End-to-End-Anwendung: Bewertung, Validierung, Ethik und Grenzen

Gewinne:

• Möglichkeit, einen kleinen Testsatz (Eval) einzurichten, der ein Modell mit Ihren eigenen Daten bewertet
• Integrieren Sie menschliche Überprüfung, Grenzwerte und Richtlinien zur verantwortungsvollen Nutzung in den Arbeitsablauf
• Erkennen Sie Halluzinationen, Privatsphäre und ethische Risiken und ergreifen Sie mildernde Maßnahmen

Sie haben das richtige Modell gewählt; Ist die Arbeit erledigt? Nein, die eigentliche Arbeit beginnt jetzt. Wenn Sie ein Modell in Ihr Unternehmen integrieren, müssen Sie es anhand Ihrer eigenen Daten testen, seine Ergebnisse validieren und es verantwortungsvoll gestalten. Diese letzte Einheit verwandelt das gesamte Modul in eine End-to-End-Anwendung: Sie lernen, wie Sie eine kleine Testsuite (Evaluierung) einrichten, die menschliche Überprüfung in den Arbeitsablauf einbetten, Halluzinationen und Datenschutzrisiken verwalten und ethische Grenzen ziehen. Sobald das Gerät fertig ist, können Sie nicht nur ein Modell auswählen, sondern es auch sicher in Betrieb nehmen.

Auswertung (Eval): Testen mit Ihren eigenen Daten

Jetzt wissen Sie, dass nur Ihre tatsächlichen Daten und nicht Anzeigen darüber Auskunft geben können, ob ein Modell zu Ihrem Unternehmen passt. Um dies zu messen, erstellen Sie einen Bewertungssatz (eval): eine kleine Sammlung von Beispielen aus Ihrer Arbeit, für die die richtige Antwort bekannt ist.

Eine einfache Auswertung ist wie folgt aufgebaut:

1. Sammeln Sie 10–30 echte Proben. Wählen Sie Eingaben, die für Ihren Job typisch sind (mischen Sie schwierig und einfach).
2. Bestimmen Sie für jedes Beispiel die „richtige/erwartete Ausgabe“. Was würde ein Experte antworten?
3. Führen Sie die Kandidaten durch dieselben Beispiele. Testen Sie die Modelle, die Sie vergleichen, einzeln mit demselben Satz.
4. Bewerten Sie die Ergebnisse. In wie vielen Beispielen trifft es zu? Was hat er falsch gemacht? Sind Fehler akzeptabel?
5. Vergleichen und wählen. Wählen Sie nicht die höchste Gesamtpunktzahl, sondern diejenige, die in den für Sie kritischsten Beispielen am zuverlässigsten ist.

Tipp: Vertraue den Bestenlisten nicht blind. Ein Modell kann weltweit an erster Stelle stehen, in Ihren spezifischen türkischen Rechtstexten jedoch schlechter abschneiden als das zweitplatzierte Modell. Ihre eigene Bewertung von 20 Proben ist mehr wert als Hunderte öffentlicher Tests.

Halluzination: Das heimtückischste Risiko des Models

Von einer Halluzination spricht man, wenn das Modell Informationen in einer sicheren Sprache wiedergibt, die eigentlich nicht wahr sind. Anstatt zu sagen „Ich weiß nicht“, könnte das Modell einen nicht existierenden Gesetzestext, eine erfundene Statistik oder ein falsches Datum hervorbringen; Darüber hinaus tut er dies in einer äußerst überzeugenden Sprache. Dies ist der gefährlichste Aspekt der KI, da Fehler als Wahrheit getarnt werden.

