Trainingsdaten

Modelle des Machine Learning werden nicht Regel für Regel programmiert, sondern lernen aus Beispielen. Was in diesen Beispielen steckt, prägt das Verhalten des Modells, einschließlich aller Fehler, Lücken und Verzerrungen. Für die Qualität eines KI-Systems sind Trainingsdaten deshalb ebenso entscheidend wie das Modell selbst. Das gilt für ein kleines Klassifikationsmodell genauso wie für große Sprachmodelle.

Wie Trainingsdaten aufgebaut sind

• Gelabelte Daten: Jedes Beispiel enthält die richtige Antwort, etwa eine E-Mail mit ihrer Kategorie oder ein Bauteilfoto mit dem Vermerk „in Ordnung“ oder „fehlerhaft“. Daraus lernt das Modell beim überwachten Lernen.
• Ungelabelte Daten: Rohdaten ohne Zuordnung, in denen das Modell selbst Strukturen findet. Große Sprachmodelle lernen etwa aus umfangreichen Textsammlungen, indem sie wiederholt das jeweils nächste Textstück vorhersagen.
• Aufteilung: Daten werden üblicherweise in Trainings-, Validierungs- und Testdaten getrennt. Die Testdaten darf das Modell beim Training nicht sehen, sonst wird seine Leistung überschätzt.

Bei großen Sprachmodellen folgt auf dieses Vortraining meist eine weitere Phase mit kleineren, sorgfältig ausgewählten Datensätzen und menschlichem Feedback.

Wichtige Qualitätsmerkmale sind Repräsentativität, korrekte Labels, Aktualität, ausreichende Menge und die rechtliche Zulässigkeit der Nutzung.

Typische Beispiele

• Historische Tickets mit zugewiesener Kategorie dienen als Grundlage für eine automatische Vorsortierung.
• Fotos von einwandfreien und fehlerhaften Teilen trainieren eine Bildprüfung in der Qualitätskontrolle.
• Aufzeichnungen von Maschinendaten mit dokumentierten Störungen bilden die Basis für eine vorausschauende Wartung.
• Eigene Texte im gewünschten Stil fließen in ein Fine-Tuning ein.
• Bei Cloud-KI-Diensten stellt sich die Frage, ob Eingaben der Nutzenden für das Training verwendet werden.

Worauf Unternehmen achten sollten

• Personenbezogene Daten nur mit Rechtsgrundlage nutzen und wo möglich pseudonymisieren oder anonymisieren.
• Urheberrecht, Geschäftsgeheimnisse und vertragliche Vertraulichkeit berücksichtigen.
• Daten auf Lücken und Schieflagen prüfen, um Bias zu vermeiden.
• Herkunft, Version und Aufbereitung der Daten dokumentieren.
• Vertragsbedingungen und Einstellungen von KI-Diensten daraufhin prüfen, ob Eingaben zum Training genutzt werden.

Abgrenzung

Trainingsdaten verändern das Modell dauerhaft. Informationen, die erst bei einer Anfrage mitgegeben werden, etwa über Retrieval-Augmented Generation, verändern das Modell dagegen nicht. Für aktuelles Unternehmenswissen ist dieser Weg oft besser geeignet als ein erneutes Training.