{"id":174399,"date":"2026-01-28T03:56:49","date_gmt":"2026-01-28T02:56:49","guid":{"rendered":"https:\/\/liora.io\/de\/?p=174399"},"modified":"2026-02-06T04:48:39","modified_gmt":"2026-02-06T03:48:39","slug":"data-drift-was-ist-das-und-wie-kann-man-das-problem-loesen","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/data-drift-was-ist-das-und-wie-kann-man-das-problem-loesen","title":{"rendered":"Data Drift: Was ist das und wie kann man das Problem l\u00f6sen?"},"content":{"rendered":"<style><br \/>\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style>\n<p><strong>Data Drift tritt auf, wenn die Daten, auf denen das Modell l\u00e4uft, zu stark von den Trainingsdaten abweichen. Dieses Problem muss erkannt und vorhergesehen werden, da es die Vorhersageleistung im Laufe der Zeit verschlechtert. Hier erf\u00e4hrst du alles, was du \u00fcber Data Drift wissen musst: Definition, Gefahren, L\u00f6sungen&#8230;<\/strong><\/p>\nBeim <a href=\"https:\/\/liora.io\/de\/underfitting-in-machine-learning-so-loest-du-es\">Machine Learning<\/a> werden verf\u00fcgbare Daten verwendet, um ein Modell zu trainieren, damit es lernt, diese Daten zu erkennen, vorherzusagen oder zu reproduzieren. Die Dinge k\u00f6nnen jedoch kompliziert werden, wenn das Modell w\u00e4hrend des Produktionsprozesses eingesetzt wird.\n\nNehmen wir den h\u00e4ufigsten Fall des \u00fcberwachten Lernens: Die <strong>Trainingsdaten<\/strong> werden mit einem Label versehen und das ist es, was unserem Modell hilft, seine Fehler zu quantifizieren, wenn es mit vergangenen Daten trainiert wird.\n\nSobald das Modell jedoch eingesetzt wird, sind die Daten, die vorhergesagt werden sollen, aktuelle Daten und haben daher kein Label oder Etikett.\n\nUnabh\u00e4ngig von der Genauigkeit des Modells k\u00f6nnen Vorhersagen nur dann relevant sein, wenn die Daten, die dem Modell in der Produktion vorgelegt werden, den Daten, die f\u00fcr das Training verwendet wurden, \u00e4hnlich oder statistisch gleichwertig sind. Wenn dies nicht der Fall ist, kommt es zum sogenannten &#8222;Data Drift&#8220;.\n<h2 class=\"wp-block-heading\" id=\"h-was-sind-die-ursachen-von-data-drift\">Was sind die Ursachen von Data Drift ?<\/h2>\nData Drift ist eine <strong>Abweichung der Daten<\/strong> aus der realen Welt von den Daten, die zum Testen und Validieren des Modells vor dem Einsatz in der Produktion verwendet werden.\n\nEs gibt viele Faktoren, die einen <strong>Data Drift<\/strong> verursachen k\u00f6nnen. Eine der Hauptursachen ist die zeitliche Dimension, da zwischen dem Zeitpunkt, an dem die Trainingsdaten gesammelt werden, und dem Zeitpunkt, an dem das auf diesen <strong>Daten trainierte Modell<\/strong> f\u00fcr die Vorhersage aus den realen Daten verwendet wird, eine lange Zeit vergehen kann.\n\nEine weitere h\u00e4ufige Ursache f\u00fcr <strong>Data Drift<\/strong> ist die Saisonabh\u00e4ngigkeit. Einige Daten, die im Sommer gesammelt werden, k\u00f6nnen sich im Winter stark unterscheiden, wenn sie z. B. von der Temperatur oder der L\u00e4nge der Tage beeinflusst werden.\n\nEbenso k\u00f6nnen Daten, die vor einem Ereignis gesammelt wurden, danach nicht mehr g\u00fcltig sein. Beispielsweise sind viele Daten, die vor dem Aufkommen von <a href=\"https:\/\/liora.io\/de\/data-centers-eine-von-covid-19-hart-getroffene-branche\">Covid<\/a> gesammelt wurden, inzwischen veraltet. Wenn ein Machine-Learning-Modell mit diesen Daten trainiert und mit aktuellen Daten getestet wird, wird nach dem Einsatz h\u00f6chstwahrscheinlich ein Data-Drift-Problem auftreten.