Sie können die Halluzination nicht vollständig beseitigen, aber Sie können sie reduzieren und auffangen:

• Basieren Sie auf der Quelle: Bitten Sie das Modell, Antworten aus den von Ihnen bereitgestellten Dokumenten zu generieren, nicht aus seinem eigenen „Speicher“ (RAG-Logik).
• Anforderungsquellen: Sagen Sie: „Schreiben Sie neben jeden Anspruch das Dokument/den Abschnitt, auf dem er basiert.“; Wenn er keine Quelle angeben kann, seien Sie misstrauisch.
• Leute dazu bringen, zu sagen, dass sie sich nicht sicher sind: Die Anweisung „Wenn Sie nicht sicher sind, schreiben Sie ‚nicht klar‘“ verringert die Modellanpassung.
• Menschliche Verifizierung: Kritische Ergebnisse müssen von einem Menschen verifiziert werden.

Achtung: Verwenden Sie niemals Modellergebnisse, ohne sie für rechtliche, medizinische oder finanzielle Entscheidungen zu validieren. Ein vom Modell erzeugter „Gesetzartikel“ oder „Dosisinformation“ kann vollständig erfunden sein. In diesen Bereichen ist KI ein Entwurfs-/vorläufiges Werkzeug; Ein kompetenter Mensch hat immer das letzte Wort.

Voraussetzung für die menschliche Verifizierung

Künstliche Intelligenz funktioniert am besten als Werkzeug, das Menschen beschleunigt und nicht arbeitslos macht. Der richtige Aufbau sieht wie folgt aus: Erstellt oder präqualifiziert den Modellentwurf; Der Mensch überprüft, korrigiert und genehmigt. Wie streng die Überprüfung sein muss, hängt von den Kosten des Fehlers ab.

Suche

Fehlerkosten

menschliche Verifizierung

Entwurf einer Produktbeschreibung

niedrig

Die Probenkontrolle reicht aus

E-Mail-Antwort des Kunden

mittel

Überprüfung vor der Einreichung

Vertragsrisikoanalyse

hoch

Artikel für Artikel Expertenbestätigung

Medizinische/finanzielle Beratung

sehr hoch

Vollständige Expertenüberprüfung, nur KI-Unterstützung

Diese Tabelle schafft die Balance zwischen „jeder Ausgabe manuell prüfen“ und „überhaupt nicht prüfen“. Während bei kostengünstigen Aufträgen die Stichprobenkontrolle ausreichend ist, muss bei hochpreisigen Aufträgen jede Ausgabe überprüft werden.

Ethischer und verantwortungsvoller Gebrauch

Obwohl die Modellauswahl wie eine technische Entscheidung erscheinen mag, stecken dahinter ethische Verantwortlichkeiten:

• Transparenz: Teilen Sie Ihren Kunden oder Mitarbeitern mit, dass Sie KI an den richtigen Stellen einsetzen. Ein Kunde hat das Recht zu wissen, ob er mit einem Menschen oder einer KI spricht.
• Bias: Modelle können Bias von den Daten erben, auf deren Grundlage sie trainiert werden. Überwachen Sie die Fairness der Ergebnisse in sensiblen Bereichen wie Personalbeschaffung und Bonitätsprüfung.
• Datenschutz: Integrieren Sie die Datenschutzgrundsätze, die Sie in Einheit 8 gelernt haben, in den Arbeitsablauf; Versenden Sie personenbezogene Daten nicht leichtfertig.
• Verantwortlichkeit: Wenn ein Fehler passiert, reicht die „KI hat es gemacht“-Verteidigung nicht aus. Die Verantwortung liegt bei der Institution, die das Fahrzeug nutzt. Dokumentieren Sie also Verifizierungsprozesse.

Tipp: Schreiben Sie eine kleine „Richtlinie zur verantwortungsvollen Nutzung“ in Ihren Workflow: Welche Jobs können KI verwenden, welche Daten können nicht gesendet werden, wer wird sie überprüfen und wie Fehler gemeldet werden. Dieses einseitige Dokument verhindert größere Probleme in der Zukunft.

