Benjamin_Boenisch/breakpilot-core
1
0
Fork 0
Code Issues Pull Requests Actions 1 Packages Projects Releases Wiki Activity
Files
19d1a56df429cacbf3dcf058119935f96f8ca9ea
breakpilot-core/control-pipeline/data/quaidal/metrics.yaml
T
Benjamin Admin 7d721a6787
CI / go-lint (push) Has been skipped
Details
CI / python-lint (push) Has been skipped
Details
CI / nodejs-lint (push) Has been skipped
Details
CI / test-go-consent (push) Successful in 40s
Details
CI / test-python-voice (push) Successful in 36s
Details
CI / test-bqas (push) Successful in 33s
Details
feat(control-pipeline): BSI QUAIDAL Clean-Room ingestion (AI Act Art. 10) 
Clean-Room derivation of 195 controls from BSI QUAIDAL (10 criteria + 15
building blocks + 30 measures + 140 metrics) for EU AI Act Art. 10
training-data quality compliance.

- ingest_bsi_quaidal.py parses YAML frontmatter into a structural index
  (no protected prose stored on disk).
- derive_quaidal_mcs.py rewrites each entry via local LLM (qwen3.5:35b-a3b)
  with a hard 4-gram plagiarism gate < 20%; achieved mean overlap 0.5%.
- Migration 011 adds compliance.derived_controls table with full source
  provenance (framework, section, url, commit SHA, license note).
- apply_quaidal_to_db.py UPSERTs YAML into DB.
- Source repo (legal-sources/bsi-quaidal/) gitignored.

Same pattern as IACE module DIN-reference handling: name the norm and
section, never quote.

Backed by BSI license clarification 2026-05: § 5 UrhG anwendbar,
share:true im Frontmatter; Clean-Room derivation is the safe path.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
2026-05-19 13:02:49 +02:00

2882 lines
169 KiB
YAML
Raw Blame History

source: Derived from BSI QUAIDAL (Clean-Room)
source_url: https://github.com/BSI-Bund/QUAIDAL
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
plagiarism_limit_4gram: 0.2
generated_by_model: qwen3.5:35b-a3b
controls:
- id: MET-AI-DATA-QM-01-meanabsoluteerror
canonical_name: MeanAbsoluteError
description: Das System muss die mittlere absolute Abweichung zwischen den tatsächlichen
und den imputierten Werten in den Trainingsdatensätzen berechnen. Diese Kennzahl
dient als objektiver Indikator zur Validierung der Plausibilität von Datenlückenfüllungen.
Die Einhaltung definierter Schwellenwerte ist zwingend erforderlich, um die Datenqualität
vor dem Modelltraining sicherzustellen. Eine Abweichung, die diesen Grenzwert
überschreitet, muss als kritischer Fehler protokolliert werden.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-01
title_original_de: QM-01 MeanAbsoluteError
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-01_MeanAbsoluteError.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0377
- id: MET-AI-DATA-QM-02-mittlerer-quadratischer-fehler
canonical_name: Mittlerer quadratischer Fehler
description: Das System muss den mittleren quadratischen Fehler berechnen, um die
Abweichung zwischen den generierten KI-Ausgaben und den Referenzdaten quantitativ
zu erfassen. Diese Metrik ist sicherzustellen, da sie größere Diskrepanzen im
Datensatz stärker gewichtet als lineare Fehlermaße. Die Prüfung erfolgt durch
den automatisierten Abgleich von Vorhersagewerten mit den tatsächlichen Zielgrößen
im Trainings- und Validierungsdatensatz.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-02
title_original_de: QM-02 Mittlerer quadratischer Fehler
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-02_RootMeanSquareError.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-03-f-mass
canonical_name: F-Maß
description: Das System muss einen harmonischen Mittelwert aus der Trefferquote
und dem positiven Vorhersagewert für binäre Klassifizierungsaufgaben berechnen,
um die Vorhersagegüte zu quantifizieren. Dieser Qualitätsindikator ist als F-Maß
zu definieren und muss während des gesamten Trainingsprozesses kontinuierlich
überwacht werden. Die Einhaltung der definierten Schwellenwerte ist durch automatisierte
Prüfungen sicherzustellen, um die Zuverlässigkeit der KI-Modelle zu garantieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-03
title_original_de: QM-03 F-Maß
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-03_F-Measure.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-04-genauigkeit
canonical_name: Genauigkeit
description: Das System muss sicherstellen, dass der Anteil der korrekt klassifizierten
Instanzen im Validierungsdatensatz einen definierten Schwellenwert überschreitet.
Diese Metrik ist als primäres Maß für die Vorhersagegenauigkeit bei ausgewogenen
Datensätzen zu prüfen. Abweichungen von der Soll-Genauigkeit sind durch eine Analyse
der Trainingsdatenqualität zu untersuchen. Die Einhaltung dieser Vorgabe ist vor
jedem Deployment nachzuweisen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-04
title_original_de: QM-04 Genauigkeit
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-04_Accuracy.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-05-praezision
canonical_name: Präzision
description: Die Genauigkeit positiver Klassifizierungen im KI-Modell ist als Verhältnis
der korrekt identifizierten positiven Instanzen zur Gesamtzahl aller als positiv
bewerteten Fälle zu quantifizieren. Dieser Qualitätsindikator muss insbesondere
dann überwacht werden, wenn die Konsequenzen von Fehlalarmen signifikant sind.
Eine Abweichung unter dem definierten Schwellenwert ist als Verstoß gegen die
Datenqualitätsanforderungen zu werten und erfordert eine sofortige Überprüfung
des Trainingsdatensatzes.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-05
title_original_de: QM-05 Präzision
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-05_Precision.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0179
- id: MET-AI-DATA-QM-06-recall
canonical_name: Recall
description: Das System muss die Fähigkeit nachweisen, alle tatsächlich vorhandenen
Defekte in den Trainingsdaten korrekt zu identifizieren, wobei der Anteil der
erkannten Fälle an der Gesamtzahl der Defekte einen definierten Mindestwert erreichen
muss. Diese Kennzahl ist als primärer Qualitätsindikator für die Vollständigkeit
der Erkennungsleistung zu etablieren und regelmäßig zu validieren. Eine unzureichende
Abdeckung positiver Fälle ist als kritischer Mangel an der Datenqualität zu bewerten,
der sofortige Korrekturmaßnahmen auslöst.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-06
title_original_de: QM-06 Recall
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-06_Recall.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0156
- id: MET-AI-DATA-QM-07-spezifizitaet
canonical_name: Spezifizität
description: Das KI-Modell muss in der Lage sein, nicht-zutreffende Eingaben mit
hoher Zuverlässigkeit als negativ zu klassifizieren, um Fehlalarme bei kritischen
Prozessen zu minimieren. Die Spezifität ist als quantitativer Indikator zu ermitteln
und muss einen definierten Schwellenwert überschreiten, um die Datenqualität des
Trainingssets zu validieren. Eine Prüfung ist durchzuführen, um sicherzustellen,
dass das System irrelevante Muster korrekt ausschließt und keine unnötigen Interventionen
auslöst.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-07
title_original_de: QM-07 Spezifizität
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-07_Specificity.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0164
- id: MET-AI-DATA-QM-08-lernkurven
canonical_name: Lernkurven
description: Es ist sicherzustellen, dass die Entwicklung des KI-Modells durch eine
Analyse der Modellgüte in Abhängigkeit von der Trainingsdatengröße begleitet wird.
Diese Untersuchung muss nachweisen, ob eine weitere Vergrößerung des Datensatzes
zu einer signifikanten Verbesserung der Validierungsleistung führt oder ob ein
Sättigungseffekt eingetreten ist. Die Prüfung erfolgt durch die Auswertung der
Metrikverläufe während des Trainings, um die Angemessenheit der gewählten Datenmenge
zu validieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-08
title_original_de: QM-08 Lernkurven
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-08_LearningCurve.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-09-konfidenzniveau
canonical_name: KonfidenzNiveau
description: Das System muss eine statistische Schätzung der Datenqualität für KI-Trainingsdaten
bereitstellen, die mit einer definierten Wahrscheinlichkeit den wahren Wert der
zugrundeliegenden Population abdeckt. Es ist sicherzustellen, dass das berechnete
Konfidenzniveau die Gültigkeit von Stichprobenstatistiken auf die Gesamtheit der
Daten validiert. Die Einhaltung dieses Parameters ist durch regelmäßige Prüfungen
der Intervallgrenzen nachzuweisen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-09
title_original_de: QM-09 KonfidenzNiveau
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-09_KonfidenzNiveau.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-10-1-principal-component-analysis
canonical_name: -1 Principal Component Analysis
description: Für die Validierung der KI-Trainingsdaten ist eine dimensionsreduzierende
Analyse durchzuführen, um redundante Merkmalskorrelationen zu identifizieren und
die Datenstruktur zu komprimieren. Es ist sicherzustellen, dass die ursprünglichen
Variablen in eine reduzierte Menge orthogonaler Hauptkomponenten transformiert
werden, wobei der Informationsverlust minimiert wird. Die Effektivität dieses
Prozesses ist durch den Nachweis einer signifikanten Reduktion der Datenkomplexität
bei gleichzeitiger Wahrung der interpretierbaren Informationsdichte zu prüfen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-10
title_original_de: QM-10-1 Principal Component Analysis
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-10_Dimension%20Reduction/QM-10-1_PrincipalComponentAnalysis.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-10-2-clustergraph-analysisqm-10-2-clustergr
canonical_name: -2_Clustergraph AnalysisQM-10-2 Clustergraph Analysis
description: Das System muss eine topologische Analyse der KI-Trainingsdaten durchführen,
um die globale Struktur und relative Distanz zwischen identifizierten Datenclustern
explizit abzubilden. Es ist sicherzustellen, dass bei der Dimensionsreduktion
die strukturellen Beziehungen zwischen den Clustern erhalten bleiben und nicht
durch lokale Verzerrungen verfälscht werden. Die Korrektheit dieser Darstellung
ist durch einen automatisierten Validierungsprozess zu prüfen, der Abweichungen
von der ursprünglichen multidimensionalen Verteilung quantifiziert.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-10
title_original_de: QM-10-2_Clustergraph AnalysisQM-10-2 Clustergraph Analysis
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-10_Dimension%20Reduction/QM-10-2_Clustergraph%20Analysis.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0333
- id: MET-AI-DATA-QM-10-3-robustprincipalcomponentanalysis
canonical_name: -3 RobustPrincipalComponentAnalysis
description: Das System muss zur Sicherstellung der Datenintegrität ein Verfahren
zur Trennung von Grundmustern und Anomalien implementieren, das über klassische
Hauptkomponentenanalysen hinausgeht. Durch die Zerlegung der Eingabedatenmatrix
in eine niedrigrangige Strukturkomponente und eine spärliche Störkomponente ist
eine robuste Filterung von Ausreißern im Trainingsdatensatz sicherzustellen. Diese
Methode ist zwingend erforderlich, um die Modellgenauigkeit bei verrauschten oder
fehlerbehafteten Eingaben zu gewährleisten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-10
title_original_de: QM-10-3 RobustPrincipalComponentAnalysis
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-10_Dimension%20Reduction/QM-10-3_RobustPrincipalComponentAnalysis.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-10-dimensionsreduktion
canonical_name: Dimensionsreduktion
description: Das System muss Verfahren zur Reduktion der Merkmalsdimensionalität
in KI-Trainingsdatensätzen anwenden, um redundante Variablen zu eliminieren und
den Informationsgehalt zu maximieren. Es ist sicherzustellen, dass die Anzahl
der verbleibenden Merkmale strikt unter der ursprünglichen Dimensionalität liegt,
während die wesentlichen Datenstrukturen erhalten bleiben. Die Eignung der eingesetzten
Algorithmen ist durch technische Prüfungen nachzuweisen, um die Interpretierbarkeit
der Ergebnisse zu gewährleisten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-10
title_original_de: QM-10 Dimensionsreduktion
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-10_Dimension%20Reduction/QM-10_Dimension%20Reduction.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-11-1-pearson-korrelationskoeffizient
canonical_name: -1 Pearson-Korrelationskoeffizient
description: Für kontinuierliche Trainingsdaten ist sicherzustellen, dass die lineare
Abhängigkeit zwischen zwei Variablen durch den Bravais-Pearson-Koeffizienten quantifiziert
wird. Der berechnete Wert muss im Intervall von -1 bis 1 liegen, um die Stärke
und Richtung des Zusammenhangs eindeutig zu bewerten. Eine Prüfung ist durchzuführen,
ob die Daten auf einer Intervall- oder Verhältnisskala vorliegen, bevor die Metrik
angewendet wird.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-11
title_original_de: QM-11-1 Pearson-Korrelationskoeffizient
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-11_Korrelationskoeffizienten/QM-11-1_Pearson-Korrelationskoeffizient.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.1273
- id: MET-AI-DATA-QM-11-2-spearman-rangkorrelationskoeffizient
canonical_name: -2 Spearman-Rangkorrelationskoeffizient
description: Das System muss den Spearman-Rangkorrelationskoeffizienten zur Validierung
der monotonen Abhängigkeit zwischen KI-Trainingsvariablen berechnen. Diese Kennzahl
ist als nichtparametrisches Maß zwingend einzusetzen, um Zusammenhänge bei nicht-normalverteilten
Daten oder Vorhandensein von Ausreißern zu quantifizieren. Die Prüfung ist erfolgreich,
wenn der ermittelte Wert im definierten Intervall von -1 bis 1 liegt und die Richtung
der Beziehung eindeutig identifiziert wird.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-11
title_original_de: QM-11-2 Spearman-Rangkorrelationskoeffizient
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-11_Korrelationskoeffizienten/QM-11-2_Spearman-Rangkorrelationskoeffizient.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-11-3-kendalls-tau
canonical_name: -3 Kendalls Tau
description: Die Korrelation zwischen den Rangfolgen von KI-Vorhersagen und manuell
verifizierten Qualitätslabels ist mittels des Kendall-Tau-Koeffizienten zu ermitteln.
