Conditioning
Conditioning bezeichnet die Technik, einem KI-Modell zusätzliche Vorgaben mitzugeben, an denen es sich beim Erzeugen einer Ausgabe orientieren muss. Ohne solche Vorgaben würde das Modell irgendetwas Passendes ausgeben, mit ihnen etwas Bestimmtes.
Programme, die Bilder oder Texte erzeugen, könnten im Prinzip einfach drauflos produzieren. Das Ergebnis wäre zufällig: irgendein Bild, irgendein Satz. Meistens will man aber etwas Bestimmtes. Conditioning ist der Fachbegriff dafür, dem Programm eine Vorgabe mitzugeben, an der es sich beim Erzeugen festhalten muss. Diese Vorgabe kann ein Satz sein, ein Beispielbild, eine Grobskizze oder auch nur eine Zahl. Man sagt dann, die Ausgabe sei auf diese Vorgabe konditioniert.
Vom Zufallsgenerator zum steuerbaren Werkzeug
Die ersten Bildgeneratoren konnten zwar überzeugende Gesichter erzeugen, aber niemand konnte bestimmen, welches. Man drückte auf einen Knopf und bekam ein zufälliges Gesicht. Das war beeindruckend, aber praktisch kaum zu gebrauchen. Erst Conditioning hat aus dieser Spielerei ein Werkzeug gemacht.
Der wirtschaftliche Unterschied ist gewaltig. Ein Werbegrafiker braucht kein zufälliges Produktfoto, sondern genau dieses Produkt vor genau diesem Hintergrund. Erst wenn die Vorgabe zuverlässig durchschlägt, lohnt sich der Einsatz im Beruf. Ein großer Teil der Entwicklung der letzten Jahre bestand deshalb darin, die Steuerbarkeit zu verbessern, nicht die reine Bildqualität.
Auch bei Sprachmodellen ist Conditioning der Kern der Sache. Was du in ein Chatfenster tippst, ist die Vorgabe, auf die das Modell seine Antwort konditioniert. Ohne deine Eingabe würde es beliebigen Text fortsetzen. Der Fachbegriff für diese Eingabe lautet Prompt.
Wie die Vorgabe ins Modell kommt
Ein KI-Modell rechnet nur mit Zahlen. Deshalb wird die Vorgabe zuerst in eine lange Zahlenreihe übersetzt, die ihre Bedeutung festhält. Ein Text wie « roter Sportwagen bei Nacht » wird also zu einer Zahlenfolge, die inhaltlich ähnliche Texte auf ähnliche Werte abbildet. Diese Zahlenreihe nennt man Einbettung oder Embedding.
Diese Zahlen werden dann in den Rechenweg des Modells eingespeist, oft an vielen Stellen gleichzeitig. Bei jedem einzelnen Rechenschritt schaut das Modell also zusätzlich auf die Vorgabe. Man kann es sich wie einen Kompass vorstellen, auf den ein Wanderer alle paar Minuten blickt. Er geht selbst, aber die Richtung wird ständig korrigiert.
Gelernt wird das im Training. Dem Modell werden Millionen Paare gezeigt, etwa Bild und passende Bildunterschrift. So lernt es den Zusammenhang zwischen Vorgabe und Ergebnis. Ein häufiger Irrtum ist, Conditioning sei eine nachträgliche Filterung. Tatsächlich beeinflusst die Vorgabe die Erzeugung von Anfang an.
Wo Vorgaben im Alltag auftauchen
Am sichtbarsten ist Conditioning bei Bildgeneratoren. Neben dem Textprompt kann man dort oft weitere Vorgaben machen: ein Referenzbild für den Stil, eine Strichzeichnung für die Bildkomposition oder eine Skizze der Körperhaltung. Die bekannteste Erweiterung dafür heißt ControlNet. Sie erlaubt es, eine Pose vorzugeben und trotzdem alles andere frei erzeugen zu lassen.
Auch in Nachrichten über KI taucht der Begriff auf, meist versteckt. Wenn ein Anbieter von « steuerbaren » oder « kontrollierbaren » Modellen spricht, geht es fast immer um besseres Conditioning. Bei Sprachmodellen gehört das sogenannte System-Prompt dazu, eine unsichtbare Vorgabe des Betreibers. Sie legt fest, wie höflich, ausführlich oder vorsichtig ein Assistent antwortet.
Abzugrenzen ist Conditioning vom Finetuning. Beim Finetuning wird das Modell selbst nachtrainiert und verändert sich dauerhaft. Beim Conditioning bleibt das Modell unverändert, nur die Eingabe steuert das Ergebnis. Conditioning wirkt sofort und kostet nichts, Finetuning ist aufwendig, aber tiefgreifender.