K Wissen HF-D7.7-004 branchenübergreifend 9 Skills
Grundlagen des maschinellen Lernens
Kennt die wichtigsten Formen des maschinellen Lernens, die Rolle von Trainingsdaten sowie Konzepte wie Überanpassung, Validierung und Modellleistung in leicht verständlicher Sprache.
Wie hrmforce dies misst
- Messmethode
- Wissenstest · rho 0.40 (SD 0.13)
- hrmforce-Instrument
- Wissenstest (kundenspezifisch)
- Trainierbarkeit
- hoch
- Nachfrageausblick 2026 bis 2030
- steigend
Test zur Überprüfung des deklarativen Fachwissens, der in der Regel kundenspezifisch zusammengestellt wird.
Verhaltensanker
| Ebene | Verhalten auf dieser Ebene |
|---|---|
| N1 Geführt | Erläutert den Unterschied zwischen überwachtem und unüberwachtem Lernen und gibt an, welche Daten ein Modell zum Lernen benötigt. arbeitet unter Aufsicht und befolgt Anweisungen · Routine, jeweils eine Variable nach der anderen · eigene Aufgabe |
| N3 Beherrscht | Erläutert, wie ein Modell trainiert und validiert wird, und beurteilt, ob gemeldete Leistungskennzahlen glaubwürdig sind. legt den eigenen Ansatz fest und holt proaktiv Input ein · mehrere Variablen, gewisse Mehrdeutigkeiten · eigenes Team oder eigener Prozess |
| N5 Führung | Legt Anforderungen an die Modellentwicklung innerhalb der Organisation fest und überprüft Modelle von Drittanbietern hinsichtlich ihrer Konzeption und Evidenz. legt den Standard und die Richtlinien fest · strategisch, unter hoher Unsicherheit · Organisation, Wertschöpfungskette oder Berufsfeld |
N2 und N4 sind bewusst nicht verankert. Die Bewerter ordnen sie gemäß der Konvention O*NET zwischen den Ankerpunkten ein.
Zugrundeliegende Skills
Diese Skills übernehmen die Messroute und die Verhaltensanker dieses Konstrukts.
| T | Skill | Definition | Nachfrageausblick 2026 bis 2030 |
|---|---|---|---|
| K | Kenntnis der wichtigsten Formen des maschinellen Lernens Überwachtes Lernen · Maschinelles Lernen | Unterscheidet zwischen überwachtem, unüberwachtem und verstärkendem Lernen und nennt jeweils ein praktisches Beispiel. | steigend |
| K | Aufteilung von Trainings- und Validierungsdatensätzen Aufteilung von Trainings- und Testdatensatz · Kreuzvalidierung | Teilt die Daten in Trainings-, Validierungs- und Testdatensätze auf, sodass die Modellleistung anhand von bisher unbekannten Daten gemessen wird. | steigend |
| K | Erkennen von Überanpassung Überanpassung | Erkennt an, dass ein Modell die Trainingsdaten auswendig lernt und daher bei neuen Fällen schlechte Ergebnisse liefert. | steigend |
| K | Messung der Modellleistung Genauigkeit · Abruf · Modellbewertung | Wählt geeignete Kennzahlen wie Präzision, Recall und die Fläche unter der Kurve aus und erläutert deren Bedeutung. | steigend |
| K | Unterscheidung zwischen Klassifizierung und Regression Klassifizierung · Regression | Ermittelt, ob bei einer Aufgabe eine Klasse oder eine Zahl abgefragt wird, und wählt entsprechend den passenden Modelltyp aus. | steigend |
| V | Technische Merkmale Feature-Engineering | Wandelt Rohdaten in verwertbare Vorhersagevariablen um und verhindert, dass zukünftige Informationen in das Modell einfließen. | steigend |
| K | Grundlegende Kenntnisse über neuronale Netze Neuronale Netze · Deep Learning | Erläutert, in welchem Zusammenhang Schichten, Gewichte und Training stehen und warum solche Modelle schwer zu erklären sind. | steigend |
| V | Erstellung eines Bewertungssatzes Bewertungssatz · Benchmark | Stellt einen festen Satz von Testfällen mit erwarteten Antworten zusammen, um Modelle und Eingabeaufforderungen vergleichbar zu bewerten. | steigend |
| K | Verständnis der Erklärbarkeit von Modellen Erklärbare KI | Erläutert, welche Techniken aufzeigen, welche Variablen eine Vorhersage beeinflussen, und welche Einschränkungen sie aufweisen. | steigend |