Die Landkarte der KI

Drei Unternehmensaufgaben, die nicht dasselbe Modell brauchen

Du leitest drei Projekte. In der Fabrik soll eine Kamera jede Dichtung als in Ordnung, verschmutzt oder beschädigt einordnen. Im Vertrieb soll eine Software den Absatz der nächsten vier Wochen schätzen. Das Marketing braucht Entwürfe für eine neue Produktillustration.

Alle drei Projekte können als KI verkauft werden. Trotzdem bearbeiten sie verschiedene Aufgaben. Die Kamera erhält Bildpunkte und soll eine Kategorie wählen. Eine zusätzliche Segmentierung könnte später die genaue Schadstelle markieren. Die Absatzplanung erhält Zahlen aus vergangenen Wochen und soll künftige Werte schätzen. Das Marketing gibt eine Beschreibung ein und erwartet ein neues Bild.

Ein Chatfenster kann später als gemeinsame Oberfläche dienen. Dahinter sollte aber nicht automatisch dasselbe Modell arbeiten. Ein Bildgenerator muss kein guter Fehlerprüfer sein. Ein Sprachmodell muss keine verlässliche Absatzprognose liefern. Ein System für Zeitreihen muss keine Illustration erzeugen können.

Für diese Landkarte brauchen wir vier Ebenen. Eine Aufgabenart beschreibt das gewünschte Ergebnis, beispielsweise eine Kategorie oder einen neuen Inhalt. Die Datenform beschreibt, ob Text, Bild, Ton, Tabellenwerte oder Beziehungen eingehen. Eine Modellfamilie fasst Modelle mit einem ähnlichen Aufbau oder Lernverfahren zusammen. Eine Systemfamilie fasst vollständige Anwendungen zusammen, die ähnliche Aufgaben und Datenformen bearbeiten. Ein System kann mehrere Modelle, feste Regeln und weitere Programme verbinden.

Der Systemaufbau beschreibt, welche Teile gemeinsam arbeiten. So bleibt klar, ob wir gerade über eine Aufgabe, eine Datenform, ein Modell oder die vollständige Anwendung sprechen.

Der Name KI reicht für eine Auswahl nicht aus.

Werte schätzen, Kategorien wählen, Inhalte erzeugen, Angebote ordnen und Handlungen steuern

Beginne mit der Aufgabe. Dafür unterscheiden wir fünf Aufgabenarten.

Eine Vorhersage schätzt einen unbekannten Wert. Das kann der Absatz der nächsten Woche sein. Es kann auch der noch unbekannte Reparaturaufwand einer Maschine sein. Bezieht sich die Schätzung auf einen Zahlenwert, heißt die Aufgabe oft Regression. Regression ist hier ein statistisches Verfahren zur Schätzung einer Zahl und hat nichts mit einem Rückschritt zu tun.

Eine Klassifikation wählt eine Kategorie aus einer festgelegten Menge. Der Kameraausschnitt lautet dann „Dichtung in Ordnung“ oder „Dichtung fehlerhaft“. Das verwendete Modell heißt Klassifikator. Technisch ist Klassifikation ebenfalls eine Form der Vorhersage. Ihr Ergebnis ist aber eine Kategorie und keine beliebige Zahl.

Ein Spamfilter ordnet eine Nachricht als erwünscht oder unerwünscht ein. Ein anderes System kennzeichnet eine Kreditkartenzahlung als gewöhnlich oder verdächtig. Regeln und menschliche Prüfung können danach über die weitere Behandlung entscheiden.

Eine Erzeugung erstellt neue Inhalte. Dazu gehören Text, Bilder, Ton oder Video. Das System berechnet eine neue Ausgabe aus gelernten Mustern und deinen Vorgaben. Es holt dabei nicht automatisch ein vorhandenes Original aus einer Ablage. Falls du eine genaue Vorlage brauchst, muss der vollständige Arbeitsablauf sie bereitstellen und die Ausgabe dagegen prüfen.

