Wie KI-Modelle trainiert werden: überwachtes, unüberwachtes, bestärkendes Lernen, Transferlernen und mehr

Fragen Sie zehn Personen „Wie wird ein KI-Modell trainiert?“ und Sie erhalten zehn verschiedene Antworten, denn es gibt keine einzige Methode. Die richtige hängt von zwei Fragen ab: Welche Daten haben Sie, und bauen Sie ein Modell von Grund auf neu oder passen Sie ein bereits existierendes an? Wenn Sie diese beiden klären, fügt sich der ganze Zoo an Begriffen - überwachtes, unüberwachtes, bestärkendes Lernen, Transferlernen, Fine-Tuning, RAG, RLHF - zu einer einfachen Landkarte zusammen.

Dieser Leitfaden geht diese Landkarte von Anfang bis Ende durch. Er ist anbieterneutral (die Konzepte sind auf AWS, Azure, Google Cloud und überall sonst dieselben), aber er ist mit Blick auf die grundlegenden KI-Zertifizierungen geschrieben - der AWS AI Practitioner (AIF-C01), Azure AI Fundamentals, Google Cloud Generative AI Leader und ihre Pendants prüfen alle genau diese Ideen. Wo eine Prüfung ein Konzept auf eine bestimmte Weise betont, gibt es einen Hinweis „In der Prüfung“. Er ist lang; behandeln Sie ihn als Nachschlagewerk, das Sie abschnittsweise durchgehen.

Die zwei Fragen, die alles ordnen

Es gibt zwei verschiedene Bedeutungen von „Training“, die Menschen miteinander vermischen:

1. Wie ein Modell aus Daten lernt - das Lernparadigma. Hier geht es um die Form Ihrer Daten (gelabelt? ungelabelt? ein Belohnungssignal?), und es entscheidet, welche Algorithmenfamilie zutrifft. Überwachtes, unüberwachtes, halbüberwachtes, selbstüberwachtes und bestärkendes Lernen gehören hierher.
2. Wie Sie ein bestehendes Modell anpassen - die Anpassungsleiter. Moderne KI beginnt selten bei null. Sie nehmen ein vortrainiertes Foundation-Modell und passen es an, von einer günstigen Prompt-Anpassung bis hin zum teuren Neutraining. Prompt Engineering, RAG, Fine-Tuning und fortgesetztes Pre-Training gehören hierher.

Halten Sie die beiden Bedeutungen getrennt. Die erste lautet „Um welche Art von Lernproblem handelt es sich?“ Die zweite lautet „Wie stark verändere ich ein Modell, das bereits existiert?“ Die meisten Prüfungsfragen fragen in Wirklichkeit, in welche Schublade ein Szenario fällt.

Teil 1: Die Lernparadigmen

Überwachtes Lernen

Was. Das Modell lernt aus gelabelten Beispielen - Eingabe gepaart mit der korrekten Antwort. Sie zeigen ihm Tausende von E-Mails, die als Spam oder Nicht-Spam markiert sind, und es lernt die Zuordnung von E-Mail zu Label.

Warum. Wenn Sie gelabelte Daten und ein klares Ziel zur Vorhersage haben, ist dies der direkteste und genaueste Ansatz. Er treibt den Großteil des klassischen ML in der Produktion an.

Wie. Zwei Untertypen, je nachdem, was Sie vorhersagen:

• Klassifikation - Vorhersage einer Kategorie (Spam oder nicht, welche von 20 Krankheitsarten, Betrug oder rechtmäßig).
• Regression - Vorhersage einer kontinuierlichen Zahl (Immobilienpreis, morgige Nachfrage, erwarteter Umsatz).

Sie teilen Ihre gelabelten Daten auf, trainieren das Modell so, dass der Fehler gegenüber den bekannten Antworten minimiert wird, und messen, wie gut es zurückgehaltene Beispiele vorhersagt.

