Je klarer und spezifischer die Problemdefinition ist, desto besser können die folgenden Schritte (Datenaufbereitung, Modellauswahl, Training etc.) durchgeführt werden. Eine unklare oder zu breite Problemdefinition führt oft zu schlechten Ergebnissen, da das Modell nicht weiss, was es lernen soll.

Zielsetzung: Wir wollen mit KI einen Spamfilter erstellen. Das Ziel eines Spamfilters ist es, unerwünschte E-Mails (Spam) von erwünschten E-Mails (Ham) zu unterscheiden.

Eingrenzung:

• Wir untersuchen nur den E-Mail-Inhalt, nicht den Absender, die Betreffzeile oder andere Metadaten.
• Wir konzentrieren uns auf die Klassifikation von E-Mails als Spam oder Ham, ohne weitere Kategorien oder Unterteilungen wie z.B. Phishing, Werbung, Newsletter etc.
• Wir betrachten nur Textinhalte und keine Anhänge oder Bilder.
• Wir beschränken uns auf kurze Nachrichten (1-2 Sätze) in deutscher Sprache.

Erfolgskriterien:

• Genauigkeit: Der Anteil der korrekt klassifizierten E-Mails (sowohl Spam als auch Ham) an der Gesamtzahl der E-Mails. Ein guter Spamfilter sollte eine hohe Genauigkeit aufweisen, idealerweise über 95%.
• False Positives: Der Anteil der Ham-Nachrichten, die fälschlicherweise als Spam klassifiziert werden, sollte so niedrig wie möglich sein, idealerweise unter 1%.
• False Negatives: Der Anteil der Spam-Nachrichten, die fälschlicherweise als Ham klassifiziert werden, sollte so niedrig wie möglich sein, idealerweise unter 5%.