Dieses nichtparametrische Verfahren ist zwingend anzuwenden, um monotone Zusammenhänge
auch bei nichtlinearen Mustern oder vorhandenen Ausreißern robust zu validieren.
Die Prüfung muss sicherstellen, dass die berechnete Stärke der Assoziation die
Datenqualität der Trainingsdaten unabhängig von der Verteilungsform bestätigt.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-11
title_original_de: QM-11-3 Kendalls Tau
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-11_Korrelationskoeffizienten/QM-11-3_Kendalls%20Tau.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-11-4-punktbiserialer-korrelationskoeffizien
canonical_name: -4 Punktbiserialer Korrelationskoeffizient
description: Für die Validierung von KI-Trainingsdaten ist der punktbiseriale Korrelationskoeffizient
zwingend anzuwenden, um die Abhängigkeit zwischen binären Klassifikationsmerkmalen
und kontinuierlichen Wertefeldern quantitativ zu bewerten. Diese Kennzahl muss
die Stärke und Richtung des linearen Zusammenhangs exakt erfassen, wobei sie als
spezialisierte Form der Pearson-Korrelation für den Fall einer dichotomen und
einer metrischen Variable fungiert. Die Berechnung ist vor dem finalen Modelltraining
durchzuführen, um sicherzustellen, dass relevante Einflussfaktoren auf die Datenqualität
hinreichend identifiziert werden.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-11
title_original_de: QM-11-4 Punktbiserialer Korrelationskoeffizient
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-11_Korrelationskoeffizienten/QM-11-4_Koeffizient%20der%20punktbiserialen%20Korrelation.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0286
- id: MET-AI-DATA-QM-11-5-phi-koeffizient
canonical_name: -5 Phi-Koeffizient
description: Für die Validierung von KI-Trainingsdaten ist der Phi-Koeffizient als
statistisches Maß zur Quantifizierung der Assoziationsstärke zwischen zwei binären
Variablen anzuwenden. Die Berechnung basiert ausschließlich auf den Häufigkeitsverteilungen
einer 2x2-Kontingenztafel, um die Korrelation zwischen den Ausprägungen zu ermitteln.
Es ist sicherzustellen, dass dieses Verfahren nur bei Daten mit genau zwei diskreten
Kategorien eingesetzt wird, um die Datenqualität objektiv zu prüfen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-11
title_original_de: QM-11-5 Phi-Koeffizient
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-11_Korrelationskoeffizienten/QM-11-5_Phi-Koeffizient.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-11-korrelationskoeffizient-diverse
canonical_name: Korrelationskoeffizient(diverse)
description: Für die Validierung von KI-Trainingsdatensätzen ist der lineare Zusammenhang
zwischen relevanten Eingangsvariablen durch den Korrelationskoeffizienten quantitativ
zu ermitteln. Es ist sicherzustellen, dass die berechneten Werte im Intervall
von -1 bis +1 liegen und die Stärke sowie Richtung der Abhängigkeit eindeutig
identifizieren. Abweichungen von definierten Schwellenwerten für signifikante
Korrelationen sind als Qualitätsmangel zu protokollieren und zu analysieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-11
title_original_de: QM-11 Korrelationskoeffizient(diverse)
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-11_Korrelationskoeffizienten/QM-11_Korrelationskoeffizient(diverse).md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-12-prozent-fehl-variablen
canonical_name: Prozent fehl. Variablen
description: Der Anteil nicht verfügbarer Werte innerhalb definierter Eingabemerkmale
ist als prozentualer Indikator für die Datenintegrität zu ermitteln. Diese Kennzahl
muss den relativen Umfang von Lücken im Trainingskorpus quantifizieren, um die
Zuverlässigkeit der KI-Modelle zu bewerten. Die Berechnung ist auf Basis des Gesamtvolumens
des Datensatzes durchzuführen und regelmäßig zu validieren, um Datenbereinigungsmaßnahmen
einzuleiten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-12
title_original_de: QM-12 Prozent fehl. Variablen
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-12_Prozentsatz%20auf%20Daten.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-13-lineare-diskriminanzanalyse
canonical_name: Lineare Diskriminanzanalyse
description: Das KI-Modell muss ein lineares Diskriminanzverfahren implementieren,
um Trainingsdatenpunkte basierend auf definierten Merkmalsvektoren optimal in
vorab festgelegte Klassen zu segmentieren. Es ist sicherzustellen, dass die Trennhyperflächen
so berechnet werden, dass der Abstand zwischen den Klassenmittelwerten maximiert
und die Varianz innerhalb jeder Klasse gleichzeitig minimiert wird. Die Güte der
Klassifizierung ist durch die Prüfung der Normalverteilungsannahme der Eingabedaten
sowie der Homogenität der Kovarianzmatrizen vor dem Training zu validieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-13
title_original_de: QM-13 Lineare Diskriminanzanalyse
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-13%20Linear%20Discriminant%20Analysis.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-15-sixsigmaprocess
canonical_name: SixSigmaProcess
description: Das System muss die statistische Prozessfähigkeit von KI-Trainingsdatensätzen
kontinuierlich überwachen, um die Standardabweichung der Qualitätsmerkmale auf
maximal sechs Sigma zu begrenzen. Es ist sicherzustellen, dass die Fehlerrate
bei der Datenerstellung und -verarbeitung unter 3,4 Defekte pro Million Möglichkeiten
bleibt. Jede Abweichung von diesem Zielwert ist durch automatische Ausreißererkennung
zu identifizieren und innerhalb definierter Toleranzgrenzen zu korrigieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-15
title_original_de: QM-15 SixSigmaProcess
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-15_SixSigmaProcess.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0182
- id: MET-AI-DATA-QM-16-1-interrater-reliabilitaet
canonical_name: -1 Interrater-Reliabilität
description: Für die Validierung der KI-Trainingsdaten ist die Konsistenz zwischen
mehreren unabhängigen annotierenden Instanzen quantifizativ zu prüfen. Dabei ist
ein statistisches Maß zur Berechnung der Übereinstimmung unter Berücksichtigung
des Zufallseinflusses anzuwenden. Die resultierende Kennzahl muss einen definierten
Mindestwert überschreiten, um die Datenqualität als gesichert zu bewerten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-16
title_original_de: QM-16-1 Interrater-Reliabilität
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-16_Reliability/QM-16-1_Inter%20Rater%20Reliability.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-16-2-test-retest-reliabilitaet
canonical_name: -2 Test-Retest-Reliabilität
description: Das System muss die Stabilität der KI-Ausgaben über die Zeit quantifizieren,
indem es identische Eingabedaten zu zwei separaten Zeitpunkten verarbeitet. Die
daraus resultierenden Ergebnisse sind durch einen statistischen Korrelationskoeffizienten
zu verknüpfen, um die Konsistenz der Modellleistung zu validieren. Eine Abweichung
unterhalb des definierten Schwellenwerts ist als Qualitätsmangel zu protokollieren
und zu untersuchen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-16
title_original_de: QM-16-2 Test-Retest-Reliabilität
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-16_Reliability/QM-16-2_Test-Retest-Reliability.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-16-3-split-half-reliability
canonical_name: -3 Split-Half-Reliability
description: Das System muss die Konsistenz der KI-Entscheidungen durch eine Aufteilung
der Trainingsdaten in zwei unabhängige Teilmengen verifizieren. Die Korrelation
der Ergebnisse beider Teilmengen ist zu ermitteln und mittels einer statistischen
Korrekturformel auf die Gesamtreliabilität hochzurechnen. Diese Kennzahl ist als
messbarer Indikator für die Datenqualität bei der Modellvalidierung heranzuziehen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-16
title_original_de: QM-16-3 Split-Half-Reliability
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-16_Reliability/QM-16-3_Split-Half-Reliability.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-16-4-cronsbachsches-alpha
canonical_name: -4 Cronsbachsches Alpha
description: Das System muss einen quantitativen Indikator zur Bewertung der internen
Konsistenz der zugrundeliegenden Trainingsdaten implementieren. Dieser Koeffizient
ist so zu berechnen, dass er die Korrelation zwischen einzelnen Datenelementen
einer Messskala präzise abbildet. Eine Einhaltung der definierten Schwellenwerte
ist zwingend erforderlich, um die Zuverlässigkeit der KI-Modellierung sicherzustellen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-16
title_original_de: QM-16-4 Cronsbachsches Alpha
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-16_Reliability/QM-16-4_Cronsbach%20Alpha.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-16-zuverlaessigkeit
canonical_name: Zuverlässigkeit
description: Der Anteil der im Trainingskorpus verifizierten und qualitätsgeprüften
Datensätze muss einen definierten Mindestwert überschreiten, um die statistische
Verlässlichkeit des Modells zu gewährleisten. Diese Kennzahl ist ausschließlich
auf Daten anzuwenden, deren Herkunft und Integrität durch autorisierte Quellen
bestätigt wurden. Eine regelmäßige Prüfung der Datenherkunft ist zwingend erforderlich,
um Abweichungen von der festgelegten Qualitätsbasis frühzeitig zu identifizieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-16
title_original_de: QM-16 Zuverlässigkeit
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-16_Reliability/QM-16_Reliability.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-17-abdeckungsgrad-von-auditmassnahmen
canonical_name: Abdeckungsgrad von Auditmaßnahmen
description: Der Erfassungsgrad der Audit-Logs muss quantifiziert werden, um die
Vollständigkeit der protokollierten Systemereignisse im Kontext spezifischer KI-Trainingsprozesse
zu verifizieren. Es ist sicherzustellen, dass mindestens 100 % der definierten
kritischen Aktionen und Datenqualitätsänderungen lückenlos in den Aufzeichnungen
nachvollziehbar sind. Abweichungen von dieser Vollständigkeit sind als Defekt
zu bewerten und müssen durch eine detaillierte Analyse der fehlenden Einträge
identifiziert werden.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-17
title_original_de: QM-17 Abdeckungsgrad von Auditmaßnahmen
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-17_CoverageLevel.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-18-haeufigkeits-und-gewichtungsfeldern
canonical_name: Häufigkeits- und Gewichtungsfeldern
description: Für die Validierung von KI-Modellen ist sicherzustellen, dass Trainingsdatensätze
explizite Metadaten zur Repräsentativität und Relevanz enthalten. Diese Attribute
müssen numerische Werte zur Häufigkeit und zur semantischen Gewichtung der einzelnen
Instanzen definieren, wobei die Gewichtung nicht auf Ganzzahlen beschränkt sein
darf. Während diese Parameter den Lernprozess steuern, sind sie bei der finalen
Leistungsbewertung auf repräsentativen Testsets zu ignorieren, um eine unverzerrte
Vergleichbarkeit zwischen verschiedenen Modellen zu gewährleisten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-18
title_original_de: QM-18 Häufigkeits- und Gewichtungsfeldern
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-18_Frequency%20and%20weighting%20fields.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-19-erklaerte-varianz
canonical_name: Erklärte Varianz
description: Das System muss den Anteil der durch das Modell erklärten Varianz der
Zielvariable in den Trainingsdaten quantifizieren, um die Reduktionsqualität zu
validieren. Dieser Wert ist als normierter Indikator zwischen null und eins sicherzustellen
und muss bei jeder Validierung der Datenqualität explizit berechnet werden. Eine
Abweichung von definierten Schwellenwerten ist als Qualitätsmangel zu protokollieren,
da sie auf eine unzureichende Merkmalsextraktion hinweist.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-19
title_original_de: QM-19 Erklärte Varianz
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-19_Explained%20Variance.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-21-kumulative-erklaerte-varianz
canonical_name: Kumulative erklärte Varianz
description: Das System muss einen quantitativen Indikator zur kumulativen Erklärung
der Datenvarianz implementieren, der den Anteil der durch gewählte Merkmale abgedeckten
Gesamtvariation erfasst. Dieser Wert ist bei jeder Validierung des Trainingsdatensatzes
zu berechnen, um die Angemessenheit der Dimensionsreduktion zu verifizieren. Die
Auswertung dient dazu, die minimale Anzahl an Features zu bestimmen, die für eine
repräsentative Datenabbildung erforderlich ist. Eine Unterschreitung des definierten
Schwellenwerts ist als Qualitätsabweichung zu protokollieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-21
title_original_de: QM-21 Kumulative erklärte Varianz
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-21_Cummulative_explained_variance.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-22-rekonstruktionsfehler
canonical_name: Rekonstruktionsfehler
description: Das System muss die Qualität der KI-Trainingsdaten durch den Vergleich
von Eingabevektoren mit deren rekonstruierten Versionen quantifizieren. Zur Sicherstellung
der Datenintegrität ist der mittlere quadratische Fehler als primäres Maß für
die Rekonstruktionsgenauigkeit zu ermitteln. Ein niedriger Abweichungswert bestätigt,
dass die extrahierten Merkmalsdimensionen die ursprünglichen Datenstrukturen hinreichend
abbilden.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-22
title_original_de: QM-22 Rekonstruktionsfehler
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-22_ReconstructionError.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-23-mittlerer-quadratischer-abweichung
canonical_name: Mittlerer quadratischer Abweichung
description: Das System muss einen metrischen Qualitätsindikator implementieren,
der die durchschnittliche quadrierte Abweichung zwischen den von der KI generierten
Vorhersagen und den referenzierten Sollwerten berechnet. Diese Kennzahl ist als
primäres Maß für die Modellgenauigkeit zu werten, wobei ein Wert nahe Null eine
hohe Übereinstimmung der Trainingsdatenqualität anzeigt. Die Berechnung muss sowohl
zufällige Schwankungen als auch systematische Verzerrungen in den Daten erfassen,
um eine valide Bewertung der Vorhersagegüte sicherzustellen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-23
title_original_de: QM-23 Mittlerer quadratischer Abweichung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-23_MeanSquaredError.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-25-1-variance-treshold
canonical_name: -1 Variance-Treshold
description: Für jedes Eingangsmerkmal ist die statistische Varianz zu ermitteln
und mit einem definierten Grenzwert zu vergleichen. Merkmale, deren Varianz diesen
Schwellenwert unterschreiten, sind als irrelevant für die Zielvariablen-Unterscheidung
zu klassifizieren und aus dem Trainingsdatensatz zu entfernen. Diese Maßnahme
ist zwingend erforderlich, um konstante oder nahezu konstante Merkmale zu eliminieren,
die keinen Beitrag zur Modellgenauigkeit leisten. Die Einhaltung dieses Filters
ist vor jedem Trainingsschritt durch einen automatisierten Validierungslauf zu
prüfen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-25
title_original_de: QM-25-1 Variance-Treshold
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-25_Feature%20Importance%20Scores/QM-25-1_Variance-Treshold.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-25-feature-importance-scores-diverse
canonical_name: Feature Importance Scores (diverse)
description: Das System muss für jedes trainierte Modell quantifizierbare Metriken
zur Relevanz der Eingangsmerkmale berechnen, um den Einfluss einzelner Variablen
auf die Vorhersageergebnisse zu bewerten. Es ist sicherzustellen, dass diese Kennzahlen
eine diverse Verteilung aufweisen, um eine einseitige Abhängigkeit von wenigen
Merkmalen auszuschließen. Die Validierung dieser Scores ist durch einen automatisierten
Prüfprozess nachzuweisen, bevor das Modell in den produktiven Einsatz überführt
wird.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids:
- QM-26
- QM-27
- QM-28
- QM-29
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-25
title_original_de: QM-25 Feature Importance Scores (diverse)
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-25_Feature%20Importance%20Scores/QM-25_Feature%20Importance%20Scores.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-26-gini-importance
canonical_name: Gini-Importance
description: Für jedes im Modell eingesetzte Feature ist der Beitrag zur Reduktion
der Gini-Unreinheit über alle Baumstrukturen zu quantifizieren. Die relative Wichtigkeit
der Eingangsvariablen muss durch die Aggregation der Impurity-Reduktionen an allen
Splits bestimmt werden. Eine Validierung ist sicherzustellen, um die korrekte
Berechnung der Feature-Bedeutung für die Datenqualitätsbewertung nachzuweisen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-26
title_original_de: QM-26 Gini-Importance
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-25_Feature%20Importance%20Scores/QM-26_Gini%20Importance%20Score.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0625
- id: MET-AI-DATA-QM-27-permutation-feature-importance
canonical_name: Permutation Feature Importance
description: Das System muss die Relevanz einzelner Eingangsvariablen für die Vorhersagegüte
quantifizieren, indem zufällig vertauschte Datenwerte mit dem ursprünglichen Modellverhalten
verglichen werden. Diese Prüfung ist sicherzustellen, um nachzuweisen, dass die
gewählten Merkmale einen signifikanten Beitrag zur Modellleistung leisten und
keine irrelevante Datenqualität die Ergebnisse verfälscht. Die Validierung erfolgt
durch den Vergleich der Metriken vor und nach der Permutation jedes einzelnen
Merkmals im Trainingsdatensatz.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-27
title_original_de: QM-27 Permutation Feature Importance
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-25_Feature%20Importance%20Scores/QM-27_Permutation%20Feature%20Importance.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-28-koeffizienten-linearer-modelle
canonical_name: Koeffizienten linearer Modelle
description: Für lineare Regressionsmodelle ist sicherzustellen, dass die absoluten
Werte der Merkmalskoeffizienten als primärer Indikator für die relative Bedeutung
der Eingangsvariablen dienen. Ein höherer Koeffizientenwert muss zwingend eine
stärkere Gewichtung des jeweiligen Merkmals im Trainingsdatensatz widerspiegeln.