In der Prüfung. Die Auslösephrase lautet „gelabelte Daten“. Wenn ein Szenario Ihnen Eingaben mit bekannten korrekten Ausgaben liefert und Sie bittet, eine Kategorie oder einen Wert vorherzusagen, handelt es sich um überwachtes Lernen. Ob Klassifikation oder Regression, entscheidet sich daran, ob die Antwort eine Klasse oder eine Zahl ist.

Unüberwachtes Lernen

Was. Das Modell lernt aus ungelabelten Daten - keine korrekten Antworten werden bereitgestellt. Es findet die Struktur von selbst.

Warum. Die meisten realen Daten sind ungelabelt, und das Labeln ist teuer. Wenn Sie Muster entdecken möchten, anstatt ein bekanntes Ziel vorherzusagen, ist dies das richtige Werkzeug.

Wie. Die wichtigsten Aufgaben:

• Clustering - ähnliche Elemente gruppieren (Kundensegmentierung, Gruppierung von Dokumenten nach Thema).
• Dimensionsreduktion - viele Merkmale auf wenige komprimieren und dabei das Signal erhalten (zur Visualisierung oder um nachgelagerte Modelle zu beschleunigen).
• Anomalieerkennung - Punkte markieren, die nicht zum gelernten Muster passen (Betrug, Eindringen, defekte Teile).

In der Prüfung. Der Auslöser ist „ungelabelte Daten“ plus ein Ziel wie „segmentieren“, „gruppieren“ oder „Ungewöhnliches finden“. Clustering zur Kundensegmentierung ist das mit Abstand häufigste Beispiel für unüberwachtes Lernen, das Ihnen begegnen wird.

Halbüberwachtes Lernen

Was. Ein Mittelweg: eine kleine Menge gelabelter Daten plus ein großer Pool ungelabelter Daten.

Warum. Das Labeln ist kostspielig; oft können Sie sich nur leisten, einen Bruchteil zu labeln. Halbüberwachtes Lernen nutzt die wenigen Labels, um das Lernen über die viel größere ungelabelte Menge zu steuern, und erzielt bessere Ergebnisse, als es die Labels allein zulassen würden.

Wie. Typisches Muster: auf der gelabelten Teilmenge trainieren, dieses Modell verwenden, um die ungelabelten Daten zu labeln (Pseudo-Labeling), und dann auf der kombinierten Menge neu trainieren. Das senkt die Annotationskosten und kann die Generalisierung verbessern.

Selbstüberwachtes Lernen

Was. Das Modell erstellt seine eigenen Labels aus den Rohdaten, sodass kein menschliches Labeln nötig ist. Das klassische Beispiel: das nächste Wort in einem Satz verbergen und das Modell trainieren, es vorherzusagen.

Warum. So werden moderne Foundation-Modelle und große Sprachmodelle vortrainiert. Es gibt weit mehr Rohtext, Bilder und Code im Internet, als je jemand labeln könnte, und die Vorhersage des nächsten Tokens (oder eines maskierten Tokens) verwandelt all das in ein Trainingssignal.

Wie. Das Modell wird darauf trainiert, Teile seiner eigenen Eingabe über enorme Datensätze hinweg zu ergänzen oder vorherzusagen. Das Ergebnis ist ein Basismodell mit breitem Allgemeinwissen - flüssig, aber noch nicht darauf ausgerichtet, Anweisungen zu befolgen oder menschlichen Präferenzen zu entsprechen.

In der Prüfung. Möglicherweise sehen Sie „selbstüberwacht“ nicht oft namentlich, aber Sie müssen wissen, dass ein Foundation-Modell ein großes Modell ist, das auf riesigen, überwiegend ungelabelten Daten vortrainiert wurde, und dass dieses Pre-Training es für viele nachgelagerte Aufgaben anpassbar macht.

Bestärkendes Lernen (und RLHF)

Was. Ein Agent lernt durch Interaktion mit einer Umgebung: Er führt eine Aktion aus, erhält eine Belohnung oder Bestrafung und passt sich an, um die langfristige Belohnung zu maximieren. Es gibt keinen gelabelten Antwortschlüssel - nur Rückmeldung darüber, wie gut eine Aktion war.

