So trainieren Sie ein KI-Modell: Ein grundlegender Leitfaden

Das Training eines Modells für künstliche Intelligenz erfordert mehr, als ihm einen großen Datensatz zuzuführen und darauf zu warten, dass sich die Genauigkeit verbessert. Ein produktionsreifes System beginnt mit einem klar definierten Problem, Daten, die rechtmäßig und sicher verwendet werden können, einem für die Aufgabe geeigneten Modell und einem Evaluierungsplan, der festlegt, was gute Leistung tatsächlich bedeutet.

Unternehmen haben heute außerdem mehr Möglichkeiten als noch vor einigen Jahren. Bei vielen KI-Projekten ist es nicht erforderlich, ein Modell von Grund auf zu trainieren. Teams können mit einem vortrainierten Modell beginnen, es für eine spezialisierte Aufgabe feinabstimmen, durch Retrieval aktuelle Informationen aus dem Unternehmen bereitstellen oder auf Prompt Engineering setzen, wenn das zugrunde liegende Modell bereits über die erforderlichen Fähigkeiten verfügt.

Der richtige Weg hängt vom Problem, den verfügbaren Daten, dem Risiko, dem Budget und dem erforderlichen Maß an Kontrolle ab. Dieser Leitfaden erläutert den gesamten Prozess – von der Entscheidung, ob ein Training notwendig ist, über die Aufbereitung der Daten und die Leistungsbewertung bis hin zur Bereitstellung und Governance des Modells im Produktivbetrieb.

Die wichtigsten Erkenntnisse 

• Das Training eines KI-Modells ist ein iterativer Lebenszyklus: Teams definieren das Problem, bereiten Daten auf und steuern sie, wählen ein Modell und eine Trainingsmethode aus, trainieren und evaluieren es und überwachen anschließend nach der Bereitstellung seine Leistung. (Sprungabschnitt)
• Training von Grund auf ist nur eine Option: Feinabstimmung, parameter-effiziente Feinabstimmung, Retrieval-Augmented Generation (RAG) und Prompt Engineering können praktischer sein, wenn bereits ein geeignetes vortrainiertes Modell existiert. (Sprungabschnitt)
• Produktionsreife erfordert mehr als Modellgenauigkeit: Datenschutz, Sicherheit, Fairness, die operative Leistung, regulatorische Anforderungen und Überwachung beeinflussen allesamt, ob ein KI-System sicher und nützlich genug für die Bereitstellung ist. (Sprungabschnitt)

Was ist das Training eines KI-Modells?

KI-Modell training bezeichnet den Prozess, bei dem Daten verwendet werden, um ein Modell so anzupassen, dass es nützliche Muster erkennt und bei neuen Eingaben geeignete Ausgaben erzeugt.

Je nach Anwendung können diese Ausgaben eine prognostizierte Umsatzzahl, eine Betrugswarnung, eine Produktempfehlung, eine Bildklassifizierung oder generierter Text sein. Das Training verändert die internen Parameter des Modells auf Grundlage der Muster, die es in Beispielen erkennt. Die Inferenz erfolgt später, wenn das trainierte Modell das Gelernte auf neue Daten anwendet.

Training unterscheidet sich vom bloßen Programmieren eines festen Regelwerks. Einer regelbasierten Anwendung kann beispielsweise ausdrücklich vorgegeben werden, Transaktionen zu markieren, die bestimmte Bedingungen erfüllen. Ein Machine-Learning-Modell kann stattdessen anhand historischer Beispiele Kombinationen von Merkmalen lernen, die mit verdächtigen Transaktionen verbunden sind.

Die Trainingsqualität hängt von weit mehr als dem Algorithmus ab. Unklar formulierte Ziele, nicht repräsentative Daten, Data Leakage, ungeeignete Metriken und eine unzureichende Überwachung im Produktivbetrieb können ein ansonsten hochentwickeltes Modell beeinträchtigen.

Welche Haupttypen von KI-Modellen gibt es?

KI-Modelle lassen sich auf unterschiedliche Weise kategorisieren, wobei sich die Kategorien teilweise überschneiden. Für ein Unternehmen, das prüft, wie es ein KI-System entwickeln soll, ist es sinnvoll, zunächst von der Art des Problems auszugehen, das das Modell lösen muss.

