Algorithmen, Modelle und Sprachmodelle

Fang mit einem kleinen Test an. Kopier die Frage und stell sie wortgleich an vier Werkzeuge. Wenn du bei einem kein Konto hast, nimm die Version ohne Anmeldung oder lass das Werkzeug aus. Nimm dir etwa zwanzig Minuten.

Achte auf vier Dinge. Wie lang ist die Antwort? Gibt es eine Quelle, und existiert sie wirklich? Stimmt der Inhalt? Und wie klingt das Ganze? Häufig liefert Perplexity Quellen, andere erklären ausführlicher. Das ist aber keine feste Rangliste, und dein Ergebnis kann anders aussehen.

Sicher ist: Keine der vier Antworten ist identisch. Woher diese Unterschiede kommen, klärt dieser Teil. Am Ende kannst du es selbst erklären.

Genug Theorie. Der TensorFlow Playground zeigt dir ein echtes kleines Netz direkt im Browser. Die Aufgabe: blaue Punkte innen, orange Punkte außen, das Netz soll lernen, sie zu trennen. Links die Eingaben, in der Mitte die verborgenen Schichten, rechts das Ergebnis.

Drück auf Play und lass es etwa zehn Sekunden laufen. Schau auf die Linien: Das Netz dreht an seinen Reglern. Oben rechts wird der Fehler kleiner, und rechts bildet sich ein Kreis. Das Netz hat die Grenze gelernt.

Dann nimm bei den verborgenen Schichten mit dem Minus so lange Neuronen weg, bis nur eines übrig ist. Mit einem Neuron gibt es nur eine gerade Linie, der Kreis gelingt nicht. Das ist der Grund, warum große Netze so groß sind: mehr Neuronen, mehr Schichten, kompliziertere Muster.

In Teil 1 hattest du die Kurzfassung: Ein KI-System leitet aus Eingaben ab. Hier schaust du in den Gesetzestext, weil du als KI-Managerin oder KI-Manager mit genau diesem Artikel argumentieren wirst. Der AI Act ist die Verordnung (EU) 2024/1689. Artikel 3 enthält die Begriffe, Nummer 1 definiert das KI-System. Den Wortlaut findest du auf eur-lex.europa.eu, wenn du nach „2024/1689“ suchst.

Das System ist maschinengestützt, läuft also auf Rechnern. Es arbeitet mit einem gewissen Grad an Autonomie. Es kann nach der Inbetriebnahme anpassungsfähig sein. Das Wort „kann“ ist wichtig: Ein System, das nach dem Training nicht weiterlernt, ist trotzdem ein KI-System. Es leitet aus Eingaben ab, wie es Ausgaben erzeugt. Und diese Ausgaben können physische oder virtuelle Umgebungen beeinflussen.

Das ist eine Einordnung für deinen Überblick. Im echten Fall entscheidet die Rechtsabteilung. Einordnung, keine Rechtsberatung.

In Teil 1 hast du gelesen: Ein Sprachmodell sagt das nächste Wort voraus. Das war eine gute erste Näherung. Jetzt wird sie genauer.

Ein LLM, ein großes Sprachmodell, ist ein sehr tiefes neuronales Netz, zuerst selbstüberwacht auf riesigen Textmengen trainiert. Es erzeugt die Antwort Stück für Stück. „Ein neuronales Netz ist“, und dann? „ein“, „Rechen“, „modell“, „aus“, „Schichten“. Jedes neue Stück hängt an alles an, was vorher da war, dann kommt das nächste.

Schau genau hin: Die Stücke sind nicht immer ganze Wörter. „Rechen“ und „modell“ kamen einzeln. Diese Stücke heißen Token. Die Darstellung hier ist vereinfacht, aber das Prinzip stimmt.

„Die Bank am Fluss war nass.“ Welche Bank ist gemeint? Die Sitzbank. Woher weißt du das? Vom Wort Fluss. Genau das macht der Transformer, die Bauart des neuronalen Netzes hinter den großen Sprachmodellen. Für jedes Token rechnet das Modell aus, wie stark es auf jedes andere Token im Text achten soll. Das heißt Attention, Aufmerksamkeit.

Im Satz „Die Bank hat mir den Kredit verweigert“ schaut „Bank“ dagegen auf „Kredit“. Gleiches Wort, andere Bedeutung, und das Modell erkennt es am Zusammenhang.

2017 hat ein Team von Google den Transformer in einem Fachartikel vorgestellt: „Attention Is All You Need“ von Vaswani und anderen. Der zweite Vorteil: Ältere Netze haben Text Wort für Wort nacheinander verarbeitet. Der Transformer verarbeitet beim Training alles gleichzeitig. Erst das hat Training mit so riesigen Datenmengen praktikabel gemacht.

