Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

KI-Trainingsdaten

KI-Trainingsdaten (AI Training Data) sind die Sammlung von Beispielen, aus denen ein Modell lernt, etwa Webtext, Code, Bilder, Transkripte oder gelabelte Paare. Ihre Größe, Qualität, Mischung und Lizenzierung bestimmen, was das Modell kann und wo es scheitert.

Auch: training set, dataset

Von Divya Sharma · Geprüft am 16. Nov. 2026 · So testen wir

Jedes Modell spiegelt seine Daten. Ein großes Sprachmodell wird auf einem sehr großen Korpus aus Text und Code vortrainiert und dann auf viel kleineren Sätzen aus Anweisungen, Demonstrationen und Präferenzpaaren feinabgestimmt. Ein Bildmodell lernt aus Bildern mit Bildunterschriften. Lücken oder Verzerrungen in den Daten zeigen sich als Lücken oder Verzerrungen im Modell, und alles, was vor dem Wissensstichtag nicht in den Daten war, kennt es nicht.

Arten von Trainingsdaten

Pretraining-Daten werden meist in großem Maßstab gesammelt, etwa per Web-Crawling, und dann gefiltert, dedupliziert und gemischt. Fine-Tuning-Daten sind kleiner und kuratiert, oft von Menschen geschrieben oder bewertet. Synthetische Daten, die von anderen Modellen erzeugt werden, sind inzwischen in beiden üblich. Evaluierungssätze wie ein Golden Dataset müssen von den Trainingsdaten getrennt bleiben, sonst werden die Ergebnisse durch Benchmark-Kontamination bedeutungslos.

Dokumentation und Rechte

Das Paper „Datasheets for Datasets“ von Gebru et al. schlägt vor, dass jeder Datensatz mit einem Datenblatt kommt, das Motivation, Zusammensetzung, Erhebungsprozess und empfohlene Nutzung beschreibt. Eine Model Card fasst oft die Daten zusammen, mit denen ein Modell trainiert wurde. Urheberrecht, Einwilligung, Lizenzen und personenbezogene Daten sind vielerorts offene Rechtsfragen; Regelwerke wie der EU AI Act fügen Dokumentationspflichten hinzu. Diese Seite ist keine Rechtsberatung.

Für Entwickler

Wenn du feinabstimmst, schlagen ein paar tausend saubere, repräsentative Beispiele meist einen großen, verrauschten Datensatz. Unser Verzeichnis für KI-Trainingsdaten listet Datenquellen und Anbieter auf.

Verwandte Begriffe

Synthetische Daten
Synthetische Daten sind Trainings- oder Testdaten, die von Software erzeugt werden, oft von einem anderen KI-Modell, statt aus realen Quellen gesammelt zu werden. Sie dienen dazu, Lücken zu füllen, günstig Beispiele hinzuzufügen oder echte personenbezogene Daten nicht offenzulegen.
Pretraining
Pretraining (Vortraining) ist die erste und größte Phase im Training eines Modells, in der es allgemeine Muster aus einem sehr großen, nicht gelabelten Datensatz lernt, meist durch Vorhersage des nächsten Tokens, noch vor jeder aufgabenspezifischen Anpassung.
Fine-Tuning
Fine-Tuning (Feinabstimmung) ist das Weitertrainieren eines vortrainierten Modells auf einem kleineren, aufgabenspezifischen Datensatz, damit das Modell eine bestimmte Fähigkeit, ein Format, einen Ton oder ein Fachgebiet übernimmt, ohne von Grund auf trainiert zu werden.
Web-Crawling für KI
Web-Crawling für KI ist das automatisierte Abrufen von Webseiten, indem Links oder einer Liste von URLs gefolgt wird, um Text für das Training von Modellen zu sammeln, Suchindizes aufzubauen oder einer Anwendung frische Inhalte zum Abrufen zu geben.
Model Card
Eine Model Card (Modellsteckbrief) ist ein kurzes Dokument, das mit einem Machine-Learning-Modell veröffentlicht wird und erklärt, wofür es gedacht ist, wie es trainiert und evaluiert wurde, wo es schlecht abschneidet und wie es genutzt werden sollte und wie nicht.
Golden Dataset
Ein Golden Dataset (Referenzdatensatz) ist ein fester, sorgfältig geprüfter Satz von Beispieleingaben mit den erwarteten Antworten oder dem erwarteten Verhalten, der als Referenz dient, wenn du ein KI-System evaluierst oder auf Regressionen testest.

Quellen