Das Uncertainty Sampling ist der Daten-Routing-Mechanismus

Eine Honest-Architect-Lektüre von How Active Learning Can Train Machine Learning Models with Less Data, veröffentlicht am 2026-06-23 von Mind Foundry.

Die Oberflächenbehauptung ist eine Fallstudie: einen Support-Vector-Machine-Klassifikator auf Teilmengen des MNIST-Zifferndatensatzes (5.000 / 10.000 / 15.000 Punkte, gezogen aus 60.000) mit vier Stichprobenstrategien trainieren — Random, Uncertainty, Entropy und Margin Sampling — und das Verhältnis von Genauigkeit zu Trainingszeit messen. Der Honest Architect liest nach dem Mechanismus und findet fünf. Der tragende ist die Stichprobenregel: die drei Strategien, die die Vorhersageunsicherheit des Modells messen, halten über 99% der Genauigkeit in unter 25% der Zeit, während Random Sampling — das nicht misst — Genauigkeit verliert. Theorem 3 in Everythinks HAI Engine behauptet dieselbe Form: eine Eigenschaft ist genau dann gewährleistet, wenn ihr Mechanismus implementiert ist und misst. Hier ist die Eigenschaft „vergleichbare Genauigkeit mit weniger Daten“; der Mechanismus ist „eine Stichprobenregel, die Vorhersageunsicherheit misst und den nächsten Trainingspunkt dorthin routet, wo das Modell am unsichersten ist“. Die Größe des Datensatzes ist nicht der Mechanismus; die Regel ist es.

Dieser Beitrag extrahiert fünf Mechanismusformen, wendet Theorem 3 auf jede an und zieht domänenübergreifende Parallelen zu Everythink. Jede Parallelität ist ⚠️ markiert — Everythink arbeitet in ziviler und defensiver Prognose, Mind Foundrys Artikel in ML-Trainingsbildung, daher ist die Parallelität strukturell, keine Behauptung, dass unsere Systeme denselben Markt bedienen. Die fünf Mechanismusformen selbst sind ✅.

Mechanismus 1 — Die Unsicherheitsmessung ist der Mechanismus für gleiche-Genauigkeit-mit-weniger-Daten

Drei der vier Strategien — Uncertainty Sampling („Punkte werden auf Basis der Vorhersageunsicherheit des ML-Modells bezüglich ihrer Klasse ausgewählt“), Entropy Sampling („Punkte werden mit maximaler Klassenwahrscheinlichkeits-Entropie ausgewählt“) und Margin Sampling („Punkte werden ausgewählt, für die die Differenz zwischen der wahrscheinlichsten und der zweitwahrscheinlichsten Klasse am kleinsten ist“) — haben eines gemeinsam: jede misst eine Größe, die aus den vom Modell vorhergesagten Klassenwahrscheinlichkeiten abgeleitet ist, und routet dann den nächsten Trainingspunkt dorthin, wo diese Größe extrem ist. Der Honest Architect liest dies als Mechanismusbehauptung: vergleichbare Genauigkeit mit weniger Daten wird durch eine Stichprobenregel gewährleistet, die Vorhersageunsicherheit misst, nicht durch die Verkleinerung des Datensatzes. Der Mechanismus, der „über 99% der Leistung mit einer Teilmenge von 10.000 Punkten in weniger als 25% der Zeit“ erzeugt, ist „die Regel misst die Modellunsicherheit und routet die nächste Auswahl in die unsichere Region“. Die Unsicherheit ist die Messung; die Größe ist die Last. ✅ Production.

Alle vier Strategien wählen 10.000 Punkte aus demselben Pool von 60.000; die Größe wird konstant gehalten. Was sich unterscheidet, ist, ob die Auswahlregel den Modellzustand misst. Die drei, die messen, halten die Genauigkeit; die eine, die nicht misst (Random), verliert sie. Die Messung ist der Unterscheidungsfaktor, nicht die Größe. Die Eigenschaft, die der Artikel misst, ist selbst ein Verhältnis — Genauigkeit pro Trainingszeiteinheit —, keine absolute Größe: „für einen Genauigkeitsabfall von weniger als 1% können wir die Trainingszeit des Modells um 75% reduzieren.“ Die 1% und die 75% sind zwei Seiten derselben Metrik; nur eine ohne die andere zu berichten, würde täuschen.

