162 Artikel
Guides durchstöbern
Artikel 3(40) definiert den Begriff und nimmt Anwendungen aus, die einer anderen Dienstleistung untergeordnet und aus technischen Gründen unbedingt erforderlich sind. Menschen nach sensiblen oder geschützten Merkmalen einzuordnen, ist eine verbotene Praktik; andere biometrische Kategorisierung fällt in der Regel in die Hochrisiko-Stufe. In der Praxis: Aus einem Gesicht auf die ethnische Herkunft oder die politische Einstellung zu schließen, ist verboten.
Die CE-Kennzeichnung ist das bekannte EU-Konformitätszeichen, ausgeweitet auf KI. Sie anzubringen ist eine rechtliche Erklärung des Anbieters, dass das System die Anforderungen erfüllt und dass die Unterlagen existieren, die das belegen. Es ist eine Erklärung, kein Zertifikat, das dir jemand aushändigt. In der Praxis: Dasselbe Prinzip, das für einen Wasserkocher gilt, gilt jetzt auch für ein System zum Screening von Lebensläufen.
Chain-of-Thought-Prompting verbessert die Genauigkeit bei mehrstufigen Problemen, weil es das Modell zwingt, Zwischenschritte zu erzeugen, statt direkt zum Ergebnis zu springen. Außerdem wird die Argumentation dadurch überprüfbar, und du siehst, wo sie falsch abgebogen ist. Beachte: Die formulierte Begründung ist nicht garantiert die tatsächliche Berechnung — sie ist ein nützliches Artefakt, kein Beweis. In der Praxis: ‘Rechne das Schritt für Schritt durch und nenne dann die Endzahl.’
Chunking ist der unscheinbarste und folgenreichste Schritt in einer RAG-Pipeline. Zu große Chunks verwässern das Embedding und verschwenden Kontext; zu kleine verlieren genau die Bedeutung, die sie relevant gemacht hat. An der Struktur zu schneiden — an Überschriften, an Abschnitten — schlägt das Schneiden nach Zeichenzahl. In der Praxis: Einen Vertrag mitten in der Klausel zerteilen, sodass der Abruf einen halben Satz zurückgibt, der nichts bedeutet.
Computer Use lässt einen Agenten mit Software arbeiten, die keine API hat, indem er die Oberfläche direkt steuert. Das erschließt Altsysteme und Nischenwerkzeuge, ist dafür aber langsamer und fehleranfälliger als eine richtige Integration. Weil der Agent dabei die vollen Rechte des Nutzers erbt, ist Sandboxing keine Option, sondern Pflicht. In der Praxis: Ein Formular in einem internen Portal ausfüllen, das 2009 gebaut wurde und keine API hat.
Content Credentials bauen auf dem C2PA-Standard auf und hängen einer Datei eine manipulationssichere Historie an — von dieser Kamera aufgenommen, hier bearbeitet, von jenem Modell erzeugt. Der Ansatz belegt die Herkunft, statt Fälschungen zu erkennen, und das ist das lösbarere Problem. Seine Schwäche: Die Metadaten zu entfernen ist trivial, ihr Fehlen beweist also nichts. In der Praxis: Ein Bild, dessen Credentials zeigen, dass es aus einer Kamera stammt und nicht aus einem Generator. ...
Context Engineering ist die Disziplin, die rund ums Prompting entstand, als die Kontextfenster groß wurden: Mit Platz für Hunderte Seiten lautet die Frage nicht mehr ‘was sage ich’, sondern ‘was braucht das Modell wirklich’. Irrelevanter Kontext verschlechtert die Ausgabe messbar, Kuratieren schlägt also Vollstopfen. In der Praxis: Drei passende Abschnitte abrufen, statt das ganze 200-seitige Handbuch hineinzukopieren.
Ein Copilot arbeitet in der Anwendung neben dir — schlägt die nächste Zeile vor, entwirft den Absatz, bietet die Formel an. Der Unterschied zum Agenten liegt darin, wer das Steuer hält: Der Copilot schlägt vor, du nimmst an. Der Name ist inzwischen generisch, auch wenn er zugleich eine Produktmarke ist. In der Praxis: Autovervollständigung, die die Funktion zu Ende schreibt, die du gerade tippen wolltest.
Poisoning greift das Modell an, bevor es existiert. Schon eine kleine Menge gezielt gebauter Daten kann eine Hintertür einbauen, die sich völlig normal verhält, außer bei einer vom Angreifer gewählten Eingabe. Es ist ein Lieferketten-Problem — deshalb ist Datenherkunft eine Sicherheitsmaßnahme und nicht bloß Dokumentation. In der Praxis: Eingeschleuste Beispiele, die einen Filter alles durchwinken lassen, was eine bestimmte Phrase enthält.
Herkunftsnachweise beantworten die Fragen, die mit einem Audit oder einer Klage kommen: Wessen Daten sind das, auf welcher Grundlage wurden sie erhoben, und dürfen wir darauf trainieren. Das nachträglich aufzubauen ist mühsam und manchmal unmöglich. Außerdem ist es die Basis für Reproduzierbarkeit und für die Abwehr von Poisoning. In der Praxis: Belegen zu können, dass keine gescrapten personenbezogenen Daten in den Trainingsdatensatz gelangt sind.