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
- Halten Sie den Eingabetyp, den Ausgabetyp und den Qualitätsmaßstab fest.
- Bauen Sie zuerst eine einfache Baseline, etwa eine Regel, ein lineares Modell oder Gradient-Boosted Trees.
- Probieren Sie einen kleinen, feinabgestimmten Klassifikator, wenn die Eingabe Freitext ist.
- Testen Sie ein LLM nur, wenn die Baselines den Maßstab verfehlen, und zwar auf demselben Evaluationsdatensatz.
- 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
- Power Hungry Processing: Watts Driving the Cost of AI Deployment?, Luccioni, Jernite and Strubell, ACM FAccT (2024)
- Web Sustainability Guidelines, W3C (2025)
Verwandte Themen
Brauche ich für diese Aufgabe überhaupt KI?
Ein Schnelltest, ob eine Aufgabe generative KI braucht oder ob Suche, Taschenrechner, Vorlage oder eine einfache Regel es schneller und sparsamer erledigen.
Wie finde ich ein aufgabenspezifisches Modell statt eines allgemeinen Chatbots?
So finden Sie ein kleines Modell für eine bestimmte Aufgabe wie Klassifizieren, Extrahieren oder Übersetzen und prüfen, ob es mit weniger Energie mithält.
Das richtige Modell für die Aufgabe wählen
KI richtig dimensionieren: wann kleine oder spezialisierte Modelle reichen, wann sich ein Frontier-Modell lohnt, wie Routing funktioniert und wann man auf KI verzichtet.
Die Mathematik, die KI effizienter macht
Pruning, Sparsity, Sketching, Zufallsmatrixtheorie und physikinformierte Modelle: wie Mathematik Rechenaufwand, Speicher und Energie von KI senkt.