162 Artikel
Guides durchstöbern
MLOps überträgt DevOps-Denken auf ML, mit zusätzlichen Problemen: Datenversionierung, Reproduzierbarkeit von Trainings, Drift-Monitoring und Retraining-Pipelines. Die Einsicht dahinter ist, dass ein Modell im Notebook grob 10 % der Arbeit ausmacht. In der Praxis: Automatisches Retraining, ausgelöst, wenn die überwachte Genauigkeit unter einen Schwellenwert fällt.
Eine Model Card hält den vorgesehenen Einsatz fest, den ausgeschlossenen Einsatz, die Trainingsdaten auf grober Ebene, Evaluationsergebnisse und bekannte Grenzen. Ihr wertvollster Abschnitt ist der, den Teams überspringen: die Grenzen. Sie hat sich von einer Norm der Forschung zu einer Compliance-Erwartung entwickelt, sowohl unter NIST- als auch unter EU-Rahmenwerken. In der Praxis: ‘Nur auf Englisch evaluiert. Nicht für medizinische Entscheidungen validiert.’
MCP standardisiert, wie Modelle externe Fähigkeiten entdecken und aufrufen, sodass ein einmal gebautes Tool in jedem kompatiblen Client funktioniert, statt für jeden Anbieter neu geschrieben zu werden. Ende 2024 von Anthropic vorgestellt und seitdem breiter übernommen, ist es das, was dem Agenten-Ökosystem am nächsten an einen gemeinsamen Steckverbinder herankommt. In der Praxis: Ein MCP-Server für dein Ticketsystem, nutzbar aus jedem MCP-fähigen Assistenten.
Ein Modell ist das, was am Ende des Trainings herauskommt: ein bestimmter Satz Zahlen in einer bestimmten Struktur. Es ist das Ding, das du deployst, versionierst und über eine API aufrufst. Zwei Modelle mit derselben Architektur, aber unterschiedlichen Trainingsläufen sind unterschiedliche Modelle, und genau deshalb sind Versionsnummern wichtig. In der Praxis: GPT-5.6 und Claude Opus 4.8 sind unterschiedliche Modelle; jedes hat eigene Gewichte, eigenes Verhalten und einen eigenen Preis.
Drift entsteht, weil sich die Realität ändert: Kundenverhalten verschiebt sich, Vokabular verschiebt sich, ein Wettbewerber startet. Das Modell bleibt unverändert, aber seine Genauigkeit zerfällt leise. Die Gefahr ist, dass es versagt, ohne einen Fehler zu werfen — deshalb bemerkt es nur ein Monitoring. In der Praxis: Eine Nachfrageprognose, die vor der Inflation trainiert wurde und weiterhin selbstbewusste, falsche Zahlen liefert.
Multi-Agenten-Setups verteilen eine Aufgabe auf Agenten mit engen Rollen — recherchieren, entwerfen, kritisieren — nach der Theorie, dass fokussierter Kontext besser ist als ein Agent, der alles gleichzeitig jongliert. Bei Aufgaben, die sich sauber zerlegen lassen, helfen sie wirklich. Sie vervielfachen aber auch Kosten, Latenz und Fehlermodi, also greif erst dazu, wenn ein einzelner Agent nachweislich gescheitert ist. In der Praxis: Ein Agent sammelt Quellen, ein zweiter schreibt, ein dritter prüft die Fakten gegen die Quellen. ...
Multimodale Modelle bilden verschiedene Datentypen auf eine gemeinsame Repräsentation ab, sodass du einem Modell einen Screenshot und eine Frage geben und eine Textantwort bekommen kannst. Praktisch heißt das: Whiteboards, PDFs und Sprache werden zu gültigen Eingaben, was in vielen Abläufen den Schritt des Transkribierens überflüssig macht. In der Praxis: Ein kaputtes Diagramm in einem Foliendeck abfotografieren und fragen, was daran nicht stimmt.
Nachgelagerte Anbieter bauen Produkte auf dem GPAI-Modell einer anderen Partei auf. Der Act verpflichtet den vorgelagerten Modellanbieter, die technischen Informationen zu liefern, die nachgelagerte Anbieter für ihre eigenen Pflichten brauchen. Das ist der Mechanismus, der die Wertschöpfungskette lesbar macht statt zur Blackbox. In der Praxis: Einen juristischen Assistenten auf der API eines anderen bauen und verkaufen.
Negative Prompts geben einem Diffusionsmodell einen ausdrücklichen Stups weg von bestimmten Merkmalen — zusätzliche Finger, Wasserzeichen, ein bestimmter Stil. In Bildwerkzeugen sind sie eine erstklassige Steuerung, in Textmodellen dagegen kaum ein Thema: Dort schlägt es, zu sagen, was du willst, das Auflisten dessen, was du nicht willst. In der Praxis: Negative Prompt: ’text, watermark, blurry, extra limbs'.
Ein neuronales Netz nimmt eine Eingabe als Zahlen, multipliziert sie mit gelernten Gewichten, wendet eine nichtlineare Funktion an und reicht das Ergebnis an die nächste Schicht weiter. Wiederholt man das oft genug und mit genug Daten, kann das Netz bemerkenswert komplexe Zusammenhänge annähern. Die Analogie zu ‘Neuronen’ ist ein historisches Etikett, keine Aussage über Biologie. In der Praxis: Ein Bildklassifikator ist ein neuronales Netz, das 200.000 Pixelwerte in eine Zahl pro möglichem Label verwandelt. ...