Webinar
HAUS
ORDNUNG
Während wir auf die anderen Teilnehmer warten, gibt es einige Regeln und Hinweise, die zu beachten sind.
Schalten Sie die Kamera und das Mikrofon aus.
Gerne können Sie Ihre Fragen in das Chatfeld eingeben.
Im Anschluss an die Präsentation findet eine Fragerunde statt.
Die Präsentation wird aufgezeichnet.
Verbot von eigenen Aufzeichnungen:
Das Anfertigen von Aufzeichnungen jeglicher Art ist nicht gestattet. Dies dient dem Schutz des geistigen Eigentums und der Wahrung der Privatsphäre aller Anwesenden.
Speaker
Wer bin ich?
Daniel Leuverink
KI-Architekt & Geschäftsführer der AllBytes GmbH
Seit 2006 — gestartet zur Fußball-WM in Deutschland
15 Softwareentwickler · Fokus: KMU · Individuelle Software nach Maß
Spezialisierung: Enterprise KI-Architektur & Prozessautomatisierung
Referenzen
"Wir sind keine Marketingagentur. Keine Designer. Keine Texter.
Wir sind Techies — und wir bauen KI, die wirklich funktioniert."
AllBytes GmbH präsentiert
Large Language Models
Was steckt hinter ChatGPT, Claude & Co.?
„Keine Magie. Nur Mathematik."
Was ist KI überhaupt?
„KI" ist ein Überbegriff — klick dich Stufe für Stufe nach innen
Künstliche Intelligenz ←
Maschinelles Lernen ←
Deep Learning ←
Generative KI ←
LLM · Bild-KI · Audio-KI
die konkreten Werkzeuge
Stufe 1 / 5
Künstliche Intelligenz
Der Oberbegriff: Maschinen übernehmen Aufgaben, für die man sonst menschliche Intelligenz braucht. Dazu zählt auch ältere KI mit festen Regeln — die lernt nicht, sie folgt Vorgaben.
Stufe 2 / 5
Maschinelles Lernen
KI, die aus Beispielen lernt, statt fest programmiert zu werden. Sie erkennt Muster in Daten.
Stufe 3 / 5
Deep Learning
Maschinelles Lernen mit neuronalen Netzen aus vielen Schichten. Stark bei komplexen Daten wie Bildern, Sprache und Text.
Stufe 4 / 5
Generative KI
Deep-Learning-Modelle, die etwas Neues erzeugen — Text, Bilder, Audio — statt nur einzuordnen.
Stufe 5 / 5
LLM · Bild-KI · Audio-KI
Die konkreten Werkzeuge. Das LLM ist auf Sprache spezialisiert — daneben gibt es Bild- und Audio-KI.
LLM — ChatGPT, Claude (Text)
Bild-KI — Midjourney, DALL·E
Audio-KI — Stimmen, Musik
KI ist der Werkzeugkasten — das LLM ist ein Werkzeug darin.
Seit wann gibt es KI — und warum jetzt?
Dieselben Stufen wie eben — jede kam zu ihrer Zeit dazu.
Künstliche Intelligenz entsteht
Der Begriff wird auf der Dartmouth-Konferenz geprägt. Die erste KI folgt festen Regeln — sie lernt noch nicht selbst.
Maschinelles Lernen wird praktisch
Statt fester Regeln lernt die KI jetzt aus Daten und erkennt Muster. Viele Alltagshelfer entstehen.
Deep Learning schlägt durch
Neuronale Netze machen einen Sprung: KI erkennt erstmals zuverlässig, was auf Bildern zu sehen ist.
Generative KI nimmt Fahrt auf
Eine neue Technik, der „Transformer", macht KI möglich, die selbst Neues erzeugt — Texte und Bilder.
LLMs & Bild-KI für alle
Mit ChatGPT wird KI per Sprache bedienbar — kein Technik-Wissen mehr nötig. Der Durchbruch in der Breite.
KI-Agenten
KI, die nicht nur antwortet, sondern selbst Aufgaben erledigt. Genau darum geht es heute Nachmittag in Modul 3.
Klick oder → für den nächsten Punkt · / 6
Wie ein neuronales Netz funktioniert
Drei Schichten: Input → Hidden Layer → Output
Input-Schicht
Das Bild → Zahlen (Pixel)
Hidden Layer
gewichten & kombinieren
Output-Schicht
Input-Schicht: Das Bild wird in viele kleine Zahlen zerlegt — jedes Pixel ein Eingangssignal. Das ist alles, was das Netz „sieht".
