ALESO
Suche

Wonach suchen Sie?

Durchsuchen Sie Leistungen, Anwendungsfälle und unser Praxiswissen.

Mindestens 2 Zeichen eingeben

Beliebte Einstiege

KI einfach erklärt

Die wichtigsten Bausteine moderner KI – so erklärt, dass Sie in einem Projektgespräch sicher mitdenken und die richtigen Fragen stellen können.

ArtikelAlle Themenbereiche

KI einfach erklärt

Hier geht es nicht um Mathematik oder Modelltraining. Sie lernen, was zentrale Begriffe im Unternehmensalltag bedeuten, welche Rolle sie in einer Lösung spielen und warum ein Modell allein noch keine fertige Anwendung ist.

Nach diesem Bereich können Sie einordnen

  • was ein LLM verarbeitet und wie daraus eine Antwort entsteht

  • warum ein KI-Modell nicht dasselbe ist wie eine fertige Anwendung

  • welche Aufgaben eine AI-Plattform im Unternehmen bündelt

  • wie KI, Machine Learning, Deep Learning und generative KI zusammenhängen

  • was Reasoning bei KI-Modellen bedeutet und wann zusätzlicher Rechenaufwand sinnvoll ist

Fragen, die Sie danach beantworten können

Diese Fragen helfen, aus einem Begriff eine konkrete betriebliche Einordnung zu machen.

  • Brauchen wir ein Modell, eine fertige Anwendung oder eine gemeinsame Plattform?

  • Woher soll die KI aktuelle und interne Informationen erhalten?

  • Welche Teile der Lösung müssen wir selbst kontrollieren können?

Artikel

Was ist ein Large Language Model (LLM)?

Ein Large Language Model ist ein KI-Modell, das aus sehr vielen Textbeispielen statistische Muster gelernt hat und daraus passende nächste Textbausteine erzeugt.

  • Ein LLM verarbeitet Text als kleine Einheiten und berechnet wahrscheinliche Fortsetzungen.
  • Es kann formulieren, zusammenfassen, strukturieren und klassifizieren, ohne Inhalte wie ein Mensch zu verstehen.
  • Für Unternehmensaufgaben braucht es zusätzlich Datenzugriff, Regeln, Tests, Berechtigungen und eine Anwendung.
Artikel lesen

Was ist eine AI-Plattform?

Eine AI-Plattform ist eine zentrale Softwaregrundlage, über die Mitarbeitende und Anwendungen KI sicher mit freigegebenen Daten, Wissen und Unternehmenssystemen nutzen können.

  • Sie bündelt Modellzugang, Datenanbindung, Berechtigungen, Qualität und Betrieb.
  • Sie kann ein Produkt, eine Cloud-Plattform oder eine individuell zusammengesetzte Lösung sein.
  • Eine Plattform lohnt sich, wenn mehrere Anwendungsfälle gemeinsame Bausteine und Regeln benötigen.
Artikel lesen

KI-Modell, Anwendung und Plattform: Was ist der Unterschied?

Ein KI-Modell verarbeitet Eingaben und erzeugt Ausgaben. Eine KI-Anwendung verbindet ein oder mehrere Modelle mit einer konkreten Aufgabe, Oberfläche und Geschäftslogik. Eine AI-Plattform stellt gemeinsame technische und organisatorische Bausteine für mehrere Anwendungen bereit.

  • Das Modell ist eine trainierte Rechenkomponente, aber noch kein fertiger Geschäftsprozess.
  • Die Anwendung macht eine konkrete KI-Fähigkeit für Menschen oder Systeme nutzbar.
  • Die Plattform bündelt gemeinsame Zugänge, Datenanbindungen, Regeln und Betriebsfunktionen.
Artikel lesen

KI verstehen: von Machine Learning bis generativer KI

Künstliche Intelligenz umfasst Systeme, die aus Eingaben Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen ableiten. Machine Learning ist eine Gruppe datenbasierter Methoden innerhalb der KI; Deep Learning ist wiederum Machine Learning mit mehrschichtigen neuronalen Netzen. Generative KI erzeugt neue Inhalte und basiert heute meist auf Deep Learning. AGI bezeichnet dagegen keine heutige Produktkategorie, sondern ein nicht einheitlich definiertes hypothetisches Konzept.

  • KI ist der Oberbegriff und nicht gleichbedeutend mit einem bestimmten Modell oder Verfahren.
  • Machine Learning passt Modellparameter anhand von Daten und einem definierten Lernziel an.
  • Deep Learning nutzt mehrschichtige neuronale Netze; generative KI erzeugt neue Ausgaben wie Text, Bilder oder Code.
Artikel lesen

Was unterscheidet generative KI von klassischer Software?

Klassische Software berechnet ein durch Regeln und Code festgelegtes Ergebnis. Generative KI erzeugt Text, Bilder oder andere Inhalte probabilistisch aus einem Modell und kann deshalb flexibel, aber nicht vollständig vorhersehbar reagieren.

  • Klassische Software ist stark, wenn Regeln, Datenfelder und erwartete Ergebnisse eindeutig sind.
  • Generative KI hilft bei Sprache, Bildern und variablen Aufgaben, für die nicht jede Formulierung vorab programmiert werden kann.
  • Dieselbe Eingabe kann bei generativer KI unterschiedliche plausible Ausgaben erzeugen.
Artikel lesen

Was sind Tokens und ein Kontextfenster?

Tokens sind kleine Einheiten, in die ein Modell Text und teilweise andere Inhalte zerlegt. Das Kontextfenster ist das maximale Token-Budget, das dem Modell für Anweisungen, Gespräch, Quellen, Tool-Ergebnisse und Antwort gemeinsam zur Verfügung steht.

