Datensatz (Dataset)

Was ist ein Datensatz in der KI?

Ein Datensatz (englisch: Dataset) ist eine strukturierte Sammlung von Daten, die zum Training, zur Validierung und zum Testen von KI-Modellen verwendet wird. Man kann sich den Datensatz als das Lehrbuch der KI vorstellen: Je besser und umfangreicher das Lehrbuch, desto mehr und zuverlässiger lernt das Modell.

Die drei Typen von Datensätzen

Beim maschinellen Lernen werden Datensätze in drei Kategorien aufgeteilt, die jeweils eine bestimmte Rolle im Trainingsprozess spielen:

Trainingsdaten (ca. 70-80%)

Der größte Teil der Daten wird für das eigentliche Training verwendet. Das Modell lernt anhand dieser Beispiele seine Parameter anzupassen. Bei einem Bilderkennungsmodell wären das etwa Millionen von Fotos, jeweils mit einem Label versehen ("Katze", "Hund", "Auto").

Validierungsdaten (ca. 10-15%)

Während des Trainings wird das Modell regelmäßig mit Daten getestet, die es noch nicht gesehen hat. So erkennt man früh, ob das Modell wirklich Muster lernt oder nur die Trainingsdaten auswendig lernt (Overfitting). Die Validierungsdaten sind wie eine Probeklausur vor der echten Prüfung.

Testdaten (ca. 10-15%)

Nach Abschluss des Trainings wird die endgültige Leistung mit völlig unbekannten Daten gemessen. Die Testdaten werden nie während des Trainings verwendet und geben die ehrlichste Einschätzung, wie gut das Modell in der Praxis funktionieren wird.

Berühmte Datensätze der KI-Geschichte

Einige Datensätze haben die Entwicklung der KI maßgeblich geprägt:

• ImageNet: 14 Millionen Bilder in 20.000 Kategorien. Der ImageNet-Wettbewerb 2012 leitete die Deep-Learning-Revolution ein.
• Common Crawl: Ein Archiv des gesamten Internets -- Petabytes an Text. Grundlage für das Training der meisten Sprachmodelle.
• LAION-5B: 5,85 Milliarden Bild-Text-Paare, genutzt zum Training von Stable Diffusion und anderen Bildmodellen.
• The Pile: Ein kuratierter 800-GB-Datensatz aus Büchern, Wikipedia, GitHub-Code und mehr. Basis für mehrere Open-Source-Sprachmodelle.
• Wikipedia: Millionen von Artikeln in hunderten Sprachen -- eine der wichtigsten Textquellen für Sprachmodelle.

Qualität vs. Quantität

Eine der wichtigsten Erkenntnisse der letzten Jahre: Datenqualität ist mindestens so wichtig wie Datenmenge. Früher glaubte man, mehr Daten führen automatisch zu besseren Modellen. Heute weiß man: Ein kleinerer, sorgfältig kuratierter Datensatz kann ein Modell hervorbringen, das größere Modelle übertrifft.

Merkmale hochwertiger Datensätze

• Repräsentativität: Die Daten spiegeln die reale Welt wider, nicht nur einen Ausschnitt
• Korrektheit: Labels und Annotationen sind präzise und fehlerfrei
• Vielfalt: Verschiedene Perspektiven, Sprachen und Kontexte sind abgedeckt
• Aktualität: Die Daten sind nicht veraltet (besonders wichtig für Nachrichten und Trends)
• Bereinigung: Duplikate, Fehler und irrelevante Einträge sind entfernt

Risiken schlechter Datensätze

• Veraltete Informationen: Ein 2021 trainiertes Modell weiß nichts über Ereignisse nach 2021
• Fehlerhafte Labels: Falsch markierte Trainingsdaten führen zu falschen Vorhersagen
• Unterrepräsentierung: Wenn bestimmte Gruppen in den Daten fehlen, funktioniert das Modell für diese schlecht

Bias in Datensätzen

Bias (Verzerrung) ist eines der größten Probleme in der KI -- und es beginnt bei den Daten. Wenn Trainingsdaten systematische Verzerrungen enthalten, übernimmt das Modell diese:

• Geschlechter-Bias: Ein Modell, das hauptsächlich mit Texten trainiert wurde, in denen Ärzte männlich und Krankenschwestern weiblich sind, wird diese Stereotypen reproduzieren
• Kultureller Bias: Datensätze, die überwiegend aus englischsprachigen Quellen stammen, bevorzugen westliche Perspektiven
• Historischer Bias: Daten aus der Vergangenheit spiegeln historische Diskriminierung wider (z.B. bei Kreditvergabe-Daten)

Für Unternehmen bedeutet das: KI-Entscheidungen sind nie neutraler als die Daten, auf denen sie basieren. Wer KI für Personalentscheidungen oder Kundenanalysen einsetzt, muss die möglichen Verzerrungen kennen und überwachen.

Datensätze und Datenschutz

Besonders in Deutschland und der EU spielt der DSGVO-konforme Umgang mit Trainingsdaten eine zentrale Rolle:

• Personenbezogene Daten: Dürfen nur mit Rechtsgrundlage zum Training verwendet werden
• Urheberrecht: Das Training mit urheberrechtlich geschützten Texten und Bildern ist rechtlich umstritten (laufende Klagen gegen OpenAI, Stability AI und andere)
• Recht auf Löschung: Wie löscht man Daten aus einem bereits trainierten Modell? Dieses Problem ist technisch noch nicht gelöst

Bedeutung für Unternehmen

Datensätze sind für Unternehmen aus mehreren Gründen relevant:

• Eigene Daten als Wettbewerbsvorteil: Unternehmensspezifische Daten können zum Fine-Tuning von KI-Modellen genutzt werden -- ein Vorteil, den die Konkurrenz nicht kopieren kann
• Datenqualität sicherstellen: "Garbage in, garbage out" gilt besonders für KI. Investieren Sie in saubere, strukturierte Daten
• Bias prüfen: Regelmäßig überprüfen, ob KI-Entscheidungen bestimmte Gruppen benachteiligen
• Datenschutz beachten: Keine sensiblen Kundendaten in Cloud-KI-Tools hochladen, ohne die DSGVO-Konformität zu prüfen

Fazit

Datensätze sind das Fundament jeder KI. Sie bestimmen, was ein Modell lernt, wie gut es funktioniert und welche Verzerrungen es mitbringt. Für Unternehmen gilt: Die eigenen Daten sind ein wertvolles Asset, das sorgfältig gepflegt und DSGVO-konform eingesetzt werden sollte. Wer die Bedeutung hochwertiger Datensätze versteht, trifft bessere Entscheidungen beim Einsatz von KI-Tools.