Hidden Layer: Hier passiert die eigentliche Arbeit. Die Signale werden gewichtet und kombiniert. Mehrere solcher Schichten hintereinander = „Deep" Learning.
1. Durchlauf: Das untrainierte Netz rät — und liegt daneben: „Hund". Logisch, es hat ja noch nichts gelernt.
Jetzt trainieren wir: Bei jedem Fehler werden die Gewichte im Hidden Layer nachjustiert. Starte den Lauf und schau dem Hidden Layer oben zu.
2. Durchlauf — nach dem Training: Jetzt erkennt das Netz die Katze. Richtig!
Und wie haben wir trainiert? Mit unzähligen beschrifteten Beispielen — und die kommen oft von uns allen.
Die Beispiele kommen oft von uns allen.
„Wählen Sie alle Bilder mit Ampeln aus." Jedes gelöste Google reCAPTCHA, jedes Foto-Tag, jede Korrektur liefert beschriftete Beispiele — wir alle haben mitgeholfen, KI schlau zu machen.
Level 1: Addition lernen
Die KI soll die Formel a + b = c entdecken
Level 3: Gewichtete Summe
Die KI soll die Formel a × 3 + b × 2 = c entdecken
So funktionieren neuronale Netze wirklich: Die Gewichte w1 und w2 passen sich an, bis sie die Zielwerte (3 und 2) entdeckt haben.
Token-Wahrscheinlichkeiten
LLMs sind Vorhersagemaschinen - sie "raten" das nächste Wort
"Es war einmal..."
Temperatur steuert Kreativität vs. Vorhersagbarkeit
So entsteht ein ganzer Satz:
Prompt: "Erkläre mir KI in einem Satz."
Jeder Token wird einzeln vorhergesagt - basierend auf allen vorherigen Wörtern!
Das Wichtigste in Kürze
Wahrscheinlichkeiten, keine Fakten
KI "würfelt" basierend auf Trainingsdaten
Temperatur = Kreativität
Niedrig = vorhersagbar, Hoch = kreativ
Token für Token
Jedes Wort beeinflusst das nächste
Halluzinationen — „Trust but Verify"
Die KI lügt nicht — sie erfindet Plausibles. Das Tückische: es klingt perfekt.
Warum erfindet KI Dinge?
Sie rät das nächste Wort — Ziel ist flüssiger Text, nicht Wahrheit.
Sie sagt fast nie „weiß ich nicht" — sie füllt Lücken mit etwas Plausiblem.
Kein echtes Faktengedächtnis; ihr Wissen kann veraltet sein.
Bei dünner Datenlage erfindet sie Details einfach dazu.
Beispiel — Antwort der KI
Das Tückische: Die Antwort ist grammatikalisch perfekt, selbstbewusst und fachlich formuliert — deshalb fällt der Fehler in unserer Sprache gar nicht auf. Genau deshalb: Trust but Verify — wichtige Fakten immer prüfen.
Die KI kennt eure Live-Daten nicht
Grenze 2: Aktualität & Wissensstand
Wissen bis zum Stichtag
Ein Modell wurde bis zu einem bestimmten Zeitpunkt trainiert. Was danach passiert, weiß es nicht von selbst — es sei denn, man gibt ihm die Information mit.
Kennt euer Geschäft nicht
- • Eure aktuellen Preise & Aktionen
- • Lagerbestände & Verfügbarkeit
- • Amazon-Ranking von heute
- • Neue Produkte im Sortiment
Gut zu wissen: Genau das lässt sich lösen — indem man der KI eure Daten gezielt mitgibt oder anbindet. Mehr dazu in Modul 3 & 4.
Modelle vergleichen: Benchmarks
Woran misst man, wie gut ein LLM ist?
Logik
schlussfolgern, Probleme lösen
Wissen
Fakten aus vielen Bereichen
Programmieren
Code schreiben & verstehen
Sprache
schreiben, übersetzen
Mathematik
rechnen, exakte Logik
Kontextlänge
wie viel gleichzeitig „im Kopf"
Geschwindigkeit
wie schnell die Antwort kommt
Kosten
Preis pro Anfrage
Wo schaut man nach? — Zwei wichtige Seiten
LMArena (Chatbot Arena)
Echte Menschen vergleichen zwei anonyme Antworten und wählen die bessere → Elo-Rangliste. Zeigt, was Nutzer tatsächlich bevorzugen.
lmarena.ai
Artificial Analysis
Vergleicht Modelle nach Intelligenz, Geschwindigkeit & Preis mit standardisierten Tests. Gut für die nüchterne Auswahl-Entscheidung.
artificialanalysis.ai
Kein Modell gewinnt überall — das beste hängt von der Aufgabe ab. Faustregel: mit der eigenen Aufgabe testen.
