Was sind KI, Machine Learning und ein Large Language Model?

# Was sind KI, Machine Learning und ein Large Language ModelLarge Language ModelA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen →?

Drei Werkzeuge liegen gerade auf Ihrem Handy: ein Spamfilter, der Werbemails still entsorgt, eine Foto-App, die jedes Bild Ihres Hundes findet, und ChatGPT, das eine höfliche Antwort an Ihren Vermieter schreibt. Die meisten nennen alle drei „KI“. Technisch gesehen zu Recht. Aber diese drei Dinge funktionieren völlig unterschiedlich, und die Unterschiede zu verstehen ist das Nützlichste, was Sie über KI lernen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.

Entwirren wir das.

KI ist der große Sammelbegriff

KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ünstliche Intelligenz (KI) ist ein breites Label für jedes Computersystem, das etwas tut, was wir normalerweise „intelligent“ nennen würden: ein Gesicht erkennen, einen Film empfehlen, Sie im Schach besiegen, eine E-Mail schreiben.

Das ist alles. KI ist die gesamte Kategorie. Sie sagt nichts darüber, *wie* das Intelligente zustande kommt.

Ein Schachprogramm aus den 1980ern war KI. Die Autocomplete-Funktion auf Ihrem Handy ist es auch. ChatGPT ebenso. Unter der Haube haben sie fast nichts gemeinsam. „KI“ ist wie das Wort „Fahrzeug“: es umfasst Fahrräder, Lastwagen und Raketen.

Wenn also jemand sagt „wir haben KI in unsere App eingebaut“, haben Sie damit fast nichts erfahren. Die nützliche Frage lautet immer: *welche Art?*

Machine Learning: Systeme, die aus Beispielen lernen

Der größte Teil moderner KI basiert auf Machine Learning (ML): Statt dass ein Mensch Schritt-für-Schritt-Regeln schreibt, zeigen Sie dem Computer tausende Beispiele und lassen ihn das Muster selbst herausfinden.

Hier der Kontrast.

Alter Weg (handgeschriebene Regeln): Ein Programmierer schreibt: „Wenn die E-Mail das Wort GRATIS in Großbuchstaben enthält, markiere sie als Spam.“ Fragil. Spammer schreiben einfach „G R A T I S“.

Machine-Learning-Weg: Sie geben dem System 100.000 E-Mails, jede mit dem Label „Spam“ oder „kein Spam“. Das System lernt, welche Kombinationen von Wörtern, Absendern und Mustern typischerweise Spam bedeuten. Niemand hat die Regeln geschrieben. Das System hat sie aus den Beispielen abgeleitet.

Beispiel 1: der Spamfilter

Ihr Spamfilter ist ein Klassifikator: ein Modell, das Dinge in Kategorien einsortiert. Hier zwei Kategorien: Spam oder kein Spam.

ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → sieht sich eine E-Mail an und gibt eine Wahrscheinlichkeit aus: „92 % Spam“. Ab einem bestimmten Schwellenwert landet sie im Spam-Ordner. Wenn Sie etwas manuell als Spam markieren, geben Sie ihm ein neues gelabeltes Beispiel, und ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → wird ein Stück besser.

Beispiel 2: die Foto-Erkennung

Ihre Foto-App, die jedes Bild Ihres Hundes findet, nutzt dieselbe Grundidee, angewandt auf Bilder. Sie wurde mit Millionen gelabelter Fotos trainiert („das ist ein Hund“, „das ist ein Strand“, „das ist ein Gesicht“). Sie hat die visuellen Muster gelernt.

Das ist immer noch ein Klassifikator, nur mit Pixeln als Input statt Wörtern. Gleiche Familie. Andere Sinne.

Beide Beispiele teilen eine zentrale Eigenschaft: Sie erledigen eine einzige, enge Aufgabe. Der Spamfilter kann Ihre Fotos nicht taggen. Die Foto-Erkennung kann Ihre E-Mails nicht sortieren. Es sind Spezialisten.

Wenn Sie eine schnelle, zugängliche Grundlage dazu wollen, wie Machine Learning funktioniert: Googles Machine Learning Crash Course bietet eine kostenlose, gut lesbare Einführung.

Large Language Models: eine andere Art von Spezialist

Jetzt zu ChatGPT, das Ihre E-Mail schreibt. Das ist ein Large Language ModelLarge Language ModelA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen → (LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen →), ein spezifischer, neuerer Typ von Machine Learning, gebaut für eine Aufgabe: den nächsten Textabschnitt vorhersagen.

