Liquid AI hat am 27. Oktober die Modellfamilie LFM3 vorgestellt. Die erste Veröffentlichung umfasst kleine Modelle für Text, Bilder, Audio und strukturierte Entscheidungen. Der Hersteller stellt offene Gewichte bereit und hebt die Anpassung an eng umrissene Aufgaben hervor. Für KMU mit eigener IT oder einem Entwicklungspartner ist besonders die Frage interessant, wie sich eine solche Spezialisierung belastbar prüfen lässt.
Liquid zeigt dazu ein eigenes Beispiel mit Schäden an Windradflügeln: Ein Modell wurde mit Bildern angepasst und anschliessend an zurückgehaltenen Bildern bewertet. Das ist ein Herstellerexperiment, keine unabhängige Abnahme für industrielle Prüfaufgaben. Daraus folgt weder, dass ein beliebiges KMU seine Fehlerquote erreicht, noch dass das Modell ohne weitere Prüfung sicherheitsrelevante Kontrollen übernehmen kann.
Der Unterschied zum blossen Ausprobieren eines Chats liegt in der Datentrennung. Wenn dieselben Fälle bei der Anpassung und bei der abschliessenden Bewertung verwendet werden, bleibt unklar, ob das Modell neue Situationen beherrscht. Auch leicht veränderte Kopien desselben Fotos können den Eindruck einer breiten Prüfung erzeugen, obwohl kaum neue Information hinzukommt.
Nächster Schritt
Was heisst das für Ihre Büroarbeit?
- Zeitfresser wählen: E-Mail, Offerten, Rechnungen, Ablage oder Kundenantworten.
- Wirtschaftlich prüfen: CHF 79 lohnen sich schon, wenn rund eine Stunde Bürozeit besser priorisiert wird.
- Bezahlten Start nutzen: Der Detailreport macht aus dem Artikel einen konkreten Startplan.
DACH-Hinweis: 10min KI Brief bleibt für KMU im gesamten DACH-Raum lesbar; konkrete Praxisangebote sind zuerst CH-first formuliert.
Die unabhängig gepflegte scikit-learn-Dokumentation erklärt dieses Problem als Datenleckage: Informationen aus dem späteren Test dürfen nicht in die Modellanpassung einfliessen, sonst wird die Leistung zu optimistisch eingeschätzt. Diese allgemeine Methodenquelle prüft LFM3 selbst nicht. Das NIST-Risikoprofil liefert zusätzlich den Hintergrund, dass generative Systeme überzeugende, aber falsche Ergebnisse erzeugen können.
Was heisst das für Ihr KMU?
Unsere Empfehlung für einen ersten Versuch: Wählen Sie eine ungefährliche, klar begrenzte Aufgabe, etwa die Zuordnung interner Produktbilder zu bekannten Gruppen. Eine Fachperson definiert vorab die richtige Zuordnung und sammelt auch schwierige Bilder. Trennen Sie Lernmaterial und Prüfmaterial vor jeder Anpassung. Zusammengehörige Aufnahmen desselben Gegenstands bleiben dabei in derselben Gruppe.
Der Entwicklungspartner erhält das Lernmaterial. Der abschliessende Prüfsatz bleibt zunächst bei einer anderen Person. Vergleichen Sie das unveränderte und das angepasste Modell auf genau diesen zurückgehaltenen Fällen. Erfassen Sie neben korrekten Antworten auch Verwechslungen und Fälle, die das Modell an einen Menschen abgeben sollte. Ein schöner Durchschnitt darf einen systematischen Fehler bei einer wichtigen Produktgruppe nicht verdecken.
Wird nach dem Ergebnis weitertrainiert, ist der bisherige Prüfsatz nicht mehr vollständig unbekannt. Reservieren Sie für die nächste Abnahme neue Fälle und halten Sie Modellversion und Datenstand fest. Prüfen Sie zudem Nutzungsrechte und Betriebsaufwand vor einer Übernahme. So entsteht ein kleiner, nachvollziehbarer Versuch statt eines Erfolgsversprechens aus einer Herstellerdemo.
Quellen: Liquid-AI-Ankündigung; scikit-learn zu Datenleckage; NIST-Risikoprofil.
Wenn Sie solche Arbeitsabläufe im kleinen Team erproben möchten: Unterstützung von Büro-KI ansehen.
Das könnte dich auch interessieren
Kostenloser Newsletter
Den 10-Minuten-KI-Brief per E-Mail erhalten
Die wichtigsten KI-Neuigkeiten für KMU, kurz eingeordnet. Als Dankeschön erhalten Sie den KI-Werkzeugkasten gratis. Kein Spam, jederzeit mit einem Klick abmeldbar.
Sie erhalten zuerst eine E-Mail mit einem Bestätigungslink. Details in der Datenschutzerklärung.