Wie String GOAT AI deine nächste Saite empfiehlt — So funktioniert das Empfehlungssystem

„Die KI empfiehlt Saiten, aber wie funktioniert das eigentlich?"

Das ist eine natürliche Frage, wenn man die String GOAT App nutzt. Man zeichnet seine Saiten auf, sammelt Feedback und die KI empfiehlt die nächste Saite — aber welche Daten analysiert sie, welcher Logik folgt sie, und warum empfiehlt sie genau diese Saite?

Dieser Artikel erklärt, wie das KI-Empfehlungssystem von String GOAT funktioniert.

Der Ausgangspunkt — Deine 6 Feedback-Dimensionen

KI-Empfehlungen beginnen mit deinen Daten. Wenn du eine Besaitung in String GOAT aufzeichnest und nach dem Spielen Feedback hinterlässt, werden diese 6 Kategorien zu den Eingabedaten der KI:

Jede Kategorie wird von 1 bis 5 bewertet (in 0,5er-Schritten). Wenn sich die Bewertungen ansammeln, erstellt die KI ein persönliches Profil wie „dieser Spieler bevorzugt Kontrolle gegenüber Power und vermeidet Setups mit niedrigen Komfortwerten".

Einfach ausgedrückt: Du sagst der KI durch Zahlen „das gefällt mir, das gefällt mir nicht". Je mehr Zahlen sie hat, desto besser versteht sie dich.

Das Wissen der KI — Saitenphysik und Leistungsdaten

Nutzerfeedback allein reicht für Empfehlungen nicht aus. Die KI nutzt auch objektive Daten über die physikalischen Eigenschaften von Saiten.

Saiten-Leistungsdatenbank

Die String GOAT KI verfolgt systematisch den Materialtyp jeder Saite (Co-Polyester, weiches Co-Polyester, Multifil, Naturdarmsaite, Synthetik), die Querschnittsform (rund, polygonal, etc.), die Stärke (Dicke) sowie physikalische Eigenschaften, die direkt die Leistung beeinflussen.

Was die KI für jede Saite vorhersagt:

• Wie steif ist diese Saite? — Steifer bedeutet bessere Kontrolle, aber mehr Belastung für den Arm. Selbst innerhalb von „Polyester" kann sich das Gefühl zwischen Produkten um mehr als das Doppelte unterscheiden.
• Wie viel Spin erzeugt sie? — Saiten mit besserem Snapback der Längssaite erzeugen mehr Spin.
• Wie viel Armbelastung verursacht sie? — Der auf den Arm übertragene Aufprallschock variiert mit Material und Steifigkeit.
• Wie verhält sie sich mit verschiedenen Schlägern? — Dieselbe Saite fühlt sich in einem flexiblen Schläger anders an als in einem steifen.

Diese Vorhersagen kombinieren Herstellerangaben, unabhängig verifizierte Leistungsdaten und grundlegende Prinzipien der Saitenphysik.

Forschungsverifizierte physikalische Prinzipien

Die Empfehlungslogik der KI basiert auf verifizierten Forschungsergebnissen aus dem Bereich der Saitenphysik. Unabhängige Experimente, die an mehreren Universitäten und Forschungseinrichtungen durchgeführt wurden, kamen zu denselben Ergebnissen:

