Begriffe und Modelltypen
Sprachmodell, Bildmodell, Embedding, Agent, RAG: welche Art von System welche Aufgabe löst und woran man sie auseinanderhält.
Die Typen, die man auseinanderhalten muss
| Typ | Was hineingeht | Was herauskommt | Wofür |
|---|---|---|---|
| Sprachmodell | Text | Text | Schreiben, zusammenfassen, einordnen |
| Embedding-Modell | Text oder Bild | Ein Vektor | Suche, Ähnlichkeit, Gruppierung |
| Bildmodell erkennend | Bild | Label, Boxen, Maske | Prüfen, zählen, sortieren |
| Bildmodell erzeugend | Text | Bild | Illustration, Entwurf |
| Spracherkennung | Ton | Text | Diktat, Protokoll |
| Sprachsynthese | Text | Ton | Vorlesen, Ansagen |
| Multimodales Modell | Text und Bild | Text | Dokumente verstehen |
Bauformen, keine Modelle
Drei Begriffe beschreiben keine Modelle, sondern wie man sie zusammensetzt:
- RAG: Erst in eigenen Dokumenten suchen, die Fundstellen der Frage beilegen, dann antworten lassen. So entsteht Belegbarkeit.
- Agent: Dem Modell Werkzeuge geben und es entscheiden lassen, welches es aufruft. So entsteht Handlungsfähigkeit und Risiko.
- Fine-Tuning: Ein vorhandenes Modell mit eigenen Beispielen nachtrainieren. So entsteht Form, nicht Wissen.
Welche Bauform zu welchem Problem
| Problem | Richtige Antwort |
|---|---|
| Das Modell kennt unsere Inhalte nicht | RAG |
| Antworten müssen belegbar sein | RAG mit Zitierpflicht |
| Das Format stimmt nicht | Erst Prompt, dann Fine-Tuning |
| Der Ton stimmt nicht | Fine-Tuning |
| Mehrere Systeme sind beteiligt | Agent, mit engen Rechten |
| Es ist zu teuer oder zu langsam | Kleineres Modell, Quantisierung, Batching |
| Wir dürfen keine Daten herausgeben | Lokales Modell oder Verarbeitung auf dem Gerät |
Die häufigste Fehlentscheidung ist Fine-Tuning, wo Abruf gemeint war. Wissen gehört in Dokumente, nicht in Gewichte: Dokumente lassen sich aktualisieren, löschen und zitieren, Gewichte nicht.
Größenordnungen
| Größe | Parameter | Läuft auf | Wofür |
|---|---|---|---|
| Klein | 1 bis 4 Mrd. | Notebook, Telefon | Klassifikation, einfache Extraktion |
| Mittel | 7 bis 30 Mrd. | Eine Grafikkarte | Der Arbeitsbereich der meisten Aufgaben |
| Groß | 70 Mrd. und mehr | Mehrere Karten oder Dienst | Schwieriges Schlussfolgern, breites Wissen |
Begriffe, die häufig durcheinandergehen
| Begriff | Was er bedeutet | Was er nicht bedeutet |
|---|---|---|
| Foundation Model | Breit vortrainiert, als Grundlage gedacht | Nicht automatisch groß oder gut |
| GPAI-Modell | Rechtlicher Begriff des AI Act für Modelle mit allgemeinem Verwendungszweck | Nicht identisch mit Sprachmodell |
| Open Weights | Parameter herunterladbar | Nicht Open Source, Lizenz kann einschränken |
| Fine-Tuning | Nachtraining auf eigenen Beispielen | Nicht Wissenseinspeisung |
| Reasoning-Modell | Erzeugt Zwischenschritte vor der Antwort | Der Gedankengang ist kein Protokoll |
| Kontextfenster | Wie viel gleichzeitig sichtbar ist | Nicht Gedächtnis über Sitzungen hinweg |
Der zweite Eintrag hat unmittelbare rechtliche Folgen: Für GPAI-Modelle gelten eigene Pflichten zu technischer Dokumentation, Urheberrechtspolitik und, ab einem Schwellenwert an Trainingsaufwand, zusätzliche Anforderungen wegen systemischer Risiken. Siehe Pflichten nach Rolle.
Eine Entscheidungshilfe
- 01
Liegt das nötige Wissen schriftlich vor?
Wenn ja: Abruf. Wenn nein: Die Vorarbeit besteht darin, es aufzuschreiben, nicht darin, ein Modell zu trainieren.
- 02
Muss die Antwort belegbar sein?
Wenn ja: Abruf mit Zitierpflicht und Nachprüfung. Alles andere trägt nicht.
- 03
Darf das System handeln?
Wenn ja: Agent, aber mit Rechten je Werkzeug, Schrittgrenze und Bestätigung vor irreversiblen Handlungen.
- 04
Dürfen Daten das Haus verlassen?
Wenn nein: lokales Modell oder Verarbeitung auf dem Gerät, und die Modellgröße richtet sich nach der vorhandenen Hardware.
Welcher Modelltyp passt
KOSTENLOSES KONTO
Entscheidungsbogen Modelltyp
Eine Zuordnung von Aufgabe zu Modelltyp, mit den Fällen, in denen gar kein Modell die bessere Antwort ist.
Arbeitsblatt2 Elemente
Passende Kurse und Quellen
Elements of AI
Kostenloser Grundlagenkurs der Universität Helsinki, auf Deutsch, ohne Vorwissen. Etwa 30 Stunden, mit Zertifikat.
Wenn Sie nach dem Einsteigerpfad hier weitermachen wollen: das ist der naheliegende nächste Schritt. Deckt sich in Teilen mit unseren Grundlagen, geht aber deutlich tiefer in die Funktionsweise.