Drei realistische Fälle

Fall 1 – Bedauern ohne Evaluierung. Ein Versicherungsteam beginnt mit der Zusammenfassung der Schadensfälle, ohne das beliebteste Modell zu testen. Nach zwei Wochen stellen sie fest, dass das Modell häufig Fehler in türkischen Fachbegriffen macht und einige Beträge falsch liest. Wenn sie eine Bewertung von 20 Proben durchführen und die drei Modelle vergleichen, wechseln sie zu dem Modell, das nicht das beliebteste, aber in türkischen Fachtexten genauer ist. Der Verlust: zwei Wochen und Korrekturlesearbeit. Lektion: Zuerst bewerten, später bereitstellen.

Fall 2 – Der Prozess, der die Halluzination erfasst. Ein Anwaltsgehilfe sieht im Musterausdruck den Hinweis „Entscheidung des Obersten Gerichtshofs“. Da in ihrem Prozess die Regel „Jede Referenz überprüfen“ gilt, sucht er nach der Entscheidung und stellt fest, dass keine solche Entscheidung existiert. Er hat ein Modell erfunden. Dank der menschlichen Überprüfung erreichen gefälschte Informationen niemals den Kunden. Ohne die Verifizierungsregel hätte der Reputationsverlust schwerwiegend sein können.

Fall 3 – Vertrauen mit Transparenz. Ein E-Commerce-Unternehmen erstellt Kundensupport-Antworten mit KI, fügt jedoch unter jeder Antwort einen Hinweis hinzu: „Diese Antwort wurde mit Unterstützung künstlicher Intelligenz erstellt und von einem unserer Vertreter überprüft.“ Kunden sind sowohl mit der schnellen Reaktion als auch mit der Gewissheit zufriedener, einen Menschen engagiert zu sehen. Transparenz ist keine Schwäche, die es zu verbergen gilt, sondern eine Quelle des Vertrauens.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung: Überprüfbare Ausgabe

Schwache Eingabeaufforderung:

Erzählen Sie mir von den riskanten Klauseln dieses Vertrags.

Passt zum Modell; Keine Quelle, kein Anzeichen von Unsicherheit.

Kraftvolle Aufforderung:

Ihre Rolle: Vertragsanalytiker (die endgültige Entscheidung liegt bei einem Anwalt). Aufgabe: Heben Sie potenziell riskante Klauseln im folgenden Vertrag hervor. Für jede Feststellung: (1) Klauselnummer und wörtliches Zitat, (2) Warum es riskant ist, (3) Ihr Konfidenzniveau (hoch/mittel/niedrig). Verlassen Sie sich nur auf Klauseln im Text; Erfinden Sie nichts, was nicht im Text steht. Wenn Sie sich nicht sicher sind, schreiben Sie „Anwaltsbestätigung erforderlich“. [Vertrag]

Eine starke Aufforderung verknüpft jede Behauptung mit der Quelle (Artikelnummer + Zitat), erfordert ein Vertrauensniveau und verbietet Fälschungen; Dadurch wird die Halluzination erfassbar.

Kopierbare Vorlagen

1. Eval-Set-Design:

Entwerfen Sie einen Bewertungssatz für die folgende Aufgabe [AUFGABE]. Schlagen Sie 15 Beispieleingaben vor (gemischt leicht-mittel-schwierig), wie die „erwartete korrekte Ausgabe“ für jede Eingabe definiert werden würde, und legen Sie ein Bewertungskriterium fest (1-5).

2. Halluzinationsmindernde Packung:

Schreiben Sie die folgende Eingabeaufforderung um, um die Herstellung zu reduzieren: „[PROMPT]“. Fügen Sie Regeln für das Zitieren von Quellen hinzu, geben Sie Konfidenzniveaus an und sagen Sie mir, wenn Sie sich nicht sicher sind.

3. Design des Verifizierungsablaufs:

Entwerfen Sie im folgenden Workflow [WORKFLOW] einen menschlichen Überprüfungsschritt für die KI-Ausgabe. Bestimmen Sie anhand der Fehlerkosten, wie streng die Überprüfung sein soll. Schreiben Sie, wer wann was prüft.

