Im folgenden lernst du:
Was eine Feedback-Similarity-Threshold ist.
Warum Feedback nach einiger Zeit weniger wirkt.
Weshalb man die Threshold erhöhen muss, um die Antwortqualität zu sichern.
💡Je näher der Wert an 1 liegt, desto wahrscheinlicher wird das gegebene Feedback bei einer ähnlichen Suchanfrage berücksichtigt. Empfehlung: 0,85 - 0,95.
Um die Feedback Threshold anzupassen navigiere zu Algorithm —> AI-Settings
1) Wie funktioniert die Feedback-Similarity-Threshold?
Wenn die Antwort der KI bewertet oder korrigiert wird, wird das richtige Feedback gespeichert.
Die KI prüft künftig: „Ist die neue Nutzerfrage semantisch ähnlich genug zum Feedback?“
Diese Ähnlichkeit wird über einen Threshold (Schwellwert) gesteuert:
Niedriger Threshold → Schon grobe Ähnlichkeiten reichen, Feedback wird oft angewendet.
Hoher Threshold → Nur sehr nahe (semantisch „dichte“) Treffer werden genutzt.
2. Warum wirkt Feedback nach einiger Zeit nicht mehr?
Am Anfang:
Nutzer geben viel neues Feedback → auch mit niedrigem Threshold entsteht ein klarer Lerneffekt.
Jede Korrektur verbessert die Antworten spürbar.
Nach einiger Zeit:
Das System hat schon viele ähnliche Fälle gelernt.
Mit einem niedrigen Threshold matcht es Feedback auch auf nur vage ähnliche Fragen.
Ergebnis: Das Feedback wird zu breit angewendet → es verwässert, wirkt nicht präzise, und die Qualität stagniert.
3. Warum muss der Threshold erhöht werden?
Mit zunehmender Feedback-Menge wächst die „Dichte“ im Embedding-Speicher.
Um relevante und wirklich passende Feedbacks zu nutzen, muss man den Schwellwert verschärfen.
Dadurch ignoriert die KI ungenaues Feedback, das nicht 1:1 passt.
So wird verhindert, dass die Qualität durch falsche Überanwendung von Feedback stagniert oder sogar schlechter wird.
4. Analogie zur Erklärung
Stell dir vor, du sortierst Schrauben in Kisten nach Größe:
Anfangs reichen große Kategorien (klein, mittel, groß). → Es hilft sofort.
Später, wenn du viele verschiedene Schrauben hast, reicht diese grobe Einteilung nicht mehr.
Du brauchst feinere Kategorien (10 mm, 12 mm, 14 mm …).
Genau das macht die höhere Similarity-Threshold: Sie sorgt für präzisere Passungen, damit das Feedback wirkt.
5. Fazit
Am Anfang: niedriger Threshold → Feedback wirkt breit, schnelle Lernkurve.
Mit der Zeit: mehr Feedback-Daten → niedriger Threshold verwässert → Qualität stagniert.
Lösung: Threshold erhöhen, damit nur noch wirklich passende Feedbacks greifen → die Antworten werden wieder präziser.