Tabellarisches Sprachmodell

Die meisten bekannten KI-Systeme für Sprache lesen Text von links nach rechts, Wort für Wort. Eine Tabelle funktioniert aber anders: Sie hat Zeilen, Spalten und Überschriften, und die Bedeutung einer Zahl ergibt sich erst aus ihrer Position. Der Wert 4,2 in einer Zelle sagt allein nichts aus. Erst die Spaltenüberschrift „Umsatz in Milliarden“ und die Zeilenbeschriftung „2023“ machen daraus eine Information. Ein tabellarisches Sprachmodell ist ein KI-System, das genau diese Struktur mitliest und versteht. Es beantwortet Fragen zu Tabellen, sucht Werte heraus und rechnet einfache Summen oder Vergleiche über mehrere Zellen.

Warum Tabellen für KI ein Sonderfall sind

Ein sehr großer Teil aller wichtigen Daten liegt nicht als Text vor, sondern in Tabellen. Geschäftsberichte, Preislisten, Messreihen, Datenbanken von Behörden: überall Zeilen und Spalten. Wer diese Daten automatisch auswerten will, braucht ein System, das sie korrekt liest. Genau hier scheitern reine Textmodelle oft.

Der Grund ist einfach. Presst man eine Tabelle in eine lange Textzeile, geht die räumliche Ordnung verloren. Das Modell weiß dann nicht mehr sicher, welche Zahl zu welcher Spalte gehört. Bei einer Tabelle mit fünf Zeilen fällt das kaum auf. Bei tausend Zeilen entstehen schnell falsche Zuordnungen, und die Antwort klingt trotzdem überzeugend.

Für Finanzdaten ist das ein ernstes Problem. Eine verwechselte Spalte macht aus einem Gewinn einen Verlust. Deshalb investieren Unternehmen viel Arbeit in Modelle, die Tabellenstruktur wirklich abbilden. Wichtig ist dabei eine Abgrenzung: Ein tabellarisches Sprachmodell ist kein Taschenrechner und keine Datenbank. Es ist ein Sprachmodell, das gelernt hat, mit Tabellen umzugehen.

Wie Zeilen und Spalten ins Modell kommen

Zuerst wird die Tabelle in kleine Einheiten zerlegt, meist Zelle für Zelle. Jede Zelle bekommt zusätzliche Positionsangaben mit auf den Weg. Das Modell erfährt also nicht nur den Inhalt „4,2“, sondern auch: dritte Zeile, zweite Spalte, Überschrift „Umsatz“. Diese Zusatzinformation ist der eigentliche Kniff. Sie ersetzt das, was ein Mensch beim Blick auf ein Raster sofort sieht.

Trainiert werden solche Modelle mit Millionen echter Tabellen aus dem Internet, etwa aus Wikipedia oder offenen Datenportalen. Dazu kommen Fragen mit bekannten Antworten. Das Modell übt so, aus einer Frage die richtigen Zellen auszuwählen. Man kann sich das wie einen Schüler vorstellen, der Tausende Übungsaufgaben zum Ablesen von Diagrammen und Tabellen löst.

Viele Systeme gehen einen Umweg. Statt die Antwort direkt auszurechnen, erzeugen sie eine Datenbankabfrage oder ein kurzes Programm. Dieses wird dann von einem echten Programm ausgeführt. Das ist zuverlässiger, weil die Rechnung nicht mehr geraten wird. Ein typischer Irrtum ist die Annahme, das Modell rechne selbst exakt. Große Zahlen bringen reine Sprachmodelle regelmäßig durcheinander.

Vom Tabellenblatt zum Chatfenster

Am häufigsten trifft man diese Technik in Tabellenprogrammen. In Excel oder Google Sheets kann man inzwischen in normaler Sprache fragen, welches Produkt sich am besten verkauft hat. Im Hintergrund arbeitet ein Modell, das Struktur und Frage zusammenbringt. Auch Suchmaschinen nutzen so etwas, wenn sie eine Antwort direkt aus einer Tabelle einer Webseite ziehen.

In der Finanzwelt ist der Einsatz besonders sichtbar. Analysten lassen Quartalsberichte automatisch durchsuchen, statt Kennzahlen von Hand abzutippen. Banken und Versicherungen prüfen damit große Datenbestände auf Auffälligkeiten. In Nachrichten taucht der Begriff meist im Zusammenhang mit Bürosoftware oder Datenanalyse auf.

Verlassen sollte man sich auf die Ergebnisse aber nicht blind. Auch gute Tabellenmodelle liefern hin und wieder plausibel wirkende, aber falsche Zahlen. In der Praxis wird deshalb meist angezeigt, aus welchen Zellen eine Antwort stammt. So kann ein Mensch die Rechnung nachvollziehen und im Zweifel korrigieren.