Emil Ohligs

Wer die KI-Branche in den vergangenen Jahren beobachtet hat, kennt das Muster: Ein neues Modell erscheint, die Pressemitteilung nennt eine Zahl und diese ist größer als die des Vorgängers. Milliarden Parameter wurden zur Währung des Fortschritts. GPT-4, Gemini Ultra, Claude Opus sind aufgebaut nach der Logik, dass mehr

Die Finanzindustrie entdeckt Künstliche Intelligenz nicht, sie kehrt zu ihr zurück. Während KI in der öffentlichen Wahrnehmung als Phänomen der letzten Jahre gilt, arbeiten Risikoabteilungen, Handelsdesks und Kreditinstitute seit Jahrzehnten mit lernenden Systemen. Der Unterschied zwischen einem Kreditscoring-Modell der 1990er Jahre und einem modernen Sprachmodell ist real aber er

Stellen Sie sich vor, Sie beantragen einen Kredit. Sie haben ein geregeltes Einkommen, keine offenen Schulden etc. Trotzdem kommt die Absage — automatisch, innerhalb von Sekunden. Kein Sachbearbeiter, keine Begründung, keine Möglichkeit nachzufragen. Irgendwo in einem Rechenzentrum hat ein Algorithmus entschieden, dass Sie kein geeigneter Kreditnehmer sind. Was genau zu dieser

Günstiger pro Token, teurer insgesamt. Das ist die Paradoxie, mit der KI-Verantwortliche im Finanzsektor gerade konfrontiert sind. Die Kosten pro Verarbeitungseinheit sinken kontinuierlich, aber die Gesamtrechnung steigt. Das klingt widersprüchlich, ist aber erklärbar — und wer den Mechanismus dahinter versteht, trifft bessere Architekturentscheidungen. Was Inference überhaupt bedeutet Bevor es um

Wer ein KI-Modell auswählt, verlässt sich auf eine einfache Annahme: Das Modell mit der höchsten Accuracy auf dem Testset ist das beste Modell für den Produktionseinsatz. Eine Studie vom MIT zeigt, dass diese Annahme systematisch falsch sein kann — und zwar nicht aufgrund von Overfitting oder schlechter Architektur, sondern wegen

Die KI-Branche debattiert Modellarchitekturen, Parametergrößen und Trainingsverfahren während das eigentliche Problem systematisch übersehen wird: die Qualität der Inputdaten. Wer schlechte Daten in ein leistungsstarkes Modell eingibt, bekommt schlechte Ergebnisse zurück. Das ist kein neues Prinzip. Unter dem Begriff Garbage In, Garbage Out ist es seit Jahrzehnten bekannt. Aber im