Beantwortet von der Redaktion von Business.Digital Stand
Technisch steckt dahinter immer dieselbe Aufgabe: das nächste Wort vorhersagen. Genau darauf sind auch große Sprachmodelle trainiert, nur mit deutlich mehr Kontext als die drei Wörter einer Handytastatur.
Das kennt jeder von der Smartphone-Tastatur oder der Google-Suche. Aber moderne Sprachmodelle gehen weit darüber hinaus. Sie vervollständigen nicht nur ein Wort, sondern ganze Sätze, Absätze oder Dokumente, und zwar kontextsensitiv und stilistisch kohärent.
Wie lernt ein Modell, was “richtig” ist?
Das Trainingsverfahren heißt “Next Token Prediction”. Das Modell bekommt einen Text, verdeckt das letzte Wort (Token) und muss es vorhersagen. Diese Aufgabe wird mit Milliarden von Textbeispielen wiederholt. Das Modell lernt dabei nicht nur einzelne Wortkombinationen, sondern grammatikalische Strukturen, Zusammenhänge und Stil.
GPT-3 und seine Nachfolger wurden ursprünglich als sehr leistungsfähige Auto-Vervollständigungs-Systeme entwickelt. Die Fähigkeit, zusammenhängende und sinnvolle Texte zu generieren, ist ein direktes Ergebnis dieses Trainings. Was wie “Verstehen” wirkt, ist mathematisch präziser ausgedrückt: das Modell findet die statistisch wahrscheinlichste Fortsetzung.
Wozu nutzen Unternehmen das?
Auto-Vervollständigung ist heute in viele Werkzeuge eingebaut. Code-Editoren schlagen die nächste Codezeile vor. E-Mail-Clients formulieren Antworten vor. Schreibwerkzeuge setzen begonnene Sätze fort. Das spart in der Praxis spürbar Zeit, besonders bei standardisierten oder häufig wiederkehrenden Texten.
Für die Erstellung von Marketingtexten, Produktbeschreibungen oder E-Mail-Sequenzen ist Auto-Vervollständigung oft ein nützlicher Ausgangspunkt, den ein Mensch dann überarbeitet und mit konkreten Informationen anreichert.