KI verstehen und nutzen39 Beiträge
Ein Kurs, kein Archiv: in Lesereihenfolge nummeriert, Start bei 01. Jeder Beitrag steht für sich, wenn du den Teil davor schon kennst.
Von null anGrundlagen, 26 Beiträge
Was ein LLM ist, was eine GPU tut und wie man eins selbst betreibt. Kein Vorwissen nötig.
0102030405060708091011121314151617181920212223242526
Was ein LLM ist und wie daraus Wörter entstehen
Große Sprachmodelle ohne Fachjargon erklärt: was sie sind, warum sie im Grunde eine sehr gute Autovervollständigung sind und wie sie Wort für Wort schreiben.Hier anfangenWann sich KI auf dem eigenen Rechner lohnt
Cloud-Chatbots sind bequem und schwer zu schlagen. Die engeren Gründe, ein Modell selbst zu betreiben, und was du dafür aufgibst.Was eine GPU ist, und warum KI eine braucht
Warum KI betreiben heißt, eine Grafikkarte zu kaufen, was eine GPU von einer CPU unterscheidet und warum der Speicher auf der Karte die wichtigste Zahl ist.Wie ein Modell mit 30 Milliarden Parametern auf eine Karte passt
Quantisierung einfach erklärt: wie das Speichern jeder Zahl im Modell mit weniger Bits ein großes Modell auf eine Desktop-Grafikkarte bringt, und was das kostet.Wie man Namen und Specs eines Modells liest
Modellnamen wie Qwen3-30B-A3B-Q4_K_M wirken auf den ersten Blick kryptisch. So entschlüsselst du sie, plus die paar Specs, auf die es ankommt.Dein erstes lokales Modell, Schritt für Schritt
Von null bis zu einem Modell, das auf deinem eigenen Rechner antwortet: welche Größe du wählst, vier Befehle, wie du siehst, was es belegt, und wie du es wieder entfernst.Offene Gewichte, Open Source und Modelllizenzen
Ein Modell, das du kostenlos herunterladen kannst, darfst du nicht automatisch für alles nutzen. Was „offen“ bei einem Modell heißt, welche Lizenzfamilien es gibt und fünf Fragen, bevor ein Modell in die Arbeit geht.Mixture of Experts: wie ein 30B-Modell läuft wie ein 3B-Modell
Die Bauweise hinter Qwen3-30B-A3B: das Modell in viele Experten aufteilen und pro Token nur wenige ausführen. Warum das zu einer GPU passt, und welchen technischen Aufwand es mitbringt.Wie ein Modell lernt: Training, einfach erklärt
Jedes LLM beginnt als zufälliges Rauschen und wird von einer einzigen Schleife geformt: raten, den Fehler messen, Milliarden Regler anstupsen. Wie Training funktioniert, und warum es teuer ist.Pretraining, Fine-Tuning und RLHF
Ein frisch trainiertes Modell kann Text fortsetzen, antwortet dir aber nicht. Die drei Stufen, die daraus einen hilfreichen Assistenten machen, und welche du brauchst.Wie ein kleines Modell von einem großen lernt
Viele der kleinen offenen Modelle, die du zu Hause laufen lassen kannst, wurden von einem größeren Modell unterrichtet, nicht nur vom Internet. Was Destillation ist, warum sie so gut funktioniert und was sie nicht weitergeben kann.KI, die kein LLM ist
Sprachmodelle sind eine Familie der KI unter mehreren. Ein Rundgang durch die anderen großen Familien, wofür jede da ist und wann ein LLM das falsche Werkzeug ist.Was ein KI-Agent ist
Ein Agent ist ein Sprachmodell in einer Schleife, ausgestattet mit Werkzeugen, damit es Aktionen ausführen kann, statt sie nur zu beschreiben.Wie ein Agent Werkzeuge und Gedächtnis nutzt