4. Entwurf einer Richtlinie zur verantwortungsvollen Nutzung:

Entwerfen Sie eine einseitige „Richtlinie zur verantwortungsvollen KI-Nutzung“ für ein Team in [INDUSTRIE]. Fügen Sie die folgenden Überschriften ein: erlaubte Verwendungen, verbotene Daten, Überprüfungsverantwortung, Transparenzberichterstattung, Fehlerberichterstattung.

Häufige Fehler

• Bereitstellung ohne Evaluierung: Starten des Modells, ohne es mit Ihren eigenen Daten zu testen und Fehler zu bemerken, nachdem sie sich im Kunden/Auftrag widerspiegeln.
• Sich auf Halluzinationen verlassen: Die selbstbewusste Sprache des Modells als Wahrheit verwenden, ohne die Referenzen zu überprüfen.
• Umgehen der menschlichen Überprüfung: Lassen Sie die Ausgabe bei kostenintensiven Entscheidungen unkontrolliert; Unter Berufung auf die „KI hat es geschafft“-Verteidigung.
• Transparenz vermeiden: Ihren Einsatz von KI verbergen; wenn es dazu kommt, erleben Sie einen Vertrauensverlust.
• Ethik und Voreingenommenheit ignorieren: Sensible Entscheidungen treffen (Einstellung, Kreditvergabe), ohne die Fairness der Ergebnisse zu überwachen.

Zusammenfassend

• Bevor Sie ein Modell bereitstellen, richten Sie einen kleinen Evaluierungssatz mit Ihren eigenen Daten ein und testen Sie die Kandidaten. Gesamtrankings repräsentieren nicht Ihr Unternehmen.
• Halluzination ist die selbstbewusste Produktion falscher Sprache durch das Modell; Erfasst nach Quellenangabe, Vertrauensgrad und menschlicher Überprüfung.
• Die Strenge der menschlichen Überprüfung wird entsprechend den Fehlerkosten angepasst; In kritischen Bereichen ist KI nur eine Unterstützung, die Entscheidung liegt beim Menschen.
• Transparenz, Voreingenommenheitskontrolle, Vertraulichkeit und Rechenschaftspflicht; sind die vier Säulen eines verantwortungsvollen KI-Einsatzes. Die One-Page-Richtlinie beugt größeren Risiken vor.

Anwendungsaufgabe

Erstellen Sie in dieser Einheit (Evaluierungssatzdesign) einen Bewertungssatz von 15 Beispielen mit Vorlage 1 für die Kandidatenmodelle, die Sie im Laufe des Moduls ausgewählt haben, und vergleichen Sie mindestens zwei Modelle mit diesem Satz. Entwerfen Sie dann mit Vorlage 3 (Validierungsablauf), wie die Ausgabe von Menschen überprüft wird, und entwerfen Sie mit Vorlage 4 (Richtlinie zur verantwortungsvollen Nutzung) eine einseitige Richtlinie für Ihr Team. Diese drei Leistungen verwandeln das gesamte Modul in einen praktikablen Bereitstellungsplan.

Checkliste

• [ ] Mit meinen eigenen Daten kann ich einen kleinen Evaluierungssatz erstellen und Modelle vergleichen.
• [ ] Ich kann Halluzinationen erkennen und mildernde und stoppende Maßnahmen ergreifen.
• [ ] Ich kann die Strenge der menschlichen Überprüfung basierend auf den Fehlerkosten anpassen.
• [ ] Ich kann Transparenz-, Voreingenommenheits-, Vertraulichkeits- und Rechenschaftsprinzipien in den Arbeitsablauf einbetten.
• [ ] Ich kann eine einseitige Richtlinie zur verantwortungsvollen KI-Nutzung entwerfen.

