ML oder LLM: was Ihr Problem wirklich braucht
Das Sprachmodell ist zum Standardgriff für jede Aufgabe geworden. Viele operative Probleme sind mit klassischem maschinellem Lernen besser, günstiger und zuverlässiger gelöst.
Das Sprachmodell ist zur Antwort auf Fragen geworden, die ihm niemand gestellt hat. Ein Team hat einen Prognosebedarf, einen Scoring-Bedarf, eine Anomalie zu erkennen, und der erste Reflex ist, ein Modell zu prompten, das gebaut wurde, um Sätze zu schreiben. Manchmal passt das. Oft ist es das falsche Werkzeug, mit Überzeugung eingesetzt, und der Preis zeigt sich später als Latenz, Kosten und Antworten, die sich verschieben, wo sie stabil bleiben sollten. Die Unterscheidung, die trägt, ist alt und unspektakulär: manche Probleme sind Vorhersage auf strukturierten Daten, manche sind Arbeit an unsauberer Sprache. Sie verlangen unterschiedliche Maschinerie.
Wo klassisches ML passt
Maschinelles Lernen ist das richtige Werkzeug, wenn die Eingabe Ihre eigenen strukturierten Daten sind und das Ergebnis eine Vorhersage oder eine Klasse ist. Nachfrageprognose, Abwanderung, Betrugs- und Anomalieerkennung, Routing, Lead- und Risikobewertung: das sind numerische Probleme mit einer definierten Antwort. Ein trainiertes Modell liefert diese Antwort in Millisekunden, zu einem Bruchteil der Kosten, und liefert bei gleicher Eingabe jedes Mal dieselbe Antwort. Sie lässt sich zudem erklären, was zählt, sobald eine Entscheidung gegenüber einer Aufsicht, einem Kunden oder einem Prüfer begründet werden muss. Wenn Ihre Aufgabe eine Zahl oder ein Label aus Spalten ist, die Sie bereits halten, ist das die Maschinerie, die Sie wollen.
Wo ein LLM seinen Platz hat
Das Sprachmodell ist das richtige Werkzeug, wenn die Eingabe unstrukturierte Sprache ist und eine gewisse Varianz im Ergebnis vertretbar bleibt. Einen langen Verlauf zusammenfassen, Felder aus einem Freitextformular ziehen, eine erste Antwort skizzieren, eine Frage anhand einer Dokumentensammlung beantworten: das sind Aufgaben, bei denen die Eingabe Prosa ist, nicht Spalten, und bei denen kein einzelnes Ergebnis das allein richtige ist. Hier ist die Flexibilität des Modells der ganze Sinn. Es verarbeitet Formulierungen, die es nie gesehen hat, und erzeugt etwas Brauchbares ohne Regelwerk für jeden Fall. Genau diese Flexibilität wird zur Bürde, sobald Sie eine exakte Antwort brauchen, wiederholbar.
Die Abwägungen, klar benannt
Ein Aufruf an ein Sprachmodell kostet mehr und dauert länger als eine Abfrage an ein trainiertes Modell, und im operativen Volumen summiert sich diese Lücke. Er ist zudem nicht deterministisch: dieselbe Eingabe kann zu anderer Formulierung führen, gelegentlich zu anderer Bedeutung. Der Fehler, der Teams am häufigsten erwischt, ist die selbstbewusste falsche Antwort, flüssig und plausibel und dennoch falsch, weit schwerer zu erkennen als eine Lücke oder eine Fehlermeldung. Klassisches ML scheitert sichtbarer und berechenbarer. Keine dieser Eigenschaften ist an sich gut oder schlecht; jede passt zu manchen Aufgaben und ist bei anderen ein Risiko.
Ein Test, den Sie anwenden
Zwei Fragen klären die meisten Fälle. Erstens: sind die Eingaben strukturierte Zahlen oder unstrukturierte Sprache. Zeilen und Spalten weisen auf klassisches ML; Freitext weist auf ein Sprachmodell. Zweitens: braucht die Aufgabe bei gleicher Eingabe jedes Mal dieselbe Antwort. Wenn ja, wollen Sie die Bestimmtheit eines trainierten Modells, nicht die Varianz eines generativen. Wo die beiden Fragen sich widersprechen, gewinnt meist die zweite: eine Aufgabe an Sprache, die dennoch eine feste Antwort verlangt, ist ein Zeichen, das Modell eng zu führen, oder zu etwas anderem zu greifen.
In der Praxis nutzen die meisten laufenden Systeme beides, und die eigentliche Kunst liegt darin, die Naht zu ziehen. Klassisches ML trifft die Entscheidung, leise und konsistent. Das Sprachmodell übernimmt die Sprache darum herum, die Erklärung, die Zusammenfassung, die Antwort. Wählen Sie nach der Form des Problems, nicht danach, welches Werkzeug dieses Jahr in Mode ist.