Eine Rangfolge ordnet Möglichkeiten. Ein Shop kann aus 50.000 Artikeln zuerst 300 mögliche Treffer auswählen und diese danach sortieren. Das System kann jedem Artikel eine Punktzahl geben. Die höchste Punktzahl steht oben. Eine solche Reihenfolge beweist nicht, dass der erste Vorschlag gut für den Kunden ist. Sie zeigt nur, was das System nach seinem Ziel höher bewertet.

Eine Steuerung wählt eine Handlung. Ein Lagerroboter entscheidet beispielsweise, ob er bremst, ausweicht oder weiterfährt. Ein Verfahren kann dabei aus Handlungen und anschließender Rückmeldung lernen. Das heißt Reinforcement Learning, auf Deutsch bestärkendes Lernen. Das Verfahren versucht, über viele Schritte möglichst viel der festgelegten Rückmeldung zu erhalten.

Die Grenzen sind nicht hart. Ein Empfehlungssystem sagt vielleicht die Klickwahrscheinlichkeit voraus und baut daraus eine Rangfolge. Ein Roboter klassifiziert zuerst ein Hindernis und wählt danach eine Handlung. Ein Mediengenerator kann ein Bild erzeugen und ein zweites Modell prüft, ob bestimmte Vorgaben eingehalten wurden.

Bilder verarbeiten: Computer Vision

Eine Kamera prüft pro Minute 120 Dichtungen. Für jeden Ausschnitt braucht die Firma eine von drei Antworten: in Ordnung, verschmutzt oder beschädigt. Dieses Gebiet heißt Computer Vision. Der englische Ausdruck bezeichnet Verfahren, die Informationen aus Bildern oder Videos verarbeiten.

Ein Bild besteht für das Modell zunächst aus Zahlen für seine Bildpunkte. Ein Klassifikator ordnet das ganze Bild einer Kategorie zu. Eine Objekterkennung findet zusätzlich einzelne Gegenstände und zeichnet ihre Position ein. Eine Segmentierung ordnet sogar jeden Bildpunkt einem Bereich zu. Damit lässt sich die genaue Fläche eines Kratzers markieren.

Dieselbe Familie kann ein Smartphone anhand eines Gesichts entsperren oder ähnliche Motive in einer Fotogalerie gruppieren. Ein Fahrassistent liest ein Verkehrsschild und unterscheidet es von einer Werbetafel. In medizinischen Aufnahmen kann ein System auffällige Bereiche markieren. Die fachliche Auswertung bleibt bei den dafür ausgebildeten Menschen.

Ein faltendes neuronales Netz wendet gelernte Filter an vielen Stellen des Bildes an. Der englische Name Convolutional Neural Network wird als CNN abgekürzt. Frühe Schichten reagieren etwa auf Kanten. Spätere Schichten verbinden diese Signale zu größeren Formen.

Kapitel 2 erwähnte den ImageNet-Wettbewerb von 2012. Das dort eingesetzte Netz erreichte bei der Prüfung der fünf wahrscheinlichsten Kategorien eine Fehlerquote von 15,3 Prozent. Ein Bild zählte als falsch, wenn seine richtige Kategorie nicht unter den fünf am höchsten bewerteten Vorschlägen lag. Der zweitbeste Beitrag lag bei 26,2 Prozent. Dieser gemessene Abstand ist belegt. Die breitere Aussage, ein einzelner Wettbewerb habe den Durchbruch des gesamten Deep Learning verursacht, wäre dagegen zu groß.

Im Betrieb zählen eure Bilder. Ändert sich die Beleuchtung, kommt eine neue Kamera hinzu oder sieht ein Fehler anders aus als in den Trainingsdaten, kann die Leistung sinken. Das Modell erkennt gelernte Bildmuster. Es kennt weder die Ursache des Schadens noch die wirtschaftliche Folge einer falschen Freigabe.