Die Modellauswahl sollte beim Problem beginnen und nicht bei der Architektur, die derzeit die größte Aufmerksamkeit erhält. Eine Prognoseaufgabe auf Basis strukturierter historischer Daten benötigt möglicherweise kein Large Language Model, während ein Unternehmensassistent, der Dokumente interpretieren und in natürlicher Sprache antworten muss, von einem Foundation-Modell profitieren kann.

Eine ausführlichere Betrachtung dieser Kategorien und ihrer Unterschiede finden Sie im speziellen Leitfaden zu KI-Modelltypen.

Generative KI vs. prädiktive KI

Eine weitere hilfreiche Unterscheidung betrifft die erwartete Ausgabe des Systems.

Prädiktive KI analysiert verfügbare Informationen, um ein Ergebnis zu klassifizieren, zu schätzen, zu ordnen oder zu prognostizieren. Beispiele sind die Betrugserkennung, die Vorhersage von Geräteausfällen, die Modellierung der Kundenabwanderung und die Nachfrageprognose.

Generative KI erzeugt neue Inhalte wie Text, Bilder, Audio, Video oder Code auf Grundlage von Mustern, die sie während des Trainings gelernt hat. Im geschäftlichen Umfeld unterstützt sie häufig Assistenten, Zusammenfassungen, die Dokumentenerstellung, die Softwareentwicklung und Anwendungen zum Wissensabruf.

Die Kategorien beschreiben, wie KI-Systeme eingesetzt werden, und nicht sich gegenseitig ausschließende zugrunde liegende Architekturen. Eine größere Unternehmensanwendung kann prädiktive und generative Funktionen kombinieren.

Einen genaueren Vergleich der beiden Ansätze und ihrer jeweiligen Einsatzbereiche finden Sie im Leitfaden zu generativer und prädiktiver KI.

Müssen Sie ein KI-Modell trainieren?

Bevor Sie einen großen Datensatz zusammentragen oder GPUs bereitstellen, sollten Sie klären, ob das Projekt überhaupt ein Modelltraining erfordert.

Die moderne KI-Entwicklung bietet Unternehmen mehrere Möglichkeiten, Technologie an ein geschäftliches Problem anzupassen.

Das Training von Grund auf bietet umfassende Kontrolle, erfordert aber in der Regel die größten Investitionen in Daten, Fachwissen, Experimente und Rechenressourcen.

Bei der Feinabstimmung wird ein vortrainiertes Modell als Ausgangspunkt verwendet und mit aufgabenspezifischen Daten weitertrainiert. Die parameter-effiziente Feinabstimmung, kurz PEFT, kann diesen Aufwand reduzieren, indem sie eine relativ kleine Menge zusätzlicher Parameter aktualisiert, während der größte Teil des Basismodells unverändert bleibt. LoRA ist eine weit verbreitete PEFT-Methode, bei der die vortrainierten Gewichte eingefroren bleiben und Matrizen zur Anpassung niedriger Rangordnung trainiert werden.

RAG löst ein anderes Problem. Statt neue Informationen durch eine Änderung der Modellgewichte zu vermitteln, ruft ein RAG-System bei Eingang einer Anfrage relevante Informationen aus einer externen Wissensquelle ab und stellt dieses Material als Kontext für die Generierung bereit.

So trainieren Sie ein KI-Modell in 9 Schritten

Die Entwicklung von KI-Modellen verläuft nur selten geradlinig. Bei der Evaluierung können Probleme mit den Daten, der Modellwahl, den Merkmalen, den Labels oder dem ursprünglichen Ziel zutage treten, sodass ein Team zu einer früheren Phase zurückkehren muss.

Dennoch bieten diese neun Schritte einen praxisnahen Rahmen, um ein KI-Projekt von einem ersten geschäftlichen Problem bis in den Produktivbetrieb zu führen.

1. Problem und Erfolgskriterien definieren

Beginnen Sie mit der Entscheidung, der Prognose oder der Aufgabe, die das Modell unterstützen soll.

Ein vage formuliertes Ziel wie „KI zur Verbesserung des Kundenservice einsetzen“ bietet einem Entwicklungsteam nur wenige Ansatzpunkte für die Optimierung. Ein klareres Ziel könnte darin bestehen, eingehende Support-Tickets nach ihrem Anliegen zu klassifizieren und innerhalb einer akzeptablen Fehlerrate an die richtige Warteschlange weiterzuleiten.

Definieren Sie die erwarteten Ein- und Ausgaben, wer das Ergebnis nutzen wird, was passiert, wenn das Modell sich irrt, und welche bestehende Baseline das Modell übertreffen muss.

