greenai.guide

Startseite › Wie kann ich …? › Wann reicht klassisches maschinelles Lernen statt eines LLM?

Wie kann ich …?

Wann reicht klassisches maschinelles Lernen statt eines LLM?

Aktualisiert · 1 Min. Lesezeit

Kurz gesagt

Wenn Ihre Eingaben strukturierte Daten oder kurze, gelabelte Texte sind und die Ausgabe eine Zahl, eine Kategorie oder eine Rangfolge ist, probieren Sie zuerst ein klassisches Modell: ein lineares Modell, Gradient-Boosted Trees oder einen kleinen Klassifikator. Sie sind im Betrieb viel günstiger, schneller, leichter zu erklären und oft genauso genau. Greifen Sie zu einem großen Sprachmodell, wenn die Aufgabe wirklich offene Sprache verlangt.

Schritte

  1. Halten Sie den Eingabetyp, den Ausgabetyp und den Qualitätsmaßstab fest.
  2. Bauen Sie zuerst eine einfache Baseline, etwa eine Regel, ein lineares Modell oder Gradient-Boosted Trees.
  3. Probieren Sie einen kleinen, feinabgestimmten Klassifikator, wenn die Eingabe Freitext ist.
  4. Testen Sie ein LLM nur, wenn die Baselines den Maßstab verfehlen, und zwar auf demselben Evaluationsdatensatz.
  5. Vergleichen Sie vor der Entscheidung Qualität, Latenz und Energie pro Vorhersage.

Nutzen Sie das einfachste Modell, das Ihren Qualitätsmaßstab erfüllt. Bei strukturierten Daten und eng gefassten Klassifizierungsaufgaben ist das meist ein klassisches Modell des maschinellen Lernens, kein großes Sprachmodell.

Warum ist das wichtig?

Luccioni, Jernite und Strubell haben den Energieverbrauch von Modellen über viele Aufgaben hinweg gemessen. Textklassifikation gehörte mit rund 0,002 kWh pro 1.000 Inferenzen zu den günstigsten Aufgaben, während generative Allzweckmodelle für dieselbe Aufgabe um Größenordnungen mehr verbrauchten als aufgabenspezifische Modelle. Auch die Web Sustainability Guidelines des W3C fordern Teams auf, vor der Umsetzung zu prüfen, ob KI überhaupt nötig ist.

Ein britisches Green-AI-Sandpit aus Mathematik, Informatik und Industrie im Jahr 2026 kam aus einem anderen Blickwinkel zum selben Schluss: Oft wird zu KI gegriffen, obwohl eine gut verstandene statistische oder numerische Methode die Aufgabe bereits erledigt.

Ein Schnelltest

Ihre Aufgabe Probieren Sie zuerst
Eine Zahl aus Tabellendaten vorhersagen Lineares Modell oder Gradient-Boosted Trees
Eines von wenigen Labels zuordnen Kleiner, feinabgestimmter Klassifikator
Ähnliche Einträge finden Embeddings plus ein Nächste-Nachbarn-Index
Eine Zeitreihe prognostizieren Etablierte statistische Prognoseverfahren
Schreiben, erklären oder ein Gespräch führen Hier rechtfertigt ein LLM seine Kosten

Häufige Fehler

  • Die Baseline überspringen. Ohne sie können Sie nicht erkennen, ob das LLM überhaupt etwas bringt.
  • Mit einem LLM Daten labeln, auf denen Sie dann nie neu trainieren. Nutzen Sie es einmal, um Labels zu erzeugen, und trainieren Sie dann ein kleines Modell.
  • Nur nach Genauigkeit vergleichen. Beziehen Sie Latenz, Energie pro Vorhersage und die Erklärbarkeit von Fehlern mit ein.

Mehr dazu unter das richtige Modell wählen und Mathematik für effiziente KI.

Quellen

  1. Power Hungry Processing: Watts Driving the Cost of AI Deployment?, Luccioni, Jernite and Strubell, ACM FAccT (2024)
  2. Web Sustainability Guidelines, W3C (2025)

Machen Sie mit

Helfen Sie, die Umweltwirkung von KI zu senken

Erhalten Sie neue Leitfäden, Förderausschreibungen und Verzeichniseinträge etwa einmal im Monat per E-Mail. Oder tragen Sie Ihr Produkt, Ihren Kurs, Ihre PhD-Stelle oder Ihre Forschung in die Verzeichnisse ein.

Kein Tracking. Abmeldung mit einem Klick. Weitere Möglichkeiten mitzumachen · Datenschutz