Benchmark · Gesamtwert
Intelligence Index
Was wird getestet?
Kein Einzeltest, sondern der Durchschnitt aus ~9 Benchmarks (Wissenschaft, Mathe, Coding, Wissen …) — zusammengefasst zu einer Zahl für die „Gesamt-Klugheit" eines Modells.
So funktioniert's
Ein Modell erzielt in den 9 Einzeltests unterschiedliche Werte → daraus wird ein gewichteter Gesamtscore gebildet. Praktisch für den schnellen Überblick „wer ist insgesamt vorn".
Aktuelle Rangliste · Stand 16.06.2026
Quelle: Artificial Analysis · Werte ändern sich laufend
Benchmark · Wissenschaft
GPQA Diamond
Was wird getestet?
Sehr schwere naturwissenschaftliche Fragen auf Experten-/Promotions-Niveau (Physik, Chemie, Biologie) — bewusst so hart, dass Laien selbst mit Google scheitern.
Beispiel (sinngemäß)
„Welches stabile Edelgas hat bei Raumtemperatur die höchste Dichte?"
Aktuelle Rangliste · Stand 16.06.2026
Quelle: Artificial Analysis · Werte ändern sich laufend
Benchmark · Mathematik
AIME
Was wird getestet?
Anspruchsvolle Wettbewerbs-Mathematik (Olympiade-Niveau). Die Antwort ist immer eine ganze Zahl von 000–999 — kein Multiple-Choice, man muss wirklich rechnen.
Beispiel (sinngemäß)
„Wie viele dreistellige Zahlen sind durch 7 teilbar?" → Antwort: 128
Aktuelle Lage · Stand 16.06.2026
Praktisch gelöst — Spitzenmodelle erreichen ~100 % (z. B. GPT-5.2 Pro). Wettbewerbs-Mathe ist „gesättigt" und unterscheidet kaum noch.
Quelle: Artificial Analysis / llm-stats · Werte ändern sich laufend
Benchmark · Agentisches Coding
Terminal-Bench
Was wird getestet?
Die KI muss echte Programmier-Aufgaben eigenständig im Terminal lösen — Befehle ausführen, Dateien ändern, Tests laufen lassen. Die agentische Königsdisziplin.
Beispiel (sinngemäß)
Aufgabe: „Finde den Fehler, der den Test rot macht, behebe ihn und lass alle Tests grün durchlaufen." → Die KI arbeitet selbstständig über mehrere Schritte.
Aktuelle Rangliste · Stand 16.06.2026
Noch viel Luft nach oben (~57 %) — hier trennt sich die Spreu vom Weizen.
Quelle: Artificial Analysis / PricePerToken · Werte ändern sich laufend
Benchmark · Allgemein- & Fachwissen
MMLU-Pro
Was wird getestet?
Tausende Multiple-Choice-Fragen quer durch ~14 Fachgebiete (Jura, Medizin, BWL, Technik …), je rund 10 Antwortmöglichkeiten.
Beispiel (sinngemäß)
„In welchem Jahr trat die EU-Datenschutz-Grundverordnung (DSGVO) in Kraft?" → 2018 (aus ~10 Optionen)
Aktuelle Lage · Stand 16.06.2026
> 90 % bei praktisch allen Top-Modellen → der Test ist „gesättigt" und unterscheidet die Spitze kaum noch.
Quelle: Artificial Analysis · Werte ändern sich laufend
Benchmark · Generative Medien
Benchmarks für Bild, Video & Stimme
Nicht nur Text — auch Bild-, Video- und Audio-KI werden verglichen
Text → Bild
Bilder erzeugen
Bildbearbeitung
Bilder per Text ändern
Text/Bild → Video
Clips erzeugen
Text → Stimme
Sprachausgabe
So wird gemessen
Hier gibt es kein „richtig". Deshalb: gleicher Prompt → zwei Ergebnisse → Menschen wählen blind das bessere → daraus eine Elo-Rangliste (wie bei LMArena). Dazu: Geschwindigkeit & Preis.