Und hier kommt der Teil, der die Leute überrascht.

Ein LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen → ist im Kern ein sehr, sehr guter Vorhersager des nächsten Wortes.

Das Nächstes-Wort-Spiel

Vervollständigen Sie diesen Satz:

> „Ich habe mir eine Tasse ___ eingeschenkt“

Sie haben „Kaffee“ gesagt (oder vielleicht „Tee“). Sie mussten nichts nachschlagen. Sie haben genug Deutsch gelesen und gehört, dass das Muster offensichtlich ist.

Ein LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen → macht genau das, in enormem MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab. Beim Training hat es einen riesigen Teil des Internets gelesen: Bücher, Artikel, Websites, Code, Foren. Seine einzige Aufgabe, milliardenfach: Gegeben ein Stück Text, sage voraus, was als Nächstes kommt. Raten, mit dem echten Text vergleichen, anpassen, wiederholen.

Macht man das lange genug, mit genug Text und genug Rechenleistung, passiert etwas Bemerkenswertes. Um das nächste Wort gut vorherzusagen, muss das Modell Grammatik, Fakten, Denkmuster, Tonalität und die Struktur von Argumenten aufnehmen. Text *gut* vorherzusagen erfordert offenbar ein funktionierendes Modell davon, wie Sprache und Ideen zusammenpassen.

„Wörter“ sind eigentlich TokensTokensA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen →

Eine kleine Klarstellung. LLMs arbeiten nicht mit ganzen Wörtern, sondern mit TokensTokensA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen →: Textabschnitten, oft ein Wort oder ein Wortteil. „Coffee“ ist vielleicht ein TokenTokenA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen →; „unbelievable“ vielleicht drei. Wenn Sie hören „das Modell sagt das nächste TokenTokenA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen → vorher“, heißt das einfach: den nächsten kleinen Textabschnitt.

Wie das Schreiben Ihrer E-Mail tatsächlich funktioniert

Wenn Sie „Schreibe eine höfliche E-Mail, in der ich meinen Vermieter bitte, die Heizung zu reparieren“ eingeben, schlägt das Modell keine Vorlage nach. Es sagt TokenTokenA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen → für TokenTokenA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen → vorher, wie eine hilfreiche, höfliche E-Mail angesichts Ihrer Anfrage aussehen würde. „Sehr“ dann „geehrter“ dann „Herr Schmidt“, dann „ich“ dann „schreibe“ … jedes TokenTokenA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen → gewählt, weil es eine wahrscheinliche, sinnvolle Fortsetzung ist.

Deshalb kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen zwei LLMs (oder dasselbe zweimal) leicht unterschiedliche E-Mails liefern. Es gibt ein wenig kontrollierte Zufälligkeit darin, *welches* wahrscheinliche Wort gewählt wird. Diese Zufälligkeit ist auch der Grund, warum LLMs halluzinieren kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen: selbstbewusst Text produzieren, der richtig klingt, aber faktisch falsch ist. Es sagt plausible Wörter vorher, es prüft keine Wahrheitsdatenbank.

Im Code betrachtet

Sie müssen kein Programmierer sein, aber den tatsächlichen Aufruf zu sehen, entzaubert die Sache. So würden Sie ein LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen → (in diesem Fall Claude) über seine APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen → bitten, diese E-Mail zu schreiben:

import anthropic

client = anthropic.Anthropic()  # nutzt Ihren API-Key

response = client.messages.create(
    model="claude-sonnet-4-5",
    max_tokens=300,
    messages=[
        {
            "role": "user",
            "content": "Write a short, polite email asking my landlord to fix the broken heater in apartment 4B."
        }
    ],
)

print(response.content[0].text)

Das ist die ganze Idee. Sie senden Text hinein (den content), das Modell sagt guten Text zurück vorher, TokenTokenA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen → für TokenTokenA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen →. Die Antwort kommt als Liste von Content-Blöcken zurück, weshalb Sie den ersten Block mit response.content[0].text auslesen. ChatGPT und Gemini funktionieren genauso; nur der Modellname und ein paar Details ändern sich.

Ihnen fällt max_tokens=300 auf. Das begrenzt, wie viel Text zurückkommt. Denken Sie daran: Das Modell denkt in TokensTokensA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen →, also budgetieren Sie seinen Output buchstäblich in diesen Abschnitten.

Warum diese Unterscheidungen tatsächlich wichtig sind

Das ist kein Detailwissen für Quizabende. Zu wissen, mit welcher Art KI Sie es zu tun haben, verändert, wie Sie sie nutzen.

