Datenknappheit liegt vor, wenn für eine KI-Aufgabe zu wenige passende oder gekennzeichnete Daten vorhanden sind, um ein Modell zuverlässig zu trainieren oder zu prüfen. Das betrifft etwa seltene Fehlerbilder in der Produktion, Nischensprachen oder neue Produkte ohne Verkaufshistorie. Gegenmaßnahmen sind Transfer Learning, synthetische Daten, Datenaugmentation oder vortrainierte Sprachmodelle, die schon mit wenigen Beispielen brauchbare Ergebnisse liefern.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenSynthetische Daten werden künstlich erzeugt, statt in der realen Welt erhoben zu werden, bilden aber deren Muster und Eigenschaften nach. Sie helfen, wenn echte Daten knapp, teuer oder datenschutzrechtlich heikel sind – etwa zum Testen von Software, zum Training von Modellen oder zum Prüfen eines Chatbots mit realistischen Beispielanfragen. Wichtig ist, dass sie die Wirklichkeit ausreichend abbilden und keine Rückschlüsse auf echte Personen zulassen.
Beim Transfer Learning (Transferlernen) wird ein Modell, das bereits an einer großen allgemeinen Aufgabe gelernt hat, als Ausgangspunkt für eine neue, spezielle Aufgabe genutzt. Statt bei null zu beginnen, wird es etwa per Feinabstimmung mit vergleichsweise wenigen eigenen Daten angepasst. Das spart Rechenzeit und Daten – zum Beispiel, wenn ein allgemeines Bildmodell lernen soll, Produktionsfehler auf Fotos zu erkennen.
Few-Shot Learning bezeichnet die Fähigkeit eines Modells, eine Aufgabe anhand weniger Beispiele zu lösen. Bei Sprachmodellen geschieht das meist direkt in der Eingabe: Man zeigt zwei oder drei Muster aus Frage und gewünschter Antwort, und das Modell überträgt Format und Stil auf neue Fälle – ohne erneutes Training. Beispiel: Drei korrekt kategorisierte Kundenanfragen genügen oft, damit weitere Anfragen im selben Schema eingeordnet werden.
Trainingsdaten sind die Beispiele, aus denen ein KI-Modell Muster lernt – bei Sprachmodellen große Textsammlungen, bei Bildmodellen beschriftete Bilder. Ihre Qualität, Vielfalt und Aktualität bestimmen maßgeblich, wie zuverlässig, fair und auf welchem Wissensstand ein Modell später antwortet. Für Unternehmen ist zudem wichtig, ob ein Anbieter eingegebene Kundendaten für weiteres Training verwendet.