Die Erfolgskriterien sollten sowohl operative Anforderungen als auch die Modellqualität abdecken. Latenz, Datenschutz, Kosten, Erklärbarkeit, Sicherheit und die Möglichkeit, eine Entscheidung zu übersteuern, können ebenso wichtig sein wie ein Benchmark-Score.

2. Trainingsdaten sammeln und steuern

Die Trainingsdaten sollten die Bedingungen abbilden, mit denen das Modell nach seiner Bereitstellung voraussichtlich konfrontiert wird. Mehr Informationen anzusammeln, garantiert nicht automatisch bessere Ergebnisse.

Zu den häufigen Datenquellen gehören:

Die Data Governance sollte beginnen, bevor das Training startet, und nicht erst, nachdem ein Modell sensible oder fragwürdige Inhalte verarbeitet hat. Teams müssen wissen, woher die Informationen stammen, welche Berechtigungen gelten, ob personenbezogene oder vertrauliche Informationen enthalten sind und ob sich der Trainingsdatensatz später reproduzieren lässt.

Das Thema hat auch regulatorische Auswirkungen. Zu den Pflichten aus dem EU-KI-Gesetz, die für Anbieter von KI-Modellen mit allgemeinem Verwendungszweck gelten, gehören die Pflege technischer Dokumentation, die Umsetzung einer Urheberrechtsrichtlinie und die Veröffentlichung einer Zusammenfassung der zum Training des Modells verwendeten Inhalte. Diese GPAI-Pflichten gelten seit dem 2. August 2025, während die Durchsetzungsbefugnisse der Europäischen Kommission am 2. August 2026 in Kraft traten. 

Nicht jedes Unternehmen, das ein KI-Modell einsetzt oder verändert, gilt als GPAI-Anbieter. Organisationen müssen daher ermitteln, welche Pflichten für ihre Rolle und ihren Anwendungsfall gelten, statt anzunehmen, dass ein einheitlicher Anforderungskatalog jedes KI-Projekt abdeckt.

3. Daten bereinigen, aufbereiten, kennzeichnen und aufteilen

Rohdaten müssen normalerweise aufbereitet werden, bevor sie für das Training verwendet werden können.

Je nach Anwendung müssen Teams möglicherweise Duplikate entfernen, fehlende oder ungültige Werte behandeln, numerische Felder normalisieren, Kategorien transformieren, Bilder in der Größe anpassen, Text tokenisieren oder Labels für überwachtes Lernen zuweisen.

Bei der Aufbereitung sollte außerdem geprüft werden, ob wichtige Gruppen oder Szenarien nur unzureichend vertreten sind. Ein Datensatz kann insgesamt sauber wirken und dennoch dazu führen, dass ein Modell mit einer bestimmten Sprache, einem Kundensegment, Gerätetyp, Standort oder Sonderfall nicht umgehen kann.

Anschließend sollten die Daten entsprechend ihrer Rolle aufgeteilt werden:

• Trainingsdatensatz: Wird zum Anpassen der Modellparameter verwendet.
• Validierungsdatensatz: Wird während der Entwicklung verwendet, um Versionen zu vergleichen und Entscheidungen wie die Wahl der Hyperparameter abzustimmen.
• Testdatensatz: Ist für die unabhängige Bewertung des finalen Modells reserviert.

Die Validierungsdaten müssen nicht absichtlich schwieriger sein als die Trainingsdaten. Entscheidend ist, dass die Evaluierungsdaten getrennt bleiben und die Bedingungen, denen das Modell voraussichtlich begegnen wird, ausreichend repräsentieren.

Teams sollten außerdem auf Data Leakage achten, bei dem Informationen, die in einem echten Produktionsszenario nicht verfügbar wären, in das Training oder die Evaluierung gelangen. Doppelte Datensätze, die sowohl im Trainings- als auch im Testdatensatz auftauchen, sind ein naheliegendes Beispiel. Data Leakage kann ein schwaches Modell deutlich leistungsfähiger erscheinen lassen, als es tatsächlich ist.

4. Modell und Anpassungsansatz auswählen

Die Problemdefinition und die verfügbaren Daten sollten die Wahl des Modells bestimmen.

