Skip to content

landscape_de.md

Latest commit

 

History

History
80 lines (60 loc) · 3.69 KB

landscape_de.md

File metadata and controls

80 lines (60 loc) · 3.69 KB

Landscape Comparison: frAIme vs. etablierte Methodiken

Dokumentzweck: Vergleichende Einordnung von frAIme in die Landschaft von Decision-Support, Unsicherheitsquantifizierung und AI-Governance.
QUELLENMATRIX-Konformität: Kernquellen = Must; Ergänzende = Nice-to-have; Abweichungen explizit markiert.
Version: 1.0.0 | Erstellt: 2026-05-03

1. Scope & Methodik

1.1 Vergleichskriterien

Kriterium Definition frAIme-Umsetzung
Multi-Source-Input Strukturierte Aggregation unabhängiger Bewertungen P3: Isolierte Prompts an S1–Ω, keine Cross-Kontamination
Divergenz-Handling Umgang mit Uneinigkeit P4: Δdiv als Signal (nicht Fehler); explizite Kartierung
Ethische Reflexion Integration von Macht/Risiko-Analyse P6b: Power Layer Check (verpflichtend)
Auditierbarkeit Reproduzierbarkeit und Versionskontrolle P8: Versionierte Manifeste (08_manifest_*.json)

1.2 Quellenklassifikation

Typ Beispiele Rolle
Kern (Must) Delphi-Literatur; MCDA-Standards; Jaccard/Cosine-Definitionen; NIST AI RMF; ISO/IEC 42001 Basis für methodische Ansprüche
Ergänzend Preprints zu Multi-Agent-Governance; UQ-Reviews Kontext, nicht fundierend
frAIme-spezifisch Δdiv-Formel; P1–P8; Power Layer Innovationsansprüche

2. Vergleichende Analyse

Framework Ähnlichkeit Kritischer Unterschied Quelle
Delphi-Methode Strukturierter Multi-Experten-Input Ziel: iterativer Konsens; frAIme: Divergenz-Erhalt Kern
MCDA Gewichtete Aggregation Gewichte: Experten-vergeben; frAIme: Δdiv-abgeleitet Kern
Structured Expert Judgment Kalibrierung von Beiträgen Kalibrierung: historische Genauigkeit; frAIme: semantischer Drift + Validierung Kern
AI Agent Governance Phase-Gating Fokus: operative Kontrolle; keine Divergenz-Metrik Ergänzend
Governance-as-a-Service Multi-Agent-Runtime Trust: regelbasiert; frAIme: epistemisch Ergänzend
Uncertainty Quantification Aleatorisch/epistemisch Fokus: statistisch; frAIme: semantisch Ergänzend

2.1 Neue Beiträge von frAIme

  1. Hybride Δdiv-Metrik: Δdiv = 1 − (Jaccard_sem + Cosine) / 2
    – Kombiniert Konzept-Overlap mit Vektor-Ähnlichkeit

  2. Divergenz-als-Signal (P4):
    – Klassisch: Optimierung auf Konsens; frAIme: Optimierung auf sichtbare Unsicherheit
    – Schwellen: <0,15 Konsens; >0,70 blinder Fleck

  3. Power Layer Check (P6b):
    – Verpflichtend: "Wer profitiert? Wer trägt Risiko?"

  4. Versionierte Audit-Artefakte (P8):
    – Maschinenlesbare Manifeste für EU AI Act-Konformität

3. Abweichungen (explizit)

Etablierte Norm frAIme Begründung
Konsens als Ziel Divergenz als Signal Konsens kann geteilten Bias spiegeln
Statische Gewichte Dynamische Δdiv-Gewichte Objektiv, kontextsensitiv
Ethik als Add-on Ethik eingebettet (P6b) Machtanalyse ist entscheidungsrelevant

4. Reproduzierbarkeit

4.1 Kernquellen

  1. Dalkey & Helmer (1963). Delphi Method.
  2. Belton & Stewart (2002). MCDA.
  3. Cooke (1991). Experts in Uncertainty.
  4. NIST (2023). AI RMF.
  5. ISO/IEC 42001:2023.

4.2 frAIme-Artefakte

  • DOI: 10.5281/zenodo.19793185
  • Repo: github.com/schltdns/divergence-navigation-system

5. Fazit

frAIme ist kein Ersatz für statistische UQ oder operative Governance. Es ist eine komplementäre epistemische Schicht, die die Qualität von Uneinigkeit sichtbar macht.