🧠 FAQ: Alles, was du über Large Language Models (LLMs) wissen musst


Was bedeutet die Abkürzung LLM?

LLM steht für Large Language Model, also ein großes Sprachmodell. Es handelt sich um eine Form von künstlicher Intelligenz, die auf Deep Learning basiert und menschliche Sprache verstehen, verarbeiten und erzeugen kann.

Was sind Large Language Models genau?

Large Language Models sind KI-Systeme, die mit riesigen Textmengen trainiert wurden. Sie können Texte schreiben, Fragen beantworten, Inhalte zusammenfassen oder übersetzen. Bekannte Beispiele sind ChatGPT, Gemini oder LaMDA.

Warum nennt man sie „Large“ Language Models?

Das Wort „Large“ bezieht sich auf zwei Dinge:

  1. Die Datenmenge – oft mehrere Petabyte an Texten.
  2. Die Anzahl der Parameter – also der gelernten Verbindungen, die das Wissen des Modells speichern.
Was bedeutet „vortrainiert“ bei einem LLM?

„Vortrainiert“ heißt, dass das Modell zunächst mit einem sehr großen, allgemeinen Datensatz trainiert wird – zum Beispiel mit Texten aus dem Internet. Dadurch lernt es allgemeine Sprachmuster und Fakten.

Was bedeutet „feinabgestimmt“ oder „fine-tuned“?

Nach dem Vortraining kann das Modell für spezielle Aufgaben feinabgestimmt werden – etwa für juristische Texte, medizinische Fragen oder Kundenservice-Dialoge. Dabei wird nur mit einem kleineren, fachspezifischen Datensatz weitertrainiert.

Welche Vorteile haben Large Language Models?
  • Sie können viele Aufgaben mit einem einzigen Modell lösen.
  • Sie benötigen wenig zusätzliche Trainingsdaten.
  • Ihre Leistung steigt, wenn man mehr Daten und Parameter hinzufügt.
Was ist der Unterschied zwischen generativer KI und LLMs?

Generative KI kann neue Inhalte erstellen – Texte, Bilder, Musik oder Videos.
LLMs sind ein Teilbereich davon und konzentrieren sich auf die Erzeugung und Verarbeitung von Sprache.

Wie funktionieren Transformer-Modelle hinter LLMs?

Transformer-Modelle bestehen aus einem Encoder (zum Verstehen von Eingaben) und einem Decoder (zum Erzeugen von Ausgaben). Dieses Konzept macht LLMs besonders gut darin, Sprache zu verstehen und sinnvoll zu ergänzen.

Was ist ein Prompt, und warum ist er wichtig?

Ein Prompt ist die Eingabe, die man einem LLM gibt – also die Frage oder Anweisung.
Beispiel: „Erkläre mir Quantencomputing in einfachen Worten.“
Gute Prompts führen zu besseren Antworten. Das Erstellen solcher Eingaben nennt man Prompt Design.

Was ist der Unterschied zwischen Prompt Design und Prompt Engineering?
  • Prompt Design: klare und verständliche Prompts formulieren.
  • Prompt Engineering: Prompts gezielt optimieren, um die Leistung zu steigern.
Welche Arten von LLMs gibt es?
  1. Generische Modelle – sagen das nächste Wort vorher.
  2. Anweisungsbasierte Modelle – folgen klaren Aufgaben.
  3. Dialogbasierte Modelle – führen Gespräche (z. B. Chatbots wie Gemini).
Was bedeutet „Chain of Thought“ bei LLMs?

„Chain of Thought“ beschreibt, dass ein Modell bessere Antworten liefert, wenn es seinen Gedankengang in Zwischenschritten erklärt – ähnlich wie ein Mensch, der laut überlegt.

Warum sind spezialisierte Modelle oft zuverlässiger?

Ein allgemeines LLM kann viele Dinge, ist aber nicht perfekt in jedem Bereich. Durch Feinabstimmung auf Fachgebiete (z. B. Medizin oder Recht) steigt die Genauigkeit deutlich.

Was ist Vertex AI von Google?

Vertex AI ist Googles Plattform für maschinelles Lernen und generative KI.
Damit kannst du:

  • Modelle testen, anpassen und bereitstellen,
  • Chatbots und Suchsysteme ohne viel Code erstellen,
  • eigene Anwendungen mit KI ausstatten.
Was ist Gemini und warum ist es besonders?

Gemini ist ein multimodales LLM von Google.
Es versteht Text, Bilder, Audio und Code – und kann dadurch komplexe Aufgaben lösen, die über Sprache hinausgehen.

Was bedeutet „parametereffizientes Fine-Tuning (PETM)“?

PETM erlaubt es, ein LLM mit eigenen Daten zu verbessern, ohne das ganze Modell neu zu trainieren. Nur wenige Zusatzschichten werden angepasst – effizient und kostengünstig.

Wie kann man selbst mit LLMs arbeiten, ohne Programmierkenntnisse?

Mit Vertex AI Studio oder dem Agent Builder können auch Einsteiger eigene Chatbots, Suchfunktionen oder KI-Anwendungen erstellen – ganz ohne Code.

Was ist der Unterschied zwischen herkömmlichem maschinellem Lernen und LLMs?

Klassisches ML braucht viele Trainingsdaten, Fachwissen und Rechenleistung.
LLMs hingegen sind bereits vortrainiert – du musst nur noch gute Prompts formulieren.

Welche realen Anwendungsbeispiele gibt es für LLMs?

LLMs werden eingesetzt für:

  • Kundensupport
  • Gesundheitswesen
  • Finanzwesen
  • Bildung und Forschung
Was ist der wichtigste Punkt, den man über LLMs wissen sollte?

LLMs sind mächtige Werkzeuge, die Sprache verstehen und erzeugen können.
Ihre Stärke liegt in ihrer Vielseitigkeit – vom Schreiben bis zur komplexen Analyse.