Die Validierung dieser Korrelation ist vor der Modellfreigabe durchzuführen, um
die Datenqualität der Feature-Importanz zu gewährleisten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-28
title_original_de: QM-28 Koeffizienten linearer Modelle
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-25_Feature%20Importance%20Scores/QM-28_Koeffizienten%20linearer%20Modelle.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-29-shap-feature-importance
canonical_name: SHAP Feature Importance
description: Das KI-System muss die individuelle Gewichtung aller Eingangsvariablen
für jede einzelne Vorhersage mittels Shapley-Werten quantifizieren. Es ist sicherzustellen,
dass diese Berechnung sowohl positive als auch negative Einflussfaktoren auf das
Endergebnis konsistent abbildet. Die Validierung der Datenqualität erfolgt durch
die Prüfung der Aggregation dieser Beiträge über alle möglichen Feature-Kombinationen
hinweg.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids:
- QM-57
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-29
title_original_de: QM-29 SHAP Feature Importance
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-25_Feature%20Importance%20Scores/QM-29_SHAP%20Feature%20Importance.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0408
- id: MET-AI-DATA-QM-30-literatur-recherche
canonical_name: Literatur Recherche
description: Das System muss vor dem Training eine systematische Analyse des aktuellen
Forschungsstands durchführen, um relevante Datenqualitätsstandards zu identifizieren.
Es ist sicherzustellen, dass etablierte Methoden zur Erkennung von Mustern in
wissenschaftlichen Publikationen und Datenbanken angewendet werden. Die Qualität
der Trainingsdaten ist durch den Abgleich mit diesen ermittelten Referenzwerten
zu validieren, bevor ein Modell initiiert wird.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-30
title_original_de: QM-30 Literatur Recherche
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-30_LiteraturRecherche.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-31-prozessanalysemetriken
canonical_name: Prozessanalysemetriken
description: Für die Validierung des KI-Trainingsprozesses ist ein quantitatives
Maß zur Erfassung der Datenqualität pro Use-Case zu definieren. Es ist sicherzustellen,
dass Indikatoren zur Effizienz, Zuverlässigkeit und Compliance regelmäßig ausgewertet
werden, um die Prozesswirksamkeit objektiv zu bewerten. Die Prüfung muss nachweisen,
dass definierte Qualitätsziele im gesamten Lebenszyklus des Modells erreicht werden.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs:
- framework: EU GDPR
citation: null
source:
framework: BSI QUAIDAL
section: QM-31
title_original_de: QM-31 Prozessanalysemetriken
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-31_ProcessAnalysis.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-32-regulaere-ausdruecke
canonical_name: Reguläre Ausdrücke
description: Das System muss die Validierung von KI-Trainingsdaten durch algorithmische
Mustererkennung sicherstellen, um strukturelle Integrität zu gewährleisten. Es
ist zu prüfen, ob spezifische Datenqualitätsmerkmale mittels definierter Suchlogiken
identifiziert und transformiert werden können. Diese Mechanismen sind erforderlich,
um ungültige oder fehlerhafte Dateneinträge in den Trainingskorpora zuverlässig
zu filtern.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-32
title_original_de: QM-32 Reguläre Ausdrücke
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-32_RegularExpression.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-34-validierung-der-feldgroesse
canonical_name: Validierung der Feldgröße
description: Die Länge aller in KI-Trainingsdatensätzen enthaltenen Textfelder muss
innerhalb definierter, domänenspezifischer Grenzen liegen. Es ist sicherzustellen,
dass Abweichungen von diesen Grenzen durch automatisierte Prüfmechanismen oder
Expertenanalysen identifiziert werden, um Datenqualitätsmängel auszuschließen.
Die Validierung muss nachweisbar dokumentieren, ob die Feldgrößen den erwarteten
Spezifikationen entsprechen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-34
title_original_de: QM-34 Validierung der Feldgröße
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-34_FieldSizeValidation.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-35-confusionmatrix
canonical_name: ConfusionMatrix
description: Das System muss eine matrixbasierte Auswertung der Klassifikationsleistung
bereitstellen, die wahre und falsche Positive sowie Negative nach tatsächlichen
und prognostizierten Klassen differenziert. Diese Aufschlüsselung ist zwingend
erforderlich, um die Datenqualität der Trainingsdaten und die Zuverlässigkeit
der KI-Entscheidungen objektiv zu bewerten. Die Genauigkeit der Vorhersagen ist
durch den Vergleich der Kreuztabellenwerte gegen definierte Schwellenwerte zu
validieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-35
title_original_de: QM-35 ConfusionMatrix
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-35_ConfusionMatrix.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-36-area-under-curce-auc
canonical_name: Area Under Curce (AUC)
description: Das System muss die Diskriminierungsfähigkeit des Klassifikators durch
Berechnung der Fläche unter der ROC-Kurve quantifizieren, um die Trennschärfe
zwischen positiven und negativen Instanzen über alle Entscheidungsschwellen hinweg
zu bewerten. Es ist sicherzustellen, dass dieser Indikator als aggregierter Qualitätsmaßstab
dient, der eine Leistungsfähigkeit deutlich über dem Zufallsniveau von 0,5 nachweist.
Die Validierung erfolgt durch Prüfung der berechneten Metrik gegen definierte
Mindestgrenzwerte im Rahmen des Datenqualitätsmonitorings.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-36
title_original_de: QM-36 Area Under Curce (AUC)
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-36_AreaUnderCurce-ReceiverOperatingCharacteristic%20(AUC-ROC).md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-37-area-under-precision-recall-curve-auprc
canonical_name: Area Under Precision-Recall Curve (AUPRC)
description: Das System muss die Flächengröße unter der Präzision-Recall-Kurve als
zentralen Qualitätsindikator für Klassifikationsmodelle ermitteln. Diese Metrik
ist zwingend zu nutzen, um die Modellgüte bei stark unausgewogenen Datensätzen
zu quantifizieren, bei denen seltene positive Ereignisse dominieren. Die Einhaltung
dieses Kriteriums ist durch automatische Auswertung der Trainings- und Validierungsdaten
sicherzustellen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-37
title_original_de: QM-37 Area Under Precision-Recall Curve (AUPRC)
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-37_Area%20Under%20Precision-Recall%20Curve%20(AUPRC).md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-38-gewichtete-metriken
canonical_name: Gewichtete Metriken
description: Das System muss die Berechnung von Klassifikationsmetriken so implementieren,
dass die Bedeutung einzelner Klassen und Stichproben durch individuelle Gewichtungsfaktoren
berücksichtigt wird. Es ist sicherzustellen, dass aggregierte Kennzahlen wie die
gewichtete F1-Score oder die gewichtete Genauigkeit auf Basis dieser Faktoren
ermittelt werden, um Verzerrungen in den Trainingsdaten auszugleichen. Die Korrektheit
dieser gewichteten Berechnungen ist bei jeder Validierung der KI-Datenqualität
explizit zu prüfen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-38
title_original_de: QM-38 Gewichtete Metriken
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-38_WeightedMetrics.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-39-power-analyse
canonical_name: Power Analyse
description: Vor Beginn des KI-Trainings ist eine statistische Poweranalyse durchzuführen,
um die erforderliche Datenmenge für die Erkennung signifikanter Effekte zu quantifizieren.
Die Berechnung muss auf Basis definierter Effektgrößen, des Signifikanzniveaus
und der erwarteten Populationsvarianz erfolgen, um eine ausreichende Teststärke
sicherzustellen. Eine valide Ableitung der Stichprobengröße setzt zwingend voraus,
dass relevante Parameter der Zielpopulation im Vorfeld bekannt sind und in das
Modell eingehen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-39
title_original_de: QM-39 Power Analyse
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-39_PowerAnalysis.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-40-chi-quadrat-test
canonical_name: Chi-Quadrat Test
description: Die Qualität der KI-Trainingsdaten ist durch einen statistischen Unabhängigkeitstest
zu validieren, um systematische Verzerrungen in kategorialen Merkmalen zu identifizieren.
Es ist sicherzustellen, dass die beobachteten Häufigkeitsverteilungen signifikant
von den theoretisch erwarteten Werten abweichen, sofern keine Unabhängigkeit zwischen
den Variablen besteht. Diese Prüfung muss für alle nominal skalierten Eingangsattribute
durchgeführt werden, um die statistische Integrität des Datensatzes vor dem Training
zu gewährleisten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-40
title_original_de: QM-40 Chi-Quadrat Test
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-40_Chi-Quadrat%20Test.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-41-konfidenzintervall
canonical_name: KonfidenzIntervall
description: Für jede statistische Schätzung der KI-Datenqualität ist ein Konfidenzintervall
zu berechnen, das die Unsicherheit des Parameters quantifiziert. Dieses Intervall
muss so definiert sein, dass der wahre Wert mit dem festgelegten Konfidenzniveau
mit hoher Wahrscheinlichkeit darin enthalten ist. Die Einhaltung dieser statistischen
Grenzen ist durch automatische Prüfungen bei jedem Trainingsschritt sicherzustellen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-41
title_original_de: QM-41 KonfidenzIntervall
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-41_KonfidenzIntervalle.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-43-kreuzabgleich
canonical_name: Kreuzabgleich
description: Für die Validierung von KI-Trainingsdaten ist ein quellenübergreifender
Konsistenzcheck zwingend erforderlich, bei dem die zu verarbeitenden Informationen
mit unabhängigen Referenzdatensätzen abgeglichen werden. Vor Beginn des Abgleichs
sind definierte Toleranzgrenzen festzulegen, um Abweichungen objektiv zu bewerten.