\n\n&gt;&gt; Auch interessant:<a href=\"https:\/\/liora.io\/de\/adversarial-examples-im-machine-learning\"> Adversial Examples im Machine Learning<\/a>\n\n<style><br \/>\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\n<figure>\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"641\" height=\"509\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/04\/image3-2.png\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/04\/image3-2.png 641w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/04\/image3-2-300x238.png 300w\" sizes=\"(max-width: 641px) 100vw, 641px\"><figcaption><\/figcaption><\/figure>\nEin anderes Beispiel: Ein <a href=\"https:\/\/liora.io\/de\/u-net-weiterbildungen-data-cn\">Computer Vision-Modell,<\/a> das mit einem Datenbestand trainiert wird, der sich auf Stra\u00dfen in Europa bezieht, wird nicht f\u00fcr Stra\u00dfen in den USA geeignet sein. Die Auswahl der Trainingsdaten ist daher extrem wichtig.\n<h2 class=\"wp-block-heading\" id=\"h-was-sind-die-risiken-von-data-drift\">Was sind die Risiken von Data Drift ?<\/h2>\nWenn ein <strong>Data Drift<\/strong> nicht rechtzeitig erkannt wird, werden die Vorhersagen des Modells falsch sein. Entscheidungen, die auf der Grundlage dieser Vorhersagen getroffen werden, haben daher negative Auswirkungen.\n\nWenn sich z. B. dein Geschmack ge\u00e4ndert hat und <a href=\"https:\/\/liora.io\/de\/microsoft-und-netflix-starten-eine-serie-um-data-science-zu-lernen\">Netflix<\/a> keinen Zugriff auf deine neuesten Daten hat, kann es sein, dass das Modell dir Filme vorschl\u00e4gt, die dir nicht gefallen oder zumindest nicht mehr gefallen.\n\nDieses Beispiel ist nicht sehr besorgniserregend, aber die Folgen k\u00f6nnen viel ernster sein. So kann z. B. ein H\u00e4ndler, der aufgrund eines <strong>Data Drifts<\/strong> falsch geleitet wurde, riesige Summen in eine Aktie ohne aktuellen Wert investieren.\n\nJe nach Art, Umfang und Typ des <strong>Data Drifts<\/strong> ist der Aufwand unterschiedlich. Manchmal ist es m\u00f6glich, das Problem zu l\u00f6sen, indem das Modell erneut mit <strong>neuen Daten trainiert wird.<\/strong> Es kann jedoch auch erforderlich sein, ganz von vorne zu beginnen.\n\nNeben den Daten kann auch das Modell selbst driften. Dies w\u00e4re z. B. der Fall bei einem Modell, das vor dem Covid verwendet wurde, um vorherzusagen, welche Studenten sich f\u00fcr Online-Kurse entscheiden werden. Bei einer Verwendung w\u00e4hrend der Covid-Krise w\u00e4re dieses Modell v\u00f6llig nutzlos.\n\nDies wird als &#8222;Concept Drift&#8220; bezeichnet. Dieses Problem kann durch <strong>E-Learning<\/strong> gel\u00f6st werden, indem das Modell bei jeder Beobachtung neu trainiert wird.\n\nEs ist wichtig, einen wiederverwendbaren Prozess aufzubauen, um den Data Drift zu identifizieren. Man kann auch Schwellenwerte f\u00fcr den prozentualen Anteil des Drifts festlegen, der nicht \u00fcberschritten werden darf, oder ein Warnsystem einrichten, um die notwendigen Ma\u00dfnahmen zu ergreifen, bevor es zu sp\u00e4t ist.\n\n<strong>Data Drift<\/strong> kann aus der Entwicklung der Daten selbst erkannt werden, oder wenn die Vorhersagen des Modells falsch sind.\n\nFalsche Vorhersagen k\u00f6nnen jedoch nur erkannt werden, wenn eine manuelle Methode zum Auffinden des richtigen Labels zur Verf\u00fcgung steht.\n<h2 class=\"wp-block-heading\" id=\"h-wie-entdeckt-man-einen-data-drift\">Wie entdeckt man einen Data Drift ?<\/h2>\nWenn du ein <a href=\"https:\/\/liora.io\/de\/machine-learning-definition-funktionsweise-anwendungen\">Machine-Learning-Modell<\/a> einsetzt, ist es wichtig, seine Leistung regelm\u00e4\u00dfig zu \u00fcberwachen. Nehmen wir zum Beispiel ein<strong> Computer Vision-Modell,<\/strong> das aus einem Datenbestand von 100 verschiedenen Hunderassen erstellt wurde.\n\nUm zu \u00fcberpr\u00fcfen, ob seine Leistung aufgrund eines Data Drifts abnimmt, m\u00fcssen alle neuen Bilder und Vorhersagen, die vom Feedbackschleifensystem aufgenommen wurden, durchgesehen werden. Die Vorhersagen m\u00fcssen dann \u00fcberpr\u00fcft, bearbeitet oder best\u00e4tigt werden.