nichtparametrisches Gedächtnis: relevante Fälle werden erst zur Prognosezeit abgerufen.

Retrieval-Augmented Generation und Forecasting

Retrieval-Augmented Generation ruft Wissen ab, um Texte fundierter zu erzeugen. Retrieval-augmented Forecasting ruft historische Datenmuster ab, um Zahlenverläufe besser vorherzusagen. Beide Ansätze trennen zwischen internem Modellwissen und externem Speicher. Der Unterschied liegt im Datentyp: RAG arbeitet häufig mit Texten, Forecasting mit Zeitreihen, Tabellen und Zukunftsverläufen.

Mini-Projekt: Ein eigenes Fallgedächtnis planen

Du kannst das Prinzip ohne Programmierung nachvollziehen. Wähle eine einfache Zeitreihe, zum Beispiel tägliche Schulmensa-Besuche, Fahrradverkehr, Temperatur, Bibliotheksausleihen oder Website-Aufrufe. Teile die Vergangenheit in kurze Abschnitte. Suche manuell nach Abschnitten, die ähnlich aussehen. Vergleiche, was danach geschah. Überlege dann, ob diese historischen Fortsetzungen für eine neue Prognose hilfreich wären.

So erkennst Du den Kern des Verfahrens: Prognosen entstehen nicht nur aus Formeln, sondern auch aus dem Vergleich mit gespeicherten Erfahrungen.

Wissenschaftliche Orientierung

Die Idee des retrieval-augmentierten Arbeitens wurde in der KI-Forschung vor allem durch Retrieval-Augmented Generation bekannt. In der Zeitreihenforschung werden verwandte Ansätze genutzt, um historische Muster, Fallbibliotheken und externe Speicher in Forecasting-Modelle einzubeziehen. Begriffe wie Time Series Foundation Model, Zero-shot Learning, Cross-Attention, Vektordatenbank und Nearest Neighbor Search spielen dabei eine wichtige Rolle.

Weiterführende fachliche Grundlagen:

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was ist die Grundidee von Retrieval-augmented Forecasting? (Eine Prognose wird durch den Abruf ähnlicher historischer Fälle ergänzt) (!Eine Prognose wird ausschließlich durch Zufallszahlen erzeugt) (!Eine Zeitreihe wird ohne Vergangenheitsdaten vorhergesagt) (!Ein Modell löscht alle alten Daten vor der Vorhersage)

Was bedeutet Retrieval im Kontext dieses Themas? (Abruf relevanter Informationen oder Fälle aus einem Speicher) (!Automatisches Löschen alter Prognosen) (!Umwandlung aller Daten in Bilder) (!Manuelles Zeichnen einer Zeitreihe)

Welche Datenform ist für tabellarische Zeitreihen typisch? (Zeitliche Beobachtungen werden mit zusätzlichen Merkmalen in Tabellen kombiniert) (!Jede Beobachtung besteht nur aus einem einzelnen Buchstaben) (!Die Reihenfolge der Beobachtungen spielt keine Rolle) (!Alle Merkmale müssen als Fließtext gespeichert werden)

Warum können ähnliche historische Fälle für eine Prognose hilfreich sein? (Sie zeigen, wie sich vergleichbare Situationen früher weiterentwickelt haben) (!Sie garantieren exakt dieselbe Zukunft) (!Sie ersetzen jede fachliche Prüfung) (!Sie machen Messfehler grundsätzlich unmöglich)

Was ist ein Embedding? (Eine numerische Repräsentation eines Objekts in einem Vektorraum) (!Ein Papierformular für Wetterdaten) (!Eine zufällige Liste ohne Bedeutung) (!Ein Diagramm ohne Datenbezug)

Welche Aufgabe hat ein Retriever? (Er sucht passende historische Fälle zu einer aktuellen Anfrage) (!Er erzeugt immer die endgültige Grafik) (!Er verändert die Uhrzeit der Messungen) (!Er entfernt alle saisonalen Muster)