Die Prüfung muss sicherstellen, dass signifikante Diskrepanzen zwischen den Datensätzen
identifiziert und dokumentiert werden, um die Datenintegrität für das Training
zu garantieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-43
title_original_de: QM-43 Kreuzabgleich
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-43_Kreuzabgleich.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-44-1-mittelwert-imputation
canonical_name: -1 Mittelwert Imputation
description: Für den Umgang mit fehlenden Werten in KI-Trainingsdatensätzen ist
die Imputation durch den arithmetischen Mittelwert als alleinige Maßnahme unzulässig,
da sie die natürliche Varianz der Daten ignoriert und systematische Verzerrungen
erzeugt. Es ist sicherzustellen, dass bei der Behandlung von Lücken in den Datenelementen
alternative Verfahren zur Anwendung kommen, welche die Streuung der beobachteten
Werte berücksichtigen. Die Einhaltung dieser Vorgabe ist durch eine technische
Prüfung der Imputationslogik vor dem Training zu verifizieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-44
title_original_de: QM-44-1 Mittelwert Imputation
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-44_DataImputation-Methoden/QM-44-1_Mittelwert%20Imputation.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-44-2-median-imputation
canonical_name: -2 Median Imputation
description: Fehlende Werte in numerischen Trainingsdatensätzen sind durch den Median
der vorhandenen Beobachtungen zu ersetzen, um die Robustheit gegenüber Ausreißern
zu gewährleisten. Diese Maßnahme ist zwingend vor dem Training anzuwenden, wobei
die Varianz der ursprünglichen Verteilung bewusst nicht rekonstruiert wird. Die
Anwendung dieses Verfahrens ist ausschließlich für metrische Merkmale zulässig
und für kategoriale Daten explizit ausgeschlossen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-44
title_original_de: QM-44-2 Median Imputation
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-44_DataImputation-Methoden/QM-44-2_Median%20Imputation.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0192
- id: MET-AI-DATA-QM-44-3-modus-imputation
canonical_name: -3 Modus Imputation
description: Für kategoriale Merkmale ist eine Imputation mittels des häufigsten
Auftretens zulässig, sofern der Anteil fehlender Werte fünf Prozent nicht überschreitet.
Diese Methode ist nur anzuwenden, wenn die Varianz der Daten als vernachlässigbar
eingestuft wird, um systematische Verzerrungen zu vermeiden. Die Einhaltung dieser
Schwelle ist vor jeder Trainingsdatenaufbereitung durch eine quantitative Prüfung
sicherzustellen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-44
title_original_de: QM-44-3 Modus Imputation
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-44_DataImputation-Methoden/QM-44-3_Modus%20Imputation.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-44-4-multiple-imputation
canonical_name: -4 Multiple Imputation
description: Das System muss bei der Aufbereitung von KI-Trainingsdaten mit unvollständigen
Einträgen stochastische Verfahren anwenden, um mehrere plausible Varianten der
fehlenden Werte zu generieren. Diese Mehrfach-Imputationen sind erforderlich,
um die inhärente Unsicherheit der Datenvollständigkeit quantitativ abzubilden.
Die finale Datenqualität ist durch die Aggregation der Ergebnisse aus allen simulierten
Datensätzen zu validieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-44
title_original_de: QM-44-4 Multiple Imputation
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-44_DataImputation-Methoden/QM-44-4_Multiple%20Imputation.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-44-5-knn-imputation
canonical_name: -5 KNN Imputation
description: Für den Umgang mit fehlenden Werten im KI-Trainingsdatensatz ist die
K-Nearest-Neighbors-Methode als Imputationsverfahren zwingend vorzusehen, sofern
die Datenstruktur signifikante Ähnlichkeitsmuster aufweist. Das System muss für
jeden fehlenden Eintrag die k-ähnlichsten Referenzpunkte identifizieren und deren
Merkmalswerte zur Rekonstruktion heranziehen. Eine Anwendung einfacher statistischer
Mittelwerte ist bei Vorliegen dieser Nachbarschaftsabhängigkeiten unzulässig,
da sie die Datenintegrität gefährden würde. Die Korrektheit dieses Algorithmus
ist vor dem Training durch Validierung der Rekonstruktionsgüte zu prüfen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-44
title_original_de: QM-44-5 KNN Imputation
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-44_DataImputation-Methoden/QM-44-5_KNN%20Imputation.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-44-6-hot-deck-imputation
canonical_name: -6 Hot Deck Imputation
description: Für den Einsatz in KI-Trainingsdatensätzen ist sicherzustellen, dass
fehlende Attributwerte durch Imputation aus statistisch ähnlichen Referenzfällen
ersetzt werden. Die Auswahl der Ersatzwerte muss auf einer definierten Ähnlichkeitsmetrik
basieren, um die Datenintegrität und Verteilungseigenschaften des Modells zu wahren.
Eine Validierung ist durchzuführen, um nachzuweisen, dass die generierten Werte
keine systematischen Verzerrungen in die Trainingsdaten引入.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-44
title_original_de: QM-44-6 Hot Deck Imputation
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-44_DataImputation-Methoden/QM-44-6_Hot%20Deck%20Imputation.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-44-7-llm-basierte-imputation
canonical_name: -7 LLM-basierte Imputation
description: Das System muss bei der Verarbeitung von Datensätzen mit fehlenden
Werten auf KI-Modelle zurückgreifen, um diese basierend auf kontextuellen Zusammenhängen
und Umgebungsvariablen zu rekonstruieren. Die Qualität der generierten Ersatzwerte
ist durch Plausibilitätsprüfungen sicherzustellen, um die Integrität des Gesamtdatensatzes
zu wahren. Eine Validierung der Imputationsergebnisse ist vor der weiteren Datenverarbeitung
durchzuführen, um systematische Fehler auszuschließen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-44
title_original_de: QM-44-7 LLM-basierte Imputation
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-44_DataImputation-Methoden/QM-44-7_LLM-Based%20Imputation.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-44-8-regression-imputation
canonical_name: -8 Regression Imputation
description: Das System muss fehlende Werte in KI-Trainingsdatensätzen durch statistische
Regressionsmodelle schätzen, wobei vorhandene Merkmale als Prädiktoren zur Vorhersage
der Zielvariable genutzt werden. Es ist sicherzustellen, dass die gewählte Regressionsmethode
linear oder nicht-linear ist und die Vorhersagegenauigkeit durch Validierung mit
verbleibenden Datenpunkten quantifiziert wird. Die Plausibilität der imputierten
Werte ist vor der weiteren Datenverarbeitung auf Konsistenz mit den identifizierten
Variablenbeziehungen zu prüfen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-44
title_original_de: QM-44-8 Regression Imputation
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-44_DataImputation-Methoden/QM-44-8_Regression%20Imputation.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-44-9-diffusion-imputation-augmentation
canonical_name: -9 Diffusion Imputation/Augmentation
description: Das System muss fehlende Werte in Trainingsdatensätzen durch stochastische
Rekonstruktionsverfahren auf Basis gelerntter Datenverteilungen ergänzen. Es ist
sicherzustellen, dass der Imputationsprozess den zugrundeliegenden Datenraum durch
schrittweise Rauschprozesse modelliert, um plausible Ergänzungen zu generieren.
Die Qualität der rekonstruierten Daten ist durch Prüfung auf statistische Plausibilität
im Kontext der vorhandenen Merkmale zu validieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-44
title_original_de: QM-44-9 Diffusion Imputation/Augmentation
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-44_DataImputation-Methoden/QM-44-9_Diffusion%20Imputation.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0208
- id: MET-AI-DATA-QM-44-data-imputation-methoden
canonical_name: Data Imputation Methoden
description: Für KI-Trainingsdatensätze ist ein automatisiertes Verfahren zur Behandlung
fehlender Werte zwingend vorzusehen, das auf den spezifischen Datenmerkmalen und
dem Anwendungskontext basiert. Die eingesetzten Imputationsalgorithmen müssen
so konfiguriert werden, dass sie die statistische Integrität des Datensatzes wahren
und Verzerrungen in den Analyseergebnissen ausschließen. Eine Prüfung der Datenqualität
ist erforderlich, um sicherzustellen, dass die vervollständigten Werte die Aussagekraft
der nachfolgenden Modelle nicht beeinträchtigen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-44
title_original_de: QM-44 Data Imputation Methoden
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-44_DataImputation-Methoden/QM-44_Data%20Imputation%20Methods.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-45-prior-ermittlung
canonical_name: Prior Ermittlung
description: Vor Beginn der statistischen Auswertung von KI-Trainingsdaten ist systematisch
Expertenwissen zu ermitteln, um fundierte Vorannahmen über Parameterverteilungen
zu definieren. Dieser Prozess muss subjektive Unsicherheiten quantifizieren und
in die Modellbildung einfließen, um die Datenqualität vor der eigentlichen Analyse
zu sichern. Die gewonnenen Prior-Verteilungen sind durch dokumentierte Befragungsmethoden
oder historische Datenquellen nachvollziehbar zu begründen. Eine Validierung der
abgeleiteten Annahmen ist vor der ersten Datenverarbeitung zwingend durchzuführen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-45
title_original_de: QM-45 Prior Ermittlung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-45_Prior%20Elicitation.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-46-daten-standardisierung
canonical_name: Daten Standardisierung
description: Für KI-Trainingsdatensätze ist eine Normalisierung auf eine Standardverteilung
sicherzustellen, bei der der Mittelwert Null und die Standardabweichung Eins beträgt.
Diese Transformation muss vor dem Training durchgeführt werden, um unterschiedliche
Skalierungen der Eingabevariablen zu vereinheitlichen und die Konvergenz der Optimierungsalgorithmen
zu beschleunigen. Die Einhaltung dieser statistischen Parameter ist durch automatische
Prüfungen vor jedem Training zu verifizieren, um die Modellgenauigkeit zu gewährleisten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-46
title_original_de: QM-46 Daten Standardisierung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-46_DataStandardizing.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-47-kovarianz-matrix
canonical_name: Kovarianz Matrix
description: Das System muss eine Kovarianzmatrix der Eingangsmerkmale generieren,
um statistische Abhängigkeiten im Trainingsdatensatz quantitativ zu erfassen.
Die Diagonalelemente dieser Matrix sind zwingend als Varianzen der einzelnen Merkmale
zu berechnen, während die Off-Diagonalen die linearen Zusammenhänge zwischen Merkmalspaaren
abbilden. Diese Metriken sind vor jedem Trainingslauf zu validieren, um eine stabile
Datenstruktur für multivariate Lernverfahren sicherzustellen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-47
title_original_de: QM-47 Kovarianz Matrix
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-47_KovarianzMatrix.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0192
- id: MET-AI-DATA-QM-48-eigenvektoren
canonical_name: Eigenvektoren
description: Das KI-Trainingsdatenset muss so strukturiert sein, dass die dominanten
latenten Merkmale bei der Modellverarbeitung ihre relative Ausrichtung beibehalten,
während sich lediglich ihre Intensität skaliert. Es ist sicherzustellen, dass
die Identifizierung dieser invarianten Richtungsvektoren durch quantitative Analyse
der Datenmatrix validiert wird. Die Skalierungsfaktoren dieser Merkmale sind als
messbare Qualitätsindikatoren für die Stabilität des Trainingsprozesses zu dokumentieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-48
title_original_de: QM-48 Eigenvektoren
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-48_Eigenwerte_Vektoren.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-49-wasserstein-distanz
canonical_name: Wasserstein Distanz
description: Die Qualität von KI-Trainingsdaten ist durch die Wasserstein-Distanz
zu quantifizieren, welche den minimalen Transformationsaufwand zwischen der Trainings-
und der Referenzverteilung misst. Es ist sicherzustellen, dass dieser metrische
Wert unterhalb eines definierten Schwellenwerts bleibt, um signifikante Verteilungsverschiebungen
auszuschließen. Die Prüfung erfolgt durch den Vergleich der empirischen Verteilungsdaten
mittels des Earth-Mover-Ansatzes.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-49
title_original_de: QM-49 Wasserstein Distanz
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-49_Wasserstein%20Distance.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-50-little-s-mcar-test
canonical_name: Little's MCAR Test
description: Das System muss den statistischen Little-Test anwenden, um zu validieren,
ob fehlende Werte in den KI-Trainingsdaten vollständig zufällig verteilt sind.
Es ist sicherzustellen, dass keine systematischen Abhängigkeiten zwischen den
Ausfallmustern und den verbleibenden Datenwerten bestehen. Eine signifikante Abweichung
von der Zufälligkeit ist als Qualitätsmangel zu dokumentieren und zu melden.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-50
title_original_de: QM-50 Little's MCAR Test
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-50_Little's%20MCAR%20Test.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0208
- id: MET-AI-DATA-QM-33-falsepositiverate
canonical_name: _FalsePositiveRate
description: Die Rate falsch positiver Klassifizierungen ist als Verhältnis der
fälschlich als positiv bewerteten negativen Instanzen zu allen tatsächlich negativen
Instanzen im Trainingsdatensatz zu ermitteln. Es ist sicherzustellen, dass dieser
Anteil einen definierten Schwellenwert nicht überschreitet, um die Datenqualität
und Modellzuverlässigkeit zu gewährleisten. Die Prüfung erfolgt durch statistische
Analyse der Ausgabeverteilung bei bekannten negativen Referenzdaten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-33
title_original_de: QM-33_FalsePositiveRate
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-33_FalsePositiveRate.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0196
- id: MET-AI-DATA-QM-51-10-kolmogorov-smirnov-test
canonical_name: -10 Kolmogorov-Smirnov-Test
description: Die Verteilung der KI-Trainingsdaten ist mittels eines nichtparametrischen
Tests auf signifikante Abweichungen von der Referenzverteilung zu prüfen. Dabei
ist die maximale Distanz zwischen der empirischen und der theoretischen kumulativen
Verteilungsfunktion zu ermitteln. Ein Abweichungswert, der einen definierten Schwellenwert
überschreitet, invalidiert die Datenqualität für den Trainingsprozess. Diese Prüfung
ist vor jedem Trainingsschritt durchzuführen, um die statistische Homogenität
sicherzustellen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-51
title_original_de: QM-51-10 Kolmogorov-Smirnov-Test
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-51_DistributionAnalysis/QM-51-10_Kolmogorov%20Smirnov%20Test.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-51-11-radon-kolmogorov-smirnov-test-rks
canonical_name: -11 Radon-Kolmogorov-Smirnov Test (RKS)
description: Die Verteilung der KI-Trainingsdaten muss mittels des Radon-Kolmogorov-Smirnov-Tests
auf signifikante Abweichungen in höherdimensionalen Merkmalsräumen geprüft werden.
