Ein Foundation Model ist ein großes KI-Modell, das auf sehr breiten Daten trainiert wurde und nicht für eine einzelne Aufgabe. Es dient als Grundlage, auf der viele Anwendungen aufsetzen, ohne dass jede davon ein eigenes Modell braucht. Die großen Sprachmodelle sind der bekannteste Fall.
- Foundation Model
Ein großes KI-Modell, das auf breiten Daten trainiert wurde und als Grundlage für viele Anwendungen dient.
Beispiel: „Dasselbe Foundation Model beantwortet Supportfragen, fasst Protokolle zusammen und schreibt Code.“Auch: Basismodell oder Grundlagenmodell. Beide deutschen Formen sind selten, in Fachtexten steht fast immer der englische Ausdruck.
Abgrenzung zum fertigen Produkt: Ein Foundation Model ist der Rohstoff. Was Nutzer vor sich haben, ist meist eine Anwendung darauf, mit eigenem System-Prompt, eigenen Werkzeugen und oft einem Fine-Tuning obendrauf.
Woran man eines erkennt
An drei Merkmalen, die in einer Begriffsbestimmung des US-Instituts für Standards und Technologie zusammenkommen.
Das Profil für generative KI (NIST AI 600-1) führt den Unterbegriff der Modelle mit doppeltem Verwendungszweck so: trainiert auf breiten Daten, überwiegend mit selbstüberwachten Verfahren, mit mindestens einigen zehn Milliarden Parametern und einsetzbar über ein weites Feld von Zusammenhängen.
Warum der Begriff gebraucht wird
Weil er die Arbeitsteilung benennt. Wenige Häuser bauen die Modelle, viele bauen darauf. Für die meisten Betriebe heißt das: Das teure Stück wird eingekauft, die eigene Leistung steckt in dem, was man damit anstellt. Ein eigenes Foundation Model zu trainieren ist für niemanden außerhalb der großen Anbieter eine ernsthafte Option.
Was daraus für die Praxis folgt
Eine Abhängigkeit, die man kennen sollte. Wer auf einem Foundation Model aufbaut, übernimmt dessen Wissensstand, dessen Eigenheiten und dessen Lebensdauer. In unseren Projekten ist die nützlichste Vorsichtsmaßnahme, die Anbindung so zu bauen, dass sich das Modell austauschen lässt, ohne dass die halbe Anwendung mitwandert.
Dazu gehört, die Eigenheiten eines Modells nicht zum Fundament zu machen. Wer seine Prompts so lange feilt, bis sie genau zu einem bestimmten Stand passen, hat beim nächsten Wechsel die Arbeit erneut. Tragfähig ist eine Anweisung erst, wenn sie auch bei einem anderen Modell derselben Größenklasse funktioniert, und das lässt sich nur durch Ausprobieren feststellen.