Trainingsdaten
Trainingsdaten sind die Beispiele, aus denen ein KI-Programm seine Fähigkeiten lernt – etwa Milliarden Texte aus dem Internet oder Millionen beschriftete Fotos. Ihre Menge und Qualität entscheiden mit darüber, was das fertige Programm kann und welche Fehler es macht.
Ein KI-Programm bekommt seine Fähigkeiten nicht von Programmierern eingetippt. Es lernt sie aus Beispielen, und diese Beispiele nennt man Trainingsdaten. Bei einem Textprogramm sind das riesige Mengen geschriebener Sprache: Webseiten, Bücher, Foren, Nachrichtenartikel. Bei einem Programm, das Katzen auf Fotos erkennen soll, sind es Millionen Bilder, bei denen jemand vorher notiert hat, was darauf zu sehen ist. Das Programm sucht in diesen Beispielen nach Mustern und speichert sie in einer Art Gedächtnis aus Zahlen. Was in den Beispielen nie vorkam, kann es später auch kaum.
Warum der Datensatz über die Qualität entscheidet
In der Informatik gibt es einen alten Satz: Müll rein, Müll raus. Für KI gilt er besonders streng. Ein Programm hat keine Möglichkeit zu prüfen, ob das Gelernte stimmt. Es übernimmt, was in den Daten häufig vorkommt, samt aller Fehler und Einseitigkeiten.
Ein bekanntes Beispiel: Bewerbungssysteme, die aus alten Personalakten gelernt haben. Wenn in diesen Akten fast nur Männer eingestellt wurden, hält das Programm männliche Bewerber für die besseren. Es hat keine Meinung, es rechnet nur die Vergangenheit weiter. Fachleute nennen so eine eingebaute Schieflage Bias, also Verzerrung.
Auch die Menge zählt. Große Sprachmodelle wurden mit Textmengen trainiert, die ein Mensch in tausend Leben nicht lesen könnte. Genau deshalb sind gute Daten inzwischen ein wirtschaftliches Gut. Verlage, Bilddatenbanken und Foren verkaufen Lizenzen, und um unerlaubt genutzte Inhalte laufen mehrere große Gerichtsverfahren.
Vom Rohtext zum fertigen Datensatz
Rohe Daten sind fast nie direkt brauchbar. Zuerst wird gesammelt, oft mit Programmen, die automatisch Webseiten abgrasen. Danach wird gefiltert: Spam raus, Doppelungen raus, kaputte Dateien raus, oft auch Gewalt und Hassrede. Bei manchen Projekten überlebt nur ein kleiner Teil des gesammelten Materials diese Reinigung.
Dann folgt die Aufbereitung. Texte werden in kleine Bausteine zerlegt, damit das Programm sie verarbeiten kann. Bilder werden auf eine einheitliche Größe gebracht. Wichtig ist außerdem, einen Teil der Daten zurückzuhalten. Mit diesen Testdaten prüft man später, ob das Programm wirklich verstanden hat oder nur auswendig gelernt hat.
Ein Teil der Daten entsteht durch menschliche Arbeit. Menschen beschriften Bilder, bewerten Antworten oder schreiben Musterlösungen. Das ist teuer, deshalb setzen Firmen zunehmend auf synthetische Daten: Beispiele, die eine KI selbst erzeugt. Das funktioniert erstaunlich gut, birgt aber ein Risiko. Trainiert man Modelle immer wieder mit dem Output anderer Modelle, verstärken sich Fehler wie bei einer Fotokopie einer Fotokopie.
Trainingsdaten in Schlagzeilen und Produkten
Wenn in den Nachrichten über KI gestritten wird, geht es sehr oft um Trainingsdaten. Autoren und Künstler klagen, weil ihre Werke ohne Erlaubnis verwendet wurden. Zeitungen wie die New York Times haben deshalb Verfahren angestoßen, andere Verlage haben stattdessen Verträge geschlossen. Auch die KI-Verordnung der Europäischen Union verlangt von Anbietern Angaben darüber, womit sie trainiert haben.
Im Alltag begegnet dir der Begriff im Kleingedruckten von Apps. Wenn du in den Einstellungen eines Chatbots ein Häkchen wegklickst, entscheidest du meist genau darüber: ob deine Eingaben als Trainingsdaten dienen dürfen. Bei Firmen ist das ein heikles Thema, weil Betriebsgeheimnisse so bei einem Anbieter landen können.
Ein häufiger Irrtum: Trainingsdaten seien im Modell gespeichert wie in einer Datenbank. Das Modell speichert Muster, keine Kopien, und kann nichts gezielt nachschlagen. Genau deshalb erfindet es manchmal Details. Neuere Systeme umgehen das, indem sie beim Antworten zusätzlich echte Dokumente durchsuchen – das sind dann aber keine Trainingsdaten mehr, sondern Nachschlagequellen.