\n\nDurch den Vergleich der urspr\u00fcnglichen Vorhersagen mit den bearbeiteten Vorhersagen kann \u00fcberpr\u00fcft werden, ob die Leistung \u00fcberdurchschnittlich gut ist oder nicht.\n\nUm alle Vorhersagen in Echtzeit zu validieren, m\u00fcssen jedoch viele Personen Zugriff auf die Daten haben. F\u00fcr diesen Vorgang ist daher eine gro\u00dfe Belegschaft erforderlich.\n\nData Drifts k\u00f6nnen mithilfe von sequenziellen Analysemethoden, modellbasierten Methoden oder Methoden, die auf der zeitlichen Verteilung basieren, identifiziert werden.\n\n<strong>Sequentielle Analysemethoden wie DDM (Drift Detection Method) oder EDDM (Early DDM)<\/strong> erm\u00f6glichen die Erkennung von Drift auf der Grundlage einer festen Fehlerrate.\n\nBei einer modellbasierten Methode wird ein angepasstes Machine-Learning-Modell verwendet, um die Drift zu identifizieren, indem die \u00c4hnlichkeit zwischen einem Punkt oder einer Gruppe von Punkten und einer Referenz-Basislinie bestimmt wird.\n\nEs ist notwendig, die Daten, die zur Erstellung des aktuellen Modells in der Produktion verwendet wurden, als &#8222;0&#8220; zu kennzeichnen und die Echtzeitdaten als &#8222;1&#8220; zu kennzeichnen.\n\nAnschlie\u00dfend wird ein Modell erstellt, um die Ergebnisse zu bewerten. Wenn das Modell eine hohe Genauigkeit bietet, bedeutet dies, dass es problemlos zwischen den beiden Datens\u00e4tzen unterscheiden kann. Daraus kann man schlie\u00dfen, dass ein Drift aufgetreten ist und das Modell neu kalibriert werden muss.\n\nWenn die Genauigkeit des Modells hingegen bei etwa 0,5 liegt, bedeutet dies, dass es keine nennenswerte Drift zwischen den beiden Datens\u00e4tzen gegeben hat. Das Modell kann also weiterhin verwendet werden.\n\nDiese Methode ist effizient, erfordert aber, dass das Modell jedes Mal, wenn neue Daten verf\u00fcgbar sind, trainiert und getestet werden muss, was sehr kostspielig sein kann.\n\nSchlie\u00dflich gibt es noch eine Methode, die auf der <strong>Zeitfensterverteilung<\/strong> basiert und den Zeitstempel und das Auftreten von Ereignissen ber\u00fccksichtigt. Bei der <strong>ADWIN-Technik (Adaptive Windowing)<\/strong> wird beispielsweise damit begonnen, das Fenster W dynamisch zu vergr\u00f6\u00dfern, solange es keine offensichtlichen \u00c4nderungen im Kontext gibt, und es zu verkleinern, wenn eine \u00c4nderung festgestellt wird. Der ADWIN-Algorithmus versucht, zwei Unterfenster mit unterschiedlichen Mittelwerten zu finden, und l\u00e4sst das \u00e4ltere Unterfenster fallen.\n\nDie wichtigsten Methoden zur Berechnung des Unterschieds zwischen zwei Populationen sind der <strong>Population Stability Index, die Kullback-Leibler-Divergenz, die Jensen-Shannon-Divergenz, der Kolmogorov-Smirnov-Test und die Wasserstein-Distanz.<\/strong>\n<h2 class=\"wp-block-heading\" id=\"h-was-ist-der-kolmogorov-smirno-test\">Was ist der Kolmogorov-Smirno Test ?<\/h2>\nDer <strong>Kolmogorov-Smirnov-Test (KS-Test)<\/strong> ist ein statistischer Test, der keine Eingabe durch den Nutzer erfordert. Er wird verwendet, um kontinuierliche oder diskontinuierliche <a href=\"https:\/\/liora.io\/de\/markov-modelle\">Wahrscheinlichkeitsverteilungen<\/a> zu vergleichen.\n<figure>\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"543\" height=\"616\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/04\/image4-1.png\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/04\/image4-1.png 543w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/04\/image4-1-264x300.png 264w\" sizes=\"(max-width: 543px) 100vw, 543px\">\n\n<figcaption><\/figcaption><\/figure>\nMan kann sie anwenden, um die Verteilung einer Stichprobe mit der <strong>Referenzwahrscheinlichkeitsverteilung<\/strong> oder zwei Stichproben von Populationsverteilungen mit gleicher Variabilit\u00e4t zu vergleichen, um zu \u00fcberpr\u00fcfen, ob sie von verschiedenen Populationsverteilungen mit unbekannten Parametern abgeleitet sind.