Es ist sicherzustellen, dass die statistische Signifikanz zwischen Referenz- und
Testverteilungen unterhalb eines definierten Schwellenwerts liegt, um Datenqualitätsverluste
zu vermeiden. Eine positive Abweichung ist als kritischer Fehler zu klassifizieren
und erfordert eine sofortige Datenbereinigung.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-51
title_original_de: QM-51-11 Radon-Kolmogorov-Smirnov Test (RKS)
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-51_DistributionAnalysis/QM-51-11_Radon-Kolmogorov-Smirnov%20Test%20(RKS).md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-51-1-normalverteilung
canonical_name: -1 Normalverteilung
description: Die Verteilung der relevanten Qualitätsindikatoren im KI-Trainingsdatensatz
muss eine symmetrische, glockenförmige Struktur um den arithmetischen Mittelwert
aufweisen. Es ist sicherzustellen, dass die Datenpunkte in der Nähe des Erwartungswerts
signifikant dichter konzentriert sind als in den Randbereichen. Diese Eigenschaft
ist durch statistische Tests auf Normalverteilung zu verifizieren, bevor das Modell
in den produktiven Einsatz überführt wird.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-51
title_original_de: QM-51-1 Normalverteilung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-51_DistributionAnalysis/QM-51-1_Normalverteilung.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-51-2-binomialverteilung
canonical_name: -2 Binomialverteilung
description: Die Qualität des KI-Trainingsdatensatzes ist durch die Analyse der
Fehlerraten bei binär klassifizierten Stichproben zu validieren. Es ist sicherzustellen,
dass die Verteilung der korrekten Vorhersagen dem statistischen Modell einer Binomialverteilung
entspricht, wobei jede Prüfung als unabhängiges Bernoulli-Experiment mit definiertem
Erfolgswahrscheinlichkeitswert betrachtet wird. Die Abweichung zwischen der beobachteten
Trefferquote und dem theoretischen Erwartungswert ist innerhalb eines festgelegten
Konfidenzintervalls zu prüfen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-51
title_original_de: QM-51-2 Binomialverteilung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-51_DistributionAnalysis/QM-51-2_Binomialverteilung.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-51-3-exponentialverteilung
canonical_name: -3 Exponentialverteilung
description: Das System muss sicherstellen, dass die Zeitintervalle zwischen aufeinanderfolgenden
Störereignissen im Trainingsdatensatz einer Exponentialverteilung folgen. Diese
Verteilung ist erforderlich, um Prozesse mit konstanter Ausfallrate und unabhängigen
Ereignissen korrekt abzubilden. Die Einhaltung dieser statistischen Eigenschaft
ist durch eine formale Verteilungsanalyse bei der Datenqualitätsprüfung zu verifizieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-51
title_original_de: QM-51-3 Exponentialverteilung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-51_DistributionAnalysis/QM-51-3_Exponentialverteilung.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-51-4-gleichverteilung
canonical_name: -4 Gleichverteilung
description: Die Verteilung der generierten Trainingsdaten muss innerhalb des definierten
Wertebereichs eine gleichmäßige Wahrscheinlichkeitsdichte aufweisen, sodass kein
einzelner Subbereich gegenüber anderen bevorzugt wird. Es ist sicherzustellen,
dass jede mögliche Ausprägung im zulässigen Intervall statistisch gleich häufig
vorkommt. Diese Gleichverteilung ist durch eine systematische Prüfung der Datenverteilung
auf Abweichungen von der Idealform zu validieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-51
title_original_de: QM-51-4 Gleichverteilung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-51_DistributionAnalysis/QM-51-4_Gleichverteilung.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-51-5-chi-quadrat-verteilung
canonical_name: -5 Chi-Quadrat Verteilung
description: Das System muss die Verteilung der Abweichungen zwischen den KI-Trainingsdaten
und den erwarteten Modellen mittels einer Chi-Quadrat-Prüfung quantifizieren.
Es ist sicherzustellen, dass die berechneten Teststatistiken signifikante Abweichungen
in den Varianzen der Eingabedaten identifizieren, um Datenqualitätsmängel zu validieren.
Eine regelmäßige Überprüfung dieser Kennzahlen ist erforderlich, um die statistische
Konsistenz des Datensatzes nachzuweisen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-51
title_original_de: QM-51-5 Chi-Quadrat Verteilung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-51_DistributionAnalysis/QM-51-5_Chi-Quadrat%20Verteilung.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-51-6-t-verteilung
canonical_name: -6 t-Verteilung
description: Für die Validierung von KI-Modellen auf Basis kleiner Datensätze muss
die Unsicherheit der Stichprobenmittelwerte mittels einer t-Verteilung quantifiziert
werden. Es ist sicherzustellen, dass die berechneten Konfidenzintervalle die erhöhte
Varianz bei geringen Fallzahlen durch dickere Verteilungsschwänze adäquat abbilden.
Die Prüfung erfolgt durch den Vergleich der empirischen Datenverteilung mit dem
theoretischen Modell, um Ausreißereffekte robust zu erfassen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-51
title_original_de: QM-51-6 t-Verteilung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-51_DistributionAnalysis/QM-51-6_t-Verteilung.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-51-7-f-verteilung
canonical_name: -7 F-Verteilung
description: Die Verteilung der Varianzquotienten aus den KI-Trainingsdaten muss
statistisch auf Homogenität geprüft werden, um signifikante Abweichungen zwischen
den Subgruppen zu identifizieren. Es ist sicherzustellen, dass die Varianzunterschiede
durch eine F-Verteilung-basierte Signifikanzanalyse quantifiziert werden, bevor
Daten für das Modelltraining freigegeben werden. Diese Prüfung ist zwingend erforderlich,
um die Datenqualität und die statistische Validität der Trainingspopulation zu
gewährleisten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-51
title_original_de: QM-51-7 F-Verteilung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-51_DistributionAnalysis/QM-51-7_F-Verteilung.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-51-8-gamma-verteilung
canonical_name: -8 Gamma Verteilung
description: Das System muss die statistische Verteilung von Wartezeiten zwischen
unabhängigen Ereignissen im Trainingsdatensatz auf Konformität mit der Gamma-Verteilung
prüfen. Dabei sind die Form- und Skalenparameter der Daten explizit zu extrahieren
und mit den theoretischen Erwartungswerten abzugleichen. Eine Abweichung der empirischen
Dichtefunktion von dem modellierten Gamma-Verlauf ist als Qualitätsmangel zu dokumentieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-51
title_original_de: QM-51-8 Gamma Verteilung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-51_DistributionAnalysis/QM-51-8_Gamma%20Verteilung.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-51-9-weibull-verteilung
canonical_name: -9 Weibull Verteilung
description: Die Verteilung der KI-Trainingsdaten muss mittels eines parametrischen
Modells analysiert werden, das die Zuverlässigkeit von Datenpunkten über deren
Lebensdauer abbildet. Es ist sicherzustellen, dass die Formparameter des Modells
flexibel an die spezifischen Ausfallmuster der verwendeten Datensätze angepasst
werden, um eine realistische Qualitätsbewertung zu ermöglichen. Die Einhaltung
dieser Verteilungsannahmen ist bei der Validierung der Datenqualität durchzuführen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-51
title_original_de: QM-51-9 Weibull Verteilung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-51_DistributionAnalysis/QM-51-9_Weibull%20Verteilung.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-51-verteilungstypen
canonical_name: Verteilungstypen
description: Das System muss die statistische Verteilung von Trainingsdaten quantifizieren,
um diskrete und stetige Zufallsvariablen korrekt zu modellieren. Es ist sicherzustellen,
dass für jeden Datentyp die passende Wahrscheinlichkeitsfunktion identifiziert
und validiert wird. Die Analyseverfahren müssen nachweislich die Wahrscheinlichkeit
spezifischer Ereignisse im probabilistischen System erfassen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-51
title_original_de: QM-51 Verteilungstypen
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-51_DistributionAnalysis/QM-51_DistributionTypes.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-52-01-durchschnittswert
canonical_name: -01 Durchschnittswert
description: Die durchschnittliche Abweichung eines definierten Merkmals innerhalb
des KI-Trainingsdatensatzes ist als zentraler Qualitätsindikator zu berechnen.
Diese Kennzahl muss aus der Summe aller Einzelwerte dividiert durch die Gesamtanzahl
der Datapunkte ermittelt werden. Eine Prüfung auf die Stabilität des Ergebnisses
gegenüber Ausreißern ist zwingend erforderlich, da der Mittelwert bei Extremwerten
verzerrt sein kann.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-52
title_original_de: QM-52-01 Durchschnittswert
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-52-01_Average%20Value.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-52-02-median
canonical_name: -02 Median
description: Die Verteilung der KI-Trainingsdaten muss so analysiert werden, dass
der Median als robustes Maß für die zentrale Tendenz ermittelt wird. Diese Kennzahl
ist sicherzustellen, um den Einfluss von Ausreißern auf die Datenqualität zu minimieren.
Eine Prüfung muss nachweisen, dass der berechnete Wert die Mitte der sortierten
Datenmenge repräsentiert.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-52
title_original_de: QM-52-02 Median
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-52-02_Median.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-52-03-modus
canonical_name: -03_Modus
description: Die Verteilung der Trainingsdaten ist auf den häufigsten Wert oder
die häufigsten Werte zu analysieren, um den Modus der Datenqualität zu bestimmen.
Es ist sicherzustellen, dass die Identifikation dieser dominanten Werte durch
einen validierten Zählprozess erfolgt, wobei auch das gleichzeitige Auftreten
mehrerer Modi zu berücksichtigen ist. Die Prüfung muss nachweisen, dass die ermittelten
Modalwerte die tatsächliche Häufigkeitsverteilung im Datensatz korrekt abbilden.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-52
title_original_de: QM-52-03_Modus
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-52-03_Modus.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-52-04-standardabweichung
canonical_name: -04 Standardabweichung
description: Die Variabilität der KI-Trainingsdaten ist durch die Berechnung der
Standardabweichung um den arithmetischen Mittelwert quantitativ zu erfassen. Ein
zulässiger Grenzwert für diese Streuung muss vor dem Start des Trainingsprozesses
definiert und im laufenden Betrieb kontinuierlich überwacht werden. Abweichungen,
die diesen definierten Schwellenwert überschreiten, sind als Qualitätsmangel zu
klassifizieren und auszuwerten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-52
title_original_de: QM-52-04 Standardabweichung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-52-04_StandardDeviation.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-52-05-streuung
canonical_name: -05 Streuung
description: Das System muss die statistische Variabilität der Trainingsdaten quantifizieren,
um die Homogenität der Eingabedaten zu validieren. Es ist sicherzustellen, dass
Kennzahlen wie Standardabweichung oder Interquartilsabstand berechnet werden,
um Abweichungen vom Mittelwert zu erfassen. Die Einhaltung definierter Schwellenwerte
für diese Streuungsmaße ist vor jedem Training zu prüfen und bei Überschreitung
zu melden.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-52
title_original_de: QM-52-05 Streuung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-52-05_Streuung.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-52-06-spannweite
canonical_name: -06 Spannweite
description: Die Spannweite der Trainingsdaten ist als Differenz zwischen dem maximalen
und minimalen Wert eines Merkmals zu berechnen, um den gesamten Wertebereich zu
quantifizieren. Es ist sicherzustellen, dass dieser Indikator regelmäßig auf Ausreißer
und Datenlücken überprüft wird, da er besonders empfindlich gegenüber Extremwerten
reagiert. Die Einhaltung definierter Grenzwerte ist zwingend erforderlich, um
die Stabilität des KI-Modells während des Trainings zu gewährleisten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-52
title_original_de: QM-52-06 Spannweite
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-52-06_Spannweite.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-52-07-interquartilsabstand
canonical_name: -07 Interquartilsabstand
description: Die Spannweite des mittleren Datenbereichs muss durch die Differenz
zwischen dem oberen und unteren Quartil quantifiziert werden, um die Variabilität
der Trainingsdaten zu bewerten. Dieser Indikator ist sicherzustellen, um Ausreißer
in den Eingabedaten zu identifizieren und die Datenqualität für das KI-Modell
zu validieren. Die Berechnung ist bei jedem Daten-Update durchzuführen und muss
dokumentiert werden, um die Konsistenz der Verteilung nachzuweisen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-52
title_original_de: QM-52-07 Interquartilsabstand
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-52-07_Interquartilsabstand.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0339
- id: MET-AI-DATA-QM-52-08-visualisierungsmethoden
canonical_name: -08 Visualisierungsmethoden
description: Die Qualität der KI-Trainingsdaten ist durch automatisierte Visualisierungsverfahren
zu validieren, um Anomalien und Verteilungsabweichungen in Echtzeit zu identifizieren.
