Glossar

Trainingsdaten

Was ist Trainingsdaten?

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.

So hilft KI.ordo

Laut den kommerziellen Geschäftsbedingungen von Anthropic (Stand Oktober 2026) darf Anthropic Kundeninhalte aus seinen Diensten nicht zum Training von Modellen verwenden, und auch die 👍/👎-Bewertungen in KI.ordo dienen nur der Verbesserung von Wissen und Anweisungen, nicht dem Modelltraining.

Mehr erfahren →

Themen

Daten
Training
Datenschutz

KI.ordo ausprobieren

Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.

Demo starten

← Alle Begriffe

Verwandte Begriffe

Synthetische Daten

Synthetische 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.

Testdaten
Datenschutz
+1

Vorlage

Datenknappheit

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.

Trainingsdaten
Datenqualität
+1

Garbage in, Garbage out (GIGO)

„Garbage in, Garbage out“ (Müll rein, Müll raus) beschreibt den Grundsatz, dass ein System nur so gute Ergebnisse liefern kann wie die Daten, die es erhält. Für KI gilt das doppelt: Fehlerhafte, veraltete oder einseitige Trainings- oder Wissensdaten führen zu falschen oder verzerrten Antworten. Ein Chatbot, der auf eine veraltete Preisliste zugreift, nennt eben veraltete Preise. Datenpflege ist deshalb eine Daueraufgabe jedes KI-Projekts.

Datenqualität
Grundprinzip
+1

Bias

Bias bezeichnet in der KI eine systematische Verzerrung von Ergebnissen. Sie entsteht oft durch unausgewogene oder historisch geprägte Trainingsdaten, aber auch durch Modellaufbau oder Fragestellung. Ein bekanntes Beispiel: Ein Bewerbungsfilter, der aus früheren Einstellungen lernt, kann bestehende Benachteiligungen fortschreiben. In der Statistik meint Bias zudem die Abweichung einer Schätzung vom wahren Wert. Gegenmaßnahmen sind vielfältige Daten, regelmäßige Prüfungen und menschliche Entscheidungen bei Personalfragen.

KI-Ethik
Fairness
+1