Computer Vision kann also prüfen, zählen und markieren. Die Freigaberegel gehört zum vollständigen System.

Bilder und Videos schrittweise erzeugen: Diffusionsmodelle

Das Marketing beschreibt „eine rote Werkzeugkiste auf einer hellen Werkbank“. Wenige Sekunden später erscheint ein neuer Entwurf. Das kann eine Blogillustration, ein erster Logoentwurf oder ein Produktbild sein. Viele Systeme für solche Aufgaben verwenden Diffusionsmodelle.

Ein Diffusionsmodell lernt einen schrittweisen Umkehrprozess. Während des Trainings wird ein Bild über mehrere Stufen mit Rauschen verändert. Rauschen bedeutet hier zufällige Bildwerte, die keine erkennbare Szene mehr zeigen. Das Modell lernt, aus einer verrauschten Stufe eine etwas klarere Stufe zu berechnen. Bei der Erzeugung beginnt es mit Rauschen und wiederholt diese Rechnung. Eine Texteingabe kann die Schritte in Richtung der beschriebenen Szene lenken.

Manche Modelle rechnen nicht direkt mit jedem Bildpunkt. Sie verdichten das Bild zuerst zu einer kleineren Zahlendarstellung. Diese verborgene Darstellung heißt latent. Das Diffusionsmodell arbeitet dann in diesem komprimierten Raum. Ein weiterer Teil setzt das Ergebnis wieder zu Bildpunkten zusammen. Solche latenten Diffusionsmodelle senken den Rechenaufwand.

Werden die trainierten Gewichte veröffentlicht, kann ein Team ein passendes Bildmodell auf einem eigenen leistungsfähigen Rechner ausführen und anpassen. Das ändert nichts an den nötigen Prüfungen für Daten, Rechte und Ausgaben.

Vor Diffusionsmodellen wurden häufig zwei gegeneinander arbeitende Netze eingesetzt. Diese Verbindung heißt Generative Adversarial Network, kurz GAN. Der Generator erzeugt Beispiele. Der Diskriminator schätzt, ob ein Beispiel aus den Trainingsdaten oder vom Generator stammt. Aus dieser Rückmeldung verbessert sich der Generator.

Das gemeinsame Training kann instabil sein. Die beiden Netze erreichen dann kein brauchbares Gleichgewicht. Ein zweites mögliches Problem heißt Mode Collapse. Dabei erzeugt der Generator viele ähnliche Beispiele und deckt nur einen kleinen Teil der Vielfalt in den Trainingsdaten ab. Beides kann auftreten, muss aber nicht. Forschende haben verschiedene Verfahren entwickelt, um das Training zu stabilisieren und die Vielfalt zu erhöhen.

GANs bleiben für bestimmte Aufgaben brauchbar. Die Modellfamilien sind keine zeitliche Rangliste, in der ein neues Verfahren jedes ältere ersetzt.

Video erweitert die Aufgabe um die Zeit. Einzelne Bilder müssen nicht nur gut aussehen. Bewegungen, Gegenstände und Personen sollen über viele Bilder hinweg zusammenpassen. Ein Text-zu-Video-System kann dafür Diffusion, komprimierte Darstellungen und weitere Netze verbinden.

Ein erzeugtes Produktbild ist ein Entwurf. Ein zweites Prüfverfahren kann Markenfarben, verbotene Inhalte oder die Ähnlichkeit zu einer Vorlage untersuchen. Rechte, Freigaben und Herkunftsnachweise bleiben Aufgaben des Systems und der Organisation.

Ton hören und erzeugen: Audiomodelle

Ein Kundengespräch liegt als Tonaufnahme vor. Das System soll daraus Text machen und die beiden Stimmen auseinanderhalten. Gesprochene Sprache automatisch in Text umzuwandeln heißt Spracherkennung. Die Aufnahme besteht technisch aus einer Folge gemessener Schallwerte. Diese Folge heißt Wellenform.