Warum. Es passt zu sequenziellen Entscheidungsproblemen, bei denen der „richtige“ Zug nicht im Voraus bekannt ist: Spielen, Robotik, Empfehlungssysteme, Steuerungssysteme.

Wie. Der Agent beobachtet einen Zustand, wählt eine Aktion, erhält eine Belohnung, geht in einen neuen Zustand über und wiederholt dies - und lernt dabei allmählich eine Policy (eine Strategie), die im Lauf der Zeit die meiste Belohnung einbringt.

RLHF (bestärkendes Lernen aus menschlichem Feedback) ist die berühmte Anwendung. Nachdem ein Sprachmodell vortrainiert wurde, ordnen Menschen seine Ausgaben nach Rang; diese Rangfolgen trainieren ein Belohnungsmodell; dann stimmt bestärkendes Lernen das Sprachmodell so ab, dass es Ausgaben erzeugt, die das Belohnungsmodell hoch bewertet. Dies ist ein wesentlicher Grund dafür, dass moderne Chat-Assistenten hilfreich und ausgerichtet sind und nicht nur flüssig.

In der Prüfung. Der Auslöser ist „lernt aus Feedback / Belohnungen / Versuch und Irrtum“. Ein Chatbot, der sich verbessert, indem er für gute Antworten belohnt wird, ist bestärkendes Lernen. Wissen Sie, dass RLHF die Methode ist, mit der LLMs an menschliche Präferenzen ausgerichtet werden.

Teil 2: Der ML-Lebenszyklus

Training ist ein Schritt in einer Schleife, nicht das Ganze. Der Standard-Lebenszyklus:

1. Das Problem umreißen - was sagen Sie vorher, und ist ML überhaupt das richtige Werkzeug? (Manchmal schlägt eine einfache Regel ein Modell.)
2. Daten sammeln und aufbereiten - erfassen, bereinigen und bei Bedarf labeln.
3. Explorative Datenanalyse (EDA) - Verteilungen, Korrelationen und Qualität vor dem Modellieren untersuchen.
4. Feature Engineering - Domänenwissen nutzen, um Eingabevariablen zu erstellen oder umzuwandeln, die Muster leichter erlernbar machen.
5. Trainieren - das Modell an die Trainingsdaten anpassen.
6. Evaluieren - die Leistung an Daten messen, die das Modell nicht gesehen hat.
7. Bereitstellen - das Modell für Vorhersagen bereitstellen (dies nennt man Inferenz).
8. Überwachen - auf Drift und Verschlechterung achten und bei Bedarf neu trainieren.

Aufteilung in Trainings-, Validierungs- und Testdaten. Sie beurteilen ein Modell niemals anhand der Daten, mit denen es trainiert wurde. Teilen Sie die Daten auf: Der Trainingsdatensatz passt das Modell an, der Validierungsdatensatz stimmt Einstellungen ab und vergleicht Kandidaten, und der Testdatensatz liefert eine finale, ehrliche Schätzung an Daten, die nirgendwo sonst verwendet wurden. Eine gängige Aufteilung ist etwa 80/20, wobei der Trainingsanteil erneut für die Validierung aufgeteilt wird.

In der Prüfung. Wissen Sie, dass Inferenz die Anwendung eines trainierten Modells auf neue Daten ist (im Gegensatz zum Training) und dass Feature Engineering bedeutet, mithilfe von Domänenwissen bessere Eingaben aus Rohdaten zu erstellen.

Teil 3: Anpassung und Generalisierung

Das ganze Spiel dreht sich um Generalisierung - bei neuen Daten gut abschneiden, nicht nur bei den Trainingsdaten.