• Spin wird durch Snapback erzeugt, nicht durch Oberflächentextur. Das seitliche Gleiten der Längssaite unter dem Ballaufprall und das Zurückschnappen ist der Schlüsselmechanismus für die Spin-Erzeugung. Der Grund, warum der Spin bei gleicher Konfiguration zwischen Saiten dramatisch variieren kann, liegt in diesem Unterschied der Snapback-Effizienz.
• Steifere Saiten verbessern die Kontrolle, reduzieren aber die Power. Höhere Steifigkeit verkürzt die Verweilzeit (Ball-Saite-Kontaktzeit, ca. 4-5 ms), wodurch Schläge präziser werden, aber die Energieübertragung reduziert wird.
• Höhere Bespannungshärte erhöht den Aufprallschock auf den Arm. Die Forschung von Mohandhas et al. (2016, Shoulder & Elbow) an der Universität Dundee mit 20 Spielern ergab, dass niedrigere Bespannungshärte die auf den Ellbogen übertragenen Kräfte reduziert und das Risiko eines Tennisarms senkt.
• Mittlere Bespannungshärte balanciert Leistung und Verletzungsprävention. Die Forschung von Zhao et al. (2025, PLOS ONE) ergab, dass 54 lbs Bespannungshärte eine höhere Ballgeschwindigkeit als 48 lbs oder 60 lbs erzeugte und dass mittlere Bespannungshärte auch das Risiko von Resonanzschäden im Weichgewebe des Unterarms reduziert.
• Dünnere Stärke verbessert die Elastizität, reduziert aber die Haltbarkeit. Dies ist ein grundlegendes Prinzip der Materialwissenschaft, das auch für Tennissaiten gilt.
• Schläger- und Saitensteifigkeit kombinieren sich, um die Gesamtcharakteristik des Systems zu bestimmen. Die Forschung von Hennig (2007, Exercise and Sport Sciences Reviews) an der Universität Essen bestätigte, dass Schlägervibrationen zu Armverletzungen beitragen und dass die Gesamtsteifigkeitskombination der Ausrüstung entscheidend ist.

Einfach ausgedrückt: Die KI sagt vorher: „Angesichts der physikalischen Eigenschaften dieser Saite ist das die Leistung, die du bekommst." Nicht basierend auf Herstellermarketing, sondern auf Physikforschung, die unabhängig an mehreren Universitäten und Forschungseinrichtungen verifiziert wurde.

Dein Profil aufbauen — Wie die KI dich versteht

Wenn sich Feedback ansammelt, extrahiert die KI automatisch folgende Informationen:

Dieses Profil aktualisiert sich automatisch mit jeder neuen Aufzeichnung. Es basiert auf deinen 50 aktuellsten Aufzeichnungen, wobei neuere Daten stärker gewichtet werden — deine aktuellen Vorlieben widerspiegelnd, nicht die von vor 3 Jahren.

Wie Empfehlungen gemacht werden

KI-Empfehlungen folgen 3 Schritten:

Schritt 1: Ziel festlegen

Du wählst ein Empfehlungsziel — Kontrolle, Power, Spin, Haltbarkeit, Komfort oder ausgewogen.

Das Ziel bestimmt, welchen Kandidatenpool die KI prüft. Zum Beispiel: Wenn Kontrolle das Ziel ist, beginnt sie mit hochsteifen Saiten; wenn Komfort das Ziel ist, beginnt sie mit Multifil/Naturdarmsaiten.

Schritt 2: KI-Analyse + Kandidatenauswahl

Die KI analysiert dein Profil + Saiten-Leistungsdatenbank + physikalische Prinzipien, um 3-5 empfohlene Saiten auszuwählen. Jede Empfehlung enthält eine natürlichsprachliche Erklärung „warum diese Saite".

Beispiel: „Du nutzt hauptsächlich RPM Blast mit hohen Kontrollwerten, aber dein Komfortwert ist mit 2,5 niedrig. Tour Bite behält ähnliche Kontrolle bei, während sein achteckiger Querschnitt eine bessere Snapback-Effizienz für die Spin-Erzeugung bietet, und du kannst die Bespannungshärte um 2 lbs senken, ohne Kontrolle zu verlieren, um die Armbelastung zu reduzieren."

Schritt 3: Physikbasierte vorhergesagte Feedback-Berechnung

Dies ist der entscheidende Teil. Für jede empfohlene Saite berechnen Physikformeln unabhängig die vorhergesagten Werte für alle 6 Feedback-Kategorien:

• Kontrolle — Höher mit steiferen Saiten
• Power — Höher mit geringerer Steifigkeit + Materialbonus (Multifil, Naturdarmsaite erhalten Bonuspunkte)
• Spin — Höher mit besserer Snapback-Effizienz
• Komfort — Materialbasis + Steifigkeitsanpassung
• Gefühl — Materialbasis (Naturdarmsaite > Multifil > weiches Co-Polyester > Co-Polyester)
• Haltbarkeit — Materialbasis + Stärkebonus (dicker = mehr Punkte)

Warum separat mit Physikformeln berechnen? KI-Modelle können auf dieselbe Frage leicht unterschiedliche Antworten geben. Aber die physikalischen Eigenschaften einer Saite ändern sich nicht. Wenn dieselbe Saite für einen Nutzer „Kontrolle 4,5" und für einen anderen „Kontrolle 3,8" anzeigt, ist das nicht vertrauenswürdig. Deshalb wird das vorhergesagte Feedback konsistent mit Physikformeln berechnet, während sich die KI auf „welche Saite empfehlen" und „warum erklären" konzentriert.

