Daten – der Treibstoff der KI: Warum Daten entscheiden

In der Lektion darüber, wie ein Netzwerk lernt, wurde das Prinzip „Garbage in, Garbage out“ nur am Rande erwähnt. Es ist Zeit, es ernst zu nehmen: Daten sind kein Hintergrundrauschen, sie sind der Treibstoff, mit dem jede KI läuft. Ändere den Treibstoff, und alles ändert sich.

Warum die Daten entscheiden, nicht der Algorithmus

Die Intuition sagt, eine starke KI bedeutet einen brillanten Algorithmus. In Wirklichkeit sind Trainingsalgorithmen seit Jahren veröffentlicht und für jeden zugänglich – Studenten studieren sie. Was ein mittelmäßiges Modell von einem großartigen unterscheidet, sind häufiger die Daten: wie viele, wie sauber, wie vielfältig. Erinnere dich aus Lektion eins, warum der Durchbruch 2012 kam: Die Algorithmen neuronaler Netze waren seit den 1980er Jahren bekannt, aber sie wurden erst aktiv, als das Internet Milliarden von Beispielen angesammelt hatte. Der Algorithmus wartete nicht auf Daten – die Daten weckten den Algorithmus auf.

Daher die Branchenregel: In Daten zu investieren, zahlt sich meist mehr aus als eine weitere Anpassung des Modells. Unternehmen mit einzigartigen Daten (Suchmaschinen, soziale Netzwerke, Banken) sind genau deshalb stark – Daten sind schwerer zu kopieren als Code.

Zwei Arten von Daten: strukturiert und unstrukturiert

Strukturierte Daten sind sauber in Tabellen angeordnet: Zeilen, Spalten, Zahlen, Kategorien. Kundenalter, Kaufbetrag, Datum – alles an seinem Platz.

Unstrukturierte Daten sind alles andere: der Text von E-Mails, Fotos, Audio, Video, Posts. Keine Zeilen, keine Spalten – nur ein Strom. Verschiedenen Schätzungen zufolge sind die meisten Daten der Welt unstrukturiert, und jahrzehntelang konnte die Wirtschaft kaum etwas davon nutzen. Der Durchbruch bei neuronalen Netzen ist genau das: Zum ersten Mal gibt es ein Werkzeug, das Bedeutung aus diesem Ozean zieht. Das LLM aus dem letzten Modul ist eine Maschine zur Verarbeitung unstrukturierter Texte.

Woher Daten kommen

• Labelling (Beschriftung). Menschen fügen die „Antworten“ von Hand hinzu: Fußgänger in Aufnahmen für ein selbstfahrendes Auto umreißen, E-Mails als Spam / kein Spam markieren. Der berühmte ImageNet-Datensatz aus Lektion eins – etwa 14 Millionen Bilder, von einer Armee von Menschen von Hand beschriftet; damit gewann AlexNet. Labelling ist teure, langsame und unersetzliche Arbeit.
• Verhaltensbeobachtung. Jeder Klick, jedes Like, jedes Video, das du bis zum Ende ansiehst, ist kostenloses Labelling. Ohne es zu merken, trainierst du die Empfehlungssysteme: bis zum Ende angesehen – „gutes Beispiel“; weitergescrollt – „schlechtes Beispiel“.
• Vorgefertigte Datensätze. Gesammelte, bereinigte Datensätze, die viele Menschen wiederverwenden: der Text von Büchern, Enzyklopädien, offene Fotosammlungen. Schnell – aber jeder hat die gleichen, daher bieten sie keinen einzigartigen Vorteil.

Du gibst den Input und den Output – den Rest baut das Netzwerk selbst

Ein wichtiges Detail, das erklärt, warum das Labelling „Input → Antwort“ ausreicht. Du beschreibst der KI nie, wie eine Katze oder ein Gesicht aussieht. Du gibst nur Input A (ein Foto) und Output B („Katze / keine Katze“) – und das Netzwerk setzt die dazwischenliegenden Merkmale Schicht für Schicht selbst zusammen, wie Legosteine. Bei der Gesichtserkennung siehst du es deutlich: Die ersten Schichten finden einfache Kanten und Blobs, die nächsten bauen daraus Teile (ein Auge, eine Nase, eine Kontur), die obersten bauen ganze Gesichter.

Niemand hat „ein Auge“ von Hand programmiert – das Netzwerk entwickelte das Konzept selbst, nur damit die Antworten richtig herauskamen. Deshalb hat sich dieser Ansatz durchgesetzt (erinnere dich an die Lektion, was KI ist): Die Merkmale, die ein Mensch nicht in Worte fassen konnte, leitet die Maschine aus Beispielen ab.

„Garbage in, Garbage out“

Jetzt kommt das Prinzip aus der Trainingslektion voll zur Geltung. Ein Modell ist nicht klüger als seine Daten: Es lernt, was du ihm gezeigt hast, inklusive Fehler, Lücken und Verzerrungen.

Ein echter Fall: 2016 startete Microsoft einen Chatbot auf Twitter namens Tay, der natürliche Konversation direkt von dem lernen sollte, was Nutzer ihm sagten. Innerhalb eines Tages überhäuften Trolle ihn mit beleidigenden und rassistischen Nachrichten – und Tay, der gehorsam aus diesem „Treibstoff“ lernte, begann, denselben Schmutz zu wiederholen. Sechzehn Stunden später zog Microsoft den Stecker. Der Algorithmus funktionierte genau wie vorgesehen – es waren die Daten, die hineingegossen wurden, die vergiftet waren.

Drei Missverständnisse über Daten

• „Mehr Daten sind immer besser.“ Nein: Eine Million schlechter Beispiele sind schlimmer als tausend saubere. Quantität ohne Qualität verstärkt nur den Fehler.
• „Daten sind objektiv, es sind Zahlen.“ Daten sind ein Abdruck der Realität, aufgenommen von Menschen, mit ihren Entscheidungen und blinden Flecken. Eine Zahl ist keine Garantie für die Wahrheit: Erinnere dich an den Knowledge Cutoff und die veralteten Preise aus der Trainingslektion.
• „Wir haben nicht viele Daten – KI ist nichts für uns.“ Ein bisschen ist oft genug, wenn es sauber und auf den Punkt ist; und du kannst immer ein fertiges Modell nehmen und dessen Training ein wenig aufstocken (das war am Ende der Trainingslektion).

Mach das jetzt

Eine Fünf-Minuten-Übung, keine Tools – nur dein Kopf. Wähle einen beliebigen KI-Dienst, den du kennst (einen Empfehlungs-Feed, einen Spamfilter, einen Sprachassistenten) und beantworte drei Fragen auf Papier: (1) Mit welchen Daten wurde er höchstwahrscheinlich trainiert? (2) Woher stammten diese Daten – Labelling, Verhaltensbeobachtung oder ein vorgefertigter Datensatz? (3) Welche Verzerrung könnte hineingelangt sein? Die Gewohnheit, die Daten hinter dem Ergebnis zu sehen, unterscheidet einen Profi von einem Konsumenten. In der nächsten Lektion werden wir uns ansehen, was KI mit solchen Daten wirklich leisten kann – und was darüber hinausgeht.