Diskriminative Modelle lernen, Datenpunkte zu unterscheiden, indem sie direkt die Grenze zwischen Klassen bestimmen – sie beantworten die Frage „Zu welcher Kategorie gehört diese Eingabe?“. Beispiele sind logistische Regression, Support Vector Machines und viele neuronale Klassifikatoren, etwa zur Spam-Erkennung. Generative Modelle bilden dagegen ab, wie die Daten selbst entstehen, und können deshalb neue Beispiele erzeugen.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenGenerative KI bezeichnet KI-Systeme, die neue Inhalte erzeugen – Texte, Bilder, Audio, Video oder Programmcode –, statt nur vorhandene Daten zu ordnen oder zu bewerten. Grundlage sind Modelle, die aus großen Datenmengen Muster lernen und daraus wahrscheinliche neue Ausgaben bilden. Im Unternehmen wird sie etwa für Entwürfe von E-Mails, Zusammenfassungen, Produktbeschreibungen oder Bildideen genutzt. Die Ergebnisse können fehlerhaft sein und sollten vor der Verwendung geprüft werden.
Die logistische Regression ist ein statistisches Verfahren, das die Wahrscheinlichkeit für eines von zwei Ergebnissen vorhersagt, etwa „kauft“ oder „kauft nicht“. Sie gewichtet Eingangsmerkmale und wandelt die Summe über eine S-förmige Funktion in einen Wert zwischen 0 und 1 um. Weil die Gewichte gut interpretierbar sind, wird sie häufig in Kreditprüfung, Medizin und Marketing eingesetzt, oft als solide Vergleichsbasis für komplexere Modelle.
Ein Klassifizierer ist ein Modell oder Verfahren, das Eingaben einer von mehreren festgelegten Kategorien zuordnet. Klassische Varianten werden mit beschrifteten Beispielen trainiert, etwa Entscheidungsbäume oder Naive Bayes; Sprachmodelle können Texte auch anhand einer Beschreibung der Kategorien einordnen. Typische Einsätze sind Spam-Erkennung, das Sortieren von Kundenanfragen nach Thema oder die Einstufung von Belegen. Die Qualität wird mit Kennzahlen wie Genauigkeit, Präzision und Recall gemessen.
Naive Bayes ist eine Familie einfacher Klassifikationsverfahren, die auf dem Satz von Bayes beruhen. „Naiv“ heißen sie, weil sie annehmen, dass alle Merkmale unabhängig voneinander sind, was in der Praxis selten zutrifft, aber oft trotzdem gute Ergebnisse liefert. Die Verfahren sind schnell, brauchen wenig Trainingsdaten und eignen sich besonders für Texte. Klassisches Beispiel ist der Spamfilter, der anhand typischer Wörter E-Mails einordnet.