Die Schleife, eine Ebene tiefer: wie das Modell ein Werkzeug anfordert, warum sein ganzes Gedächtnis nur das wachsende Protokoll ist und warum lange mehrstufige Aufgaben zerfallen.MCP: ein Stecker für jedes Werkzeug, das ein Agent nutzt
Das Model Context Protocol ist der Weg, über den Werkzeuge, Dateien und Fachsysteme an einen KI-Assistenten angeschlossen werden. Was die Teile sind, wie ein Aufruf auf der Leitung aussieht und was ein IT-Team erlauben sollte, bevor jemand einen Server installiert.Warum ein LLM die r in „strawberry“ falsch zählt
Bitte ein Spitzenmodell, die Buchstaben in einem Wort zu zählen, und es liegt oft daneben. Die Ursache ist kein Bug: Das Modell sieht überhaupt keine Buchstaben. Ein Rundgang durch Tokens.Warum du jedes Mal eine andere Antwort bekommst
Frag ein Modell zweimal dasselbe, und du bekommst womöglich zwei verschiedene Antworten. Das ist bewusstes gewichtetes Sampling, kein Fehler; ein einziger Regler bestimmt, wie stark die Antworten abweichen.Warum Modelle sich Dinge ausdenken
Ein Modell liefert dir mit voller Überzeugung einen falschen Fakt, ein erfundenes Zitat oder eine Funktion, die es nicht gibt. Woher „Halluzinationen“ kommen und wie du damit umgehst.Warum ein Modell nicht weiß, was gestern passiert ist
Ein Modell kann Quantenphysik erklären und trotzdem das heutige Datum falsch nennen. Was ein Knowledge Cutoff ist, warum ein Modell schon am Erscheinungstag veraltet ist und wie du damit umgehst.Was sich das Modell merkt: das Kontextfenster
Ein LLM hat kein Gedächtnis zwischen Nachrichten: Es liest bei jeder Runde das ganze Gespräch neu, und nur begrenzt viel passt hinein. Das ist das Kontextfenster.Embeddings: wie aus Text eine Liste von Zahlen wird
Ein Embedding macht aus Text eine Liste von Zahlen, so dass ähnliche Bedeutung nah beieinander landet. Wie das Suche und RAG antreibt, wo es scheitert und was die Vektoren an Speicher kosten.Wie ein Modell ein Bild sieht
Du kannst einer modernen KI ein Foto geben und Fragen dazu stellen. Ein Sprachmodell versteht nur Tokens; so kommt Sehen in ein Modell, das nur Wörter kannte.Wie ein Bildgenerator aus Rauschen ein Bild erzeugt
Ein Bildgenerator malt nicht und setzt keine Collage zusammen: Das Modell startet bei zufälligem Rauschen und entfernt es Schritt für Schritt, gelenkt von deinen Worten. Wie das funktioniert und warum es die verformten Hände erklärt.Wie ein Modell hört und spricht
Diktat, Besprechungsprotokolle, Sprachassistenten und geklonte Stimmen beruhen alle auf einer Idee: Klang wird zum Bild, dann zu Tokens. Wie Spracherkennung und Sprachsynthese funktionieren, wo sie versagen und worauf du bei der Arbeit achten solltest.Warum ein Modell nachdenkt, bevor es antwortet
Moderne Modelle schreiben seitenweise Rechenweg, bevor sie antworten. Dieses „Nachdenken“ ist mit Tokens erkaufte Rechenleistung: was es bringt, was es kostet, wann es verschwendet ist.Wie man einen Prompt schreibt: klare Anweisungen statt Spezialphrasen
Gutes Prompting sind klare Anweisungen an einen fähigen, wörtlich denkenden Assistenten ohne Gedächtnis, abgeleitet davon, wie das Modell funktioniert.KI in der PraxisOps und Infrastruktur, 13 Beiträge
Erfahrung aus zwanzig Jahren Infrastrukturbetrieb, angewandt auf den praktischen Einsatz von KI.
27282930313233343536373839