Der Unterschied zu Text
Text-Benchmarks (GPQA, AIME …) haben eine objektive Lösung — richtig oder falsch. Bild/Video/Stimme sind Geschmackssache → es zählt das menschliche Urteil.
Quelle: Artificial Analysis (eigene Arenas für Bild, Video & Sprache) · Werte ändern sich laufend
Benchmark · Live-Fragen
Aktuelles Wissen
Was wird getestet?
Fragen, deren Antwort sich ständig ändert (Wetter, Ergebnisse, News). Ein reines LLM kann das nicht (Wissensstand endet am Stichtag) — es braucht Websuche/Tools. Benchmark FreshQA stellt solche „schnell-änderenden" Fragen, wöchentlich aktualisiert.
Beispiele
„Wie ist das Wetter aktuell in München?" — ohne Suche: geraten · mit Suche: Live-Wert
„Wie ist das Fußballspiel gestern ausgegangen?" — ohne Suche: erfunden · mit Suche: echtes Ergebnis
Aktuelle Rangliste (mit Websuche) · Stand 15.06.2026
Gemessen wird „Modell + Suche" — nicht das reine LLM. (Search Arena, Elo)
Quelle: arena.ai Search Arena · FreshQA · Werte ändern sich laufend
Was ihr jetzt über KI wisst
Ein LLM ist ein sehr guter Vervollständiger — es berechnet das wahrscheinlich nächste Wort.
Stark bei Sprache & Struktur: Texte, Zusammenfassen, Übersetzen, Ideen.
Grenzen kennen: Halluzinationen & Aktualität — und gegensteuern.
Sicher einsetzbar mit dem richtigen Setup — dafür ist AllBytes da.
So lernt ein Spamfilter
Maschinelles Lernen in der Praxis — Schritt für Schritt
Schritt 1
Viele Beispiele zeigen
Wir geben dem System tausende E-Mails, die schon beschriftet sind — Spam oder kein Spam. Es bekommt keine Regeln, nur Beispiele.
Spam
tausende Beispiele
Kein Spam
tausende Beispiele
Schritt 2
Signale gewichten
Das System schaut auf Signale — Wörter, Absender, Links — und gibt jedem ein Gewicht: Wie stark spricht es für Spam?
Schritt 3
Raten & korrigieren
Bei jedem Beispiel rät es, vergleicht mit dem richtigen Etikett und dreht bei Fehlern die Gewichte nach. Tausende Male — bis es kaum noch danebenliegt. (Genau wie bei Katze/Hund.)
raten
Fehler
Gewichte nach
Schritt 4
Im Einsatz
Neue Mail rein → Spam-Wert berechnen → über der Schwelle landet sie im Spam-Ordner. Und klickst du selbst „Spam", lernt es weiter.
Neue E-Mail
Spam-Wahrscheinlichkeit
Kein Mensch schreibt die Regeln — die KI lernt sie aus Beispielen.
Klick oder → für den nächsten Schritt · / 4
Der Durchbruch: „Attention"
Wie die KI lernt, worauf es im Satz ankommt
Der Pokal passt nicht in den Koffer, weil er zu ist.
Ein einziges Wort — „groß" oder „klein" — entscheidet, worauf sich „er" bezieht. Der Transformer (2017) schaut auf alle Wörter gleichzeitig und „achtet" auf die wichtigen. Das nennt man Attention — die Grundlage aller heutigen Sprachmodelle.
Wie kommt die KI zu euch?
Vom Training übers Rechenzentrum bis zu eurer Anfrage
Hersteller
OpenAI, Anthropic, Google …
🧠 LLM
wird trainiert …
✓ Modell fertig
Server
Rechenzentrum
🧠 LLM
Dein Gerät
Handy / PC
Frage:
„Schreib mir einen Produkttext …"
1. Training: Der Hersteller trainiert das LLM mit riesigen Datenmengen. Das dauert Wochen, kostet Millionen — und passiert nur einmal.
2. Deploy: Das fertige Modell wird auf leistungsstarke Server gestellt (Rechenzentrum). Dort läuft es und wartet auf Anfragen.
3. Anfrage & Antwort: Ihr tippt am Handy oder PC eine Frage. Sie geht zum Server, dort rechnet das LLM die Antwort — und schickt sie zurück. Das Modell läuft nicht auf eurem Gerät.