Die Frage aus der Praxis lautet nie „Welches ist das beste Modell?“. Sie lautet: Welches Werkzeug passt zu dieser Aufgabe? Und dafür nimmst du, was du gerade gelernt hast: einen Entscheidungsbaum.

Die erste Frage trennt am meisten: Dürfen die Daten das Haus verlassen? Wenn nein, brauchst du ein lokales Modell oder eine Firmenplattform, die das garantiert. Wenn ja: Brauchst du deine Mails, Dateien und Besprechungen? Dann ist Copilot richtig, denn es darf auf die Microsoft-365-Daten zugreifen. ChatGPT kennt sie nicht. Wenn nein: Brauchst du aktuelle Informationen mit Quellen? Dann Perplexity oder ein Chatbot mit Websuche. Sonst reichen die breiten Assistenten.

Zum Ausprobieren, wenn du Copilot über ein Firmenkonto nutzt: Lass dir eine Datei zusammenfassen, auf die du Zugriff hast, und klick die Quellenverweise an. Stell dieselbe Frage in ChatGPT, und du siehst den Unterschied. Was dabei für den Datenschutz gilt, klärt Teil 6.

Hugging Face ist ein großes Verzeichnis für offene Modelle. Viele davon kannst du herunterladen und auf dem eigenen Rechner oder Server betreiben. Dann verlassen die Daten das Haus nicht.

Ein Beispiel ist Prithvi, ein Grundmodell für Satellitendaten, gemeinsam entwickelt von IBM, der NASA und dem Jülich Supercomputing Centre, also mit deutscher Beteiligung. Es steht unter einer offenen Lizenz, Apache 2.0, und lässt sich zum Beispiel für Landbedeckung oder Flutflächen weitertrainieren. Die Modellseite findest du unter huggingface.co/ibm-nasa-geospatial. Schau dir dort Lizenz, Beschreibung und Downloads an. Unter huggingface.co/models kannst du nach „Text Generation“ filtern und siehst, wie viele offene Sprachmodelle es gibt.

Der Preis dafür: Du brauchst Technik und Wissen, und kleine lokale Modelle sind meist schwächer als die großen Cloud-Modelle. Lokal ist eine Option, wenn Daten sensibel sind. Keine Pflicht.

Fall drei ist ein Erfolg. Wenn du Netflix öffnest, siehst du eine Startseite, die für dich zusammengestellt ist: welche Zeilen, welche Reihenfolge, welche Titel. Dahinter stecken mehrere Algorithmen, die aus dem Sehverhalten sehr vieler Menschen lernen.

Zwei Netflix-Manager haben 2015 in einem Fachartikel geschrieben: Rund achtzig Prozent der Sehstunden entstehen über Empfehlungen. Das ist eine Angabe von Netflix selbst, und sie ist schon einige Jahre alt. Rate vor dem Weiterlesen: Welche Lernart steckt drin? Mehrere. Was du anschaust, abbrichst oder bewertest, wirkt wie eine Markierung. Ähnliche Nutzende zu finden, ist unüberwacht. Und laufend auszuprobieren, was besser ankommt, hat viel mit bestärkendem Lernen gemeinsam.

Der Unterschied zu Tay: Netflix testet Änderungen kontrolliert an einem Teil der Nutzenden und misst, bevor etwas für alle ausgerollt wird. So solltest du KI im Unternehmen einführen.

Plan für den Modellvergleich etwa eine Stunde ein. Nimm eine Aufgabe aus deinem Arbeitsalltag, etwa ein Protokoll aus Stichpunkten, eine Stellenanzeige zusammenfassen oder eine Kundenmail beantworten, mit erfundenen Inhalten. Schreib einen Prompt mit Rolle, Ziel, Kontext und Ergebnisform wie in Teil 2 und gib ihn wortgleich an drei Werkzeuge. Notier, welches Modell lief, falls es angezeigt wird, und das Datum. Zum Schluss drei Sätze: Welches Werkzeug nimmst du für diese Aufgabe, und warum?

Für den Tokenizer nimm die beiden Sätze von der Token-Folie, „Kündigungsschutzklage“ und zwei Fachwörter aus deinem Beruf. Beantworte: Warum braucht Deutsch oft mehr Token, und was heißt das für Kosten und lange Dokumente? Beim Entscheidungsbaum schreibst du die drei bis fünf Fragen auf, die du dir stellst, und setzt die, die am meisten trennt, nach oben. Teste ihn mit drei erfundenen Fällen: Würdest du genauso entscheiden? Wo reicht der Baum nicht?

Ins Kursbuch gehören Algorithmus, Entscheidungsbaum, neuronales Netz, Gewichte, Deep Learning, die fünf Lernarten, die AI-Act-Begriffe, LLM, Transformer, Token, Kontextfenster und je ein Satz zu COMPAS, Tay und Netflix. Gleich deine Begriffe mit dem Glossar ab.