Selbstgesteuerte Aufgabenidentifikation: KI erkennt Zielvariablen automatisch

Ein brandneues Machine‑Learning‑Framework namens Self‑Directed Task Identification (SDTI) wurde auf arXiv veröffentlicht. SDTI erlaubt es Modellen, die korrekte Zielvariable für jedes Datenset eigenständig zu bestimmen – und das ohne Vor‑Training oder zusätzliche Annotationsschritte.

Das Konzept ist minimal und interpretierbar: Durch eine gezielte Problemformulierung und ein schlankes Architektur‑Design, das ausschließlich Standard‑Neural‑Network‑Komponenten nutzt, kann SDTI die richtige Variable aus einer Menge möglicher Zielvariablen herausfiltern. Bislang konnten keine bestehenden Architekturen diese Fähigkeit demonstrieren.

In einer Reihe von Benchmark‑Aufgaben wurde SDTI getestet. Die Modelle identifizierten zuverlässig die wahre Zielvariable unter mehreren Kandidaten und lieferten konsistente Ergebnisse in einem Zero‑Shot‑Setting.

Im Vergleich zu herkömmlichen Baselines erzielte SDTI einen F1‑Score, der um 14 % höher lag – ein deutlicher Leistungsgewinn auf synthetischen Aufgabenidentifikations‑Benchmarks.

Diese Proof‑of‑Concept‑Experimente zeigen, dass SDTI das Potenzial hat, die Abhängigkeit von manueller Annotation drastisch zu reduzieren und die Skalierbarkeit autonomer Lernsysteme in realen Anwendungen zu erhöhen.