Ein dokumentiertes Forschungsbeispiel ist Whisper. Das Modell wurde mit vielen Tonaufnahmen und zugehörigen Texten trainiert. Die Autoren veröffentlichten Modellgewichte und ein Programm zur Nutzung. Deshalb kann Whisper auf einem geeigneten eigenen Computer laufen. Das macht es zu einem nachvollziehbaren Beispiel für Spracherkennung, nicht automatisch zum passenden Modell für jede Sprache, jedes Mikrofon oder jeden Fachwortschatz.

Spracherkennung steckt auch im Diktat, in automatischen Untertiteln und in Sprachassistenten. Die Gegenrichtung heißt Sprachsynthese. Sie wandelt Text in gesprochene Sprache um. Ein Navigationssystem liest eine Anweisung vor. Eine Bahnhofsansage oder ein Hörbuch kann ebenfalls automatisch entstehen. WaveNet zeigte 2016, wie ein neuronales Netz eine Wellenform schrittweise erzeugen kann. Heutige Systeme können andere Verfahren verwenden.

Audiomodelle können außerdem Geräusche klassifizieren. Eine Maschine klingt normal oder auffällig. Ein Anruf enthält Sprache oder Wartemusik. Ein weiteres System kann Sprecher trennen oder eine bestimmte Stimme nachahmen. Gerade die Stimmnachahmung braucht klare Zustimmung und Kennzeichnung, weil eine glaubhafte Stimme leicht mit einer echten Aufnahme verwechselt wird.

Für diese Aufgaben ist kein Sprachmodell zwingend nötig. Ein Sprachmodell kann den erkannten Text zusammenfassen oder den Text für eine Ansage schreiben. Hören und Sprechen übernehmen dann spezialisierte Audiomodelle.

Tabellendaten mit nacheinander gelernten Bäumen auswerten: Gradient Boosting

Viele Unternehmensdaten stehen bereits in Tabellen. Eine Zeile beschreibt einen Auftrag. Die Spalten enthalten Betrag, Lieferzeit, Produktgruppe und bisherige Reklamationen. Solche Daten heißen Tabellendaten.

Ein Entscheidungsbaum verarbeitet sie als Folge von Abzweigungen. „Liegt der Rechnungsbetrag über 500 Euro?“ kann eine solche Abzweigung sein. „Ist der Kunde älter als 40?“ wäre eine weitere. Eine dritte Frage könnte die pünktliche Zahlung der letzten Rechnung betreffen. Die Werte 500 und 40 sind hier erfundene Beispiele. In einem gelernten Baum entstehen Schwellen aus Trainingsdaten und Lernziel. Sie sind keine fachliche oder rechtliche Begründung für eine Entscheidung.

Ein einzelner Baum ist leicht zu verfolgen, kann aber empfindlich auf die Trainingsdaten reagieren. Beim Gradient Boosting kommen viele meist kleine Bäume nacheinander hinzu. Jeder neue Baum soll einen Teil des Fehlers korrigieren, den die bisherige Folge übrig gelassen hat. Gemeinsam können die Bäume Zahlen schätzen oder Kategorien wählen.

XGBoost ist eine bekannte technische Umsetzung dieses Verfahrens. Die ursprüngliche Arbeit beschreibt vor allem, wie sich das Training mit großen und dünn besetzten Datensätzen effizient ausführen lässt. Dünn besetzt bedeutet, dass viele Tabellenfelder leer oder null sind.

Baumverfahren können für Betrugsprüfung, Kreditrisiken, Nachfrage, Kündigungswahrscheinlichkeit, Versicherungsrisiken oder Preise passen. Neuronale Netze können dieselben Aufgaben ebenfalls bearbeiten. Welche Modellfamilie besser passt, zeigt nur eine geplante Prüfung mit euren Daten und einem passenden Vergleich.