Vier Bereiche sind zu berücksichtigen:

• Anforderungen der Aufgabe: Sagt das System eine Zahl voraus, weist es Kategorien zu, erkennt es Anomalien, ordnet es Optionen, verarbeitet es Sprache, analysiert es Bilder oder generiert es Inhalte?
• Dateneigenschaften: Strukturierte Geschäftsdaten, Bilder, Audio, Text, Zeitreihendaten und multimodale Eingaben können unterschiedliche Modellarchitekturen begünstigen.
• Betriebliche Einschränkungen: Latenz, Erklärbarkeit, Datenschutz, Modellgröße, verfügbare Rechenleistung und Bereitstellungsumgebung können ein technisch leistungsfähiges Modell unpraktikabel machen.
• Vorhandene Modelle: Gerade bei generativer KI sollte geprüft werden, ob ein vortrainiertes Basismodell bereits den größten Teil der benötigten Fähigkeiten bietet. Prompting, RAG oder Fine-Tuning können die Entwicklung eines weiteren Modells von Grund auf überflüssig machen.

5. Lernmethode und Trainingsinfrastruktur auswählen

Die passende Lernmethode hängt von der Art der verfügbaren Daten und Rückmeldungen ab.

• Überwachtes Lernen verwendet gekennzeichnete Beispiele, die Eingaben mit gewünschten Ausgaben verknüpfen. Klassifikation und viele Prognoseanwendungen nutzen diesen Ansatz.
• Unüberwachtes Lernen identifiziert Strukturen oder Beziehungen in nicht gekennzeichneten Daten, etwa Gruppen ähnlicher Kunden oder ungewöhnliche Verhaltensmuster.
• Teilüberwachtes Lernen kombiniert eine kleinere Menge gekennzeichneter Daten mit einer größeren Menge nicht gekennzeichneter Daten. Das kann hilfreich sein, wenn die Erstellung präziser Labels teuer oder zeitaufwendig ist.
• Selbstüberwachtes Lernen leitet Trainingssignale aus den Daten selbst ab. Es ist besonders beim Vortraining von Basismodellen wichtig, bei dem große Mengen nicht gekennzeichneter Texte, Bilder, Audiodaten oder anderer Daten verfügbar sein können.
• Bestärkendes Lernen nutzt Interaktionen und Belohnungssignale, um Entscheidungsfolgen zu verbessern, statt ausschließlich aus statischen Eingabe-Ausgabe-Paaren zu lernen.

Die Anforderungen an die Infrastruktur unterscheiden sich ebenso stark. Kleinere Modelle, die mit strukturierten Daten trainiert werden, können effizient auf CPUs laufen, während tiefe neuronale Netze und Basismodelle oft von GPUs oder anderen Beschleunigern profitieren.

Größere Projekte benötigen möglicherweise außerdem verteiltes Rechnen, Speicher mit hohem Datendurchsatz, Experiment-Tracking, Versionierung von Datensätzen und Checkpoints.

Auch die Produktionsanforderungen gehören in diese Entscheidung. Ein Modell, das in das Trainingsbudget passt, aber die Anforderungen an Bereitstellungslatenz, Durchsatz oder Betriebskosten nicht erfüllt, ist keine gute Wahl für den Produktionseinsatz.

6. Modell trainieren und abstimmen

Training ist ein iterativer Optimierungsprozess.

In einer typischen Trainingsschleife für neuronale Netze verarbeitet das Modell Beispiele und erzeugt Prognosen. Eine Verlustfunktion misst die Abweichung zwischen diesen Prognosen und den gewünschten Ausgaben. Anschließend berechnet der Trainingsprozess, welchen Anteil die Parameter am Fehler hatten, und ein Optimierer passt sie an.

Die Trainingsdokumentation von PyTorch beschreibt diesen grundlegenden Ablauf als Erstellung von Prognosen für Batches von Trainingsdaten, Berechnung des Prognosefehlers, Rückpropagation dieses Fehlers und Aktualisierung der Modellparameter durch einen Optimierer.

Während des Trainings tauchen häufig mehrere Begriffe auf:

• Epoche: Ein vollständiger Durchlauf durch den Trainingsdatensatz.
• Batch: Eine Teilmenge von Trainingsbeispielen, die gemeinsam verarbeitet wird, bevor die Parameter aktualisiert werden.
• Lernrate: Ein Hyperparameter, der die Größe der Parameteraktualisierungen steuert.
• Optimierer: Der Algorithmus zum Ändern der Modellparameter auf Grundlage berechneter Gradienten.
• Checkpoint: Ein gespeicherter Modellzustand, mit dem Teams das Training fortsetzen oder Versionen vergleichen können.