Einfach ausgedrückt: Wenn die KI „ein Freund ist, der das Restaurant wählt", ist die Physikformel „die Kalorienzahl auf der Speisekarte". Die geschmacksbasierte Empfehlung deines Freundes kann variieren, aber die Kalorienzahl ist immer gleich.

Automatische Berücksichtigung der Armgesundheit

Die String GOAT KI erkennt automatisch Signale zur Armgesundheit.

• Wenn das durchschnittliche Komfort-Feedback unter 3,0 liegt → schließt automatisch steife Co-Polyester aus und priorisiert weiches Co-Polyester oder Multifil
• Wenn das Hybrid-Verhältnis 50% übersteigt → erkennt, dass der Nutzer bereits Materialien für Stoßdämpfung mischt, und verstärkt weichere Optionen

Selbst wenn Kontrolle das Ziel ist, sucht die KI bei niedrigen Komfortwerten nach „Saiten, die dieselbe Kontrolle beibehalten und gleichzeitig den Arm weniger belasten". Sie folgt dem Ziel nicht blind — sie berücksichtigt deine Gesamtsituation.

Warum Empfehlungen mit der Zeit genauer werden

Empfehlungen sind schon mit 1-2 Aufzeichnungen möglich — Saiten-Leistungsdaten und Physikformeln allein können vernünftige Vorschläge liefern. Aber wirklich personalisierte Empfehlungen erfordern angesammelte Daten. Ein Nutzer mit 10 Aufzeichnungen erhält völlig andere Empfehlungen als einer mit 1, selbst wenn sie dieselbe Saite verwenden.

Warum wissenschaftlich fundierte Empfehlungen möglich sind

Saitenempfehlungen enden normalerweise bei „die ist gerade beliebt". Empfehlungen von Mitspielern, Online-Bewertungen, Saitenwahl von Profispielern — nützliche Referenzen, aber keine Garantie, dass das Setup zu deinem Spielstil und Schläger passt.

Die String GOAT KI ist anders, weil die Empfehlungsstruktur selbst anders ist:

1. Physikbasierte Vorhersage — Sagt die Leistung jeder Saite anhand experimentell verifizierter physikalischer Prinzipien wie Steifigkeit, Snapback-Effizienz und Materialeigenschaften vorher. Diese Vorhersagen sind konsistent und reproduzierbar.
2. Persönliche Datenanalyse — Analysiert deine Feedback-Historie, Materialvorlieben-Trends, Bespannungshärtemuster, Schlägerspezifikationen und Armgesundheitssignale, um zu bestimmen „welche Richtung ist die richtige für mich".
3. Physik + persönliche Daten kombiniert — Vereint objektive Leistungsvorhersagen mit subjektiven Präferenzdaten zu wissenschaftlich fundierten personalisierten Empfehlungen, nicht bloßen Beliebtheitslisten.

Empfehlungen von Mitspielern oder Online-Bewertungen mögen zufällig für dich funktionieren, basieren aber letztlich auf der Erfahrung einer anderen Person. Die String GOAT KI legt deine Daten über physikbasierte Evidenz, um das richtige Setup für dich zu finden.

Jetzt loslegen

Um KI-Empfehlungen zu erhalten, ist der erste Schritt, eine Saite aufzuzeichnen und Feedback zu hinterlassen.

Je mehr Aufzeichnungen und Feedback du sammelst, desto genauer werden die Empfehlungen der KI. Starte mit deiner ersten Aufzeichnung.

Starte kostenlos auf iOS oder Android.

Verwandte Artikel

• Warum die Aufzeichnung deiner Saiten dein Spiel verändert — das wissenschaftliche Argument für Aufzeichnungen
• Kompletter Leitfaden zu Saitentypen — die materialspezifische Physik, die die KI nutzt
• Kompletter Leitfaden zur Bespannungshärte — wie die Bespannungshärte Power, Kontrolle und Spin beeinflusst