Auto-Labeling
Auto-Labeling bedeutet, dass ein Computerprogramm Trainingsdaten selbst mit Beschreibungen versieht, statt dass Menschen das von Hand tun. Die Ergebnisse sind schneller und billiger, aber weniger zuverlässig als menschliche Arbeit.
Damit ein Computerprogramm aus Beispielen lernen kann, brauchen diese Beispiele meist eine Beschreibung. Bei einem Foto steht dann dabei: Hier ist ein Fußgänger, dort ein Fahrrad. Solche Beschreibungen nennt man Labels, und normalerweise tippen Menschen sie mühsam ein. Auto-Labeling dreht das um: Ein bereits fertiges Programm erzeugt diese Beschreibungen selbst. Menschen prüfen danach nur noch stichprobenartig oder korrigieren die unsicheren Fälle. Aus tausenden Arbeitsstunden werden so oft wenige Stunden Rechenzeit.
Der Flaschenhals heißt Datenmenge
Moderne KI-Systeme brauchen enorme Mengen beschriebener Beispiele. Ein Assistenzsystem im Auto lernt aus Millionen Verkehrsbildern, in denen jedes Objekt markiert ist. Von Hand kostet ein einziges solches Bild mehrere Minuten. Rechnet man das hoch, entstehen Kosten in Millionenhöhe, bevor überhaupt trainiert wurde.
Deshalb ist die Beschriftung von Daten oft teurer als die Rechenleistung fürs Training. Auto-Labeling verschiebt dieses Verhältnis massiv. Firmen können damit Datensätze aufbauen, die früher schlicht unbezahlbar gewesen wären. Gleichzeitig entsteht ein ganzer Markt: Anbieter wie Scale AI oder Labelbox verkaufen genau diese Mischung aus Automatik und menschlicher Kontrolle.
Es gibt aber einen Preis. Fehler im automatischen Etikett wandern direkt ins nächste Modell. Wenn ein Programm Baustellenschilder systematisch falsch einordnet, lernt das neue Modell diesen Fehler mit. Deshalb ist Auto-Labeling nie ganz ohne Menschen zu haben.
Vom starken Vorbild zum sparsamen Nachfolger
Meist beginnt man mit einem sehr guten, aber sehr teuren Modell. Es darf beliebig lange rechnen, weil es die Daten nur einmal durchgehen muss. Dieses Modell beschreibt den kompletten Datenberg. Das Ergebnis dient dann als Lernstoff für ein kleineres, schnelleres Modell, das später im Produkt läuft. Fachleute nennen dieses Prinzip Destillation, weil das Wissen vom großen ins kleine System überführt wird.
Entscheidend ist der Umgang mit Unsicherheit. Die meisten Modelle liefern zu jeder Antwort einen Zahlenwert, wie sicher sie sind. Liegt dieser Wert hoch, übernimmt man das Label ungeprüft. Liegt er niedrig, landet der Fall in einer Warteschlange für menschliche Prüfer. Dieses Vorgehen heißt Active Learning: Menschen arbeiten nur noch an den Beispielen, bei denen sie wirklich gebraucht werden.
Ein verbreiteter Irrtum ist, das Nachfolgemodell könne dabei nicht besser werden als sein Vorbild. Oft stimmt das nicht. Weil das kleine Modell sehr viele Beispiele sieht, mitteln sich zufällige Fehler des Vorbilds teilweise heraus. Systematische Fehler bleiben dagegen erhalten. Genau deshalb bleibt eine unabhängige, von Hand beschriftete Testmenge unverzichtbar.
Von Verkehrsschildern bis zu Chatbot-Antworten
Am sichtbarsten ist die Technik beim autonomen Fahren. Tesla, Waymo und Mobileye beschreiben Kameraaufnahmen automatisch und lassen Menschen nur die kniffligen Szenen prüfen. Ähnlich läuft es in der Medizin, wo Röntgenbilder vorsortiert werden. Der Arzt bestätigt oder korrigiert, statt bei null anzufangen.
Auch bei Sprachmodellen spielt das Verfahren eine große Rolle. Ein starkes Modell erzeugt Beispielantworten oder bewertet die Antworten anderer Modelle. Diese Bewertungen ersetzen dann teure menschliche Urteile. In Fachartikeln taucht dafür der Ausdruck LLM-as-a-judge auf, also das Sprachmodell als Schiedsrichter.
In Nachrichten begegnet dir der Begriff meist im Zusammenhang mit Kosten und Qualität. Wenn eine Firma meldet, sie habe ihre Datenpipeline automatisiert, steckt fast immer Auto-Labeling dahinter. Kritisch wird es, wenn niemand mehr prüft. Dann entsteht ein Kreislauf, in dem Modelle sich gegenseitig ihre Fehler beibringen.