Modell (im KI-Kontext): Die mathematische Funktion, die aus Eingaben Vorhersagen oder Ausgaben erzeugt — das Ergebnis des maschinellen Lernens. Ein KI-Modell ist also keine Ansammlung von Faktenwissen, sondern ein trainiertes System aus Millionen oder Milliarden von Parametern, das Muster aus den Trainingsdaten gelernt hat.
Was steckt in einem Modell?
Bei einem neuronalen Netz besteht ein Modell aus Gewichten (Parametern), die die Verbindungsstärken zwischen den künstlichen Neuronen angeben. Während des Trainings werden diese Gewichte schrittweise angepasst, bis die Vorhersagen des Modells möglichst wenig von den erwarteten Ergebnissen abweichen — gemessen mit einer Loss Function. Die Architektur (Anzahl und Anordnung der Schichten) bestimmt, welche Arten von Mustern das Modell lernen kann.
Arten von Modellen
- Sprachmodelle (LLMs): lernen Sprachmuster und erzeugen Text — z.B. LLMs im Überblick.
- Klassifikationsmodelle: ordnen Eingaben Kategorien zu (z.B. Spam-Erkennung).
- Regressionsmodelle: sagen Zahlenwerte vorher (z.B. Preise, Temperaturen).
- Diffusionsmodelle: erzeugen Bilder oder Audio aus Rauschen.
Inference: Das Modell in Aktion
Nach dem Training wird das Modell im Betrieb eingesetzt. Dieser Schritt heißt Inference: Das Modell erhält neue Eingaben, die es noch nie gesehen hat, und erzeugt daraus Ausgaben. Inference ist rechenintensiv, aber deutlich günstiger als das Training — ein trainiertes Modell kann auf einem einzelnen Server laufen. Die Qualität hängt stark von den Trainingsdaten ab: Was das Modell nicht gelernt hat, kann es nicht zuverlässig ausgeben. Verfeinerungen durch nachträgliches Lernen nennt man Fine-Tuning.
Praxis-Tipps
- Ein Modell ist so gut wie seine Daten: Bias und Lücken in den Trainingsdaten vererben sich auf das Modell.
- Vor dem Einsatz immer mit realistischen Beispieldaten testen (Evaluation, nicht nur Höreindruck).
- Modelle sind keine Datenbanken: Sie können „halluzinieren“ — Aussagen gegen verlässliche Quellen prüfen.
Verwandte Grundlagen: Neuronale Netze, Maschinelles Lernen, Attention.