Domänendaten

Jedes Fachgebiet hat seine eigenen Texte, Zahlen und Bilder. Ein Krankenhaus sammelt Befunde und Röntgenbilder, eine Anwaltskanzlei Urteile und Verträge, eine Fabrik Messwerte ihrer Maschinen. Solche Sammlungen aus genau einem Fachgebiet nennt man Domänendaten. Das Wort Domäne bedeutet hier einfach Sachgebiet oder Fachbereich. Der Gegensatz dazu sind allgemeine Daten: Wikipedia-Artikel, Forenbeiträge, Nachrichtenseiten, also Material zu allen möglichen Themen. Für Programme, die aus Beispielen lernen, macht dieser Unterschied sehr viel aus.

Warum Fachwissen nicht im offenen Netz liegt

Große Sprachmodelle, also Programme, die Texte fortsetzen und Fragen beantworten, wurden mit riesigen Mengen frei verfügbarer Texte trainiert. Damit können sie überraschend viel. Doch das Netz kennt vor allem Allgemeinwissen. Wie genau eine bestimmte Turbine bei welchem Druck reagiert, steht in keinem Blog. Es steht in den Messprotokollen des Herstellers.

Genau darin liegt der wirtschaftliche Wert. Öffentliche Texte hat jeder, auch jeder Wettbewerber. Die eigenen Fachdaten hat nur ein Unternehmen selbst. Deshalb gelten sie inzwischen als eine Art Rohstoff. Firmen wie Siemens, Bosch oder Bayer werben damit, dass sie Jahrzehnte an Messwerten und Studien besitzen.

Ein zweiter Punkt ist Verlässlichkeit. In der Medizin oder im Recht darf eine erfundene Antwort nicht passieren. Wenn ein Modell auf geprüfte Fachdaten zurückgreift, sinkt die Gefahr von frei erfundenen Aussagen deutlich. Ganz verschwindet sie nicht.

Vom Aktenschrank zum trainierten Modell

Es gibt zwei Hauptwege, Fachdaten nutzbar zu machen. Beim ersten trainiert man ein bereits fertiges Modell mit dem Fachmaterial weiter. Das nennt man Feinabstimmung oder Fine-Tuning. Das Modell behält seine Sprachfähigkeit und lernt zusätzlich die Begriffe und Denkmuster des Fachs.

Der zweite Weg lässt das Modell unverändert. Stattdessen legt man die Fachdokumente in eine durchsuchbare Ablage. Stellt jemand eine Frage, sucht das System zuerst die passenden Dokumente heraus. Erst dann formuliert das Modell die Antwort und darf nur diese Dokumente verwenden. Dieses Verfahren heißt Retrieval Augmented Generation, kurz RAG. Es ist billiger und man sieht, woher eine Antwort kommt.

Der schwierigste Teil ist meist die Vorarbeit. Fachdaten liegen als eingescannte PDFs vor, in alten Datenbanken oder in Tabellen, die niemand mehr erklären kann. Sie müssen lesbar gemacht, sortiert und von Fehlern befreit werden. Fachleute schätzen, dass dieser Schritt oft den größten Teil des Aufwands verschlingt.

Domänendaten in Firmenmeldungen und Produkten

In Wirtschaftsnachrichten begegnet dir der Begriff häufig bei Kooperationen. Ein KI-Anbieter liefert die Technik, ein Industriekonzern die Daten. Meldungen über solche Partnerschaften erscheinen fast wöchentlich. Auch bei Übernahmen geht es oft weniger um Software als um den Datenbestand des gekauften Unternehmens.

In Produkten steckt das Prinzip in jedem Assistenten, der nur über ein bestimmtes Thema Auskunft gibt. Der Chatbot einer Bank kennt deren Tarife, nicht die Weltgeschichte. Ein Programmierassistent, der auf dem Code einer Firma trainiert wurde, schlägt Lösungen im dortigen Stil vor.

Ein häufiger Irrtum ist, mehr Daten seien automatisch besser. Bei Fachdaten gilt eher das Gegenteil. Ein paar tausend sorgfältig geprüfte Beispiele bringen oft mehr als Millionen unsortierte Dateien. Dazu kommen rechtliche Grenzen: Patientenakten und Personaldaten darf man nicht einfach in ein Training geben. Der Datenschutz entscheidet mit, welche Fachdaten überhaupt verwendbar sind.