← AI-Grundlagen für den IT-Betrieb

KI-Landkarte & Modelllebenszyklus

Ein Team will eine geänderte interne Rufnummer durch mehr Chat-Korrekturen ins Modell bringen. Ohne saubere Trennung von Gewichten, Kontext und Anwendung wird aus einer kleinen Wissensänderung ein teures Trainingsprojekt.

~25 Min · 12 Abschnitte Einführung · 8 Übungen (davon 0 Missionen)

Modul starten →

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

Nur den Lehrtext lesen →

Das kannst du danach

  • ✓Danach kannst du regelbasierte, diskriminative und generative Systeme unterscheiden.
  • ✓Du ordnest Pretraining, Post-Training, Fine-Tuning und Laufzeitkontext dem richtigen Problem zu.
  • ✓Du erkennst, wann Verlässlichkeit im umgebenden System statt im Modell entstehen muss.

Übungen

  • 1. EntscheidungWie entscheidest du?
  • 2. EntscheidungWie erklärst du das und was schlägst du vor?
  • 3. EntscheidungWas ist der erste Hebel?
  • 4. EntscheidungWas empfiehlst du für den Dauerbetrieb?
  • 5. EntscheidungWie ordnest du die beiden Anforderungen zu?
  • 6. EntscheidungWie gehst du damit um?
  • 7. EntscheidungWie formulierst du das Abnahmekriterium?
  • 8. EntscheidungWas machst du vor dem Trainingslauf?
Quellen & Aktualität22 Primärquellen · zuletzt geprüft:
  1. 01ISO/IEC 22989:2022 — Information technology — Artificial intelligence — Concepts and terminology
  2. 02NIST AI Risk Management Framework (AI RMF 1.0), 2023
  3. 03Sculley et al. — Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015
  4. 04Bommasani et al. — On the Opportunities and Risks of Foundation Models, Stanford CRFM 2021
  5. 05Vaswani et al. — Attention Is All You Need, NeurIPS 2017
  6. 06Ouyang et al. — Training Language Models to Follow Instructions with Human Feedback, NeurIPS 2022
  7. 07Hu et al. — LoRA: Low-Rank Adaptation of Large Language Models, ICLR 2022
  8. 08Hoffmann et al. — Training Compute-Optimal Large Language Models, NeurIPS 2022
  9. 09Gebru et al. — Datasheets for Datasets, Communications of the ACM 2021
  10. 10Vaswani et al. — Attention Is All You Need, NeurIPS 2017
  11. 11Ouyang et al. — Training Language Models to Follow Instructions with Human Feedback, NeurIPS 2022
  12. 12Hu et al. — LoRA: Low-Rank Adaptation of Large Language Models, ICLR 2022
  13. 13Sculley et al. — Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015
  14. 14NIST — Artificial Intelligence Risk Management Framework 1.0
  15. 15ISO/IEC 22989:2022 — Concepts and terminology (regelbasierte gegen ML-basierte Systeme)
  16. 16Lewis et al. — Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, NeurIPS 2020
  17. 17ISO/IEC 22989:2022 — Concepts and terminology
  18. 18Amershi et al. — Software Engineering for Machine Learning: A Case Study, ICSE-SEIP 2019
  19. 19Bai et al. — Training a Helpful and Harmless Assistant with RLHF, Anthropic 2022
  20. 20NIST AI Risk Management Framework (AI RMF 1.0), 2023 — Measure- und Manage-Funktionen
  21. 21Verordnung (EU) 2016/679 (DSGVO) — Art. 5 Grundsätze der Verarbeitung
  22. 22Mitchell et al. — Model Cards for Model Reporting, ACM FAT* 2019

Verfasst von Julian Zentgraf