Die domänenübergreifende Parallelität zu Everythinks Oracle ist nur strukturell. Der Oracle normalisiert Wahrscheinlichkeiten an genau einer Stelle und stempelt Entropie in Nats auf jede Zusammenführung — eine gemessene Größe, die anzeigt, wo die Verteilung am unentschiedensten ist. Entropy Sampling wählt Punkte mit maximaler Klassenwahrscheinlichkeits-Entropie; der Oracle stempelt Entropie auf jede Zusammenführung. Dasselbe Signal: Entropie misst, wo das Modell am unsichersten ist, und diese Messung ist der Mechanismus. ⚠️ Partial — der Oracle dient ziviler und defensiver Prognose, Mind Foundrys Entropy Sampling dient der ML-Trainingsbildung. Unterschiedliche Domänen, dasselbe Signal.

Mechanismus 2 — Die Stichprobenregel ist der Mechanismus, nicht die Datensatzgröße

Der Artikel stellt die rahmende Bewegung dar: „indem wir das Datenvolumen reduzieren und die große Mehrheit seiner inhärenten Vorhersagekraft bewahren, können wir ein ML-Modell mit vergleichbarer Leistung in einem Bruchteil der Zeit trainieren.“ Der Honest Architect liest dies als Theorem-3-Behauptung: die Eigenschaft „vergleichbare Leistung in einem Bruchteil der Zeit“ wird durch die Stichprobenregel gewährleistet, nicht durch die Volumenreduktion. Volumen zu reduzieren ist eine Last — was man will —, aber nicht der Mechanismus. Der Mechanismus ist die Regel, die AUSWÄHLT, welches Volumen behalten wird. Die eigene Evidenz des Artikels beweist das: Random Sampling reduziert ebenfalls das Volumen (es wählt 10.000 aus 60.000) und verliert Genauigkeit. Wäre die Volumenreduktion der Mechanismus, würde Random Sampling ebenfalls die Genauigkeit halten. Tut es nicht. Die Regel, die die Modellunsicherheit misst, ist der Mechanismus; die Volumenreduktion ist die Konsequenz. ✅ Production.

Die Rahmung ist „responsible by design“, nicht „volumenweise“: „durch den Einsatz von verantwortlich gestalteter KI können wir diese Probleme reduzieren und die Leistung aufrechterhalten.“ Der Mechanismus ist in den Auswahlschritt eingebaut, nicht nach dem Training aufgesetzt. Die Volumenreduktion ist ein gemessenes Ergebnis der Regel, kein Ziel, das die Regel verfolgt.

Die domänenübergreifende Parallelität zu Everythinks „the space is the router“ ist nur strukturell. Everythinks Topologie ist network → community → room: eine Anfrage wird an eine room geroutet, bevor etwas antwortet, in der Infrastrukturschicht. Die Stichprobenregel routet den nächsten Trainingspunkt, bevor das Modell damit trainiert; die Topologie routet die Anfrage, bevor die room antwortet. Dieselbe Form: Routing geht der Arbeit voraus, und das Routing ist der Mechanismus, der die Kosten der Arbeit begrenzt. ⚠️ Partial — „the space is the router“ dient ziviler und defensiver Prognose, Mind Foundrys Stichprobenregel dient der ML-Trainingsbildung. Unterschiedliche Domänen, dieselbe Form.

Mechanismus 3 — Random Sampling ist die Kontrolle, die den Mechanismus beweist

Der Artikel stellt das Kontrollergebnis dar: „Random Sampling ist die schnellste aller Strategien, verursacht aber auch einen erheblichen Genauigkeitsabfall, was bedeutet, dass eine strategischere Methode verwendet werden sollte.“ Der Honest Architect liest dies als Theorem-3-Kontrolle: die Eigenschaft bricht, wenn der Mechanismus nicht misst, selbst wenn die Last (Volumenreduktion) identisch ist. Random Sampling wählt dieselben 10.000 Punkte wie die anderen Strategien; es reduziert das Volumen um denselben Faktor. Was es nicht tut, ist die Vorhersageunsicherheit des Modells zu messen. Die Eigenschaft (Genauigkeit) bricht, weil der Mechanismus (Unsicherheitsmessung) abwesend ist. Das ist die Kontrolle, die den Mechanismus beweist: die Last konstant halten, die Messung entfernen, zusehen, wie die Eigenschaft bricht. ✅ Production.

