Was ist Inferenz (Inference) bei KI-Modellen?

Inferenz bezeichnet den Prozess, bei dem ein bereits trainiertes KI-Modell auf neue Eingaben angewendet wird, um eine Ausgabe zu erzeugen. Wenn du ChatGPT eine Frage stellst und eine Antwort bekommst, findet Inferenz statt. Wenn ein Bilderkennungsmodell ein Foto analysiert, findet Inferenz statt. Training ist das Lernen, Inferenz ist das Anwenden des Gelernten.

Zwischen Training und Inferenz ist also ein wichtiger Zeitpunkt: das Modell gilt als “fertig trainiert”. Was danach passiert, immer wenn es jemand benutzt, ist Inferenz.

Training vs. Inferenz: wichtige Unterschiede

Training ist rechenintensiv, einmalig (oder periodisch) und typischerweise auf leistungsstarken GPU-Clustern. Inferenz passiert häufig, muss schnell sein und soll möglichst günstig sein. Ein gut trainiertes GPT-4-Modell könnte Millionen von Anfragen täglich beantworten.

Die Infrastruktur für Inferenz ist daher ein eigenes Engineering-Feld. Model Compression (Modelle kleiner machen, ohne viel Qualität zu verlieren), Quantisierung, Batching und spezielle Inferenz-Hardware wie NVIDIA TensorRT sind Techniken, die Inferenz schneller und günstiger machen.

Inferenz-Kosten: ein reales Thema

Wer KI über APIs nutzt, zahlt pro Inferenz, also pro Anfrage oder pro verarbeitendem Token. Bei moderaten Volumen ist das vernachlässigbar. Bei sehr hohen Volumen, etwa wenn KI jeden Kundenservice-Chat verarbeitet, können die Inferenz-Kosten erheblich sein.

Das ist kein Argument gegen KI, aber ein Argument dafür, Kosten und Nutzen realistisch zu kalkulieren. Was Inferenz-Kosten für dein konkretes Szenario bedeuten, kalkulieren wir gemeinsam in einer KI-Beratung.