Arten von LLMs
Generative Modelle
Das bedeutet, dass aus Eingaben mittels generativer Modelle und gespeicherter Lerndaten neue Ergebnisse/Ausgaben wie Texte, Sprachaussagen, Vertonungen, Bilder oder Videos erzeugen. Generative KI-Modelle erlernen Muster und Strukturen vorgängig eingegebener Trainingsdaten und generieren daraus neue Daten mit ähnlichen Eigenschaften
Beispiele:
- Llama
- GPT
- Gemini
- Claude
Repräsentative Modelle
Repräsentative Modelle zielen darauf ab, Daten zu klassifizieren oder zu kategorisieren. Sie lernen Muster und Merkmale, um Eingabedaten in vordefinierte Kategorien einzuordnen.
Beispiele:
- Bildklassifikation: Ein Modell, das Katzen von Hunden unterscheidet
- Spam-Filter in E-Mail-Programmen
- Gesichtserkennung
- Sentiment-Analyse von Texten (positiv/negativ)
Prompting
Regeln für einen guten Prompt
Spezifisch: Beschreibe was du erreichen möchtest. Beispiel: „Schreibe eine Beschreibung für ein Produkt“ oder besser „Schreibe eine Beschreibung für ein Produkt in weniger als zwei Sätzen“
Halluzinationen: LLMs können falsche Informationen erzeugen. Dies nenn man Hallucination. Um dies zu reduzieren, können wir dem LLM sagen „Erzeuge nur eine Antwort, wenn du das Ergebnis weißt, ansonsten sage, dass du es nicht weist.
Sortieren: Beginnen oder Enden Sie mit der Anweisung. Vor allem bei langen Prompts können Informationen in der Mitte vergessen werden. LLMs neigen dazu sich auf Informationen am Anfang (primacy effect) oder am Ende (recency effect) zu fokussieren.