Mehr Training ist nicht automatisch besser. Ein Modell kann überangepasst werden und bei vertrauten Trainingsbeispielen extrem gut abschneiden, aber bei neuen Daten nicht verallgemeinern.

Die Abstimmung von Hyperparametern kann die Ergebnisse verbessern, aber das Ziel sollte nicht darin bestehen, einen einzelnen praktischen Kennwert zu maximieren. Teams sollten auf die Metriken und Einschränkungen optimieren, die zu Beginn des Projekts festgelegt wurden.

7. Leistung validieren und evaluieren

Die Validierung hilft festzustellen, ob Entwicklungsentscheidungen das Modell bei Daten verbessern, mit denen es nicht direkt trainiert wurde.

Welche Metriken geeignet sind, hängt von der Aufgabe und den Folgen unterschiedlicher Fehler ab. Die Genauigkeit allein kann irreführend sein, insbesondere wenn eine Klasse deutlich seltener vorkommt als eine andere.

Die aktuellen Leitlinien von Google zum maschinellen Lernen empfehlen, Kennzahlen wie Precision und Recall entsprechend den Kosten, dem Nutzen und den Risiken auszuwählen, die mit falsch positiven und falsch negativen Ergebnissen verbunden sind.

Die Evaluierung sollte relevante Untergruppen und Szenarien außerdem separat untersuchen. Ein starker aggregierter Wert kann anhaltende Fehler verbergen, die eine kleinere Bevölkerungsgruppe oder einen wichtigen Sonderfall betreffen.

Generative KI erfordert eine besonders mehrdimensionale Evaluierung. Eine Antwort kann flüssig klingen und dennoch ungenau sein, in einem unsicheren Kontext eine korrekte Tatsache liefern oder die Frage beantworten, während sie vorgeschriebene Formatierungs- oder Quellenbeschränkungen ignoriert.

8. Das finale Modell auf Produktionsreife testen

Sobald das Team das leistungsstärkste Modell ausgewählt hat, sollte es dieses anhand von Daten testen, die nicht für Training oder Validierung verwendet wurden. Das ermöglicht eine klarere Einschätzung, wie gut das Modell voraussichtlich bei neuen Eingaben abschneiden wird.

Der Testdatensatz muss unabhängig bleiben. Wird das Modell wiederholt auf Grundlage dieser Ergebnisse verändert, können Teams letztlich auf die Testdaten statt auf die Leistung unter realen Bedingungen optimieren.

Die Tests in der Produktion sollten außerdem die gesamte Anwendung abdecken, einschließlich Integrationen, Berechtigungen, Latenz, Sicherheit, Fehlerbehandlung und Eskalation an Menschen.

Was als produktionsreif gilt, hängt von den möglichen Folgen ab. Ein System für Produktempfehlungen kann andere Fehler tolerieren als ein Modell, das bei medizinischen, beschäftigungsbezogenen oder finanziellen Entscheidungen eingesetzt wird und daher strengere Schutzmaßnahmen und eine stärkere Aufsicht erfordert.

9. Bereitstellen, überwachen und neu trainieren

Mit der Bereitstellung endet der Lebenszyklus eines KI-Modells nicht.

Die Bedingungen in der realen Welt ändern sich. Das Kundenverhalten entwickelt sich weiter, Angreifer ändern ihre Taktiken, Produktkataloge werden aktualisiert, Sensoren verschleißen, die wirtschaftlichen Bedingungen verändern sich und Sprache wandelt sich. Ein Modell, das vor Monaten Tests bestanden hat, kann weniger nützlich werden, selbst wenn sein Code unverändert bleibt.

Die Überwachung im Produktionseinsatz sollte relevante Veränderungen bei Eingaben, Modellverhalten, Anwendungsleistung, Latenz, Fehlern und Geschäftsergebnissen erfassen.

Teams sollten Auslöser für ein erneutes Training definieren, statt lediglich aufgrund eines Kalenderdatums neu zu trainieren. Eine neue Modellversion kann erforderlich werden, wenn die Leistung unter einen vorher festgelegten Schwellenwert fällt, sich Eingabeverteilungen wesentlich verändern, sich der Geschäftsprozess ändert oder genügend repräsentative neue Daten verfügbar sind.

Die Versionierung von Datensätzen und Modellen ist ebenso wichtig. Organisationen müssen wissen, welche Daten, welcher Code, welche Konfiguration und welche Modellversion ein bestimmtes Ergebnis erzeugt haben, damit sie Probleme untersuchen und eine problematische Veröffentlichung zurücknehmen können.