\n\nDie Methode ist nach Andrey Kolmogorov und Nikolai Smirnov benannt, die als erste ihre Verwendung f\u00fcr sehr gro\u00dfe, von Menschen erzeugte Tabellen mit Zufallszahlen vorschlugen.\n\nDie <strong>Kolmogorov-Smirnov-Statistik<\/strong> wird verwendet, um den Abstand zwischen den Verteilungsfunktionen der Daten aus der realen Welt der Stichproben und den Datenverteilungen des Trainingssatzes zu quantifizieren.\n\nSie liefert eine Liste von &#8222;p&#8220;-Werten f\u00fcr die Trainingsdaten und die Daten der realen Welt, und der Abstand zwischen den beiden Kurven enth\u00fcllt den Data Drift.\n<h2 class=\"wp-block-heading\" id=\"h-wie-lost-man-ein-data-drift-problem\">Wie l\u00f6st man ein Data Drift Problem ?<\/h2>\nMithilfe der verschiedenen oben erw\u00e4hnten Methoden kann ein <strong>Data Drift<\/strong> schnell erkannt werden. Anschlie\u00dfend ist es wichtig, Ma\u00dfnahmen zu ergreifen, um das Problem zu beheben.\n\nEs gibt jedoch einige Dinge, die beachtet werden m\u00fcssen, bevor du zur Tat schreiten kannst. Zun\u00e4chst solltest du die Daten in der <strong>R\u00fcckkopplungsschleife<\/strong> \u00fcberpr\u00fcfen. Es ist von entscheidender Bedeutung, dass keine verschlechterten Daten in die Pipeline eingespeist werden.\n\nWenn die Datenqualit\u00e4t in Ordnung ist, \u00fcberpr\u00fcfe die Leistung des Modells f\u00fcr einen bestimmten Gesch\u00e4ftsanwendungsfall.\n\nWenn das Modell immer noch in der Lage ist, zuverl\u00e4ssige Vorhersagen zu treffen, kannst du in Erw\u00e4gung ziehen, einen Prozentsatz der neuen Daten, die \u00fcber die Feedback-Schleife eingeflossen sind, zum <strong>Datensatz hinzuzuf\u00fcgen<\/strong> und das Modell erneut zu trainieren. Dadurch erh\u00e4lt man ein besseres Abbild der Realit\u00e4t bei gleichbleibender Genauigkeit.\n\nWenn das <strong>Modell nicht mehr wie erwartet funktioniert,<\/strong> bedeutet dies, dass die f\u00fcr das Training und die Validierung verwendeten Daten nicht repr\u00e4sentativ f\u00fcr die Realit\u00e4t deines Anwendungsfalls waren. Du musst dann entweder einen<a href=\"https:\/\/liora.io\/de\/datasets-top-5-websites-fuer-qualitativ-hochwertige-datensaetze\"> kompletten Datensatz<\/a> mit den neu eingeflossenen Daten neu aufbauen oder warten, bis du gen\u00fcgend Daten hast, um das Modell erneut zu trainieren.\n<h2 class=\"wp-block-heading\" id=\"h-data-drift-vs-concept-drift-was-ist-der-unterschied\">Data Drift vs Concept Drift : Was ist der Unterschied ?<\/h2>\nEin <strong>Data Drift<\/strong> tritt auf, wenn es eine Diskrepanz zwischen den Trainingsdaten eines Modells und den Daten der realen Welt gibt. Diese \u00c4nderung in den Daten verschlechtert die Leistung des Modells.\n\nEin <strong>Concept Drift<\/strong> tritt auf, wenn sich das Ziel der Vorhersagen des Modells oder seine statistischen Eigenschaften im Laufe der Zeit \u00e4ndern. Das Modell hat w\u00e4hrend des Trainings eine Funktion gelernt, die die Zielvariable abbildet, hat sie aber im Laufe der Zeit wieder vergessen oder ist nicht in der Lage, die Muster in einer neuen Umgebung zu verwenden.\n<figure>\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"921\" height=\"401\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/04\/image1-1-1.png\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/04\/image1-1-1.png 921w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/04\/image1-1-1-300x131.png 300w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/04\/image1-1-1-768x334.png 768w\" sizes=\"(max-width: 921px) 100vw, 921px\">\n\n<figcaption><\/figcaption><\/figure>\nBeispielsweise m\u00fcssen Modelle zur Erkennung von Spam m\u00f6glicherweise angepasst werden, wenn sich die<strong> Definition von Spam \u00e4ndert. Concept Drift<\/strong> kann saisonal (wie die Kleidermode), pl\u00f6tzlich (wie das Verbraucherverhalten nach der Covid-Pandemie) oder allm\u00e4hlich auftreten.