Modul 2
Large Language Models
Was steckt hinter ChatGPT, Claude & Co.?
KI-Schulungstag · TOGU
Daniel Leuverink · AllBytes GmbH
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
- • Aktuelle TOGU-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.
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.
Weiter geht's: Modul 3 — KI & Agenten
Aus dem cleveren Assistenten wird einer, der Aufgaben eigenständig erledigt.
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.