KI-Technik verstehen – Begriffe und Praxisbeispiele
Sprachmodelle, Retrieval und Embeddings lösen unterschiedliche Aufgaben. Das Glossar erklärt die Zusammenhänge so, dass Marketingteams Aussagen zu Aktualität, Quellen und technischer Verarbeitung besser einordnen können.
Chunking
Chunking teilt Inhalte in kleinere verarbeitbare Abschnitte. Die passende Größe hängt vom System und der Aufgabe ab. Eine technische Zerlegung darf wichtige Bedingungen und Bezüge nicht so trennen, dass Aussagen missverständlich werden.
Eine Ausnahme bleibt mit der zugehörigen Regel im verwendeten Abschnitt verbunden.
Referenz / Vertiefung: Forschungsarbeit: Retrieval-Augmented Generation
Embedding
Ein Embedding stellt Information als numerischen Vektor innerhalb eines bestimmten Modells dar. Es kann Ähnlichkeitssuche unterstützen. Eine nahe Darstellung ist kein sicherer Nachweis gleicher Bedeutung, fachlicher Eignung oder tatsächlicher Richtigkeit.
Ähnliche Dokumente werden als Kandidaten gefunden und anschließend inhaltlich geprüft.
Referenz / Vertiefung: Google: Embeddings
Fine-Tuning
Fine-Tuning passt ein bereits trainiertes Modell mit zusätzlichen geeigneten Daten an. Es ist etwas anderes als der Abruf aktueller Dokumente zur Laufzeit. Die Maßnahme garantiert keine vollständige Aktualität oder fehlerfreie Fachantwort.
Eine Modellanpassung wird vom aktuellen Abruf einer Bedienanleitung getrennt betrachtet.
Referenz / Vertiefung: Google: Machine Learning Glossar
Grounding
Grounding bezeichnet die Verankerung einer Ausgabe in bereitgestellten oder abgerufenen Informationen. Der Begriff wird je System unterschiedlich umgesetzt. Ein vorhandener Quellenverweis allein bestätigt nicht, dass jede einzelne Aussage tatsächlich durch den Beleg gedeckt ist.
Eine behauptete Eigenschaft wird an der konkret genannten Quelle abgeglichen.
Referenz / Vertiefung: Forschungsarbeit: Retrieval-Augmented Generation
Halluzination
Halluzination bezeichnet im KI-Kontext eine sachlich unzutreffende oder unbelegte erzeugte Aussage. Sie kann sprachlich überzeugend erscheinen. Belege, Bedingungen und relevante Details müssen unabhängig vom sicheren Ton der Ausgabe kontrolliert werden.
Eine erfundene Produktfunktion wird vor jeder öffentlichen Verwendung entfernt.
Referenz / Vertiefung: Google: Machine Learning Glossar
Inferenz
Inferenz bezeichnet die Anwendung eines trainierten Modells auf eine konkrete Eingabe. Ergebnis und Aufwand hängen von Modell und Ausführung ab. Der Vorgang ist kein erneutes vollständiges Grundlagentraining des Modells.
Eine erzeugte Antwort wird ihrem tatsächlichen Aufruf und Kontext zugeordnet.
Referenz / Vertiefung: Google: Große Sprachmodelle
Kontextfenster
Das Kontextfenster begrenzt die Menge an Information, die ein Modell im jeweiligen Aufruf berücksichtigen kann. Umfang und Verhalten sind systemabhängig. Ein vorhandener Text wird nicht allein deshalb vollständig korrekt genutzt.
Eine lange Quelle wird auf tatsächlich verfügbare relevante Abschnitte geprüft.
Referenz / Vertiefung: Google: Große Sprachmodelle
Large Language Model
Auch: LLM, Sprachmodell
Ein Large Language Model verarbeitet und erzeugt Sprache anhand erlernter statistischer Zusammenhänge. Eine flüssige Antwort ist kein sicherer Wahrheitsnachweis. Ob zusätzliche aktuelle Informationen abgerufen werden, hängt vom tatsächlich verwendeten System ab.
Eine fachliche Aussage wird trotz überzeugender Formulierung an Originalbelegen geprüft.
Referenz / Vertiefung: Google: Große Sprachmodelle
Pretraining
Auch: Vortraining
Pretraining ist eine grundlegende Trainingsphase eines Modells mit einem bestimmten Daten- und Lernverfahren. Daraus folgt keine vollständige Erinnerung jeder Quelle. Erlerntes Wissen ist nicht automatisch aktuell oder als konkrete Fundstelle belegbar.
Eine Antwort aus Modellwissen wird nicht als frischer Websiteabruf bezeichnet.
Referenz / Vertiefung: Google: Große Sprachmodelle
Retrieval
Retrieval ist das Auffinden geeigneter Informationen aus einem Bestand für eine Aufgabe. Rangfolge und Auswahl hängen vom verwendeten Verfahren ab. Ein gefundenes Dokument muss nicht automatisch die fachlich passende Antwort enthalten.
Eine Sammlung liefert mögliche Quellen, deren tatsächliche Aussage anschließend geprüft wird.