Es ist sicherzustellen, dass grafische Repräsentationen statistischer Kennzahlen
genutzt werden, um komplexe Muster und Korrelationen zwischen Variablen effizient
zu analysieren. Die Prüfung erfolgt durch den Abgleich der visuellen Ergebnisse
mit definierten Qualitätskriterien, um die Eignung der Datenbasis für den Trainingsprozess
nachzuweisen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-52
title_original_de: QM-52-08 Visualisierungsmethoden
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-52-08_VisualizationTypes.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-52-techniken-der-deskriptiven-statistik
canonical_name: Techniken der deskriptiven Statistik
description: Das System muss vor dem Training einer KI-Modellierung deskriptive
Kennwerte wie Mittelwert, Standardabweichung und Verteilungsform der Eingabedaten
berechnen, um systematische Verzerrungen oder Ausreißer zu identifizieren. Diese
statistischen Analysen sind zwingend erforderlich, um die Datenqualität zu validieren
und als Basis für nachfolgende Modellierungsentscheidungen zu dienen. Eine Prüfung
der Ergebnisse ist sicherzustellen, bevor der Trainingsprozess initiiert wird.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-52
title_original_de: QM-52 Techniken der deskriptiven Statistik
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-52_Descriptive-Statistics.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-20-scree-plot
canonical_name: Scree-Plot
description: Für die Validierung von KI-Trainingsdaten ist ein Scree-Plot zur Visualisierung
der Eigenwerte in absteigender Reihenfolge zwingend erforderlich. Dieser Plot
dient dazu, die optimale Anzahl an Hauptkomponenten für die Dimensionsreduktion
durch Identifikation des charakteristischen Knickpunkts zu ermitteln. Ist die
Kurve nach diesem Punkt signifikant abgeflacht, sind weitere Komponenten als irrelevant
für die Varianzaufklärung zu betrachten und auszuschließen. Die Einhaltung dieses
Kriteriums ist vor jedem Training zu prüfen, um eine Überdimensionierung des Modells
zu verhindern.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-20
title_original_de: QM-20 Scree-Plot
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-54_ChartTypes/QM-20_Scree-Plot.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-24-bi-plot
canonical_name: Bi-Plot
description: Das System muss ein zweidimensionales Visualisierungstool implementieren,
das die Ergebnisse einer Hauptkomponentenanalyse simultan mit den ursprünglichen
Variablenvektoren darstellt. Die Qualität der KI-Trainingsdaten ist durch die
korrekte Projektion aller relevanten Merkmale auf die ersten beiden Hauptkomponenten
sicherzustellen. Eine Prüfung ist durchzuführen, um zu verifizieren, dass sowohl
die Datenpunkte als auch die Variablenladungen in einem einzigen Diagramm konsistent
und ohne Informationsverlust abgebildet werden.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-24
title_original_de: QM-24 Bi-Plot
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-54_ChartTypes/QM-24_Biplot.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0169
- id: MET-AI-DATA-QM-42-qq-diagramm
canonical_name: QQ-Diagramm
description: Es ist sicherzustellen, dass die Verteilung der KI-Trainingsdaten durch
einen quantilenbasierten Plot mit der Referenzverteilung verglichen wird, um Abweichungen
in den Datenqualitätsparametern zu identifizieren. Die grafische Gegenüberstellung
der Quantilwerte muss eine visuelle Prüfung auf Normalverteilung und Ausreißer
ermöglichen. Diese Analyse ist vor jedem Trainingsschritt durchzuführen und muss
dokumentiert werden, um die statistische Integrität der Eingabedaten zu gewährleisten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-42
title_original_de: QM-42 QQ-Diagramm
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-54_ChartTypes/QM-42_QQ-Diagramm.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-54-1-shap-summaryplot
canonical_name: -1 SHAP-Summaryplot
description: Das System muss für jedes trainierte Modell einen aggregierten Feature-Importance-Plot
generieren, der den Beitrag einzelner Eingangsvariablen zur Vorhersageabweichung
quantifiziert. Die Darstellung ist so zu gestalten, dass die Rangfolge der Merkmale
und deren Einflussrichtung (positiv oder negativ) auf die Ergebnisverteilung eindeutig
identifizierbar sind. Eine manuelle Prüfung ist sicherzustellen, um die Plausibilität
der abgeleiteten Shapley-Werte gegenüber den Rohdaten zu validieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-54
title_original_de: QM-54-1 SHAP-Summaryplot
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-54_ChartTypes/QM-54-1_SHAP-Summaryplot.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-54-2-shap-dependence-plot
canonical_name: -2 SHAP-Dependence-Plot
description: Das System muss die Sensitivität einzelner Eingabevariablen gegenüber
den Modellvorhersagen durch additive Erklärungsansätze quantifizieren. Es ist
sicherzustellen, dass die grafische Darstellung die nichtlineare Beziehung zwischen
Merkmalswerten und deren Beitrag zur Ausgabe eindeutig abbildet. Diese Analyse
ist vor der Freigabe des Modells zu prüfen, um die Nachvollziehbarkeit der Datenqualität
und der Feature-Wirkung zu validieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-54
title_original_de: QM-54-2 SHAP-Dependence-Plot
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-54_ChartTypes/QM-54-2_SHAP-Dependence-Plot.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-54-3-shap-force-plot
canonical_name: -3 SHAP-Force-Plot
description: Das System muss für jedes generierte Vorhersageergebnis eine additive
Merkmalsbeitragsanalyse bereitstellen, die die Abweichung vom Basiswert quantifiziert.
Diese Darstellung ist so zu gestalten, dass der Einfluss einzelner Eingangsvariablen
auf die finale Klassifikation durch farblich kodierte Segmente visuell hervorgehoben
wird. Die Plausibilität der dargestellten Datenbeiträge ist durch einen automatisierten
Validierungsprozess auf Konsistenz mit den Trainingsdaten zu prüfen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-54
title_original_de: QM-54-3 SHAP-Force-Plot
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-54_ChartTypes/QM-54-3_SHAP-Force-Plot.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-54-charttypes
canonical_name: ChartTypes
description: Das System muss eine validierte Bibliothek an Visualisierungstypen
bereitstellen, die spezifisch auf die Erkennung von Mustern und Trends in KI-Trainingsdaten
ausgelegt ist. Es ist sicherzustellen, dass jede grafische Darstellung die strukturelle
Integrität der zugrundeliegenden Datenqualität bewahrt und keine Verzerrungen
erzeugt. Die Eignung der gewählten Charttypen für die jeweilige Datenstruktur
ist vor der Ausgabe durch eine automatisierte Prüfung zu verifizieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids:
- QM-20
- QM-24
- QM-42
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-54
title_original_de: QM-54 ChartTypes
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-52_Descriptive%20Statistics/QM-54_ChartTypes/QM-54_ChartTypes.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-53-1-logistische-regression
canonical_name: -1 Logistische Regression
description: Für KI-Modelle mit binärer oder multiklassiger Klassifikation ist sicherzustellen,
dass die zugrundeliegende logistische Regression Wahrscheinlichkeiten basierend
auf definierten Eingangsvariablen korrekt berechnet. Die Gültigkeit des Modells
ist durch die Prüfung nachzuweisen, ob der ermittelte Schwellenwert eine zuverlässige
Trennung der Ergebnisgruppen gewährleistet. Eine fehlerhafte Kalibrierung der
Wahrscheinlichkeiten ist als Qualitätsmangel zu bewerten und muss durch Validierung
der Trainingsdaten ausgeschlossen werden.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-53
title_original_de: QM-53-1 Logistische Regression
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-53_Regression-Methoden/QM-53-1_LogisticRegression.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-53-2-lineare-regression
canonical_name: -2 Lineare Regression
description: Für KI-Trainingsdatensätze ist sicherzustellen, dass eine lineare Abhängigkeit
zwischen den Eingabe- und Zielvariablen durch statistische Regressionsanalysen
quantifiziert wird. Die Güte der Anpassung ist mittels geeigneter Kennzahlen zu
prüfen, um die Vorhersagequalität des Modells valide zu bewerten. Eine signifikante
lineare Korrelation muss nachgewiesen werden, bevor das Modell für den Einsatz
in der Produktion freigegeben wird.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-53
title_original_de: QM-53-2 Lineare Regression
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-53_Regression-Methoden/QM-53-2_LinearRegression.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-53-regression-methoden
canonical_name: Regression Methoden
description: Das System muss statistische Regressionsverfahren anwenden, um den
funktionalen Zusammenhang zwischen den Eingabevariablen und den Zielwerten im
KI-Trainingsdatensatz zu quantifizieren. Die Güte der Modellanpassung ist durch
die Analyse der Residualfehler systematisch zu validieren, um Abweichungen von
der theoretischen Abhängigkeit zu identifizieren. Eine vollständige Dokumentation
der identifizierten Prädiktoren und der resultierenden Fehlerverteilung ist als
Nachweis der Datenqualität sicherzustellen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-53
title_original_de: QM-53 Regression Methoden
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-53_Regression-Methoden/QM-53_Regression%20Methods.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-55-bestimmtheitsmass
canonical_name: Bestimmtheitsmaß
description: Für KI-Trainingsdatensätze ist ein quantitatives Maß zur Bewertung
der Varianzaufklärung durch die gewählten Eingangsmerkmale sicherzustellen. Dieser
Indikator muss den prozentualen Anteil der Gesamtvarianz der Zielvariable erfassen,
der durch das Modell erklärt werden kann. Die Prüfung ist ausschließlich für lineare
Abhängigkeitsstrukturen zulässig und erfordert die Berechnung des Koeffizienten
der Determination.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids:
- QM-19
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-55
title_original_de: QM-55 Bestimmtheitsmaß
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-55_Coefficient%20of%20determination%20(PCA).md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-56-1-min-max-skalierung
canonical_name: -1 Min/Max Skalierung
description: Für das Training von KI-Modellen ist sicherzustellen, dass alle numerischen
Eingabevariablen mittels Min-Max-Normalisierung auf einen definierten Wertebereich
transformiert werden. Diese Skalierung muss die Extremwerte jedes Features berücksichtigen,
um eine Verzerrung durch unterschiedliche Maßstäbe zu verhindern. Die korrekte
Anwendung dieser Transformation ist vor jedem Trainingslauf zu prüfen, um die
Stabilität und Konvergenz des Modells zu gewährleisten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-56
title_original_de: QM-56-1 Min/Max Skalierung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-56_Normalization/QM-56-1_MinMaxDatascaling.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-56-2-z-score-normalization
canonical_name: -2 Z-Score Normalization
description: Das System muss vor dem Training eine Standardisierung der Eingabemerkmale
durchführen, um einen Erwartungswert von null und eine Varianz von eins zu erreichen.
Diese Transformation ist zwingend erforderlich, um numerische Verzerrungen durch
unterschiedliche Skalierungen zu eliminieren und die Stabilität von Regularisierungsverfahren
zu gewährleisten. Die korrekte Anwendung der Normalisierung ist durch automatische
Prüfungen auf statistische Kennwerte nach der Verarbeitung zu verifizieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-56
title_original_de: QM-56-2 Z-Score Normalization
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-56_Normalization/QM-56-2_Z-Score%20Normalization.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-56-3-l1-normalization
canonical_name: -3 L1-Normalization
description: Für KI-Trainingsdaten ist sicherzustellen, dass Vektoren mittels L1-Normalisierung
skaliert werden, sodass die Summe der absoluten Komponentenwerte exakt eins ergibt.
Diese Maßnahme gewährleistet die Vergleichbarkeit von Merkmalen unterschiedlicher
Wertebereiche und ermöglicht die Interpretation als gewichtete Verteilung. Die
Einhaltung dieser Normierung ist durch eine automatisierte Prüfprozedur vor jedem
Trainingslauf zu verifizieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-56
title_original_de: QM-56-3 L1-Normalization
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-56_Normalization/QM-56-3_L1-Normalization.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0208
- id: MET-AI-DATA-QM-56-4-logarithmische-transformation
canonical_name: -4 Logarithmische Transformation
description: Für KI-Trainingsdatensätze mit positiver Schiefe oder heteroskedastischer
Varianz ist eine logarithmische Skalierung der numerischen Merkmale zwingend vorzusehen.
Diese Transformation muss so angewendet werden, dass die Datenverteilung annähernd
normalisiert und der Einfluss extremer Ausreißer signifikant reduziert wird. Die
Wirksamkeit der Maßnahme ist durch statistische Tests auf Varianzstabilität und
Verteilungsform vor dem Training zu validieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-56
title_original_de: QM-56-4 Logarithmische Transformation
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-56_Normalization/QM-56-4_LogarithmicTransformation.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-56-5-l2-normalisierung
canonical_name: -5 L2-Normalisierung
description: Die Eingabevektoren des KI-Trainingsdatensatzes sind vor der Verarbeitung
so zu skalieren, dass ihre euklidische Norm exakt den Wert eins annimmt. Diese
Maßnahme stellt sicher, dass die geometrische Distanzberechnung nicht durch unterschiedliche
Wertebereiche der einzelnen Merkmale verzerrt wird. Die Einhaltung dieser Normierung
ist durch eine automatisierte Validierung der Vektorlängen nach jedem Normalisierungsschritt
zu prüfen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-56
title_original_de: QM-56-5 L2-Normalisierung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-56_Normalization/QM-56-5_L2-Normalization.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-56-6-batch-normalization
canonical_name: -6 Batch Normalization
description: Für neuronale Netze ist sicherzustellen, dass Aktivierungswerte pro
Schicht durch eine statistische Normalisierung über Mini-Batches stabilisiert
werden, um die Verteilungseigenschaften zu konsolidieren. Die Berechnung von Mittelwert
und Standardabweichung muss so erfolgen, dass systematische Verzerrungen durch
Regularisierungsmaßnahmen ausgeschlossen werden. Die Einhaltung dieser Verfahren
ist durch eine Prüfung der Datenverteilung während des Trainings zu verifizieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-56
title_original_de: QM-56-6 Batch Normalization
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-56_Normalization/QM-56-6_Batch%20Normalization.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-56-normalisierung
canonical_name: Normalisierung
description: Für KI-Trainingsdaten ist eine statistische Normalisierung durchzuführen,
um numerische Werte auf einen einheitlichen Skalierungsbereich oder eine definierte
Verteilung zu transformieren. Diese Maßnahme ist sicherzustellen, um die Konsistenz
der Eingabedaten und die Vergleichbarkeit von Merkmalen über verschiedene Datensätze
hinweg zu gewährleisten. Die Einhaltung der definierten statistischen Parameter
ist vor jedem Trainingslauf durch einen automatisierten Validierungsprozess zu
prüfen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-56
title_original_de: QM-56 Normalisierung
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-56_Normalization/QM-56_Normalization.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-57-1-synthetic-minority-over-sampling-techn
canonical_name: -1 Synthetic Minority Over-sampling Technique
description: Das KI-Trainingsdatenset muss durch synthetische Generierung von Minderheitsklassen-Instanzen
ausgeglichen werden, um eine Verzerrung zugunsten der Mehrheitsklasse zu vermeiden.