• Overfitting - das Modell merkt sich die Trainingsdaten (einschließlich ihres Rauschens) auswendig und versagt bei neuen Daten. Symptom: hohe Trainingsgenauigkeit, schlechte Genauigkeit in der Produktion; oder eine Genauigkeit, die sich zunächst verbessert und dann verschlechtert, je länger Sie trainieren. Abhilfen: mehr (und vielfältigere) Trainingsdaten, Regularisierung, frühzeitiges Stoppen, Dropout oder ein einfacheres Modell.
• Underfitting - das Modell ist zu einfach, um das Muster zu erfassen, und schneidet selbst bei Trainingsdaten schlecht ab. Abhilfe: ein leistungsfähigeres Modell, bessere Merkmale oder mehr Training.
• Bias-Varianz-Kompromiss - Bias ist der Fehler eines zu einfachen Modells (Underfitting); Varianz ist der Fehler eines zu komplexen Modells (Overfitting). Mehr Komplexität senkt den Bias, erhöht aber die Varianz. Die Kunst besteht darin, beide auszubalancieren.

In der Prüfung. „Großartig bei den Trainingsdaten, schlecht in der Produktion“ ist das Kennzeichen von Overfitting; die erwarteten Antworten sind mehr Daten, Regularisierung oder frühzeitiges Stoppen. Verwechseln Sie es nicht mit Underfitting (überall schlecht).

Teil 4: Wie man ein Modell misst

Sie können nicht verbessern, was Sie nicht messen können, und die richtige Metrik hängt von der Aufgabe ab.

Klassifikationsmetriken.

• Accuracy (Genauigkeit) - Anteil der Vorhersagen, die korrekt sind. Gut, wenn die Klassen ausgewogen sind; irreführend, wenn sie es nicht sind.
• Konfusionsmatrix - die vollständige Tabelle aus richtig Positiven, falsch Positiven, richtig Negativen und falsch Negativen. Alles andere leitet sich davon ab.
• Precision (Präzision) - von den Elementen, die Sie als positiv markiert haben, wie viele es wirklich waren. (Bestraft falsch Positive.)
• Recall (Sensitivität) - von den tatsächlich positiven Elementen, wie viele Sie erfasst haben. (Bestraft falsch Negative.)
• F1-Score - das harmonische Mittel aus Precision und Recall, eine Zahl, die beide ausbalanciert.
• AUC (Fläche unter der ROC-Kurve) - schwellenwertunabhängiges Maß dafür, wie gut das Modell Klassen trennt.

Regressionsmetriken.

• RMSE (Wurzel des mittleren quadratischen Fehlers) und MAE (mittlerer absoluter Fehler) - wie weit Vorhersagen von den wahren Zahlen entfernt liegen.

Generative und Sprachmetriken.

• BLEU - Übersetzungsqualität gegenüber menschlichen Referenzen.
• ROUGE - Zusammenfassungsqualität (Überlappung mit Referenzzusammenfassungen).
• BERTScore - semantische Ähnlichkeit zu einer Referenz mithilfe von Embeddings.
• Menschliche Bewertung - nach wie vor der Goldstandard für offene generative Ausgaben.

In der Prüfung. Die geschäftlichen Kosten bestimmen die Metrik. Wenn ein Verpassen weitaus kostspieliger ist als ein Fehlalarm (Betrug, Krankheitsscreening), optimieren Sie auf Recall. Accuracy ist der Standard für ausgewogene Klassifikation; eine Konfusionsmatrix, wenn Sie die vollständige Aufschlüsselung wünschen; BLEU/ROUGE für Übersetzung/Zusammenfassung.

Teil 5: Hyperparameter und Trainingsdynamik

Hyperparameter sind die Einstellungen, die Sie vor dem Training wählen (im Gegensatz zu den Gewichten, die das Modell lernt). Die wichtigsten:

• Epochen - wie oft das Modell die Trainingsdaten durchläuft. Zu wenige führen zu Underfitting; zu viele zu Overfitting.
• Lernrate - wie groß der Schritt ist, den das Modell bei einer Aktualisierung macht. Zu hoch, und es kommt nie zur Ruhe; zu niedrig, und es kriecht.
• Batch-Größe - wie viele Beispiele pro Aktualisierung.

Hyperparameter-Tuning ist die Suche nach der besten Kombination; es wird oft automatisiert (zum Beispiel durch AutoML-Werkzeuge).