\n\nUm <strong>Concept Drift<\/strong> zu messen, kann man die Trainingsdaten kontinuierlich \u00fcberwachen und Ver\u00e4nderungen innerhalb der Beziehungen des Datasets erkennen. Zu den beliebtesten Algorithmen zur Erkennung von Concept Drift geh\u00f6ren ADWIN (ADaptive WINdowing) f\u00fcr Streaming-Daten und der KS-Test oder Chi-Quadrat-Test f\u00fcr Batch-Daten.\n<h2 class=\"wp-block-heading\" id=\"h-fazit\">Fazit<\/h2>\nNun wei\u00dft du, woher der Data Drift kommt, welche Ursachen er hat, welche Merkmale er aufweist und welche m\u00f6glichen L\u00f6sungen du testen kannst, um ihn zu beheben. Data Drift und Concept Drift geh\u00f6ren zu den h\u00e4ufigsten Problemen beim Trainieren von Machine-Learning-Modellen.\n\nUm ein Experte auf diesem Gebiet zu werden, kannst du dich bei Liora weiterbilden.\n\nUnsere verschiedenen Kurse bieten dir die M\u00f6glichkeit, Data Science und Machine Learning zu beherrschen.\n\nIn unseren Programmen kannst du die F\u00e4higkeiten erwerben, die du brauchst, um als <a href=\"https:\/\/liora.io\/de\/unsere-aus-und-weiterbildungen\">Data Analyst, Data Scientist, Data Engineer oder Machine Learning Engineer<\/a> zu arbeiten.\n\nNach Abschluss des Kurses wirst du keine Geheimnisse mehr vor der Verwaltung von Datenbest\u00e4nden und dem Training von Machine-Learning-Modellen haben. Du wirst direkt bereit sein, dein Wissen in einem Unternehmen anzuwenden, wie die 80 % unserer Alumni, die sofort einen Job gefunden haben.\n\nUnser innovativer <strong>Blended-Learning-Ansatz<\/strong> kombiniert Online-Lernen auf einer gecoachten Plattform mit kollektiven Masterclasses.\n\nDar\u00fcber hinaus kannst du zwischen einem intensiven BootCamp, einer Weiterbildung oder einem dualen Studium w\u00e4hlen. Alle unsere Ausbildungen werden vollst\u00e4ndig im Fernunterricht absolviert.\n\nUnsere staatlich anerkannte Fortbildung kann \u00fcber Deinen <a href=\"https:\/\/liora.io\/de\/data-scientist-bildungsgutschein-booste-deine-karriere-und-dein-gehalt\">Bildungsgutschein finanziert werden.<\/a>\n\nWarte nicht l\u00e4nger und entdecke Liora!\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\"><div class=\"wp-block-button \"><a class=\"wp-block-button__link wp-element-button \" href=\"https:\/\/liora.io\/de\/terminvereinbarung\">Einen Termin vereinbaren<\/a><\/div><\/div>\n","protected":false},"excerpt":{"rendered":"<p><strong>Data Drift tritt auf, wenn die Daten, auf denen das Modell l\u00e4uft, zu stark von den Trainingsdaten abweichen. Dieses Problem muss erkannt und vorhergesehen werden, da es die Vorhersageleistung im Laufe der Zeit verschlechtert. Hier erf\u00e4hrst du alles, was du \u00fcber Data Drift wissen musst: Definition, Gefahren, L\u00f6sungen&#8230;<\/strong><\/p>\n","protected":false},"author":78,"featured_media":174400,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2472],"class_list":["post-174399","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ki"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/174399","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/users\/78"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/comments?post=174399"}],"version-history":[{"count":2,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/174399\/revisions"}],"predecessor-version":[{"id":216666,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/174399\/revisions\/216666"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media\/174400"}],"wp:attachment":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media?parent=174399"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/categories?post=174399"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}