„Am schnellsten“ ist nicht „am besten“. Random Sampling ist am schnellsten, weil es nicht misst — 10.000 Punkte zufällig zu wählen ist billiger, als 60.000 auf Unsicherheit zu bewerten. Der Geschwindigkeitsvorteil ist der Preis, den man für das Überspringen des Mechanismus zahlt. „Am schnellsten, verliert aber Genauigkeit“ liest sich als „der Mechanismus, den du überspringst, ist der Mechanismus, den du in der Eigenschaft bezahlst“.

Die domänenübergreifende Parallelität zu Everythinks kalibrierter Prognose ist nur strukturell. Everythinks Sisters geben je ein SisterOutput zurück und der Oracle führt zusammen — würde der Oracle die Entropiemessung überspringen und per Mehrheitsabstimmung zusammenführen, wäre das Ensemble der Durchschnitt der Sisters, kein kalibrierter Kegel. Random Sampling überspringt die Messung und verliert Genauigkeit; überspringe die Entropie und die Zusammenführung verliert Kalibrierung. Dieselbe Form: die Messung ist der Mechanismus, und sie zu überspringen verschlechtert die Eigenschaft, selbst wenn der Rest der Pipeline konstant gehalten wird. ⚠️ Partial — die kalibrierte Prognose dient ziviler und defensiver Prognose, Mind Foundrys Kontrolle dient der ML-Trainingsbildung. Unterschiedliche Domänen, dieselbe Form.

[UNIQUE INSIGHT] Mind Foundrys Fallstudie ist eine sauberere Demonstration von Theorem 3 als die meisten produktionsnahen ML-Papiere, weil sie die Last (Größe) konstant hält und nur den Mechanismus (Regel) variiert. Die meisten „weniger Daten“-Papiere vermengen Größe und Regel; dieses isoliert die Regel, indem es Random Sampling dasselbe Größenbudget gibt. Die Vierwege-Tabelle liest sich als Theorem-3-Beweis: die Eigenschaft (Genauigkeit) folgt dem Mechanismus (Unsicherheitsmessung), nicht der Last (Größe).

Mechanismus 4 — Die Human-in-the-Loop-Abfrage ist der Routing-Mechanismus

Der Artikel stellt die breitere Active-Learning-Settings dar: „ein Lernalgorithmus identifiziert Bereiche eines Problems oder Datensatzes, in denen er am meisten von der Eingabe eines menschlichen Experten profitiert, und fordert iterativ menschliche Eingabe in diesen Bereichen über die Zeit an, wobei schrittweise ein Verständnis des zugrunde liegenden Kontexts aufgebaut wird, ohne Zugriff auf alle verfügbaren Daten im Datensatz zu benötigen.“ Der Honest Architect liest dies als Routing-Behauptung: das Modell routet seine Abfragen an den Menschen, wo die Modellunsicherheit am höchsten ist, nicht wo die Verfügbarkeit des Menschen am höchsten ist. Der Mechanismus, der „der Mensch labelt die Punkte, die das Modell am meisten verbessern“ erzeugt, ist „das Modell bewertet seine eigene Unsicherheit und fragt den Menschen auf den k unsichersten Punkten ab“. Die Abfrage wird durch die Unsicherheit des Modells geroutet, nicht durch den Zeitplan des Menschen. ✅ Production.

Das Routing ist iterativ: das Modell fragt, der Mensch labelt, das Modell trainiert nach, das Modell fragt erneut in der neuen unsicheren Region. Das Routing ist eine Schleife, kein Batch. Die Schleife ist der Mechanismus, der Verständnis akkumuliert, ohne vorab alle Daten zu benötigen.

Die domänenübergreifende Parallelität zu Everythinks Sisters ist nur strukturell. Everythinks Sisters sind fünf typisierte Persönlichkeiten (analyst, contrarian, disruptor, historian, institutionalist), die je einen Entwurf erzeugen, und der Oracle führt zusammen — die Vielfalt deckt den Unsicherheitsraum ab, den der Oracle zusammenführen muss. Das Modell fragt den Menschen auf seinen unsicheren Punkten ab; der Oracle führt die vielfältigen Entwürfe der Sisters zusammen. Dieselbe Form: die Zusammenführung deckt den Unsicherheitsraum ab, und die Abdeckung ist der Mechanismus, der eine kalibrierte Ausgabe erzeugt. ⚠️ Partial — die Sisters dienen ziviler und defensiver Prognose, Mind Foundrys Human-in-the-Loop dient der ML-Trainingsbildung. Unterschiedliche Domänen, dieselbe Form.

