KI-Datenqualität: ETSI definiert 18 Metriken für verlässliche Systeme

Die Verlässlichkeit von Systemen der Künstlichen Intelligenz (KI) hängt maßgeblich von der Beschaffenheit der zugrunde liegenden Informationen ab. Mit dem technischen Bericht ETSI TR 104 180, der am 3. September 2026 veröffentlicht wurde, liegt nun ein Rahmenwerk vor, das die Bewertung dieser Grundlagen auf eine standardisierte Basis stellt. Das Dokument definiert insgesamt 18 spezifische Metriken, die eine objektive Messung der Datenqualität für KI-Anwendungen ermöglichen sollen.

Systematisierung der Qualitätsmerkmale in vier Kernbereiche

Die am 4. September 2026 detaillierten Spezifikationen des Rahmenwerks sehen eine Unterteilung der 18 Metriken in vier funktionale Kategorien vor. Diese Strukturierung soll sicherstellen, dass nicht nur rein technische Parameter, sondern auch gesellschaftliche und rechtliche Anforderungen berücksichtigt werden.

Der erste Bereich befasst sich mit der Grundqualität der Daten. Hierbei stehen klassische Parameter im Fokus, welche die Integrität und formale Korrektheit der Datensätze sicherstellen. Als zweite Säule wurde die Nutzbarkeit definiert. Diese Metriken bewerten, inwieweit die vorliegenden Informationen tatsächlich für den spezifischen Zweck des KI-Trainings oder des Betriebs geeignet sind.

Besondere Bedeutung kommt den Kategorien Fairness und Datenschutz zu. Während die Fairness-Metriken darauf abzielen, Verzerrungen (Bias) in den Datensätzen zu identifizieren und zu minimieren, dienen die Datenschutz-Metriken der Überprüfung der Konformität mit geltenden Schutzbestimmungen. Durch diese ganzheitliche Betrachtung adressiert der Standard wesentliche ethische und regulatorische Hürden beim Einsatz von KI-Technologien.

Validierung durch Praxistests und Open-Source-Instrumente

Um die Anwendbarkeit der theoretischen Metriken zu belegen, wurde laut Angaben vom 3. September 2026 bereits ein Proof of Concept (PoC) durchgeführt. In diesem Testlauf wurden die Standards auf zwei unterschiedliche Datentypen angewendet: IoT-Sensordaten und demografische Daten.

Wer sich mit der Qualität und Sicherheit von KI-Systemen befasst, muss heute auch die strengen rechtlichen Rahmenbedingungen der EU kennen. Dieser kostenlose Download verschafft Ihnen den Überblick über Fristen und Pflichten, den Ihre Rechts- und IT-Abteilung jetzt dringend braucht. EU AI Act in 5 Schritten verstehen

Diese Auswahl deckt ein breites Spektrum ab – von hochfrequenten technischen Messwerten bis hin zu sensiblen personenbezogenen Informationen, die unterschiedliche Anforderungen an die Datenqualität stellen.

Parallel zur Definition des Rahmenwerks wurde der Zugang zu praktischen Umsetzungshilfen geschaffen. Seit dem 3. September 2026 ist ein Open-Source-Tool verfügbar, welches die Anwendung der 18 Metriken in realen Entwicklungsumgebungen unterstützen soll. Dieses Werkzeug fungiert nicht nur als technische Hilfe für Entwickler, sondern dient gleichzeitig als praktischer Beleg für die Funktionsfähigkeit des Gesamtkonzepts.

Bedeutung für die industrielle Standardisierung

Die Einführung von ETSI TR 104 180 markiert einen wichtigen Schritt in der Professionalisierung der KI-Entwicklung. Durch die Bereitstellung messbarer Kriterien wird die bisher oft subjektive Einschätzung der Datenqualität durch ein nachvollziehbares Verfahren ersetzt.

Neben technischen Metriken müssen Unternehmen heute vor allem die gesetzlichen Risikoklassen ihrer Anwendungen im Blick behalten, um Sanktionen zu vermeiden. Dieser kostenlose Umsetzungsleitfaden zum EU AI Act klärt auf, was bei Hochrisiko-Systemen jetzt konkret zu tun ist. Kostenlosen Report zur KI-Verordnung anfordern

Experten gehen davon aus, dass solche standardisierten Messgrößen essenziell sind, um das Vertrauen in KI-gestützte Entscheidungen zu stärken und die Interoperabilität zwischen verschiedenen Systemen und Herstellern zu verbessern.

Das Rahmenwerk bietet Unternehmen somit eine Richtschnur, um die hohen Anforderungen an moderne KI-Systeme bereits in der phase der Datenaufbereitung systematisch zu erfüllen. Die Kombination aus theoretischer Fundierung, praktischer Erprobung an IoT-Daten und der Bereitstellung von Open-Source-Software unterstreicht den Anspruch, einen direkt anwendbaren Industriestandard zu etablieren.

de | wissenschaft | 70053519 |