Verwechseln Sie Trainings-Hyperparameter nicht mit Inferenzzeit-Einstellungen bei generativen Modellen:

• Temperature - niedrig (nahe 0) liefert deterministische, wiederholbare Ausgaben; hoch liefert kreative, abwechslungsreiche Ausgaben.
• Top-p / Top-k - begrenzen, aus welchen Kandidaten-Tokens das Modell auswählen darf.

In der Prüfung. „Die Antworten des Modells konsistenter/wiederholbarer machen“ bedeutet, die Temperature zu senken. „Die Genauigkeit durch mehr Training verbessern“ verweist auf mehr Epochen (mit Overfitting als Vorbehalt).

Teil 6: Foundation-Modelle anpassen - die Anpassungsleiter

Sie trainieren ein großes Modell selten von Grund auf neu. Sie nehmen ein vortrainiertes Foundation-Modell und passen es an. Die Methoden, geordnet vom günstigsten und schnellsten bis zum teuersten, sind die prüfungsrelevanteste Idee in diesem ganzen Leitfaden.

Transferlernen (die übergreifende Idee)

Was. Wiederverwendung von Wissen, das ein Modell bei einer Aufgabe gelernt hat, um eine verwandte Aufgabe zu erledigen. Anstatt mit zufälligen Gewichten zu beginnen, beginnen Sie mit einem Modell, das Sprache oder Bilder bereits versteht.

Warum. Es reduziert die benötigten Daten und die Rechenleistung drastisch. Dies ist das Prinzip hinter fast allem, was folgt - Fine-Tuning ist eine spezielle Art, Transferlernen zu betreiben.

In der Prüfung. „Ein vortrainiertes Modell für eine neue Aufgabe anpassen, anstatt von Grund auf neu zu bauen“ ist Transferlernen, und sein Vorteil sind weniger Daten, weniger Zeit, weniger Kosten.

Stufe 1: Prompt Engineering

Was. Ändern Sie die Anweisungen, die Sie dem Modell geben, nicht das Modell selbst. Nichts wird neu trainiert.

Wie. Techniken:

• Zero-Shot - einfach fragen, ohne Beispiele.
• One-Shot / Few-Shot (In-Context-Learning) - einige durchgearbeitete Beispiele in den Prompt aufnehmen, damit das Modell das Muster ableitet. Dies passt das Verhalten ohne jede Parameteraktualisierung an.
• Chain-of-Thought - das Modell bitten, bei schwierigeren Problemen Schritt für Schritt zu schlussfolgern.
• Prompt-Vorlagen - standardisierte, wiederverwendbare Prompt-Strukturen.

Warum. Am günstigsten, am schnellsten, keine Infrastruktur. Probieren Sie dies immer zuerst.

In der Prüfung. Few-Shot-Learning und In-Context-Learning sind dieselbe Idee: Beispiele im Prompt, kein Neutraining. Zero-Shot birgt das Risiko schlechter Ergebnisse, wenn die Aufgabe weit von dem entfernt ist, was das Modell im Training gesehen hat.

Stufe 2: Retrieval-Augmented Generation (RAG)

Was. Relevante Fakten aus Ihren eigenen Daten zur Abfragezeit abrufen und dem Prompt hinzufügen, sodass das Modell aus aktuellen, privaten oder maßgeblichen Informationen antwortet, mit denen es nie trainiert wurde.

Wie. Wandeln Sie Ihre Dokumente in Embeddings um (numerische Vektoren, die Bedeutung erfassen), speichern Sie sie in einer Vektordatenbank, rufen Sie die passendsten Chunks zur Frage des Nutzers ab und geben Sie sie dem Modell zusammen mit der Frage.

Warum. Es verankert Antworten in Ihren Daten und reduziert Halluzinationen drastisch, ohne jegliches Neutraining. Ideal, wenn sich Ihr Wissen häufig ändert - Sie aktualisieren die Dokumente, nicht das Modell.

In der Prüfung. „Das Modell in Unternehmensdaten verankern / Halluzinationen reduzieren / Antworten ohne Neutraining aktuell halten“ ist RAG. Embeddings sind die numerischen Repräsentationen, die den Abruf ermöglichen.