Die Erzeugung neuer Datenpunkte ist durch Interpolation zwischen existierenden
Beispielen und deren k-nächsten Nachbarn im Merkmalsraum sicherzustellen. Eine
Validierung der resultierenden Klassenverteilung ist vor dem Training des Modells
durchzuführen, um die statistische Repräsentativität der Minderheit zu gewährleisten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-57
title_original_de: QM-57-1 Synthetic Minority Over-sampling Technique
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-57_Fairness-Methoden/QM-57-1_SMOTE.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-57-2-lfr
canonical_name: -2 LFR
description: Das System muss während des Trainingsprozesses eine repräsentative
Merkmalsabbildung generieren, die sensible Attribute von den eigentlichen Vorhersagefeatures
entkoppelt. Dies ist sicherzustellen, indem die Datenpunkte auf eine Menge von
Prototypen projiziert werden, wobei Bias-Reduktion und Vorhersagegenauigkeit simultan
optimiert werden. Die Wirksamkeit dieser Entkopplung ist durch quantitative Metriken
zur Fairness im latenten Raum zu prüfen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-57
title_original_de: QM-57-2 LFR
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-57_Fairness-Methoden/QM-57-2_LFR.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0196
- id: MET-AI-DATA-QM-58-1-laplacescher-mechanismus
canonical_name: -1 Laplacescher Mechanismus
description: Das KI-Trainingsmodell muss bei der Generierung von Ergebnissen aus
sensiblen Datensätzen ein stochastisches Rauschen gemäß einer Laplace-Verteilung
hinzufügen, um differentielle Privatsphäre zu gewährleisten. Die Amplitude dieses
Rauschens ist dynamisch an den definierten Datenschutzparameter zu koppeln, wobei
eine Erhöhung des Parameters zwingend eine proportionale Steigerung der Störgröße
erfordert. Die Wirksamkeit dieser Maßnahme ist durch eine Prüfung der Datenqualität
zu verifizieren, die sicherstellt, dass der Schutz individueller Datenpunkte trotz
der hinzugefügten Unsicherheit die statistische Nützlichkeit der aggregierten
Ergebnisse nicht vollständig kompromittiert.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-58
title_original_de: QM-58-1 Laplacescher Mechanismus
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-58_DiffentialPrivacyMethods/QM-58-1_Laplacescher%20Mechanismus.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-58-2-exponentialmechanismus
canonical_name: -2 Exponentialmechanismus
description: Das System muss bei der Auswahl von Ergebnissen aus KI-Trainingsdaten
einen Wahrscheinlichkeitsmechanismus anwenden, der die Ausgabe basierend auf einem
Nutzenwert steuert. Die Verteilung der Wahrscheinlichkeiten ist so zu gestalten,
dass Ergebnisse mit hohem Risiko für die Offenlegung individueller Datenpunkte
signifikant seltener generiert werden. Eine Prüfung ist sicherzustellen, ob die
gewählte Ausgabe die Privatsphäre der einzelnen Datensätze unter Einhaltung definierter
Grenzen effektiv schützt.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-58
title_original_de: QM-58-2 Exponentialmechanismus
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-58_DiffentialPrivacyMethods/QM-58-2_Exponentialmechanismus.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-58-3-lokale-differentielle-privatsphaere
canonical_name: -3 Lokale differentielle Privatsphäre
description: Die Integrität der KI-Trainingsdaten ist sicherzustellen, indem jedes
individuelle Datenelement vor der Übermittlung an den zentralen Server durch einen
lokal auf dem Endgerät ausgeführten Rauschalgorithmus anonymisiert wird. Es ist
zu prüfen, dass die Aggregation der Daten erst nach dieser lokalen Störung erfolgt,
um eine Rekonstruktion der Rohdaten auf Serverseite auszuschließen. Dieser Prozess
gewährleistet, dass die Differenzialprivatsphäre bereits auf der Ebene des Nutzers
implementiert ist und keine vertraulichen Informationen ungeschützt das Gerät
verlassen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-58
title_original_de: QM-58-3 Lokale differentielle Privatsphäre
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-58_DiffentialPrivacyMethods/QM-58-3_LokaleDifferentiellePrivatsphäre.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0143
- id: MET-AI-DATA-QM-58-methoden-der-differential-privacy
canonical_name: Methoden der "Differential Privacy"
description: Das KI-Trainingsverfahren muss einen mathematisch fundierten Mechanismus
zur Hinzufügung von kontrolliertem Rauschen implementieren, um die Rekonstruierbarkeit
individueller Datensätze im Ergebnis zu verhindern. Die Sensitivität der verwendeten
Abfragen ist vor der Datenverarbeitung zu ermitteln, um die Rauschstärke entsprechend
der Datenschutzanforderungen zu dimensionieren. Eine Validierung ist durchzuführen,
um sicherzustellen, dass die generierten Modelle keine Rückschlüsse auf einzelne
Trainingsbeispiele zulassen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-58
title_original_de: QM-58 Methoden der "Differential Privacy"
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-58_DiffentialPrivacyMethods/QM-58_DifferentialPrivacyMethods.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-59-1-metadatenkataloge
canonical_name: -1 Metadatenkataloge
description: Für alle im Rahmen von KI-Trainingsprozessen genutzten Datensätze ist
ein zentraler Metadatenkatalog als verbindliche Referenzinstanz zu etablieren.
Dieser Katalog muss strukturelle Merkmale, Herkunftsinformationen sowie Qualitätsmetriken
jeder einzelnen Datenquelle eindeutig dokumentieren und für autorisierte Prüfer
abrufbar halten. Die Vollständigkeit und Konsistenz der gespeicherten Metadaten
sind vor jedem Trainingslauf systematisch zu validieren, um eine nachvollziehbare
Datenherkunft sicherzustellen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-59
title_original_de: QM-59-1 Metadatenkataloge
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-59%20Metadaten/QM-59-1_Metadatenkataloge.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-59-2-integration-von-metadaten
canonical_name: -2 Integration von Metadaten
description: Der Trainingsdatensatz muss um strukturelle Metadaten erweitert werden,
um dem Modell kontextuelle Parameter wie Zeitstempel oder räumliche Zuordnungen
bereitzustellen. Diese Zusatzinformationen sind so zu kodieren, dass sie die Erkennung
von Mustern ermöglichen, welche in den reinen Rohdaten nicht identifizierbar sind.
Die Wirksamkeit dieser Erweiterung ist durch einen Vergleich der Modellgenauigkeit
vor und nach der Integration zu verifizieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-59
title_original_de: QM-59-2 Integration von Metadaten
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-59%20Metadaten/QM-59-2_Integration%20von%20Metadaten.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-59-3-metadaten-vollstaendigkeit
canonical_name: -3_Metadaten-Vollständigkeit
description: Für KI-Trainingsdatensätze muss der Anteil der Einträge mit vollständig
dokumentierten Herkunftsinformationen quantifiziert werden. Es ist sicherzustellen,
dass für jeden Datensatz die Ursprungsquelle, der Erfassungszeitpunkt und die
verantwortliche Instanz lückenlos erfasst sind. Diese Vollständigkeit ist zwingend
zu prüfen, um die Rückverfolgbarkeit der Datenherkunft im gesamten Datenbestand
nachzuweisen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-59
title_original_de: QM-59-3_Metadaten-Vollständigkeit
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-59%20Metadaten/QM-59-3_Metadaten-Vollständigkeit.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-59-metadatenmanagement
canonical_name: Metadatenmanagement
description: Für KI-Trainingsdatensätze ist ein automatisiertes Metadatenmanagement
durchzuführen, das Klassifizierung und Extraktion zur strukturierten Erfassung
von Datenmerkmalen nutzt. Die Integrität der Metadaten ist kontinuierlich auf
Vollständigkeit, Konsistenz und Genauigkeit zu prüfen, um deren Eignung für spezifische
Lernziele sicherzustellen. Eine valide Nutzung der Metadaten erfordert deren Nachweisbarkeit
in einem zentralen Katalog, der den Zugriff auf die Qualitätskriterien für alle
Anwendungsfälle gewährleistet.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-59
title_original_de: QM-59 Metadatenmanagement
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-59%20Metadaten/QM-59_Metadatenmanagement.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0175
- id: MET-AI-DATA-QM-60-provinienztracking-blockchain
canonical_name: Provinienztracking-Blockchain
description: Das System muss für jede KI-Trainingsinstanz einen unveränderlichen
Lebenszyklus-Eintrag in einer dezentralen Ledger-Struktur generieren, der Ursprung,
Verarbeitungsschritte und Weitergabe dokumentiert. Diese Einträge sind so zu gestalten,
dass eine lückenlose und fälschungssichere Rückverfolgung der Datenherkunft jederzeit
möglich ist. Die Integrität der gespeicherten Metadaten ist durch kryptografische
Verfahren gegen nachträgliche Manipulationen zu schützen. Eine Prüfung der Vollständigkeit
dieser Provenienzketten ist vor jedem Trainingsschritt durchzuführen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-60
title_original_de: QM-60 Provinienztracking-Blockchain
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-60_Provinienztracking-Blockchain.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-61-1-marginal-contribution-approach
canonical_name: -1 Marginal Contribution Approach
description: Für die Validierung von KI-Trainingsdaten ist der marginale Einfluss
einzelner Datensätze auf die Modellleistung durch systematisches Hinzufügen oder
Entfernen zu quantifizieren. Es ist sicherzustellen, dass dieser Beitrag als messbare
Veränderung der Gesamtnote des Systems bewertet wird, um die Datenqualität zu
verifizieren. Die Prüfung muss nachweisen, dass relevante Datenpunkte einen signifikanten
positiven Effekt auf die Performance aufweisen oder bei Ausschluss eine Verschlechterung
verursachen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-61
title_original_de: QM-61-1 Marginal Contribution Approach
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-61_Datenbewertungsmethoden/QM-61-1_Marginal%20Contribution%20Importance.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-61-2-data-re-weighting-strategies
canonical_name: -2 Data Re-weighting Strategies
description: Das System muss Mechanismen implementieren, um die Gewichtung von Trainingsdatenpunkten
dynamisch anzupassen, um Verzerrungen auszugleichen und die Modellleistung zu
optimieren. Es ist sicherzustellen, dass die Re-Weighting-Strategie explizit dokumentiert
und auf ihre Wirksamkeit zur Sicherstellung der Fairness überprüft wird. Die Anpassung
der Datenprioritäten ist so zu konfigurieren, dass sie die Zielkonflikte zwischen
Genauigkeit und Gleichbehandlung adressiert.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-61
title_original_de: QM-61-2 Data Re-weighting Strategies
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-61_Datenbewertungsmethoden/QM-61-2_Data%20Re-weighting%20Strategies.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0185
- id: MET-AI-DATA-QM-61-3-neural-dynamic-data-valuation
canonical_name: -3 Neural Dynamic Data Valuation
description: Das System muss eine dynamische Bewertungsfunktion implementieren,
die den Beitrag einzelner Trainingsdatenpunkte im Kontext der aktuellen Inferenzleistung
quantifiziert. Dabei ist sicherzustellen, dass die Sensitivität der Ausgabe gegenüber
Datenänderungen kontinuierlich analysiert wird, um eine adaptive Gewichtung der
Datensätze zu ermöglichen. Die Validierung dieser Mechanismen erfolgt durch den
Nachweis einer zeitabhängigen Anpassung der Datenprioritäten basierend auf den
aktuellen Modellzuständen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-61
title_original_de: QM-61-3 Neural Dynamic Data Valuation
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-61_Datenbewertungsmethoden/QM-61-3_Neural%20Dynamic%20Data%20Valuation.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-61-datenpunkt-einflussanalyse
canonical_name: Datenpunkt-Einflussanalyse
description: Das System muss die individuelle Gewichtung jedes Trainingsdatums auf
die finale Modellperformance quantifizieren, um kritische Ausreißer oder redundante
Einträge zu identifizieren. Es ist sicherzustellen, dass Datenpunkte mit hohem
Informationsgehalt oder signifikanter Wirkung auf die Robustheit explizit nachvollziehbar
gekennzeichnet werden. Eine Prüfung muss validieren, dass die Entfernung weniger
relevanter Samples die allgemeine Vorhersagegenauigkeit nicht unerlaubt mindert.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-61
title_original_de: QM-61 Datenpunkt-Einflussanalyse
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-61_Datenbewertungsmethoden/QM-61_Datenpunkteinflussanalyse.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-62-verzeichnis-von-verarbeitungstaetigkeit
canonical_name: Verzeichnis von Verarbeitungstätigkeit
description: Das System muss eine durchgängige Dokumentation aller KI-Datenverarbeitungsprozesse
bereitstellen, die Zweck, Datenkategorien und Empfänger explizit definiert. Die
Aktualisierung dieser Metadaten ist vor jedem Trainingsschritt sicherzustellen,
um die Datenherkunft und Löschzyklen nachvollziehbar zu machen. Die Gültigkeit
der dokumentierten Sicherheitsmaßnahmen ist regelmäßig zu prüfen, um die Integrität
der Trainingsdaten zu gewährleisten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs:
- framework: EU GDPR
citation: Artikel 32
- framework: EU GDPR
citation: null
- framework: EU GDPR
citation: Art. 49
- framework: BSI AIC4
citation: null
- framework: AI Act
citation: Artikel 10
- framework: BSI Grundschutz
citation: null
source:
framework: BSI QUAIDAL
section: QM-62
title_original_de: QM-62 Verzeichnis von Verarbeitungstätigkeit
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-62_Verzeichnis%20von%20Verarbeitungstätigkeit.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-63-1-horizontal-federated-learning
canonical_name: -1 Horizontal Federated Learning
description: Das System muss horizontale Federated-Learning-Verfahren implementieren,
bei denen Modell-Updates aggregiert werden, ohne dass Rohdaten die lokalen Speicherorte
der beteiligten Parteien verlassen. Es ist sicherzustellen, dass alle Knoten identische
Merkmalsvektoren nutzen, während die zugrundeliegenden Datensätze ausschließlich
aus unterschiedlichen Individuen bestehen. Die Datenintegrität ist durch eine
Prüfung zu verifizieren, die bestätigt, dass keine direkten Datenaustausche zwischen
den Partnern während des Trainingsprozesses stattfinden.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs:
- framework: EU GDPR
citation: null
source:
framework: BSI QUAIDAL
section: QM-63
title_original_de: QM-63-1 Horizontal Federated Learning
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-63_FederatedLearning/QM-63-1_Horizontal%20Federated%20Learning.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-63-2-vertical-federated-learning
canonical_name: -2 Vertical Federated Learning
description: Das System muss die Integrität von vertikal federierten KI-Trainingsprozessen
sicherstellen, bei denen mehrere Parteien komplementäre Merkmalsvektoren für identische
Entitäten beisteuern. Es ist zu prüfen, ob die Datenfusion ausschließlich auf
nicht-dekodierbaren Modellparametern basiert, um die Originaldaten der einzelnen
Instanzen während des gemeinsamen Lernvorgangs zu schützen. Die Validierung muss
nachweisen, dass keine direkten Rohdaten zwischen den Knoten ausgetauscht werden,
bevor ein aggregiertes Modell aktualisiert wird.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-63
title_original_de: QM-63-2 Vertical Federated Learning
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-63_FederatedLearning/QM-63-2_Vertical%20Federated%20Learning.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-63-3-federated-transfer-learning
canonical_name: -3 Federated Transfer Learning
description: Das System muss die Fähigkeit zur Übertragung von Modellwissen zwischen
heterogenen Datenquellen bereitstellen, um bei nicht vollständiger Merkmals- oder
Proben-Überschneidung eine gemeinsame Modellbildung zu ermöglichen. Es ist sicherzustellen,
dass Transfermechanismen explizit implementiert sind, um Wissenslücken bei unterschiedlichen
Datenvolumina und -strukturen zu schließen. Die Wirksamkeit dieser Mechanismen
ist durch Prüfung der Modellkonvergenz über die beteiligten Parteien hinweg zu
validieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-63
title_original_de: QM-63-3 Federated Transfer Learning
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-63_FederatedLearning/QM-63-3_Federated%20Transfer%20Learning.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-63-federated-learning
canonical_name: Federated Learning
description: Für KI-Trainingsprozesse mit dezentralen Architekturen ist sicherzustellen,
dass Rohdaten niemals den lokalen Speicherort der Datenbesitzer verlassen. Stattdessen
müssen Modellparameter ausschließlich auf den Endgeräten oder lokalen Servern
aktualisiert und anschließend aggregiert werden, um den Datenschutz zu gewährleisten.
