KI, ML, LLM – die Einordnung
KI / ML
KI ist der Oberbegriff; Machine Learning lernt Muster aus Daten.
LLM
Large Language Models sind ML-Modelle für Sprache (z. B. Claude, GPT).
- Nicht jede „KI“ ist ein Sprachmodell
- LLMs sind der aktuelle Treiber des KI-Booms
Wie ein LLM funktioniert
Ein Sprachmodell sagt das jeweils wahrscheinlichste nächste Token voraus.
Ein LLM „versteht“ nicht wie ein Mensch – es rechnet mit Wahrscheinlichkeiten über Wörter/Token.
- Trainiert auf sehr großen Textmengen
- Zerlegt Text in Token (Wortbausteine)
- Erzeugt Antworten Token für Token
Grenzen & Halluzinationen
LLMs können überzeugend klingende, aber falsche Aussagen erzeugen – „Halluzinationen“.
- Kein garantiertes Faktenwissen, kein aktuelles Wissen ohne Websuche
- Wichtige Ausgaben immer prüfen
- Für Kritisches: Quellen verlangen und gegenchecken
Datenschutz
Was in den Prompt geht, verlässt unter Umständen das Haus.
- Keine personenbezogenen oder geheimen Daten unbedacht eingeben
- Geschäftliche Tarife/On-Premises reduzieren Risiken
- Unternehmensrichtlinien einhalten
EU AI Act für IT-Admins
Der europäische Rechtsrahmen stuft KI nach Risiko ein.
- Risikoklassen: verboten / hoch / begrenzt / minimal
- Transparenz- und Kennzeichnungspflichten bei KI-Nutzung
- Frühzeitig mit Datenschutz/Recht abstimmen
Wie ein Modell entsteht
Ein Sprachmodell durchläuft mehrere Trainingsphasen.
- Pretraining: Muster aus riesigen Textmengen lernen
- Fine-Tuning: auf Aufgaben und Stil spezialisieren
- Alignment (z. B. RLHF): hilfreich und sicher machen
Kontextfenster & Kosten
Alles, was das Modell „sieht“, zählt als Token – und Token kosten Zeit und Geld.
- Größerer Kontext = mehr Kosten und Latenz
- Lange Dokumente ggf. zusammenfassen
- Nur relevanten Kontext mitgeben