Was ist eine wichtige Grenze retrieval-augmentierter Prognosen? (Ähnliche historische Fälle können fachlich irrelevant oder irreführend sein) (!Sie funktionieren ohne Daten immer perfekt) (!Sie benötigen niemals Evaluation) (!Sie liefern immer kausale Beweise)

Was bezeichnet Concept Drift? (Die Bedeutung oder Verteilung von Mustern verändert sich über die Zeit) (!Eine Zeitreihe bleibt für immer unverändert) (!Alle Datenpunkte haben denselben Wert) (!Ein Modell wird ohne Training besser)

Welche Rolle kann Attention in einem Prognosemodell spielen? (Sie kann lernen, welche abgerufenen Fälle besonders wichtig sind) (!Sie verhindert jede Unsicherheit) (!Sie ersetzt die Datenerhebung) (!Sie sortiert Kalenderdaten alphabetisch)

Warum kann Retrieval die Erklärbarkeit verbessern? (Man kann anzeigen, welche historischen Vergleichsfälle genutzt wurden) (!Weil das Modell keine Daten mehr braucht) (!Weil alle Prognosen automatisch richtig sind) (!Weil mathematische Fehler ausgeschlossen werden)

Memory

Retrieval	Abruf ähnlicher Fälle
Embedding	Vektor-Repräsentation
Zeitreihe	Zeitlich geordnete Beobachtungen
Retriever	Suchkomponente
Fallbibliothek	Historisches Gedächtnis
Concept Drift	Veränderung von Datenmustern
Forecasting	Zukunftsprognose

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Daten bereinigen	Vorbereitung
Fälle bilden	Historische Zeitfenster
Index erstellen	Suchbarer Speicher
Ähnliche Fälle abrufen	Retrieval
Prognose prüfen	Evaluation

Kreuzworträtsel

Retrieval	Wie heißt der Abruf relevanter Informationen aus einem Speicher?
Zeitreihe	Wie nennt man zeitlich geordnete Beobachtungen?
Embedding	Wie heißt eine numerische Repräsentation in einem Vektorraum?
Forecasting	Wie heißt die Vorhersage zukünftiger Werte auf Englisch?
Retriever	Welche Komponente sucht passende historische Fälle?
Baseline	Wie nennt man ein einfaches Vergleichsmodell in der Evaluation?

LearningApps

Lückentext

Retrieval-augmented Forecasting ergänzt eine Prognose durch den Abruf

historischer Fälle. Eine Zeitreihe ist eine zeitlich geordnete Folge von

. Bei tabellarischen Zeitreihen werden Zielwerte mit zusätzlichen

kombiniert. Ein Embedding beschreibt Daten als numerische Darstellung in einem

. Der Retriever sucht in einer Fallbibliothek nach

Vergleichsfällen. Die abgerufenen Zukunftsverläufe können einem Prognosemodell als zusätzlicher

dienen. Wichtig bleibt eine sorgfältige

, weil ähnliche Fälle auch irreführend sein können.

Offene Aufgaben

Leicht

Begriffe erklären: Erstelle ein Glossar mit zehn Begriffen aus dem Thema, zum Beispiel Retrieval, Forecasting, Zeitreihe, Embedding und Fallbibliothek. Erkläre jeden Begriff in eigenen Worten.
Alltagsprognose: Wähle eine einfache Alltagszeitreihe, etwa Temperatur, Schritte pro Tag oder Lernzeit. Beschreibe, welche Muster Du erwartest.
Ähnliche Fälle suchen: Zeichne fünf kurze Kurvenverläufe und markiere zwei, die sich ähnlich sehen. Begründe Deine Entscheidung.
Video-Zusammenfassung: Fasse das eingebundene Video in fünf Kernaussagen zusammen und formuliere dazu drei Verständnisfragen.