Stufe 3: Fine-Tuning

Was. Das Training des Modells auf Ihren eigenen gelabelten Beispielen fortsetzen, sodass es eine Aufgabe oder einen Stil verinnerlicht.

Wie. Stellen Sie gelabelte Daten bereit - typischerweise Paare aus Prompt und Vervollständigung. Instruction Fine-Tuning verwendet als Anweisungen formatierte Eingabe-Ausgabe-Paare; Domänenanpassung bringt spezialisiertes Verhalten bei (zum Beispiel den Umgang mit wissenschaftlicher oder juristischer Terminologie). Parameter-Efficient Fine-Tuning (PEFT), wie etwa LoRA, aktualisiert nur einen kleinen Teil der Modellparameter und senkt so die Kosten, während der Großteil des Modells eingefroren bleibt.

Warum. Wenn Prompting und RAG nicht ausreichen und Sie benötigen, dass sich das Modell zuverlässig auf eine bestimmte Weise verhält. Es kostet mehr (Daten, Rechenleistung) als die Stufen darüber.

In der Prüfung. Fine-Tuning benötigt gelabelte Daten (Prompt-Vervollständigungs-Paare). Verwenden Sie es für konsistentes Aufgabenverhalten oder Domänenanpassung; es verändert das Modell, während RAG das Modell unangetastet lässt und den Kontext zur Abfragezeit liefert.

Stufe 4: Fortgesetztes Pre-Training

Was. Das Pre-Training des Basismodells auf einem großen Bestand an ungelabeltem Domänentext fortsetzen.

Warum. Um dem Modell das Vokabular und die Konzepte eines spezialisierten Fachgebiets (Medizin, Recht, Wissenschaft) in großem Maßstab beizubringen oder um es aktuell zu halten, während sich die Daten weiterentwickeln. Teurer als Fine-Tuning.

In der Prüfung. Fortgesetztes Pre-Training verwendet viel ungelabelten Domänentext zur Beherrschung von Vokabular und Konzepten; Instruction Fine-Tuning verwendet gelabelte Anweisungspaare für Aufgabenverhalten. Unterschiedliche Daten, unterschiedliches Ziel.

Die Kostenleiter in einer Zeile

Prompt Engineering (am günstigsten, kein Neutraining) -> RAG (Ihre Daten zur Abfragezeit hinzufügen) -> Fine-Tuning (Neutraining auf gelabelten Beispielen) -> fortgesetztes Pre-Training (Neutraining auf ungelabeltem Domänentext) -> vollständiges Pre-Training von Grund auf (selten, am teuersten). Steigen Sie nur so hoch, wie es das Problem erfordert.

Teil 7: Modelle kleiner und schneller machen

Sobald ein Modell funktioniert, benötigen Sie es oft günstiger oder mit geringerer Latenz:

• Knowledge Distillation - ein kleines „Schüler“-Modell trainieren, das ein großes „Lehrer“-Modell nachahmt, und dabei den Großteil der Qualität bei einem Bruchteil der Größe erhalten.
• Quantisierung - Gewichte mit geringerer numerischer Präzision speichern (zum Beispiel 8-Bit statt 32-Bit), um das Modell zu verkleinern und zu beschleunigen.
• Pruning - Gewichte oder Strukturen entfernen, die wenig beitragen.

Teil 8: Architekturen, kurz

Die oben genannten Paradigmen sind, wie Modelle lernen; Architekturen sind, woraus das Modell aufgebaut ist. Sie sollten die Namen erkennen:

• Neuronale Netze / Deep Learning - geschichtete Netze, die hierarchische Merkmale lernen; die Grundlage moderner KI.
• CNNs - spezialisiert auf Bilder.
• RNNs - für Sequenzen gebaut (weitgehend durch Transformer abgelöst).
• Transformer - die Architektur hinter modernen LLMs; das „GPT“ in Generative Pre-trained Transformer und Modelle wie BERT.
• GANs - zwei Netze, die konkurrieren, um realistische synthetische Daten zu erzeugen.
• Diffusionsmodelle - erzeugen Bilder, indem sie lernen, einen Verrauschungsprozess umzukehren.