Referenz / Vertiefung: Forschungsarbeit: Retrieval-Augmented Generation
Retrieval-Augmented Generation
Auch: RAG
RAG verbindet Sprachgenerierung mit dem Abruf zusätzlicher Informationen. Das Modell erhält ausgewählte Inhalte als Grundlage für eine Antwort. Abrufqualität, Kontext und Prüfung bleiben wichtig; die Architektur garantiert keine fehlerfreie Ausgabe.
Eine Antwort verwendet zuvor abgerufene passende Dokumentpassagen als zusätzliche Grundlage.
Referenz / Vertiefung: Forschungsarbeit: Retrieval-Augmented Generation
Temperatur
Temperatur ist eine systemabhängige Einstellung, die die Auswahlverteilung bei der Generierung beeinflussen kann. Sie ist kein Wahrheitsregler. Ein niedriger Wert garantiert weder identische Antworten über alle Bedingungen noch fachlich richtige Aussagen.
Eine wiederholte Beobachtung dokumentiert Einstellungen und prüft die Antwort trotzdem.
Referenz / Vertiefung: Google: Machine Learning Glossar
Token
Ein Token ist eine Verarbeitungseinheit eines Sprachmodells und entspricht nicht zwangsläufig einem Wort oder Zeichen. Die Zerlegung hängt vom verwendeten Tokenizer ab. Wortzahlen lassen sich deshalb nicht mit einer universellen festen Quote umrechnen.
Ein Textumfang wird für das tatsächlich eingesetzte Modell passend bestimmt.
Referenz / Vertiefung: Google: Große Sprachmodelle
Vektorsuche
Vektorsuche vergleicht numerische Repräsentationen nach einer festgelegten Ähnlichkeits- oder Distanzfunktion. Ergebnisse hängen von Modell, Bestand und Einstellungen ab. Eine hohe Ähnlichkeit ist keine unabhängige Qualitätsprüfung der gefundenen Quelle.
Ein passender Kandidat wird auf die tatsächlich gefragte Voraussetzung kontrolliert.
Referenz / Vertiefung: Google: Embeddings
Ähnlichkeitsscore
Ein Ähnlichkeitsscore beschreibt den Vergleich nach einem bestimmten Verfahren. Werte verschiedener Modelle oder Metriken sind nicht automatisch vergleichbar. Die Zahl sollte nicht als Prozentwahrscheinlichkeit fachlicher Richtigkeit oder Kundeneignung ausgegeben werden.
Ein hoher Suchwert führt zur Quellenprüfung und nicht automatisch zur Freigabe.
Referenz / Vertiefung: Google: Embeddings
Häufige Fragen.
Was unterscheidet ein Sprachmodell von einer Suchmaschine?
Ein Sprachmodell erzeugt Ausgaben auf Basis gelernter Zusammenhänge und des verfügbaren Kontexts. Eine Suchmaschine findet und ordnet Dokumente. Ein Produkt kann beide Funktionen verbinden; daraus folgt keine allgemeine Gewähr für Aktualität oder Richtigkeit.
Was bedeutet RAG für die Quellenarbeit?
Retrieval-Augmented Generation ergänzt die Antworterzeugung um abgerufene Informationen. Die Qualität hängt unter anderem von Auswahl, Aktualität und Verarbeitung dieser Informationen ab. Der Einsatz von RAG macht eine Antwort nicht automatisch vollständig oder fehlerfrei.
Sind Embeddings und Keywords austauschbar?
Nein. Embeddings bilden Merkmale in Zahlenvektoren ab und können Ähnlichkeiten für bestimmte Aufgaben nutzbar machen. Keywords sind sprachliche Such- und Themenbegriffe. Eine hohe Vektorähnlichkeit beweist weder sachliche Richtigkeit noch eine identische Suchintention.
Verhindert ein großes Kontextfenster Halluzinationen?
Nein. Mehr verfügbarer Kontext kann zusätzliche Informationen aufnehmen, garantiert aber keine korrekte Verarbeitung. Prüfen Sie wichtige Fakten und Quellen weiterhin. Die bloße Länge eines bereitgestellten Dokuments sagt wenig über die Qualität der Antwort aus.
Kann ich Modelltraining durch eine Textänderung sofort beeinflussen?
Eine veröffentlichte Textänderung aktualisiert nicht unmittelbar die Modellgewichte. Ob ein System neue Informationen über Suche oder andere Abrufe erhält, ist eine andere Frage. Trennen Sie Veröffentlichung, Crawling, Retrieval und spätere Trainingsprozesse.
Wissen weitergeben.
Passende Fachartikel.
Digitale SichtbarkeitKI-Textentwürfe fachlich und redaktionell prüfen
KI-Entwürfe mit einem nachvollziehbaren Prüfweg überarbeiten. Von Behauptungen und Quellen bis zu Produktgrenzen, Beispielen und tatsächlicher Autorenschaft.
Digitale SichtbarkeitAI Visibility: Was Unternehmen tatsächlich messen können
Markennennung, Quelle oder Empfehlung: Welche Unterschiede für Ihr Unternehmen zählen.
Digitale SichtbarkeitAI Visibility messen: Nennungen, Quellen und Datenlücken richtig einordnen
Ein nachvollziehbarer Fragenplan statt eines scheinbar eindeutigen Scores.