Lassen Sie mich noch eine weitere Geschichte von der Machine Learning Week Europe (MLW) erzählen. Vor zwei Jahren stellte ein Referent auf der MLW eine LLM-Lösung zur Extraktion von Informationen aus E-Mails vor. Die größte Herausforderung: Prompt Injections zu vermeiden. 80 % des Aufwands entfielen auf LLMOps: den Betrieb des LLM abzusichern.
Während der Fragerunde stellten die Teilnehmenden nur ein paar einfache Fragen (ich vereinfache hier etwas):
F: Warum haben Sie für die Informationsextraktion nicht einfach Entitätenerkennung verwendet?
A: Es gab in unserem Datensatz zu wenige Beispiele für einen klassischen Machine-Learning-Ansatz.
F: Warum bitten Sie die Kunden nicht, ein Online-Formular zu nutzen?
A: Es gibt ein Online-Formular. Deshalb haben wir so wenige Beispiele – nicht alle Kunden schicken uns eine E-Mail. Die meisten nutzen das Online-Formular.
F: Sie haben also viele strukturierte Beispiele in Ihrer Datenbank?
A: Ja.
F: Sie könnten ein LLM nutzen, um synthetische Trainingsdaten zu erzeugen, und dann mit einem „klassischen ML-Ansatz“ ein Modell zur Entitätenerkennung trainieren – das würde Ihnen viel Aufwand bei LLMOps ersparen.
A: Ach ja, das hätte uns viel Zeit gespart.
Der berühmte Philosoph Karl Popper sagte einmal: „Wenn Sie nur eine Lösung für ein Problem kennen, dann haben Sie das Problem nicht gut genug verstanden.“
Ebenso gilt: Wenn Ihnen nur ein LLM als Lösung einfällt, dann haben Sie das Problem nicht gut genug verstanden.
Wenn man nur einen Hammer hat, sieht alles wie ein Nagel aus.
Wenn man nur ein LLM hat, sieht alles wie ein LLM-Use-Case aus.
Genau wie ein guter Handwerker sollte ein guter Data Scientist einen gut ausgestatteten Werkzeugkasten haben. Sie sollten wissen, wann Sie welches Werkzeug und welche Technik einsetzen, um ein Problem zu lösen. Das macht Expertise aus.
Wenn Expertise an ihre Grenzen stößt, ist es Zeit für Experimente.
Mir fällt noch ein weiteres Beispiel von der Machine Learning Week Europe 2025 ein: Es ging um Newsletter-Empfehlungen. Traditionelle Verfahren wie Collaborative Filtering hatten nicht die gewünschten Ergebnisse geliefert (weil es nicht so viele unterschiedliche Newsletter gab). Also probierten sie ein LLM aus: Das funktionierte deutlich besser.
Genau diese Art von Erfahrungen wollen wir bei der Machine Learning Week Europe 2026 miteinander teilen. Reichen Sie Ihren Vortrag für die Konferenz ein:
👉 https://machinelearningweek.eu/call-for-speakers/
Natürlich stehe ich auch für persönliche Gespräche zur Verfügung. Wenn Sie Fragen haben, schreiben Sie sie gern in die Kommentare oder schicken Sie mir eine private Nachricht.
Dieser Blogpost wurde machinell übersetzt.