Sie müssen diese für eine grundlegende Prüfung nicht implementieren, aber Sie sollten zum Beispiel wissen, dass Transformer LLMs antreiben und GANs synthetische Daten erzeugen.

Der 30-Sekunden-Entscheidungsleitfaden

• Gelabelte Daten, eine Kategorie oder Zahl vorhersagen -> überwachtes Lernen (Klassifikation oder Regression)
• Ungelabelte Daten, Gruppen oder Auffälligkeiten finden -> unüberwachtes Lernen (Clustering, Anomalieerkennung)
• Ein paar Labels plus viele ungelabelte Daten -> halbüberwachtes Lernen
• Modell erstellt seine eigenen Labels aus Rohdaten (wie Foundation-Modelle vortrainiert werden) -> selbstüberwachtes Lernen
• Agent lernt aus Belohnungen / Feedback -> bestärkendes Lernen; ein LLM an menschliche Präferenz ausrichten -> RLHF
• Ein vortrainiertes Modell für eine verwandte Aufgabe wiederverwenden -> Transferlernen
• Ein Foundation-Modell anpassen, das Günstigste zuerst -> Prompt Engineering, dann RAG, dann Fine-Tuning, dann fortgesetztes Pre-Training
• Antworten in Ihren eigenen aktuellen Daten verankern, kein Neutraining -> RAG
• Großartig bei Trainingsdaten, schlecht in der Produktion -> Overfitting (mehr Daten, Regularisierung, frühzeitiges Stoppen)
• Ein Positives zu verpassen ist sehr kostspielig (Betrug) -> auf Recall optimieren
• Generative Ausgaben konsistenter machen -> die Temperature senken

Verwandte Zertifizierungen

Diese Grundlagen der Lernmethoden sind für jede grundlegende KI-Prüfung zentral - dieser Leitfaden erscheint auf jedem ihrer Hubs unter „Verwandte Studienführer“:

• AWS Certified AI Practitioner (AIF-C01) - die Prüfung, auf die dieser Leitfaden abgestimmt ist; die Domänen 1-3 stützen sich stark auf diese Konzepte.
• AWS Certified Machine Learning Engineer Associate (MLA-C01) - geht tiefer auf den Lebenszyklus, das Training und die Evaluation ein.
• Microsoft Azure AI Fundamentals (AI-900 / AI-901) - prüft dieselben Lernparadigmen und ML-Grundlagen.
• Google Cloud Generative AI Leader - Foundation-Modelle, Prompting und Anpassung.
• NVIDIA-Certified Associate: Generative AI and LLMs (NCA-GENL) - LLM-Training und -Anpassung.
• IBM watsonx Generative AI Engineer Associate - Grundlagen der generativen KI.
• Claude Certified Architect - Foundations (CCA-F) - Konzepte von Foundation-Modellen.

Wie man dies lernt

Für eine grundlegende Prüfung sollten Sie keine Algorithmen auswendig lernen - üben Sie das Klassifizieren. Lesen Sie jedes Szenario und stellen Sie die zwei ordnenden Fragen: Welche Daten habe ich (gelabelt, ungelabelt, Belohnung), und baue ich oder passe ich an? Das führt Sie in Sekunden zum richtigen Paradigma oder zur richtigen Stufe der Anpassungsleiter. Bearbeiten Sie Übungsfragen mit geöffnetem 30-Sekunden-Entscheidungsleitfaden, und wenn Sie eine falsch beantworten, kehren Sie zu dem betreffenden Abschnitt hier zurück, bis die Grenze scharf ist. Die Konzepte, die diejenigen unterscheiden, die bestehen, sind jene mit unscharfen Rändern: überwacht vs. unüberwacht, Fine-Tuning vs. RAG, Overfitting vs. Underfitting und die Kostenreihenfolge der Anpassungsleiter.

Quelle: der Prüfungsleitfaden und die Fragendomänen des AWS Certified AI Practitioner (AIF-C01) sowie standardmäßige Referenzen zum maschinellen Lernen, Stand September 2026.