Standard

Fallbibliothek entwerfen: Plane eine Tabelle für ein KI-Gedächtnis. Lege Spalten für Zeitfenster, Kontextmerkmale und beobachtete Zukunftswerte fest.
Prognosevergleich: Vergleiche eine einfache Durchschnittsprognose mit einer Prognose, die sich an ähnlichen historischen Fällen orientiert.
Ähnlichkeit diskutieren: Entwickle drei Kriterien, nach denen zwei Zeitreihenabschnitte ähnlich sein können. Prüfe, welches Kriterium für Dein Beispiel am sinnvollsten ist.
Fehlerquellen analysieren: Beschreibe an einem selbst gewählten Beispiel, wie Datenleck, Overfitting oder Concept Drift eine Prognose verfälschen können.

Schwer

Retrieval-Pipeline konzipieren: Entwirf eine vollständige Pipeline von der Datensammlung über Embeddings und Index bis zur Prognose und Evaluation.
Ethik und Datenschutz: Analysiere, welche Datenschutzprobleme entstehen können, wenn historische Kundendaten für ein Prognosegedächtnis gespeichert werden.
Experiment planen: Entwickle ein Evaluationsdesign, mit dem Du prüfen kannst, ob Retrieval eine Prognose wirklich verbessert. Achte auf Baseline, Testdaten und Metriken.
Transferleistung: Übertrage das Konzept auf einen Bereich wie Energie, Schule, Verkehr oder Gesundheit. Erkläre, welche Fälle gespeichert werden müssten und welche Risiken entstehen.

Lernkontrolle

Konzeptvergleich: Erkläre den Unterschied zwischen einem klassischen Zeitreihenmodell und einem retrieval-augmentierten Prognosesystem anhand eines konkreten Beispiels.
Systemanalyse: Ein Modell ruft historische Fälle ab, die nur äußerlich ähnlich aussehen. Beschreibe, warum die Prognose dadurch schlechter werden kann.
Anwendungstransfer: Übertrage Retrieval-augmented Forecasting auf die Planung von Schulmensa-Essen. Welche Daten wären wichtig, und wie könnten ähnliche Fälle helfen?
Bewertung von Prognosen: Entwickle Kriterien, mit denen Du entscheidest, ob eine retrieval-augmentierte Prognose besser ist als eine einfache Baseline.
Erklärbarkeit: Diskutiere, wann abgerufene Vergleichsfälle eine Prognose verständlicher machen und wann sie eine falsche Sicherheit erzeugen.
Datenethik: Beurteile, welche Daten in einer Fallbibliothek gespeichert werden sollten und welche aus ethischen oder rechtlichen Gründen problematisch wären.

Lernnachweis

Für einen Lernnachweis zu Retrieval-augmented Forecasting solltest Du zeigen, dass Du nicht nur Begriffe auswendig kennst, sondern Zusammenhänge erklären und anwenden kannst. Wichtig sind:

Begriffsverständnis: Du erklärst Zeitreihe, Retrieval, Embedding, Fallbibliothek, Retriever, Forecasting und Evaluation korrekt.
Modellverständnis: Du beschreibst, wie ein aktuelles Zeitfenster mit historischen Fällen verglichen wird.
Datenkompetenz: Du erkennst, welche Daten für tabellarische Zeitreihen benötigt werden und welche Fehlerquellen auftreten können.
Transfer: Du wendest das Prinzip auf ein neues Praxisbeispiel an.
Kritische Reflexion: Du bewertest Chancen, Grenzen, Datenschutzfragen und mögliche Verzerrungen.
Produkt: Du erstellst eine Skizze, Tabelle, Präsentation oder ein kleines Konzept für ein eigenes KI-Gedächtnis.

