162 Artikel
Guides durchstöbern
Structured Output schrĂ€nkt die Generierung auf valides JSON oder ein vorgegebenes Schema ein, statt zu hoffen, dass ein Prompt parsebaren Text erzeugt. Das ist der Unterschied zwischen einem Demo und einer Pipeline, weil es die ganze Fehlerklasse âdas Modell hat vor dem JSON noch einen netten Satz ergĂ€nztâ beseitigt. In der Praxis: Die Garantie, dass jede Antwort invoice_number, amount und currency enthĂ€lt â oder laut fehlschlĂ€gt.
Synthetische Daten fĂŒllen LĂŒcken, wo echte Daten knapp, sensibel oder teuer sind â seltene RandfĂ€lle, datenschutzrechtlich gesperrte DatensĂ€tze, ausgewogene Beispiele einer Minderheitsklasse. Das Risiko schaukelt sich auf: Ein Modell, das auf der eigenen Art von Ausgaben trainiert wird, kann sich von der RealitĂ€t entfernen und vorhandene Verzerrungen verstĂ€rken, statt sie zu korrigieren. In der Praxis: 5,000 plausible Support-Tickets erzeugen, um ein Szenario abzudecken, von dem du drei echte Beispiele hast. ...
Der System-Prompt steht ĂŒber dem Nutzer-Turn und bleibt ĂŒber die Sitzung hinweg bestehen; er definiert, wer der Assistent ist und was er tun muss und was nicht. Hier legen Produktteams Stimme, Umfang und Ablehnungsregeln ab. Er ist einflussreich, aber keine Sicherheitsgrenze â behandle ihn als Konfiguration, nicht als Kontrolle, an die Nutzer nicht herankommen. In der Praxis: âDu bist ein Support-Agent fĂŒr ein EU-Fintech. Gib niemals Finanzberatung. Antworte in unter 120 Wörtern.â ...
Artikel 3(65) knĂŒpft systemisches Risiko an GPAI-Modelle, deren FĂ€higkeiten den aktuellen Stand der Technik erreichen oder ĂŒbertreffen und deren Reichweite den Unionsmarkt erheblich beeinflussen könnte. Die Einstufung bringt zusĂ€tzliche Pflichten: adversariales Testen, Meldung von VorfĂ€llen, Cybersicherheit und Evaluation. Sie ist die Antwort des Acts auf Frontier-Modelle. In der Praxis: Ăberschreitet ein Modell die Rechenleistungs-Schwelle, löst das zusĂ€tzliche Pflichten fĂŒr seinen Anbieter aus.
Artikel 11 und Anhang IV legen fest, was die Akte enthalten muss: Systembeschreibung, Designentscheidungen, Daten, Training und Tests, Leistungskennzahlen, Risikomanagement und den Plan fĂŒr die Zeit nach dem Inverkehrbringen. Sie muss existieren, bevor das System auf den Markt kommt, und danach gepflegt werden. Sie ist das Compliance-Artefakt â keine Akte, keine KonformitĂ€t. In der Praxis: Das Dokument, nach dem eine Behörde als Erstes fragt und mit dem Teams viel zu spĂ€t anfangen. ...
Temperature formt die Wahrscheinlichkeitsverteilung ĂŒber das nĂ€chste Token um. Nahe null wĂ€hlt das Modell fast immer seine erste Wahl, was wiederholbare und konservative Ausgaben ergibt. Höhere Werte flachen die Verteilung ab und lassen unwahrscheinlichere Token durch â das liest sich als KreativitĂ€t und ab einem gewissen Punkt als Unsinn. In der Praxis: Temperature 0 fĂŒr Datenextraktion; 0.8 fĂŒr das Brainstorming von Slogans.
Test-Time Compute ist die zweite Skalierungsachse. Statt eines gröĂeren Modells lĂ€sst du das vorhandene Modell lĂ€nger ĂŒberlegen, mehrere Versuche ziehen oder die eigene Arbeit prĂŒfen. Das gibt dir einen laufenden Regler fĂŒr QualitĂ€t gegen Kosten, der frĂŒher zur Trainingszeit festgelegt war. In der Praxis: Dasselbe Modell, zehnmal so viel Denkbudget, spĂŒrbar bessere Mathematik.
Testdaten sind das ehrliche Zeugnis. Sie mĂŒssen wĂ€hrend der Entwicklung unberĂŒhrt bleiben, denn jede Entscheidung, die auf Basis der Testergebnisse fĂ€llt, macht sie zu Validierungsdaten. Wenn Testbeispiele ins Training sickern â Kontamination â, werden die berichteten Werte bedeutungslos. In der Praxis: Ein Modell, das 95% in einem Benchmark erreicht, dessen Antworten in seinen Trainingsdaten standen, hat nichts gelernt.
Text-to-Image-Systeme kombinieren eine Sprachverstehens-Komponente mit einem Diffusions-Generator, sodass ein Prompt das Entrauschen in Richtung passender Pixel lenkt. Die ErgebnisqualitĂ€t hĂ€ngt stark von der Genauigkeit des Prompts ab â Motiv, Stil, Komposition und Licht mĂŒssen alle benannt werden. Kommerzielle Nutzung wirft Rechtefragen auf, die je nach Tool und Rechtsraum unterschiedlich ausfallen. In der Praxis: âIsometrische Illustration eines Rechenzentrums, gedĂ€mpfte Farbpalette, weiches Streiflicht.â
Aktuelles Text-to-Speech erzeugt natĂŒrliche Prosodie und kann eine Stimme aus einer kurzen Probe klonen. Genau diese FĂ€higkeit ist der Grund, warum Einwilligung und Kennzeichnung beim Stimmklonen zu handfesten rechtlichen und ethischen Fragen geworden sind statt zu theoretischen. In der Praxis: Ein Kurs, ĂŒber 40 Lektionen hinweg mit konsistenter Stimme vertont, ohne Studio.