Die Integrität des Federated-Learning-Verfahrens ist durch Prüfung der Datenlokalisierung
und des Parametertransfers zu verifizieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-63
title_original_de: QM-63 Federated Learning
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-63_FederatedLearning/QM-63_Federated%20Learning.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-64-similarity-scores
canonical_name: Similarity Scores
description: Für die Validierung der KI-Trainingsdaten ist eine kontextspezifische
Auswahl eines geeigneten Ähnlichkeitsmaßes zwingend erforderlich. Bei vektorisierten
Daten sind metrische Verfahren wie die Kosinus-Ähnlichkeit anzuwenden, während
bei sparse Darstellungen Distanzmaße wie der Jaccard-Koeffizient vorzuziehen sind.
In Szenarien mit hoher semantischer Komplexität sind fortgeschrittene Verfahren
wie BERTScore zur Sicherstellung der Datenqualität einzusetzen. Die Eignung des
gewählten Algorithmus ist vor der Nutzung nachzuweisen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-64
title_original_de: QM-64 Similarity Scores
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-64_Similarity%20Scores.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0167
- id: MET-AI-DATA-QM-65-ai-or-s-bom
canonical_name: AI or S-Bom
description: Das System muss eine vollständige Inventarisierung aller Trainingsdaten,
Modelle und externen Abhängigkeiten als strukturierte KI-Bill-of-Materials dokumentieren.
Diese Dokumentation ist sicherzustellen, um Lizenzkonflikte, Sicherheitslücken
und ethische Risiken in der Lieferkette frühzeitig zu identifizieren. Die Prüfung
muss nachweisen, dass alle Komponenten sowie deren Versionsstände und Qualitätsmetriken
lückenlos erfasst sind.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs:
- framework: AI Act
citation: null
source:
framework: BSI QUAIDAL
section: QM-65
title_original_de: QM-65 AI or S-Bom
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-65_AI_or_S_Bom.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-67-provenienz-vollstaendigkeitsrate
canonical_name: Provenienz-Vollständigkeitsrate
description: Die Provenienz-Vollständigkeit ist als messbarer Indikator für die
Qualität von KI-Trainingsdaten zu definieren und muss den Anteil der Datensätze
quantifizieren, bei denen sämtliche Herkunftsdetails lückenlos dokumentiert sind.
Es ist sicherzustellen, dass für jeden Dateneintrag alle relevanten Transformationen,
Erhebungsmethoden und Ursprungsinformationen vollständig in den Metadaten erfasst
wurden. Die Prüfung erfolgt durch Berechnung des Quotienten aus vollständig dokumentierten
Datensätzen und der Gesamtmenge aller Trainingsdaten, wobei das Ergebnis als Prozentsatz
auszudrücken ist.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-67
title_original_de: QM-67 Provenienz-Vollständigkeitsrate
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-67_Provenienz_Vollständigkeitsrate.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0147
- id: MET-AI-DATA-QM-68-1-shannon-index
canonical_name: -1 Shannon-Index
description: Das System muss die Entropie der Verteilung von KI-Trainingsdaten quantifizieren,
um die Diversität der enthaltenen Klassen zu bewerten. Es ist sicherzustellen,
dass der berechnete Shannon-Index als messbarer Indikator für die Informationsunsicherheit
in den Datensätzen dient. Die Prüfung erfolgt durch Analyse der Häufigkeitsverteilung,
um eine ausreichende Varianz der Eingabemuster zu garantieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-68
title_original_de: QM-68-1 Shannon-Index
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-68_Diversity%20Indices%20Metrics/QM-68-1_Shannon-Index.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-68-2-simpson-index
canonical_name: -2 Simpson-Index
description: Die Verteilung der Trainingsdaten hinsichtlich relevanter Klassenmerkmale
ist durch einen statistischen Diversitätsindikator zu quantifizieren, der die
Wahrscheinlichkeit für eine zufällige Übereinstimmung zweier ausgewählter Instanzen
misst. Ein niedriger berechneter Wert ist als Indikator für eine hohe Klassenbalance
und damit für eine robuste Datenqualität zu werten. Die Einhaltung dieses Qualitätsziels
ist durch regelmäßige Berechnung und Dokumentation des Indexwertes während des
gesamten Trainingsprozesses sicherzustellen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-68
title_original_de: QM-68-2 Simpson-Index
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-68_Diversity%20Indices%20Metrics/QM-68-2_Simpson-Index.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-68-3-pielous-eveness-index
canonical_name: -3 Pielous Eveness Index
description: Das System muss die Verteilung von Trainingsinstanzen über alle Zielklassen
quantifizieren, um eine signifikante Verzerrung zu vermeiden. Der errechnete Gleichmäßigkeitsindikator
ist als Maß für die Datenqualität heranzuziehen und muss einen Wert nahe dem Idealzustand
aufweisen. Eine Abweichung von der gleichmäßigen Verteilung ist durch eine automatische
Prüfung zu validieren, bevor das Modell trainiert wird.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-68
title_original_de: QM-68-3 Pielous Eveness Index
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-68_Diversity%20Indices%20Metrics/QM-68-3_Pielous%20Eveness%20Index.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-68-4-berger-parker-index
canonical_name: -4 Berger-Parker Index
description: Das System muss sicherstellen, dass die Verteilung der Kategorien in
den KI-Trainingsdaten eine ausgewogene Vielfalt aufweist und keine einzelne Klasse
übermäßig dominiert. Es ist zu prüfen, ob der Anteil der häufigsten Kategorie
einen definierten Schwellenwert unterschreitet, um eine Verzerrung der Datenqualität
auszuschließen. Eine unzureichende Heterogenität der Labels ist als Defekt zu
bewerten, der die Modellleistung negativ beeinflusst.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-68
title_original_de: QM-68-4 Berger-Parker Index
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-68_Diversity%20Indices%20Metrics/QM-68-4_Berger%20Parker%20Index.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-68-5-margalefs-richness-index
canonical_name: -5 Margalefs Richness Index
description: Die Qualität der KI-Trainingsdaten ist durch einen Diversitätsindikator
zu quantifizieren, der das Verhältnis der Anzahl einzigartiger Entitäten zur Gesamtmenge
der verarbeiteten Instanzen ermittelt. Dieser Kennwert muss sicherstellen, dass
die Datengrundlage eine hinreichende Heterogenität aufweist, um eine einseitige
Verzerrung des Modells zu verhindern. Die Prüfung erfolgt durch die Berechnung
des Index und den Abgleich mit definierten Mindestschwellenwerten für die Datenrepräsentativität.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-68
title_original_de: QM-68-5 Margalefs Richness Index
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-68_Diversity%20Indices%20Metrics/QM-68-5_Margalefs%20Richness%20Index.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-68-6-menhinicks-index
canonical_name: -6 Menhinicks Index
description: Die Qualität der KI-Trainingsdaten ist durch einen normalisierten Diversitätsindex
zu bewerten, der das Verhältnis der unique Token-Klassen zur Gesamtmenge der Token
erfasst. Dieser Kennwert muss die Vergleichbarkeit von Datensätzen unterschiedlicher
Volumina sicherstellen, indem er den Artenreichtum der Datenstruktur unabhängig
von der absoluten Stichprobengröße quantifiziert. Die Berechnung ist bei jedem
Validierungslauf durchzuführen, um eine objektive Messung der Datenheterogenität
zu gewährleisten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-68
title_original_de: QM-68-6 Menhinicks Index
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-68_Diversity%20Indices%20Metrics/QM-68-6_Menhinicks%20Index.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-69-1-hold-out
canonical_name: -1 Hold Out
description: Die Datenbasis für das KI-Modell ist vorab in strikt getrennte, nicht
überlappende Teilmengen zur Modellbildung, Parameteroptimierung und abschließenden
Evaluation zu zerlegen. Eine Nutzung der Evaluationsdaten während des Trainingsprozesses
ist zwingend auszuschließen, um Verzerrungen der Leistungsmessung zu verhindern.
Die Einhaltung dieser Trennung ist durch eine nachvollziehbare Protokollierung
der Aufteilungsratios und der Datenpfade zu verifizieren.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-69
title_original_de: QM-69-1 Hold Out
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-69_DataSplitting/QM-69-1_Hold%20Out.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-69-2-k-fold-cross-validation
canonical_name: -2 K-Fold Cross Validation
description: Das KI-Modell ist mittels K-Fold-Verfahren zu validieren, wobei der
Datensatz in K disjunkte Teilmengen zu zerlegen ist. In jedem Iterationslauf muss
eine Teilmenge als Testdatensatz dienen, während die verbleibenden Mengen zum
Training herangezogen werden. Die Wiederholung dieses Prozesses über alle K Kombinationen
ist sicherzustellen, um eine robuste Schätzung der Modellgüte zu gewährleisten.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-69
title_original_de: QM-69-2 K-Fold Cross Validation
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-69_DataSplitting/QM-69-2_K-Fold%20Cross%20Validation.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-70-datasheet
canonical_name: Datasheet
description: Es ist sicherzustellen, dass für alle KI-Trainingsdatensätze ein strukturiertes
Begleitdokument existiert, welches den vollständigen Lebenszyklus der Daten transparent
abbildet. Dieses Dokument muss zwingend Metriken zur Vollständigkeit enthalten
und spezifische Anwendungsempfehlungen sowie Wartungsanforderungen definieren.
Durch diese Dokumentation ist nachweislich zu prüfen, ob der Datensatz für den
vorgesehenen Einsatzzweck geeignet ist und Missbrauchspotenziale ausgeschlossen
werden.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-70
title_original_de: QM-70 Datasheet
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-70_Datasheet.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0
- id: MET-AI-DATA-QM-71-polynomiale-features
canonical_name: Polynomiale Features
description: Das System muss bei der Verarbeitung von Trainingsdaten nicht-lineare
Beziehungen durch die Generierung höherer Potenzen und Kreuzterme aus den Eingangsvariablen
abbilden. Es ist sicherzustellen, dass diese transformierten Merkmale explizit
zur Erfassung komplexer Muster in linearen Modellen verwendet werden. Die Qualität
der Daten ist zu prüfen, indem verifiziert wird, ob die Basis-Expansion korrekt
implementiert ist und keine unbeabsichtigten Datenlecks entstehen.
kind: metric
regulation_anchor: EU AI Act Art. 10 (Datenqualität für Hochrisiko-KI)
related_quaidal_ids: []
external_refs: []
source:
framework: BSI QUAIDAL
section: QM-71
title_original_de: QM-71 Polynomiale Features
url: https://github.com/BSI-Bund/QUAIDAL/blob/main/0000_Markdown/0001_Criteria,Measurements,Metrics/0003_Qualitätsmetriken_methoden/QM-71%20Polynomiale%20Features.md
commit_sha: c39b75369841b359c6bf56d6588e3768c722842f
license_note: § 5 UrhG anwendbar; share:true im Frontmatter; Clean-Room-Ableitung.
plagiarism_score_at_generation: 0.0345
Reference in New Issue View Git Blame Copy Permalink