Joint Learning (auch Multi-Task Learning) ist ein Trainingsverfahren, bei dem ein einzelnes Modell mehrere fachlich verwandte Zielgrößen gleichzeitig über geteilte interne Repräsentationen erlernt.
Erklärung
Architektonisch besteht ein solches Modell meist aus einem gemeinsamen Basisnetzwerk (Shared Encoder oder Backbone) und mehreren aufgabenspezifischen Ausgabeköpfen (Task Heads). Während des Trainings wird eine kombinierte Verlustfunktion minimiert, die die Einzelfehler aller Teilaufgaben gewichtet zusammenfasst. In der B2B-Kundenanalyse kann ein gemeinsames Modell aus denselben Nutzungs-, Ticket- und Vertragsdaten etwa parallel das Kündigungsrisiko (Churn), das Upsell-Potenzial und das Zahlungsausfallrisiko berechnen. Die geteilten Schichten wirken dabei wie eine Regularisierung: Merkmale, die an einer datenreichen Aufgabe gelernt wurden, stabilisieren auch Vorhersagen für seltenere Zielereignisse mit kleinem Stichprobenumfang. Im Produktivbetrieb sinkt zudem der Infrastruktur- und Wartungsaufwand, da für mehrere Prognosen nur ein gemeinsamer Feature- und Inferenzdurchlauf anfällt.