  • Ein Token kann ein Wort, ein Wortteil, ein Satzzeichen oder eine andere codierte Einheit sein.
  • Die Zahl der Tokens hängt von Sprache, Schreibweise und Modell-Tokenizer ab.
  • Ein grosses Kontextfenster erlaubt mehr Material, garantiert aber weder vollständige Aufmerksamkeit noch korrekte Antworten.
Artikel lesen

Was bedeutet multimodale KI?

Multimodale KI kann verschiedene Datenarten wie Text, Bilder, Audio oder Video innerhalb einer Anwendung verarbeiten oder erzeugen und deren Informationen miteinander in Beziehung setzen.

  • Eine Modalität ist eine Darstellungsform wie Text, Bild, Ton oder Video.
  • Multimodale Modelle können mehrere Modalitäten gemeinsam interpretieren, unterstützen aber nicht zwingend jede davon als Ausgabe.
  • Bild- und Audioverständnis ist probabilistisch und ersetzt keine spezialisierte Messung oder verbindliche Erkennung.
Artikel lesen

Was ist Prompt Engineering – und was kann es nicht lösen?

Prompt Engineering ist das systematische Entwerfen und Testen von Anweisungen, Kontext und Beispielen, damit ein Modell eine klar definierte Aufgabe möglichst zuverlässig erfüllt.

  • Ein Prompt kann Aufgabe, Hintergrund, Beispiele, Grenzen und Ausgabeformat enthalten.
  • Gute Prompts sind versionierte Bestandteile einer Anwendung und werden mit festen Testfällen geprüft.
  • Prompts können Halluzinationen und unerlaubte Aktionen nicht sicher ausschliessen.
Artikel lesen

Was ist Fine-Tuning – und wann ist es sinnvoll?

Fine-Tuning ist das zusätzliche Training eines vortrainierten Modells mit einem kuratierten Datensatz, damit es bestimmte Aufgaben, Formate, Begriffe oder Verhaltensmuster konsistenter ausführt.

  • Fine-Tuning verändert Modellparameter; ein Prompt verändert nur den Kontext eines Aufrufs.
  • Es eignet sich eher für wiederkehrendes Verhalten als für häufig wechselnde Fakten.
  • Qualität und Repräsentativität der Trainingsbeispiele sind entscheidender als deren blosse Menge.
Artikel lesen

Alignment und menschliches Feedback bei KI

Alignment bezeichnet das übergeordnete Ziel, das Verhalten eines KI-Systems an beabsichtigten Aufgaben, menschlichen Anweisungen und Sicherheitsregeln auszurichten. Bei Reinforcement Learning from Human Feedback, kurz RLHF, vergleichen Menschen Modellantworten. Aus diesen Präferenzen wird ein Belohnungssignal abgeleitet, mit dem das Sprachmodell weiter optimiert wird.

  • Alignment ist ein übergeordnetes Ziel und nicht der Name einer einzelnen Trainingsmethode.
  • Klassisches RLHF nutzt menschliche Vergleiche, ein daraus gelerntes Belohnungsmodell und Reinforcement Learning.
  • Supervised Fine-Tuning, RLHF und menschliche Freigaben im laufenden Betrieb erfüllen unterschiedliche Aufgaben.
Artikel lesen

Kleines oder grosses, offenes oder proprietäres KI-Modell?

Die Modellwahl ist eine Abwägung aus Aufgabenqualität, Sprache und Modalitäten, Laufzeit, Kosten, Kontextbedarf, Datenverarbeitung, Anpassbarkeit und betrieblicher Verantwortung. Ein Small Language Model (SLM) kann für eng begrenzte Sprachaufgaben sinnvoller sein als ein grösseres LLM.

  • Grosse Modelle decken oft mehr Aufgaben ab, benötigen aber meist mehr Zeit und Budget.
  • Ein Small Language Model (SLM) kann bei klar begrenzten Aufgaben schneller, günstiger und leichter lokal oder auf eigener Infrastruktur betreibbar sein.
  • Offene Gewichte ermöglichen mehr technische Kontrolle, übertragen aber mehr Betriebs- und Sicherheitsarbeit an das Unternehmen.
Artikel lesen

Was bedeutet Reasoning bei KI-Modellen?

Reasoning bezeichnet bei heutigen KI-Modellen zusätzliche Verarbeitung während der Inferenz: Das Modell kann eine Aufgabe intern in Teilschritte zerlegen, Zwischenergebnisse abgleichen und seinen Lösungsweg anpassen, bevor es die endgültige Ausgabe erzeugt. Es handelt sich um eine technische Fähigkeit zur Bearbeitung bestimmter Aufgaben, nicht um menschliches Denken oder Bewusstsein. Mehr Reasoning-Aufwand kann die Qualität verbessern, erhöht aber meist Laufzeit, Tokenverbrauch und Kosten und muss deshalb mit eigenen Fällen geprüft werden.

  • Training verändert Modellparameter; Reasoning geschieht bei einer konkreten Anfrage zur Laufzeit.
  • Zusätzlicher Reasoning-Aufwand eignet sich vor allem für mehrstufige Aufgaben mit Regeln, Abhängigkeiten oder mehreren plausiblen Lösungswegen.
  • Einfache Extraktion, Klassifikation oder Standardantworten benötigen häufig kein aufwendiges Reasoning.
Artikel lesen

Ein konkretes Vorhaben einordnen.

Wir übersetzen Ihre Ausgangslage in verständliche Optionen und einen realistischen nächsten Schritt.

Projekt besprechen