Cold Start

Das Cold-Start-Problem beschreibt die Herausforderung, einem ML-System nützliche Empfehlungen oder Vorhersagen abzuringen, wenn noch keine oder kaum Daten vorliegen — ein Henne-Ei-Problem, das besonders Empfehlungssysteme trifft.

Drei Varianten treten auf. User Cold Start: Ein neuer Nutzer registriert sich bei Netflix — das System weiß nichts über seine Vorlieben und kann nichts Sinnvolles empfehlen. Item Cold Start: Ein neuer Film wird hinzugefügt — keine Bewertungen existieren, das System kann seine Qualität nicht einschätzen. System Cold Start: Eine komplett neue Plattform startet ohne jegliche Interaktionsdaten.

Lösungsansätze sind vielfältig. Content-Based Filtering umgeht das Problem teilweise, indem es Eigenschaften der Items nutzt (Genre, Regie, Schauspieler) statt auf Nutzerbewertungen zu warten. Demografische Daten des neuen Nutzers (Alter, Standort) ermöglichen initiale Empfehlungen. Transfer Learning überträgt Muster aus ähnlichen Domänen.

In der Praxis nutzen Plattformen oft einen Onboarding-Fragebogen: „Welche Genres mögen Sie?" oder „Bewerten Sie diese 10 Filme." Das reduziert den Cold Start auf wenige Klicks.

Das Problem reicht über Empfehlungssysteme hinaus. Jedes ML-System, das auf Nutzerinteraktionen lernt — Chatbots, Personalisierung, Anomalieerkennung — durchläuft eine Cold-Start-Phase. Die Strategien der Überbrückung (Exploration, Heuristiken, vortrainierte Modelle) sind universell anwendbar.