Wie Unternehmen trainierte KI-Modelle einsetzen

Der Wert eines trainierten Modells ergibt sich daraus, was ein Unternehmen damit anders oder effizienter tun kann.

Für Unternehmen ist KI nur dann sinnvoll, wenn sie den Workflow so stark verbessert, dass sich die zusätzlichen Kosten, die höhere Komplexität, die Risiken und der zusätzliche Aufsichtsaufwand lohnen.

Zentrale Herausforderungen und Risiken beim Training von KI-Modellen

Das Training von Modellen bringt in nahezu jeder Phase Risiken mit sich – von der Auswahl des Datensatzes bis zur Wartung des fertigen Systems.

Mangelhafte oder nicht repräsentative Daten

Modelle lernen aus den ihnen verfügbaren Informationen. Fehlende Werte, uneinheitliche Labels, doppelte Beispiele, veraltete Datensätze und nicht repräsentative Populationen können das Gelernte eines Modells verzerren.

Eine bloße Vergrößerung des Datensatzes wird diese Probleme nicht automatisch lösen. Die Daten müssen die Bedingungen und Sonderfälle abdecken, mit denen das Modell voraussichtlich konfrontiert wird.

Datenschutz, Urheberrecht und Datenherkunft

Training kann Datenschutz- und Probleme des geistigen Eigentums verursachen, wenn Organisationen nicht feststellen können, woher Informationen stammen oder ob sie das Recht haben, sie zu verwenden.

Teams sollten Herkunftsnachweise für interne, öffentliche, lizenzierte, aus dem Internet extrahierte, synthetische und von Dritten stammende Daten führen. Personenbezogene oder vertrauliche Informationen können je nach Anwendungsfall und geltendem Recht eine Minimierung, Zugriffsbeschränkungen, De-Identifizierung, Aufbewahrungsfristen oder einen Ausschluss erfordern.

Die Transparenz von Trainingsdaten ist für bestimmte Modellanbieter in der EU inzwischen formell vorgeschrieben. Die Europäische Kommission hat eine Vorlage veröffentlicht, die eine gemeinsame Grundlage für Zusammenfassungen der Inhalte schafft, die zum Training von KI-Modellen mit allgemeinem Verwendungszweck genutzt wurden.

Datenvergiftung und Risiken in der Modell-Lieferkette

Trainingsdaten sind ebenfalls eine Angriffsfläche.

Ein Angreifer, der Trainingsinformationen beeinflussen kann, könnte versuchen, Beispiele einzuschleusen, die das spätere Verhalten des Modells manipulieren sollen. Organisationen können sich außerdem Risiken einhandeln, wenn sie extern entwickelte Datensätze, Modelle, Gewichte oder andere Komponenten verwenden, ohne deren Herkunft zu kennen.

Die Taxonomie des NIST von 2025 zum adversarialen maschinellen Lernen behandelt Vergiftung, Umgehung, Datenschutz und andere Angriffe, die prädiktive und generative KI-Systeme über den gesamten Modelllebenszyklus hinweg betreffen.

Organisationen sollten den Zugriff auf Trainingspipelines beschränken, die Herkunft von Datensätzen und vortrainierten Modellen prüfen, Modellartefakte schützen und KI-Komponenten von Drittanbietern als Teil der Technologielieferkette behandeln.

Verzerrungen und ungerechte Ergebnisse

Kein Modell wird allein deshalb unverzerrt, weil sein Datensatz bereinigt wurde.

Ein realistischeres Ziel besteht darin, relevante Verzerrungsquellen zu identifizieren, zu messen, ob sich die Leistung zwischen Populationen und Situationen unterscheidet, und die Folgen passend zum Anwendungsfall zu mindern.

Ein Modell kann eine insgesamt starke Leistung erbringen und dennoch bei einer kleineren Gruppe dauerhaft versagen. Teams sollten daher bestimmen, welche Populationen und Fehlerfälle eine gesonderte Bewertung erfordern und wann eine Entscheidung von Menschen überprüft werden sollte.

Erklärbarkeit und Verantwortlichkeit

Manche Modelle lassen sich leichter interpretieren als andere, und unterschiedliche Anwendungen erfordern unterschiedliche Erklärungsniveaus.

