Grundbegriffe

Trainingsdaten

Trainingsdaten sind die Datensätze, mit denen ein KI-System trainiert wird, indem seine lernbaren Parameter angepasst werden. Für Unternehmen entscheiden Auswahl, Qualität und Herkunft dieser Daten darüber, wie zuverlässig und rechtssicher ein KI-System später arbeitet.

Das Wichtigste in Kürze

EU-KI-Verordnung (Art. 3 Nr. 29): Trainingsdaten passen die lernbaren Parameter eines KI-Systems an.
§44b UrhG erlaubt KI-Training mit geschützten Werken bei rechtmäßigem Zugang und ohne erklärten Opt-out.
Anbieter von General-Purpose-KI müssen eine Übersicht der verwendeten Trainingsdaten veröffentlichen.
Faustregel: Je repräsentativer und fehlerfreier die Daten, desto geringer das Risiko verzerrter Ergebnisse (Bias).

Was ist das?

Trainingsdaten sind nach der Definition der EU-KI-Verordnung jene Daten, die zum Trainieren eines KI-Systems verwendet werden, wobei dessen lernbare Parameter angepasst werden. Sie unterscheiden sich von Validierungsdaten, die während des Trainings die Einstellung der Parameter überprüfen, und von Testdaten, die am Ende die Leistung eines fertigen Systems unabhängig bewerten.

Vergleichbar ist das mit der Einarbeitung einer neuen Fachkraft: Je mehr aussagekräftige Beispiele und Dokumente zur Verfügung stehen, desto besser lernt sie die Abläufe eines Betriebs kennen. Bei einem KI-System übernehmen Trainingsdaten diese Rolle - sie bestimmen, welche Muster das System erkennt und wie es auf neue Anfragen reagiert.

Rechtlich ist die Nutzung urheberrechtlich geschützter Werke als Trainingsdaten in Deutschland über die Text- und Data-Mining-Schranke geregelt: Zulässig sind Vervielfältigungen rechtmäßig zugänglicher Werke, sofern die Rechteinhaberin oder der Rechteinhaber der Nutzung nicht in maschinenlesbarer Form widersprochen hat. Enthalten Trainingsdaten personenbezogene Daten, gelten zusätzlich die Vorgaben der DSGVO.

Für Hochrisiko-KI-Systeme verlangt die EU-KI-Verordnung, dass Trainingsdaten repräsentativ und möglichst fehlerfrei sind, um Verzerrungen zu vermeiden. Anbieter von KI-Modellen mit allgemeinem Verwendungszweck müssen zudem eine Übersicht der verwendeten Trainingsdaten veröffentlichen.

Was bringt das eurem Betrieb?

Für kleine und mittlere Unternehmen werden Trainingsdaten vor allem beim Fine-Tuning oder beim Aufbau eines eigenen Chatbots relevant: Wird ein KI-System mit internen Dokumenten, Produktbeschreibungen oder Support-Tickets trainiert, übernimmt es Sprachstil und Fachwissen des Betriebs, ohne dass jede Anfrage manuell beantwortet werden muss.

Saubere, aktuelle Trainingsdaten senken das Risiko, dass ein System veraltete oder falsche Informationen ausgibt. Enthalten die Datensätze Kunden- oder Mitarbeiterdaten, sinkt das Datenschutzrisiko deutlich, wenn diese vorab anonymisiert oder pseudonymisiert werden - hier unterstützt unser Partner anymize (https://anymize.ai/partner/ai-ready) mit entsprechenden Verfahren.

Was kostet das?

Der Aufwand für Trainingsdaten hängt stark vom Anwendungsfall ab: Beim reinen Einsatz bestehender KI-Systeme wie ChatGPT fallen für Unternehmen keine eigenen Trainingskosten an, da das Basismodell bereits trainiert ist. Wird ein System per Fine-Tuning auf firmeneigene Daten zugeschnitten, entstehen Kosten vor allem für das Sichten, Bereinigen und Strukturieren der Datenbasis - nach unserer Erfahrung oft der größere Zeitfaktor im Projekt, nicht die Technik selbst.

Einflussfaktoren sind unter anderem die Datenmenge, der Grad an notwendiger Anonymisierung personenbezogener Daten sowie die Frage, ob bereits strukturierte Dokumente vorliegen oder erst digitalisiert werden müssen. Ein erstes KI-System lässt sich bei AI READY zum Festpreis ab 3.500 € realisieren; der konkrete Aufwand für die Datenaufbereitung wird dabei individuell im Vorfeld geklärt.

Beispiel aus dem Mittelstand

Ein Maschinenbauer mit 70 Mitarbeitenden möchte einen internen KI-Assistenten einführen, der Fragen zu Ersatzteilen und Wartungsanleitungen beantwortet. Als Trainingsdaten dienen vorhandene Handbücher, technische Zeichnungen und bisherige Support-E-Mails. Vor dem Training werden Kundennamen und Seriennummern aus den E-Mails entfernt, damit keine personenbezogenen Daten in das System gelangen. Nach der Aufbereitung beantwortet der Assistent Anfragen aus der Werkstatt in Sekunden, die zuvor mehrere Minuten Recherche in Papierordnern erforderten.

Häufige Fragen

Was sind Trainingsdaten einfach erklärt?

Trainingsdaten sind die Daten, mit denen ein KI-System trainiert wird und dabei seine lernbaren Parameter anpasst - vergleichbar mit Lehrmaterial, aus dem ein System Muster lernt. Ohne Trainingsdaten gibt es keine funktionierende KI, da das Modell sonst keine Grundlage zum Lernen hat.

Dürfen urheberrechtlich geschützte Werke als Trainingsdaten verwendet werden?

Grundsätzlich ja, über die Text- und Data-Mining-Schranke des §44b UrhG, sofern die Werke rechtmäßig zugänglich sind und kein maschinenlesbarer Nutzungsvorbehalt der Rechteinhaberin oder des Rechteinhabers vorliegt. Ob diese Schranke jedes Training generativer KI vollständig abdeckt, ist in der Rechtsprechung noch nicht abschließend geklärt.

Sind Trainingsdaten automatisch personenbezogene Daten nach DSGVO?

Nein, nur wenn die Trainingsdaten tatsächlich Informationen über identifizierbare Personen enthalten, etwa Namen oder Kundendaten. Die EU-KI-Verordnung unterscheidet ausdrücklich zwischen personenbezogenen und nicht personenbezogenen Daten als Trainingsgrundlage.

Wie viele Trainingsdaten braucht ein KI-System?

Es gibt keine feste gesetzliche Mindestmenge - entscheidend ist nach unserer Erfahrung die Repräsentativität und Qualität der Daten für den jeweiligen Anwendungsfall, nicht allein die Menge. Für kleinere Fine-Tuning-Projekte reichen oft einige hundert gut kuratierte Beispiele aus.