Bei Krediten, Versicherungen oder Personalfragen reicht eine gute Trefferquote nicht. Du musst zusätzlich prüfen, welche Daten verwendet werden dürfen, welche Gruppen Fehler tragen und wer eine Entscheidung begründet.

Empfehlungen, Beziehungsnetze und zeitlich geordnete Daten

Ein Händler will aus 100.000 Produkten eine kurze Liste für einen Kunden bilden. Ein Empfehlungssystem wählt und ordnet dafür Angebote. Dieselbe Aufgabenart findest du in einem Streaming-Dienst, der Filme vorschlägt oder Beiträge in einem Feed sortiert. Das System kann Produktmerkmale, frühere Käufe und Rückmeldungen ähnlicher Nutzer verwenden. Das Verfahren, das Muster aus den gemeinsamen Handlungen vieler Nutzer ableitet, heißt kollaboratives Filtern.

Große Empfehlungssysteme arbeiten oft in Stufen. Eine erste Stufe holt einige hundert mögliche Angebote aus der großen Menge. Eine zweite Stufe berechnet eine feinere Rangfolge. Die ursprüngliche Veröffentlichung zu einem Empfehlungssystem von YouTube beschreibt genau diese Trennung aus Kandidatenauswahl und Rangfolge. Das Prinzip ist dauerhafter als die damalige Produktversion.

Das gewählte Ziel prägt die Vorschläge. Optimiert ein System Klicks, lernt es eine andere Reihenfolge als bei Käufen, Vielfalt oder langfristiger Zufriedenheit. Eine geschätzte Klickwahrscheinlichkeit beantwortet nur die Frage nach einem möglichen Klick.

Bei manchen Daten sind die Verbindungen wichtiger als einzelne Tabellenzeilen. Personen sind in einem sozialen Netz verbunden. Überweisungen verbinden Konten. Atome und Bindungen beschreiben ein Molekül. Eine solche Struktur heißt Graph oder Beziehungsnetz. Die Objekte heißen Knoten. Ihre Verbindungen heißen Kanten.

Ein Graph Neural Network, kurz GNN, ist ein neuronales Netz für solche Strukturen. Ein Knoten berechnet seine Darstellung aus eigenen Angaben und Informationen benachbarter Knoten. Nach mehreren Schichten können auch weiter entfernte Beziehungen einfließen. So lassen sich zusammenhängende Betrugsmuster, Molekülstrukturen, Empfehlungen oder Verkehrsnetze untersuchen.

Der Graph entsteht nicht von selbst. Das Team entscheidet, was als Knoten und Kante gilt. Fehlt eine wichtige Beziehung, kann das Modell sie nicht aus der bloßen Bezeichnung erraten. Eine falsche Verbindung kann umgekehrt ein verdächtiges Muster vortäuschen.

Zeitreihen sind Messwerte in zeitlicher Reihenfolge. Dazu gehören tägliche Bestellungen, stündlicher Stromverbrauch und Schwingungen einer Maschine. Ein Zeitreihenmodell schätzt spätere Werte aus früheren Werten und weiteren Einflüssen. Wiederkehrende Muster innerhalb einer Woche oder eines Jahres heißen Saisonalität.

Eine gute Prognose besteht oft aus mehr als einer Zahl. Sie kann zusätzlich einen Bereich für plausible Werte angeben. Solche wahrscheinlichkeitsbasierten Vorhersagen helfen bei Lagerbeständen und Kapazitäten. DeepAR ist ein ursprüngliches Forschungsbeispiel für diese Art der Prognose über viele verwandte Zeitreihen.

Ein plötzlicher Lieferstopp steckt nicht automatisch in den vergangenen Verkäufen. Das System braucht rechtzeitige Hinweise als Eingabe oder einen Prozess, der die Prognose nach einem Bruch neu bewertet.

