← AI-Grundlagen für den IT-Betrieb

Aufgaben-Fit — welche Arbeit zu einem Modell passt

Ein generatives Modell soll feste Beträge vergleichen, PDFs auslesen und Freigaben erteilen. Ohne Aufgabenschnitt wird die flexible Komponente genau dort eingesetzt, wo Exaktheit zählt. Der Aufgabenschnitt entscheidet, welcher Teil probabilistisch sein darf und welcher nicht.

~25 Min · 10 Abschnitte Einführung · 8 Übungen (davon 1 Mission)

Modul starten →

Fortschritt wird gespeichert — du kannst das Modul später jederzeit fortsetzen.

Nur den Lehrtext lesen →

Das kannst du danach

  • ✓Danach kannst du Code, Klassifikator, Extraktionsmodell und LLM gegeneinander abgrenzen.
  • ✓Du leitest den Automatisierungsgrad aus Fehlerkosten und Reversibilität ab.
  • ✓Du zerlegst multimodale Aufgaben in spezialisierte und generative Schritte.

Übungen

  • 1. MissionDie kleinste passende Ausführungszone
  • 2. EntscheidungWelchen Teil automatisierst du mit einem Sprachmodell?
  • 3. EntscheidungWie entscheidest du?
  • 4. EntscheidungWie legst du die Verarbeitung aus?
  • 5. EntscheidungWelchen Vorschlag ziehst du vor und warum?
  • 6. EntscheidungWie legst du den Automatisierungsgrad fest?
  • 7. EntscheidungWie gehst du vor?
  • 8. EntscheidungWelcher Aufgabenschnitt ist tragfähig?
Quellen & Aktualität16 Primärquellen · zuletzt geprüft:
  1. 01NIST AI Risk Management Framework (AI RMF 1.0), 2023 — Map-Funktion (Kontext und Eignung)
  2. 02Amershi et al. — Software Engineering for Machine Learning: A Case Study, ICSE-SEIP 2019
  3. 03Sculley et al. — Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015
  4. 04Parasuraman, Sheridan & Wickens — A Model for Types and Levels of Human Interaction with Automation, IEEE SMC-A 2000
  5. 05NIST — AI Risk Management Framework Core, MAP 1 und MAP 2
  6. 06NIST — Artificial Intelligence Risk Management Framework 1.0
  7. 07Sculley et al. — Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015
  8. 08Xu et al. — LayoutLM: Pre-training of Text and Layout for Document Image Understanding, KDD 2020
  9. 09Radford et al. — Learning Transferable Visual Models From Natural Language Supervision, ICML 2021
  10. 10NIST AI Risk Management Framework (AI RMF 1.0), 2023 — Map-Funktion
  11. 11Xu et al. — LayoutLM: Pre-training of Text and Layout for Document Image Understanding, KDD 2020
  12. 12ISO 13616-1 — IBAN-Struktur und Prüfziffernverfahren
  13. 13NIST AI Risk Management Framework (AI RMF 1.0), 2023 — Map- und Measure-Funktionen
  14. 14NIST AI Risk Management Framework (AI RMF 1.0), 2023 — Manage-Funktion
  15. 15ISO/IEC 25012 — Data Quality Model (Genauigkeit und Nachvollziehbarkeit von Datenquellen)
  16. 16Lewis et al. — Retrieval-Augmented Generation, NeurIPS 2020

Verfasst von Julian Zentgraf