Eine Empfehlungs-Engine benötigt möglicherweise genügend Beobachtbarkeit, damit Entwickler schlechte Empfehlungen diagnostizieren können. Ein System, das bei einer Entscheidung mit erheblichen Auswirkungen eingesetzt wird, erfordert möglicherweise eine deutlich ausführlichere Dokumentation seiner Daten, Modellversion, Entscheidungsfaktoren und seines Prüfprozesses.

Organisationen sollten vor dem Start Zuständigkeiten festlegen. Jemand muss für die Modellfreigabe, Vorfälle, die Überwachung, Entscheidungen über ein erneutes Training und die Stilllegung verantwortlich sein.

Infrastruktur und Kosten

Trainingskosten umfassen weit mehr als die Zeit auf Beschleunigern.

Datenengineering, Labeling, Experimente, Speicherung, Evaluierung, Sicherheit, Bereitstellung, Überwachung und qualifiziertes Personal können jeweils erhebliche Teile der Kosten eines KI-Projekts ausmachen.

Generative KI-Systeme verbrauchen auch nach dem Training weiterhin Rechenleistung, wenn sie Anfragen aus dem Produktivbetrieb beantworten.

Ein komplexeres Modell sollte diese Komplexität daher durch messbare Verbesserungen rechtfertigen. Wenn ein kleineres Modell die Anforderungen erfüllt, kann es sowohl die Betriebskosten als auch den Governance-Aufwand senken.

Datenschutz, Ethik und KI-Governance

Eine sichere Implementierung von KI erfordert Kontrollen über den gesamten Lebenszyklus hinweg, nicht erst eine Ethikprüfung unmittelbar vor dem Start.

Ein praktikabler Governance-Prozess sollte festlegen, wer für das System verantwortlich ist, welche Informationen es verwenden darf, welche Evaluierungen es bestehen muss, wie Änderungen genehmigt werden, was protokolliert wird, wie Vorfälle behandelt werden und wann menschliches Eingreifen erforderlich ist.

Auch die regulatorischen Anforderungen werden konkreter. Die Transparenzpflichten nach Artikel 50 des EU-KI-Gesetzes gelten seit dem 2. August 2026, einschließlich Anforderungen, die bestimmte interaktive KI-Systeme sowie von KI generierte oder manipulierte Inhalte betreffen. Für Anbieter von KI-Modellen mit allgemeinem Verwendungszweck gelten separate Regeln.

Die Anforderungen unterscheiden sich je nach System, Anbieter, Betreiber, Rechtsordnung und Anwendungsfall. Organisationen sollten die geltenden Pflichten auf ihre eigene Rolle abbilden, statt KI-Governance auf eine allgemeine Compliance-Checkliste zu reduzieren.

Auch die ethische Prüfung sollte entsprechend spezifisch sein. Teams sollten fragen, wer durch ein falsches Ergebnis geschädigt werden könnte, welche Populationen schlechtere Ergebnisse erhalten könnten, ob Menschen folgenreiche Entscheidungen anfechten können, wann eine menschliche Prüfung erforderlich ist und wie die Organisation nach der Bereitstellung Probleme erkennen wird.

Eine ausführlichere Betrachtung verantwortungsvoller KI, einschließlich Ethik und Governance, finden Sie im Leitfaden zur KI-Ethik.

Die Rolle des Prompt Engineering in der KI-Entwicklung

Prompt Engineering kann verbessern, wie ein generatives KI-System eine Aufgabe erledigt, ist aber nicht dasselbe wie das Training des zugrunde liegenden Modells.

Prompts liefern zum Zeitpunkt der Nutzung Anweisungen, Beispiele, Kontext, Einschränkungen oder Vorgaben für die Ausgabe. Die gelernten Parameter des Basismodells bleiben normalerweise unverändert.

Prompting kann daher ein sinnvoller Ausgangspunkt sein, wenn ein vortrainiertes Modell die Aufgabe bereits versteht. Geht es um fehlende, private oder sich schnell ändernde Informationen, ist RAG möglicherweise besser geeignet. Fine-Tuning wird attraktiver, wenn sich das grundlegende Verhalten eines Modells auf eine Weise ändern muss, die durch Prompting und abgerufenen Kontext nicht zuverlässig erreicht werden kann.

Die Wahl ist nicht immer ein Entweder-oder. Produktivsysteme können Prompting, Retrieval und ein per Fine-Tuning angepasstes Modell kombinieren, wenn die Anwendung alle drei Verfahren benötigt.