Wetter- und Finanzmodelle verarbeiten ebenfalls zeitliche Verläufe, brauchen aber viele weitere Daten und eigene Verfahren. Aktienkurse reagieren schnell auf neue Informationen und menschliche Entscheidungen. Vergangene Kurse allein reichen deshalb kaum als Grundlage.

Mehrere Ein- und Ausgabeformen verbinden: multimodale Systeme

Du fotografierst ein beschädigtes Ventil, stellst eine Frage und erhältst eine gesprochene Anleitung. Du kannst auch den Inhalt eines Kühlschranks fotografieren und nach einem Rezept fragen. Bild, Text, Ton und Video sind verschiedene Datenformen. In der Forschung heißt eine solche Datenform Modalität. Ein System, das mehrere davon verarbeitet, heißt multimodal.

Ein Wartungssystem kann statt eines einzelnen Fotos ein kurzes Video erhalten. Dann soll es eine zeitliche Folge aus Bildern verstehen. Das ist eine andere Aufgabe als die Erzeugung eines neuen Videos im Abschnitt über Diffusionsmodelle.

Technisch gibt es mehrere Wege. Ein Modell kann Bild und Text in eine gemeinsame Zahlendarstellung übersetzen. CLIP ist ein frühes Beispiel für eine solche Verbindung. ImageBind erweiterte die Idee auf sechs Datenformen, darunter Bild, Text, Ton und Tiefenmessung.

Ein anderes System verbindet bereits trainierte Spezialisten. Ein Bildmodell verarbeitet die Aufnahme. Ein Sprachmodell ordnet die Frage und formuliert die Antwort. Ein Audiomodell spricht sie aus. Flamingo ist ein Forschungsbeispiel für einen enger verbundenen Aufbau aus einem Bildteil und einem Sprachmodell. Es kann Bilder oder Videos als Eingabe verarbeiten.

In einer Oberfläche können beide Wege gleich aussehen. Für Betrieb und Prüfung ist der Unterschied wichtig. Bei mehreren Modellen kann jeder Übergang Informationen verlieren. Bei einem gemeinsam trainierten Modell musst du trotzdem getrennt prüfen, wie gut es Bilder liest, Sprache verarbeitet und Ausgaben erzeugt.

Multimodal bedeutet also mehrere Datenformen. Es bedeutet weder vollständiges Weltwissen noch eine einheitliche Fähigkeit auf allen Aufgaben.

Handelt das System zusätzlich in der physischen Welt, kommt die Robotik hinzu. Dann müssen Wahrnehmung, Steuerung und die wirkliche Maschine gemeinsam geprüft werden.

Warum Sprachmodelle ungewöhnlich viel Aufmerksamkeit erhalten

Sprache kann sehr verschiedene Aufgaben beschreiben. Du kannst in demselben Eingabefeld um eine Zusammenfassung, Übersetzung, Erklärung oder Gliederung bitten. Für viele Arbeiten reicht als Ausgabe ebenfalls Text. Das gibt Sprachmodellen eine ungewöhnlich breite Oberfläche.

Eine Chatoberfläche macht diese Art der Eingabe leicht zugänglich. Außerdem kann ein Sprachmodell Aufrufe für andere Modelle und Programme vorbereiten. Es kann eine Bildprüfung anfordern, ein Ergebnis erklären und danach einen Eintrag in einem anderen System vorschlagen. Damit wird Sprache zur Verbindung zwischen Menschen, Modellen und Werkzeugen.

Diese Rolle sagt nichts darüber aus, welche Familie eine einzelne Aufgabe am besten löst. Bei 50 Tabellenfeldern kann Gradient Boosting besser passen. Für einen Kratzer auf Metall ist ein Bildmodell naheliegend. Für die Lastplanung zählt ein Verfahren, das Zeit und Unsicherheit ausdrücklich abbildet.

