Viele glauben, ein KI-Modell lerne bei jeder Antwort weiter. Dabei bleibt es bei der Anwendung völlig unverändert – es wendet nur Gelerntes an.

Diese beiden Phasen begegnen Einsteigern überall: Training dauert meist lange, eine Antwort entsteht in einem einzigen Durchlauf. Wer Training und Inferenz nicht auseinanderhält, wundert sich, warum ein Modell Fehler nie von selbst verschwinden.

Unter Training versteht man das Anpassen der Parameter (Gewichte, also die veränderbaren Zahlenwerte im Modell) an Beispieldaten. Eine Verlustfunktion (Loss) misst dabei, wie weit die Vorhersagen vom richtigen Ergebnis entfernt sind; das Training verändert die Parameter so, dass der Verlust sinkt. Das geschieht in Epochen – ein vollständiger Durchlauf durch alle Trainingsdaten – und in Batches, also Teilmengen, nach denen die Parameter jeweils aktualisiert werden.

Ein Spamfilter zeigt beide Phasen. Im Training lernt er aus tausenden bereits einsortierten E-Mails, ob Merkmale wie Wörter und Absenderdaten auf Spam hindeuten. Bei der Inferenz, dem Einsatz des fertigen Modells, sortiert er eine neue E-Mail ein – ohne die richtige Antwort zu kennen. Das Bild passt: Training ist Üben mit Lösungsheft, Inferenz ist die Prüfung, bei der das Heft wegbleibt.

Verwechselt wird Inferenz gern mit Lernen. Der Unterschied: Bei der Inferenz bleiben die Parameter fest, es wird nur ein einziger Durchlauf je Eingabe gerechnet. Beim Training werden sie über viele Durchläufe immer wieder verändert. Genau deshalb lernt ein Modell im Einsatz nicht weiter.

Training ist nicht dasselbe wie Inferenz, sondern das langwierige Lernen der Parameter – die Inferenz wendet sie schnell an.

📌 Training · Inferenz · Parameter

📚 KI von Grund auf · Tag 2 von 30
#machinelearning #Inferenz #ki