[PERSONAL EXPERIENCE] Der HAI Engine betreibt diese Schleife seit 2016 in Produktion — nicht die Active-Learning-Abfrageschleife, aber dieselbe Form: typisierte Agenten erzeugen Ausgaben, ein Zusammenführungsschritt kalibriert das Ensemble, und die Zusammenführung wird durch eine gemessene Größe (Entropie) auf jeder Ausgabe gewichtet. Die Form ist dieselbe; die Domäne ist zivile und defensive Prognose, nicht MNIST-Klassifikation. the 21 papers formalisieren die Form als Theorem 3.

Mechanismus 5 — Iteratives Nachtraining ist der Mechanismus für häufig-nachtrainierende Settings

Der Artikel stellt die Produktions-Rahmung dar: „insbesondere in iterativen Settings mit häufigem Nachtraining kann diese Strategie die tägliche Nutzung deutlich verbessern.“ Der Honest Architect liest dies als Produktionsbehauptung: der Wert des Mechanismus addiert sich in Settings, die häufig nachtrainieren, weil die 75%-Zeitersparnis auf jedes Nachtraining zutrifft, nicht nur einmal. Der Mechanismus, der „signifikante tägliche Verbesserung“ erzeugt, ist „die Stichprobenregel senkt die Kosten jedes Nachtrainings, und das Nachtraining läuft oft“. Die Nachtrainingsfrequenz ist der Verstärker; die Regel ist der Mechanismus. ✅ Production.

Das Additive steckt in der Nachtrainingsschleife, nicht in einem einzelnen Lauf. Eine 75%-Zeitersparnis bei einem einzelnen Training ist eine einmalige Ersparnis; dieselben 75% bei jedem Nachtraining in einer täglichen Schleife ist eine strukturelle Kostenreduktion. „Iterative Settings mit häufigem Nachtraining“ ist das Produktions-Setting, in dem der Mechanismus sich selbst bezahlt.

Die domänenübergreifende Parallelität zu Everythinks World Monitor ist nur strukturell. World Monitor betreibt einen Hintergrund-Poller pro Quelle nach festem Zeitplan — der Poller zieht den Feed, normalisiert ihn zu einem GeoSignal, upsertet in einen dauerhaften Postgres-Cache und übergibt das Delta an einen GeoPublisher. Häufiges Nachtraining addiert die Stichproben-Ersparnis; häufiges Pollen addiert den Cache-Treffer. Dieselbe Form: eine zeitgesteuerte Schleife addiert eine Ersparnis pro Iteration, und die Schleife ist der Mechanismus, der die strukturelle Kostenreduktion erzeugt. ⚠️ Partial — World Monitor dient der zivilen und defensiven Geo-Signal-Lieferung, Mind Foundrys iteratives Nachtraining dient der ML-Trainingsbildung. Unterschiedliche Domänen, dieselbe Form.

Was dies für Umfang und Grenzen bedeutet

Mind Foundrys Artikel handelt von ML-Trainingsbildung mit einer MNIST-Fallstudie. Everythinks Plattform handelt von ziviler und defensiver Prognose. Die domänenübergreifenden Parallelitäten hier sind strukturell — sie teilen Mechanismusformen, keine Märkte. Der Honest Architect markiert die Parallelitäten mit ⚠️.

Everythinks eigener Go-to-Market für Active Learning oder kommerzielles Data-Subsetting ist 🔵 Roadmap — die Plattform ist pre-revenue, und jede kommerzielle Anwendung der hier gezogenen Parallelitäten unterliegt diesem Roadmap-Zustand und der Howey-Prüfung, bevor sie angeboten werden kann. Die architektonischen Parallelitäten gelten unabhängig; die kommerziellen Behauptungen nicht.

Was der Artikel nicht behauptet, verdient auch eine Markierung. Er behauptet nicht, dass Random Sampling nutzlos sei — es ist die Kontrolle, die den Mechanismus beweist. Er behauptet nicht, dass die drei gemessenen Strategien austauschbar seien — der Artikel vergleicht sie auf einem Datensatz und einem Klassifikator, und der Honest Architect liest den Vergleich als Theorem-3-Demonstration, nicht als Rangfolge. Er behauptet nicht, dass sich das 99% / 75%-Verhältnis auf jeden Datensatz verallgemeinert — der Artikel begrenzt das Ergebnis auf „Klassifikationsdatensätze“, bei denen „90%+ Spitzengenauigkeit ausreichen“. Diese Umfangsgrenzen sind die Ehrlichkeit des Artikels, und dieser Beitrag bewahrt sie.