Modulprüfung

1. Was ist der Unterschied zwischen einem KI-„Anbieter“ und einer „Modellfamilie“?

• A) Der Anbieter ist das Unternehmen, das das Modell entwickelt, und die Modellfamilie ist die Modellgruppe dieses Unternehmens unter einer Marke ✔
• B) Sie sind genau dasselbe und werden austauschbar verwendet
• C) Anbieter ist der Preis des Modells, Modellfamilie ist die Geschwindigkeit des Modells.
• D) Modellfamilie bezieht sich auf das Unternehmen, Lieferant bezieht sich auf eine einzelne Modellversion

Beschreibung: Anbieter ist das Unternehmen, das das Modell entwickelt hat (z. B. Anthropic); Die Modellfamilie ist die Modellgruppe, die das Unternehmen unter einer Marke zusammenfasst (z. B. Claude). Die Modellversion ist eine bestimmte Version innerhalb der Familie.

2. Wie können die „Gewichte“ eines Modells am genauesten definiert werden?

• A) Es ist die Anzahl der Token, die das Modell pro Minute produzieren kann
• B) Es sind die Milliarden numerischer Parameter, die das Modell während des Trainings lernt und seine Informationen speichert. ✔
• C) Es handelt sich um die monatliche Abonnementgebühr des Modells
• D) Dies ist die Anzahl der vom Modell unterstützten Sprachen

Beschreibung: Gewichte sind Milliarden numerischer Parameter, die das Modell während des Trainings lernt; Hier wird „alles, was das Modell weiß“ gespeichert. Die Unterscheidung zwischen geschlossener und expliziter Gewichtung hängt davon ab, ob diese Parameter heruntergeladen und ausgeführt werden können.

3. Welche Aussage zu „Open-Weight“ und „Open-Source“ trifft zu?

• A) Es handelt sich um genau die gleichen Konzepte und beide ermöglichen eine unbegrenzte kommerzielle Nutzung
• B) Open Weight macht die Trainingsdaten immer auch öffentlich
• C) Es ist nicht dasselbe; Bei der offenen Gewichtung werden normalerweise nur Parameter geteilt und Lizenzbedingungen können die kommerzielle Nutzung einschränken ✔
• D) Open-Source-Modelle können nicht heruntergeladen werden, offene Gewichtsmodelle können heruntergeladen werden

Erläuterung: Bei der offenen Gewichtung werden nur Modellparameter gemeinsam genutzt; Trainingsdaten und -prozesse werden häufig nicht offengelegt, und einige Lizenzen schränken die kommerzielle Nutzung ein. „Open Weight“ ist also nicht genau dasselbe wie „Open Source“.

4. Welches der folgenden Merkmale ist das entscheidendste Modellmerkmal für ein Rechtsteam, das lange Verträge liest und analysiert?

• A) Den niedrigsten Token-Preis haben
• B) Visuelle (multimodale) Verarbeitungsfähigkeit besitzen
• C) Besitz einer Open-Weight-Lizenz
• D) Ein breites Kontextfenster haben ✔

Erläuterung: Das Modell benötigt ein großes Kontextfenster, um lange Dokumente als Ganzes zu verarbeiten; Das Kontextfenster ist die Gesamtmenge an Token, die das Modell gleichzeitig berücksichtigen kann.

5. Was trifft auf die Token-Preise für geschlossene Gewichtsmodelle zu?

• A) Der Output-Token ist in der Regel deutlich teurer als der Input-Token ✔
• B) Input und Output haben immer genau den gleichen Preis
• C) Es wird nur eine feste monatliche Gebühr erhoben, der Nutzungsbetrag ist irrelevant
• D) Der Input-Token ist immer um ein Vielfaches teurer als der Output

Erläuterung: Der Preis wird pro Token berechnet und der vom Modell erzeugte Ausgabe-Token ist normalerweise um ein Vielfaches teurer als der von Ihnen gesendete Eingabe-Token. Daher erhöhen lange und unnötige Ausdrucke die Kosten rapide.

6. Welche Funktion in einem Modell ist für ein Buchhaltungsteam, das automatisch Daten aus Rechnungsbildern extrahieren möchte, von wesentlicher Bedeutung?

