Große Sprachmodelle: Die schwierigen Teile (German Edition)

Vorwort

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Ein alternativer Titel für dieses Buch hätte „LLMs Behaving Badly“ lauten können. Wenn du einen Hintergrund in der Finanzmodellierung hast, ist dir vielleicht die Parallele zu Emanuel Dermans bahnbrechendem Werk „Models. Behaving. Badly.“ aufgefallen.¹ Genauso wie Derman davor warnte, Finanzmodelle als perfekte Abbilder der Realität zu betrachten, zielt dieses Buch darauf ab, die Grenzen und Fallstricke großer Sprachmodelle (LLMs) in der praktischen Anwendung aufzuzeigen.

Genau wie Finanzmodelle, die die Komplexität menschlichen Verhaltens und der Marktdynamik nicht erfassen konnten, fehlschlagen LLMs bei der Erfassung der Komplexität menschlichen Verhaltens und der Marktdynamik. Sie können Fakten erfinden, haben Schwierigkeiten mit logischem Denken und fehlschlagen bei der Erhaltung der Konsistenz bei langen Ausgaben. Ihre Antworten sind zwar oft überzeugend, aber es handelt sich um probabilistische Annäherungen, die auf Trainingsdaten basieren und nicht auf echtem Verständnis, auch wenn Menschen darauf bestehen, sie als „Maschinen, die denken können“ zu behandeln.

In den letzten Jahren haben sich LLMs zu einer transformativen Kraft in der Technologie entwickelt. Von ChatGPT und Gemini bis hin zu Claude und Mistral haben diese Systeme die Fantasie der Öffentlichkeit beflügelt und einen Goldrausch an KI-gestützten Anwendungen ausgelöst. ...