LLMs sind Generalisten; klassische ML-Modelle sind Spezialisten. Der Spamfilter macht eine Sache perfekt. Ein LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen → kann eine E-Mail entwerfen, einen Report zusammenfassen, übersetzen, Namen brainstormen und ein Steuerformular erklären. Diese Flexibilität ist der Durchbruch der letzten Jahre. Aber sie hat einen Haken.

LLMs sagen plausiblen Text vorher, keine geprüfte Wahrheit. Ein Spamfilter ist selten „kreativ falsch“. Ein LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen → kann einen erfundenen Gerichtsfall oder eine falsche Statistik mit völliger Selbstsicherheit erfinden. Also: Nutzen Sie LLMs zum Entwerfen, Denken und Umformen von Text. Prüfen Sie alles Faktische.

Das richtige Werkzeug hängt von der Aufgabe ab. Sie müssen 50.000 Kundenbewertungen in „zufrieden“ oder „verärgert“ sortieren? Ein einfacher Klassifikator ist günstiger und zuverlässiger als ein LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen →. Sie müssen jeder verärgerten eine personalisierte Antwort schreiben? Das ist LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen →-Terrain. Immer häufiger kombinieren smarte Systeme beides.

Eine kurze mentale Landkarte

• KI: der Sammelbegriff. Alles „Intelligente“, was ein Computer tut.
• Machine Learning: KI, die Muster aus Beispielen lernt statt aus handgeschriebenen Regeln. (Spamfilter, Foto-Erkennung.)
• Large Language ModelLarge Language ModelA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen →: eine bestimmte Art von Machine Learning, trainiert darauf, den nächsten Textabschnitt vorherzusagen, was es erschreckend gut in Sprachaufgaben macht. (ChatGPT, Claude, Gemini.)

Jedes LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen → ist Machine Learning. Alles Machine Learning ist KI. Aber nicht jede KI ist ein LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen →, und genau diese Verwirrung soll diese Lektion aufräumen.

Die Haltung für alles Weitere

Wenn Sie im weiteren Verlauf dieses Kurses ChatGPT, Claude oder Gemini nutzen, behalten Sie dieses Bild im Kopf: Sie steuern einen mächtigen Vorhersager des nächsten Wortes.

Diese eine Idee erklärt fast alles über die Arbeit mit diesen Werkzeugen. Sie erklärt, warum klare Prompts bessere Ergebnisse liefern (Sie geben ihm ein besseres Ausgangsmuster zur Fortsetzung). Sie erklärt, warum es wunderschön schreiben und trotzdem ein Datum falsch angeben kann. Sie erklärt, warum es besser ist, ihm Ihr echtes Dokument als Grundlage zu geben, als aus seinem Gedächtnis zu fragen.

Sie sprechen nicht mit einer Suchmaschine oder einer Datenbank. Sie arbeiten mit einer Vorhersagemaschine zusammen, die enorm viel gelesen hat und sehr gut darin ist, alles fortzusetzen, was Sie beginnen.

Wichtigste Erkenntnisse

• Fragen Sie immer „welche Art KI?“ „KI“ ist nur der Sammelbegriff. Die nützliche Frage ist, ob Sie es mit einem engen Klassifikator (Spamfilter, Foto-Erkennung) oder einem flexiblen LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen → (ChatGPT, Claude, Gemini) zu tun haben.
• Ein LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen → ist im Kern ein Next-TokenTokenA token is the basic unit of text that language models process, often a word fragment, whole word, or punctuation mark rather than a single character.Vollständige Definition ansehen →-Vorhersager. Es wurde darauf trainiert, den nächsten Textabschnitt über einen riesigen Teil des Internets zu erraten, und deshalb ist es sowohl beeindruckend flüssig als auch gelegentlich selbstbewusst falsch.
• Nutzen Sie LLMs zum Entwerfen, Zusammenfassen und Umformen von Text; prüfen Sie Fakten immer nach. Sie erzeugen *plausiblen* Text, keinen *geprüften*.
• Passen Sie das Werkzeug zur Aufgabe. Ein einfacher Klassifikator schlägt ein LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen → beim repetitiven Sortieren in großem MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab. Ein LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen → gewinnt bei offener Spracharbeit.
• Steuern Sie es wie eine Vorhersagemaschine. Klare, spezifische Prompts und eigenes Ausgangsmaterial schlagen vage Anfragen durchgängig.