• A) Größtmögliches Kontextfenster
• B) Multimodalität (visuelle Verarbeitungsfähigkeit) ✔
• C) Open-Weight-Lizenz
• D) Das höchste Maß an Argumentation

Erläuterung: Um visuelle Inhalte zu verstehen, muss das Modell sowohl Bilder als auch Text verarbeiten können, also multimodal sein. Unter Multimodalität versteht man die Fähigkeit des Modells, mehrere Datentypen wie Text, Bilder und manchmal auch Audio zu verarbeiten.

7. Was ist die logischste Wahl für eine umfangreiche, einfache Aufgabe (z. B. positive/negative Klassifizierung von Tausenden von Bewertungen)?

• A) Immer das stärkste und teuerste Argumentationsmodell
• B) Ein Modell, das nur mit offenem Gewicht und auf einem eigenen Server funktioniert
• C) Ein leichtes und kostengünstiges Modell, da die Aufgabe einfach und das Volumen groß ist ✔
• D) Das Modell mit dem breitesten Kontextfenster

Beschreibung: Ein leichtes, kostengünstiges Modell eignet sich hervorragend für einfache, umfangreiche Aufgaben. Der Einsatz des leistungsstärksten und teuersten Modells verursacht hier unnötige Kosten. Der richtige Ansatz besteht darin, die Schwierigkeit der Aufgabe an die Modellebene anzupassen.

8. Was löst im Sinne von KVKK das Versenden von Texten mit personenbezogenen Daten an einen im Ausland ansässigen KI-Anbieter aus?

• A) Es entsteht keine rechtliche Haftung
• B) Nur von Bedeutung, wenn der Anbieter in der EU ansässig ist, in keinem anderen Fall
• C) Es ist unter allen Umständen strengstens verboten, unabhängig davon, ob die Daten anonym sind oder nicht
• D) Eine Datenübermittlung ins Ausland kommt in Betracht und unterliegt den besonderen Bedingungen der KVKK ✔

Erläuterung: Der Betrieb von Daten auf den Servern eines Anbieters im Ausland gilt als „Datenübermittlung ins Ausland“ und unterliegt den diesbezüglichen besonderen Bedingungen der KVKK (z. B. ausdrückliche Einwilligung, Angemessenheitsbeschluss, entsprechende Zusicherungen).

9. Was bewirkt der „Argumentation“-Modus eines Modells und wie wirkt er sich auf die Kosten aus?

• A) Es erhöht die Genauigkeit bei komplexen Problemen, erhöht jedoch die Kosten und die Verzögerung, da mehr Token generiert werden ✔
• B) Macht das Modell immer frei
• C) Erhöht nur die Anzahl der vom Modell unterstützten Sprachen
• D) Kürzen Sie die Antworten immer und reduzieren Sie die Kosten

Beschreibung: Der Argumentationsmodus ermöglicht es dem Modell, Schritt für Schritt zu „denken“, bevor es die Antwort gibt; Es erhöht die Genauigkeit bei mehrstufigen und komplexen Problemen, erhöht aber auch die Kosten und die Verzögerung, da mehr Token generiert werden.

10. Was ist der zuverlässigste Ansatz bei der Bewertung (Bewertung) eines Modells für Ihr eigenes Unternehmen?

• A) Wählen Sie einfach das beliebteste Modell aus und verwenden Sie es ohne Tests
• B) Erstellen Sie einen kleinen Testsatz Ihrer eigenen realen Aufgaben und vergleichen Sie Modelle damit ✔
• C) Ich schaue mir nur den in der Werbung genannten Benchmark-Score an
• D) Akzeptieren Sie automatisch das Modell mit dem höchsten Kontextfenster als das beste

Erläuterung: Anstatt sich blind auf Bestenlisten zu verlassen, können Sie durch die Erstellung eines kleinen Testsatzes Ihrer eigenen realen Aufgaben und den Vergleich der Modelle auf diesem Satz diejenige ermitteln, die wirklich zu Ihrem Unternehmen passt.