[ORIGINAL DATA] Everythinks the 21 papers-Reihe formalisiert Theorem 3 als: eine Eigenschaft ist genau dann gewährleistet, wenn ihr Mechanismus implementiert ist und misst. Mind Foundrys Vierwege-Tabelle (Random / Uncertainty / Entropy / Margin, Größe konstant gehalten) ist die sauberste produktionsnahe ML-Veranschaulichung von Theorem 3, die der Honest Architect dieses Jahr gelesen hat, weil sie den Mechanismus isoliert, indem sie die Last konstant hält und in einem Arm die Messung entfernt. Die Eigenschaft (Genauigkeit) folgt dem Mechanismus (Unsicherheitsmessung), nicht der Last (Größe). Das ist Theorem 3 in einer anderen Domäne.

Kernpunkte

• Vergleichbare Genauigkeit mit weniger Daten wird durch eine Stichprobenregel gewährleistet, die Vorhersageunsicherheit misst, nicht durch die Verkleinerung des Datensatzes. Die Unsicherheit ist die Messung; die Größe ist die Last. ✅ Production.
• Die Stichprobenregel ist der Mechanismus, nicht die Datensatzgröße. Der Random-Sampling-Arm des Artikels beweist das: er reduziert das Volumen um denselben Faktor und verliert Genauigkeit, weil er nicht misst. ✅ Production.
• Random Sampling ist die Kontrolle, die den Mechanismus beweist. Die Eigenschaft bricht, wenn der Mechanismus nicht misst, selbst wenn die Last identisch ist. ✅ Production.
• Die Eigenschaft ist ein Verhältnis (Genauigkeit pro Trainingszeiteinheit), keine absolute Größe. Der 1%-Genauigkeitsabfall und die 75%-Zeitersparnis sind zwei Seiten derselben Metrik. ✅ Production.
• Die Human-in-the-Loop-Abfrage ist der Routing-Mechanismus: das Modell routet seine Abfragen an den Menschen, wo seine Unsicherheit am höchsten ist, nicht wo die Verfügbarkeit des Menschen am höchsten ist. ✅ Production.
• Iteratives Nachtraining ist der Mechanismus für häufig-nachtrainierende Settings. Die 75%-Zeitersparnis addiert sich über die Nachtrainingsschleife, und die Schleife ist der Verstärker. ✅ Production.
• Die domänenübergreifenden Parallelitäten zum Oracle (Entropie in Nats auf jeder Zusammenführung), „the space is the router“ (Routing geht der Arbeit voraus), den Sisters (Abdeckung des Unsicherheitsraums), dem HAI Engine (die Zusammenführungsschleife läuft seit 2016) und World Monitor (die zeitgesteuerte Schleife addiert die Ersparnis) sind nur strukturell — unterschiedliche Märkte, dieselben Mechanismusformen. ⚠️ Partial.
• Everythinks kommerzieller Go-to-Market für Active Learning oder Data-Subsetting ist 🔵 Roadmap — pre-revenue, unterliegt der Howey-Prüfung; die architektonischen Parallelitäten gelten, die kommerziellen Behauptungen nicht.

Häufig gestellte Fragen

Reduziert Active Learning die Datenmenge, die man labeln muss? Ja, aber die Reduktion ist eine Konsequenz, nicht der Mechanismus. Der Mechanismus ist die Stichprobenregel, die die Modellunsicherheit misst und die nächste Label-Anfrage an den unsichersten Punkt routet. Mind Foundrys Fallstudie zeigt, dass Random Sampling — das den Datensatz ebenfalls reduziert — Genauigkeit verliert, weil es nicht misst. Weniger Daten ist die Last; die Regel ist der Mechanismus. ✅ Production.