Ein Chatprodukt gehört deshalb auf die Ebene des vollständigen Systems. Welche Teile darin neben dem Sprachmodell arbeiten können, klärt Kapitel 4.

Der sichtbare Chat ist also nur ein möglicher Eingang in die KI. Er ist nicht die ganze Landkarte.

Folge für Unternehmen: Erst die Aufgabe, dann die Systemfamilie

Schreibe vor einem Modellvergleich eine kleine Aufgabenkarte. Sie sollte sieben Fragen beantworten:

1. Welche konkrete Eingabe liegt vor: Text, Bild, Ton, Tabellenwerte, Beziehungen oder eine zeitliche Folge?
2. Welche Ausgabe braucht der Prozess: Zahl, Kategorie, neuer Inhalt, Rangfolge oder Handlung?
3. Woran erkennst du mit festen Fällen, ob die Ausgabe brauchbar ist?
4. Welche Fehler sind nur lästig, und welche lösen Geldverlust, Benachteiligung oder Gefahr aus?
5. Welche passenden Daten, Regeln und Rückmeldungen liegen tatsächlich vor?
6. Welche weiteren Teile braucht das System für Suche, Freigabe, Protokoll und Bedienung?
7. Wer prüft das Ergebnis und trägt die Entscheidung?

Danach kannst du Systemfamilien vergleichen. Prüfe auch eine einfache Regel oder ein herkömmliches statistisches Verfahren als Ausgangspunkt. Ein aufwendiges Modell lohnt sich nur, wenn es den vollständigen Arbeitsablauf messbar verbessert.

Für die drei Projekte vom Anfang ergibt sich eine erste Richtung. Bei der Dichtungsprüfung ist die Aufgabenart eine Klassifikation oder Segmentierung. Die Datenform ist das Bild. Faltende neuronale Netze sind eine mögliche Modellfamilie. Das konkrete System gehört zur Systemfamilie der visuellen Prüfsysteme. Bei der Absatzplanung ist die Aufgabenart eine Vorhersage. Die Datenformen sind Tabellendaten und Zeitreihen. Gradient Boosting und neuronale Zeitreihenmodelle sind mögliche Modellfamilien. Das konkrete System gehört zur Systemfamilie der Nachfrageprognosesysteme. Bei der Produktillustration ist die Aufgabenart Erzeugung. Die Datenformen sind Text als Eingabe und Bild als Ausgabe. Diffusionsmodelle sind eine mögliche Modellfamilie. Das konkrete System gehört zur Systemfamilie der Bilderzeugungssysteme.

Eine gemeinsame Oberfläche kann diese Systeme später verbinden. Die technische Auswahl beginnt trotzdem bei der einzelnen Aufgabe.

Ordne die Aufgabe vor dem Modell

Prüfe die Landkarte an sechs Fragen:

1. Warum sind Klassifikation und Rangfolge verschiedene Aufgaben, obwohl beide Punktzahlen verwenden können?
2. Was unterscheidet Computer Vision von einem Diffusionsmodell zur Bilderzeugung?
3. Warum können Entscheidungsbäume bei Tabellendaten sinnvoll sein, obwohl neuronale Netze verfügbar sind?
4. Was geht verloren, wenn ein Betrugsfall nur als Tabellenzeile und nicht als Beziehungsnetz betrachtet wird?
5. Warum braucht eine Zeitreihenprognose nach einem plötzlichen Ereignis neue Informationen?
6. Woran erkennst du, ob ein multimodales Produkt ein gemeinsames Modell oder mehrere Spezialisten verwendet?

Du solltest jetzt Aufgabenart, Datenform, Modellfamilie und Systemfamilie auseinanderhalten können. Diese Trennung bleibt für den Rest des Buchs wichtig.

Kapitel 4 nimmt nun große Sprachmodelle genauer unter die Lupe. Es erklärt zuerst das Modell und baut danach die vollständige Systemkarte darum herum auf.