11. Wie sollte das Wissen, dass die Modellausgabe „Halluzinationen“ enthalten kann, Ihren Arbeitsablauf beeinflussen?

• A) Die Ausgabe sollte immer als korrekt angesehen und direkt veröffentlicht werden
• B) Halluzinationen treten nur bei kostenlosen Modellen auf, nicht bei kostenpflichtigen Modellen
• C) Bei kritischen Entscheidungen muss die Ausgabe von einem Menschen überprüft und die Quellen bestätigt werden ✔
• D) Die Halluzination kann durch einen einfachen Modellwechsel vollständig beseitigt werden

Erläuterung: Von einer Halluzination spricht man, wenn das Modell Informationen in einer sicheren Sprache wiedergibt, die eigentlich nicht wahr sind. Aufgrund dieses Risikos sollte eine Überprüfung der Ergebnisse durch einen Menschen erforderlich sein, insbesondere bei rechtlichen, medizinischen und finanziellen Entscheidungen.

12. Was ist die Grundlogik des „Modellportfolio“-Ansatzes, der von etablierten Institutionen übernommen wird?

• A) Um Einfachheit zu gewährleisten, indem jede Arbeit von einem einzigen, teuersten Modell erledigt wird.
• B) Nur das billigste Modell verwenden und die Qualität völlig außer Acht lassen
• C) Verwenden Sie keine Modelle und erledigen Sie die gesamte Arbeit manuell
• D) Optimierung der Kosten und Verringerung der Abhängigkeit von einem einzelnen Anbieter durch Verwendung unterschiedlicher Modelle je nach Aufgabenstellung ✔

Beschreibung: Das Modellportfolio besteht darin, je nach Aufgabenstellung unterschiedliche Modelle zu verwenden: günstiges Modell für einfache und umfangreiche Aufgaben, leistungsstarkes Modell für komplexe Aufgaben, offenes Gewichts-/Regionalmodell für vertrauliche Daten. Dies optimiert sowohl die Kosten als auch die Abhängigkeit von einem einzigen Anbieter.

13. Warum könnten Herkunftsland und Richtlinien zur Datenaufbewahrung ein Kriterium für die Modellauswahl sein?

• A) Weil es sich direkt auf regulatorische, Datensouveränitäts- und Datenschutzanforderungen auswirkt ✔
• B) Nur weil es die Reaktionsgeschwindigkeit des Modells bestimmt
• C) Weil es die vom Modell unterstützten Dateiformate bestimmt
• D) Da es keine praktische Wirkung hat, handelt es sich lediglich um ein Marketingdetail

Beschreibung: Land, in dem der Entwickler des Modells ansässig ist und wo/wie viele Daten gespeichert sind; Sie ist entscheidend im Hinblick auf gesetzliche Regelungen, Datensouveränität und Privatsphäre. Für eine Organisation, die beispielsweise innerhalb der EU hosten möchte, ist ein regionaler Anbieter oder eine Option ohne Speicher wichtig.

14. Was erklärt am besten, warum die Suche nach einem „einzig besten Modell“ für eine Aufgabe irreführend ist?

• A) Alle Modelle verfügen tatsächlich über genau die gleichen Fähigkeiten
• B) Die Modelle sind in verschiedenen Größen erhältlich, daher hängt „am besten“ von der Arbeitsanforderung ab ✔
• C) Das teuerste Modell ist bei jeder Aufgabe automatisch das Beste
• D) Die Modellauswahl sollte völlig zufällig erfolgen

Beschreibung: Modelle sind in verschiedenen Dimensionen wie Geschwindigkeit, Kosten, Kontext, Multimodalität, Datenschutz und Argumentation stark. Ein Modell, das in einer Dimension führend ist, kann in einer anderen Dimension schwach sein; „Am besten“ hängt also immer von der Arbeitsanforderung ab.