Loss Function

Die Loss Function ist das Optimierungsziel eines Machine-Learning-Modells. Während des Trainings vergleicht das Modell seine Vorhersagen mit den tatsächlichen Werten in den Trainingsdaten, berechnet den Loss und passt seine Parameter so an, dass der Loss kleiner wird. Ohne klar definierte Loss Function gibt es kein Training.

Unterschiedliche Aufgaben brauchen unterschiedliche Loss Functions. Mean Squared Error (MSE) wird bei numerischen Regressionsproblemen verwendet (Preisvorhersage, Mengenprognose), Cross-Entropy bei Klassifizierungsaufgaben (Spam oder nicht, Produktkategorie X oder Y), Triplet- oder Kontrastive Losses bei semantischen Embedding-Aufgaben (ähnliche Produkte zusammen, unähnliche getrennt).

In Pimcores KI-Modellen kommen aufgabenspezifische Loss Functions zum Einsatz. Produktklassifizierungs-Modelle nutzen Cross-Entropy, Bildverschlagwortung Multi-Label-Loss-Varianten, semantische Suche Kontrastive Losses. Anwender konfigurieren die Loss Function nicht selbst, sie ist Teil der vorkonfigurierten KI-Funktionen, die Pimcore für Produktdaten-Anwendungen mitliefert.