Eine genauere Betrachtung der Funktionsweise von Prompting und der Frage, wann welche Techniken eingesetzt werden sollten, finden Sie im Leitfaden zum Prompt Engineering.

Best Practices für das Training und die Bereitstellung von KI-Modellen

Erfolgreiche KI-Projekte beruhen meist auf einigen praktischen Grundsätzen.

Mit dem Problem beginnen, nicht mit dem Modell

Definieren Sie zunächst, was das System leisten muss, bevor Sie eine Architektur, ein Foundation-Modell oder eine Plattform auswählen.

Eine einfachere Methode, die die Anforderungen erfüllt, lässt sich in der Regel leichter testen, betreiben, erklären und steuern.

Die am wenigsten einschneidende funktionierende Anpassungsmethode verwenden

Trainieren oder fine-tunen Sie ein großes Modell nicht allein deshalb, weil diese Möglichkeit besteht.

Beginnen Sie mit Prompting, wenn das Basismodell bereits über die erforderliche Fähigkeit verfügt. Fügen Sie Retrieval hinzu, wenn die Anwendung kontrolliertes oder sich änderndes Wissen benötigt. Ändern Sie Modellparameter, wenn das Verhalten oder die Spezialisierung dies tatsächlich erfordert.

Trainingsdaten als verwaltetes Asset behandeln

Dokumentieren Sie Herkunft, Berechtigungen, Transformationen, Entscheidungen beim Labeling, Datensatzversionen und bekannte Einschränkungen.

Diese Aufzeichnungen werden besonders wichtig, wenn Teams ein Ergebnis reproduzieren, einen Vorfall untersuchen, ein Modell erneut trainieren oder Fragen zur Entwicklung des Modells beantworten müssen.

Bewertungskriterien vor dem Training festlegen

Wählen Sie Kennzahlen entsprechend den geschäftlichen Folgen verschiedener Fehler.

Werden Bewertungsregeln erst festgelegt, nachdem die Modellergebnisse vorliegen, ist es leichter, die Kennzahl auszuwählen, mit der das System am besten aussieht, statt diejenige, die Erfolg tatsächlich abbildet.

Fehlermuster testen, nicht nur die Durchschnittsleistung

Bewerten Sie schwierige Beispiele, Sonderfälle, relevante Untergruppen, unerwartete Eingaben und Situationen, in denen ein falsches Ergebnis unverhältnismäßige Folgen hätte.

Die Durchschnittsleistung allein zeigt nicht, wie sich ein System verhält, wenn es wirklich darauf ankommt.

Auch nach dem Start weiter überwachen

Das Training erzeugt ein erstes Modell. Die Überwachung im Produktivbetrieb entscheidet, ob dieses Modell nützlich bleibt, während sich Nutzer, Daten, Bedrohungen und Geschäftsanforderungen ändern.

Bereitstellungspläne sollten daher von Anfang an Überwachung, Zuständigkeiten, Eskalationsverfahren, Kriterien für ein erneutes Training und Möglichkeiten zum Rollback umfassen.

Fazit

Zu lernen, wie man ein KI-Modell trainiert, beginnt mit der Erkenntnis, dass Training nur ein Teil des Aufbaus eines zuverlässigen KI-Systems ist. Ein Modell muss ein klar definiertes Problem lösen, aus geeigneten und kontrolliert verwalteten Daten lernen und anhand von Kennzahlen bewertet werden, die widerspiegeln, was bei Erfolg oder Misserfolg geschieht.

Für viele Unternehmen wird der beste Weg nicht darin bestehen, von Grund auf zu trainieren. Vortrainierte Modelle, Fine-Tuning, RAG und Prompt Engineering bieten unterschiedliche Möglichkeiten, KI anzupassen und dabei Kosten, Kontrolle, Datenanforderungen und Komplexität abzuwägen.

Auch die Bereitstellung bringt eine fortlaufende Verantwortung mit sich. Überwachung, Sicherheit, Datenschutz, Dokumentation, menschliche Aufsicht und Governance entscheiden darüber, ob ein Modell, das sich während der Entwicklung gut bewährt hat, auch dann noch nützlich und vertretbar bleibt, wenn Menschen beginnen, sich darauf zu verlassen.

Praktische Möglichkeiten, Anweisungen besser zu strukturieren, Kontext hinzuzufügen und Modellantworten zu steuern, finden Sie im Spickzettel zum Prompt Engineering für bessere KI-Prompts.