OERs zum Thema

Links

Retrieval-augmented Forecasting

aiMOOC-Projekte

Schulfach+

Prüfungsliteratur 2026
Bundesland	Bücher	Kurzbeschreibung
Baden-Württemberg	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck Mittlere Reife Der Markisenmann - Jan Weiler oder Als die Welt uns gehörte - Liz Kessler Ein Schatten wie ein Leopard - Myron Levoy oder Pampa Blues - Rolf Lappert	Abitur Dorfrichter-Komödie über Wahrheit/Schuld; Roman über einen Ort und deutsche Geschichte. Mittlere Reife Wahllektüren (Roadtrip-Vater-Sohn / Jugendroman im NS-Kontext / Coming-of-age / Provinzroman).
Bayern	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Lustspiel über Machtmissbrauch und Recht; Roman als Zeitschnitt deutscher Geschichte an einem Haus/Grundstück.
Berlin/Brandenburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Der Biberpelz - Gerhart Hauptmann Heimsuchung - Jenny Erpenbeck	Abitur Gerichtskomödie; soziales Drama um Ausbeutung/Armut; Komödie/Satire um Diebstahl und Obrigkeit; Roman über Erinnerungsräume und Umbrüche.
Bremen	Abitur Nach Mitternacht - Irmgard Keun Mario und der Zauberer - Thomas Mann Emilia Galotti - Gotthold Ephraim Lessing oder Miss Sara Sampson - Gotthold Ephraim Lessing	Abitur Roman in der NS-Zeit (Alltag, Anpassung, Angst); Novelle über Verführung/Massenpsychologie; bürgerliche Trauerspiele (Moral, Macht, Stand).
Hamburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun	Abitur Justiz-/Machtkritik als Komödie; Großstadtroman der Weimarer Zeit (Rollenbilder, Aufstiegsträume, soziale Realität).
Hessen	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Heimsuchung - Jenny Erpenbeck Der Prozess - Franz Kafka	Abitur Gerichtskomödie; Fragmentdrama über Gewalt/Entmenschlichung; Erinnerungsroman über deutsche Brüche; moderner Roman über Schuld, Macht und Bürokratie.
Niedersachsen	Abitur Der zerbrochene Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun Die Marquise von O. - Heinrich von Kleist Über das Marionettentheater - Heinrich von Kleist	Abitur Schwerpunkt auf Drama/Roman sowie Kleist-Prosatext und Essay (Ehre, Gewalt, Unschuld; Ästhetik/„Anmut“).
Nordrhein-Westfalen	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Komödie über Wahrheit und Autorität; Roman als literarische „Geschichtsschichtung“ an einem Ort.
Saarland	Abitur Heimsuchung - Jenny Erpenbeck Furor - Lutz Hübner und Sarah Nemitz Bahnwärter Thiel - Gerhart Hauptmann	Abitur Erinnerungsroman an einem Ort; zeitgenössisches Drama über Eskalation/Populismus; naturalistische Novelle (Pflicht/Überforderung/Abgrund).
Sachsen (berufliches Gymnasium)	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Irrungen, Wirrungen - Theodor Fontane Der gute Mensch von Sezuan - Bertolt Brecht Heimsuchung - Jenny Erpenbeck Der Trafikant - Robert Seethaler	Abitur Mischung aus Klassiker-Drama, sozialem Drama, realistischem Roman, epischem Theater und Gegenwarts-/Erinnerungsroman; zusätzlich Coming-of-age im historischen Kontext.
Sachsen-Anhalt	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Themenfelder)	Abitur Schwerpunktsetzung über Themenfelder (u. a. Literatur um 1900; Sprache in politisch-gesellschaftlichen Kontexten), ohne feste Einzeltitel.
Schleswig-Holstein	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Recht/Gerechtigkeit und historische Tiefenschichten eines Ortes – umgesetzt über Drama und Gegenwartsroman.
Thüringen	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Orientierung am gemeinsamen Aufgabenpool)	Abitur In der Praxis häufig Orientierung am gemeinsamen Aufgabenpool; landesweite Einzeltitel je nach Vorgabe/Handreichung nicht einheitlich ausgewiesen.
Mecklenburg-Vorpommern	Abitur (Quelle aktuell technisch nicht abrufbar; Beteiligung am gemeinsamen Aufgabenpool bekannt)	Abitur Land beteiligt sich am länderübergreifenden Aufgabenpool; konkrete, veröffentlichte Einzeltitel konnten hier nicht ausgelesen werden.
Rheinland-Pfalz	Abitur (keine landesweit einheitliche Pflichtlektüre; schulische Auswahl)	Abitur Keine landesweite Einheitsliste; Auswahl kann schul-/kursbezogen erfolgen.