Ist Uncertainty Sampling dasselbe wie Entropy Sampling? Verwandt, aber nicht identisch. Uncertainty Sampling wählt Punkte, wo die Vorhersageunsicherheit des Modells am höchsten ist; Entropy Sampling wählt Punkte, wo die Klassenwahrscheinlichkeits-Verteilung maximale Entropie hat; Margin Sampling wählt Punkte, wo die Differenz zwischen den zwei wahrscheinlichsten Klassen am kleinsten ist. Alle drei messen eine Größe, die aus den vorhergesagten Wahrscheinlichkeiten des Modells abgeleitet ist, und alle drei halten über 99% der Genauigkeit in unter 25% der Zeit auf MNIST. Das gemeinsame Signal ist „die Unsicherheit des Modells messen“; die spezifische Größe unterscheidet sich. ✅ Production.

Wie hängt das mit Everythinks Theorem 3 zusammen? Theorem 3 behauptet: eine Eigenschaft ist genau dann gewährleistet, wenn ihr Mechanismus implementiert ist und misst. Mind Foundrys Vierwege-Tabelle ist eine Theorem-3-Demonstration: die Eigenschaft (vergleichbare Genauigkeit mit weniger Daten) ist gewährleistet, wenn der Mechanismus (unsicherheitsbewusstes Sampling) misst (Uncertainty-, Entropy-, Margin-Arme) und bricht, wenn der Mechanismus nicht misst (Random-Arm). Die Last (Datensatzgröße) wird konstant gehalten; nur die Messung unterscheidet sich. Die Eigenschaft folgt der Messung, nicht der Last. ⚠️ Partial — die Parallelität ist strukturell; Everythink dient ziviler und defensiver Prognose, Mind Foundry dient der ML-Trainingsbildung.

Nutzt Everythink Active Learning in Produktion? Everythinks HAI Engine betreibt eine verwandte Schleife seit 2016 in Produktion: typisierte Sisters erzeugen Entwürfe, der Oracle führt zusammen mit Entropie in Nats, gestempelt auf jede Zusammenführung, und die Zusammenführung wird durch eine gemessene Größe gewichtet. Die Form ist dieselbe (Unsicherheit messen, die Zusammenführung routen); die Domäne ist zivile und defensive Prognose, nicht MNIST-Klassifikation. Ein kommerzieller Go-to-Market für Active Learning oder Data-Subsetting ist 🔵 Roadmap — pre-revenue, unterliegt der Howey-Prüfung. ✅ Production (die HAI-Engine-Schleife); 🔵 Roadmap (kommerzielles Active Learning).

Welche Umfangsgrenze bewahrt der Honest Architect? Mind Foundrys Artikel begrenzt sein Ergebnis auf Klassifikationsdatensätze, bei denen 90%+ Spitzengenauigkeit ausreichen, auf einen Klassifikator (SVM) und einen Datensatz (MNIST). Der Honest Architect verallgemeinert das 99% / 75%-Verhältnis nicht auf jeden Datensatz oder jedes Modell. Die Mechanismusform (Unsicherheit messen, die nächste Auswahl routen) verallgemeinert sich; das spezifische Verhältnis nicht. the 21 papers formalisieren die Form; die Fallstudie instanziiert sie. ✅ Production.

Wenn du eine Prognoseplattform möchtest, deren Zusammenführungsschritt auf jeder Ausgabe durch eine gemessene Größe gewichtet wird — nicht durch eine Behauptung —, lies die Papiere hinter dem HAI Engine. the 21 papers und Theorem 3 sind das formale Fundament; der Motor läuft seit 2016 in Produktion.

Sources

• Mind Foundry, How Active Learning Can Train Machine Learning Models with Less Data, veröffentlicht am 2026-06-23. https://www.mindfoundry.ai/blog/how-active-learning-can-help-you-train-models-with-less-data (abgerufen am 2026-08-23).
• Everythink-Plattformarchitektur: HAI Engine seit 2016 in Produktion; Theorem 3 (eine Eigenschaft ist genau dann gewährleistet, wenn ihr Mechanismus implementiert ist und misst); the 21 papers; „the space is the router“-Topologie (network → community → room routet, bevor etwas antwortet); Oracle-Ensemble-Normalisierung mit Entropie in Nats, gestempelt auf jede Zusammenführung; typisierte Sisters (analyst, contrarian, disruptor, historian, institutionalist), die SisterOutput zurückgeben; World Monitor (Hintergrund-Poller pro Quelle nach festem Zeitplan, Clients lesen den Cache, nicht die Upstreams); ausschließlich ziviler und defensiver Prognoseumfang.