erfolgreich detektiert werden. Der Hersteller muss dabei Erfolgskriterien angeben, 
welche erfüllt werden müssen, damit die KIl-Komponente als sicherheits- und 
informationstechnisch funktionstüchtig gilt. Diese Messgrößen würde der 
Hersteller gewöhnlicherweise schon während der Entwicklung dieser KlI- 
Komponente formulieren, um Verbesserungen messbar zu machen. 
Diese Definition der Prüfmetriken und Erfolgskriterien lässt der Hersteller dem 
Prüfer im Rahmen der prüfungsvorbereitenden Kommunikation (s. Kapitel 5) 
zukommen. 
7.2. Verordnungen 
V1 | Aktuelle und zukünftige Anforderungen an Kl-Systeme 
Der Hersteller ist im Zuge des Entwicklungsprozesses für die Sichtung und Auswertung 
destehender Anforderungen für die gewählte Architektur und Anwendungsdomäne 
verantwortlich. Wurde die Nutzung einer Kl-Technologie für die Lösung eines Problems 
ausgewählt können verschiedene Anforderungen existieren, die in unterschiedlichem 
Umfang Einfluss auf die Entwicklung eines Kl-Systems haben können. 
Wegen der fehlenden Standardisierung von Kl-Systemen und zugrunde liegenden 
Architekturen ist ein detaillierter Überblick im Rahmen der Studie nur bedingt möglich. 
Srundlegend ist bei der Entwicklung mit dem Prüfer Rücksprache zu halten welche 
Regularien aktuell für den Prüfungsprozess Anwendung finden. 
Der Hersteller prüft schon während der Entwicklung und auch bei der 
Prüfungsvorbereitung sein Kl-System darauf, ob und welche Regularien es erfüllen 
muss. 
Weil die Ausgabe der Peilungskomponente über den Standard NMEA 0183 
erfolgt, muss der Hersteller dieses erfüllen (DIN, 2011). Darüber hinaus beobachtet 
der Hersteller die Entwicklung der Umsetzung des EU Al Acts (Europäische 
Kommission, 2021), da dieses Auswirkungen auf sein Produkt haben könnte (s. 
Kapitel 3.5.2) und nimmt den Leitfaden zur Entwicklung von Deep-Learning- 
Bilderkennungssystemen (DIN, 2020) zur Kenntnis. 
7.3. Daten und Modell 
D1 | Einhaltung der Datenqualität 
Mangelnde Datenqualität äußert sich im Allgemeinen anhand von fehlenden, 
Jnvollständigen, inkonsistenten, ungenauen oder doppelten Daten (DIN, 2020; 
Sudivada et al., 2017). Speziell bei Machine Learning sind häufig weitere 
zrscheinungsformen mangelnder Datenqualität zu beobachten: die Verwendung von 
zu vielen Variablen, stark miteinander korrelierte Variablen oder Ausreißer im 
Datensatz. 
Fraunhofer Cl. 
‚/erifAl 
Bundesamt für Seeschifffahrt und Hydrographie