Loading content
Foundation Models sind große, vortrainierte KI-Modelle, die als allgemeine Basis für verschiedene Aufgaben dienen. Sie werden auf umfangreichen Datensätzen vortrainiert und anschließend durch Feinabstimmung oder Prompting für spezialisierte Anwendungen angepasst. Sie erfordern sorgfältiges Governance- und Sicherheitsdesign.
Nutze diesen Steckbrief, um den Baustein kurz zu verstehen, ihn im Modell einzuordnen und bei Bedarf in die 360°-Bewertung zu wechseln.
Theoretisches Gebilde: erklärt einen Begriff, ein Prinzip oder ein Denkmodell.
Was du verstehen musst, um ein Themenfeld sinnvoll zu denken.
Foundation Models sind große, vortrainierte KI-Modelle, die als gemeinsame Basis für viele Folgeaufgaben dienen. Sie werden auf breiten Datenmengen vortrainiert und danach per Prompting oder Fine-Tuning an konkrete Anwendungen angepasst.
Das Konzept entstand aus der Forschung an großen, breit vortrainierten Modellen, die nicht nur eine einzelne Aufgabe lösen, sondern als wiederverwendbare Basis für viele Anwendungen dienen. Mit Transformer-Architekturen und selbstüberwachtem Lernen wurde der Ansatz technisch greifbar; 2021 prägte Stanford CRFM den Begriff, um diese Modellklasse von engeren Bezeichnungen wie LLM oder bloß „pretrained model“ abzugrenzen.
Stell dir ein Fundament mit drei Ebenen vor: Unten lernt das Basismodell aus vielen heterogenen Daten allgemeine Muster. In der Mitte steuert Prompting die Ausgabe kurzfristig, während Fine-Tuning das Modell für einen engeren Einsatz nachjustiert. Oben liegen Produkt, Zugriffe und Leitplanken; erst dort wird aus dem allgemeinen Modell ein kontrollierter Baustein für konkrete Systeme.
Das Modell lernt aus großen, vielfältigen Daten grundlegende statistische und semantische Muster.
Prompting beeinflusst Verhalten über Eingaben; Fine-Tuning passt Gewichte für einen bestimmten Einsatzfall an.
Ein Basismodell kann als Startpunkt für mehrere Produkte, Aufgaben oder Domänen dienen.
Leistung, Datenmenge, Rechenbedarf und Kosten wachsen eng mit der Modellgröße und dem Trainingsumfang mit.
Zugriffe, Datenflüsse, Ausgabegrenzen und Risiken müssen organisatorisch und technisch kontrolliert werden.
Das Konzept ist hilfreich, wenn mehrere Anwendungen auf einer gemeinsamen Modellbasis aufbauen, Prototypen schnell entstehen sollen oder Anbieter über eine einheitliche Schnittstelle verglichen werden. Grenzen liegen in hohen Trainings- und Betriebskosten, Abhängigkeit von Datenqualität und Sicherheitsfragen; für kritische Entscheidungen reichen Basismodelle meist nicht aus, sondern brauchen domänenspezifische Anpassung, Kontrollen und Evaluierung.
Wo dieser Baustein im Themenmodell verortet ist.
Erkunde, wie dieser Wissensbaustein mit Konzepten, Methoden, Technologien und Tools verbunden ist.
Diese Quellen belegen den Begriff und seine fachliche Bedeutung.
Alle direkten Verbindungen des aktuellen Wissensbausteins in einer kompakten, textuellen Darstellung.
Diese Einordnung zeigt, in welchem Kontext der Baustein typischerweise relevant wird, wie anspruchsvoll er ist und welche Wirkung er im Modell hat.
Die Ebene innerhalb der Organisation (Unternehmen, Domäne, Team), auf der der AssetBlock angewendet wird.