Generative AI Leader — Übungsfragen und Probeprüfung

Googles Secure AI Framework (SAIF) ist ein konzeptionelles Rahmenwerk, das branchenweite Standards bereitstellt, um Sicherheits- und Risikofragen von KI-Systemen zu adressieren (docs.cloud.google.com/architecture/framework/security/use-ai-securely-and-responsibly). Seine sechs Kernelemente decken ab, wie sich Sicherheitsgrundlagen auf das KI-Ökosystem ausweiten lassen, wie Risiken von KI-Systemen in einen Kontext gestellt werden und wie Kontrollen für schnellere Feedbackschleifen angepasst werden. SAIF legt keine technischen Spezifikationen für LLMs fest – das ist Sache der Modelldokumentation. Es ist kein Preismodell – das ist Cloud Billing. Es zertifiziert keine Leistungs-Benchmarks von Modellen – dafür gibt es Evaluations-Tooling wie ML.EVALUATE. Bei SAIF geht es um verantwortungsvolle Governance der KI-Sicherheit.

Document AI ist die Plattform von Google Cloud, um strukturierte Informationen aus Dokumenten zu extrahieren – darunter PDFs, gescannte Bilder und handschriftlich ausgefüllte Formulare (docs.cloud.google.com/document-ai/docs/overview). Sie bietet Prozessoren für OCR, Entitätsextraktion, Klassifizierung und Layout-Parsing – ideal für die Verarbeitung von Patientenakten. Die Speech-to-Text API wandelt Audio in Text um, keine Dokumente. Die Cloud Vision API übernimmt allgemeine Bildanalyse, es fehlt ihr aber dokumentspezifisches Parsing wie die Extraktion von Schlüssel-Wert-Paaren. Die Natural Language API analysiert Stimmung und Entitäten in Texten, kann aber keine PDFs oder gescannten Dokumente verarbeiten. Document AI ist eigens für Workflows zum Dokumentenverständnis gebaut.

Human-in-the-Loop (HITL) umfasst menschliche Aufsicht, um KI-Ausgaben zu prüfen, zu validieren und zu korrigieren, und sichert so Genauigkeit und Sicherheit bei kritischen Entscheidungen (developers.google.com/machine-learning/glossary/generative). Googles ML-Glossar definiert HITL als Strategie, mit der Menschen das Verhalten eines Modells mitgestalten, bewerten und verfeinern. HITL beschränkt sich nicht auf das anfängliche Training – es bleibt auch im Betrieb für die laufende Qualitätssicherung unverzichtbar. Es ersetzt nicht die automatisierte Verarbeitung, sondern ergänzt sie um menschliches Urteilsvermögen an kritischen Entscheidungspunkten. HITL bedeutet nicht, jede Antwort manuell einzutippen – es nutzt effiziente Review-Workflows mit Konfidenzschwellen, um unsichere Ausgaben zur menschlichen Prüfung weiterzuleiten.

Bei der Auswahl eines Foundation Models für einen Chatbot, der Text-, Bild- und Audio-Eingaben verarbeitet, ist der wichtigste Faktor, ob das Modell diese Modalitäten unterstützt (docs.cloud.google.com/docs/ai-ml/generative-ai/develop-generative-ai-application). Multimodale Modelle wie Gemini verarbeiten Text, Bilder, Video und Audio nativ. Die Größe der Trainingsdaten in Terabyte ist eine interne Kennzahl, die für die Auswahl nicht offengelegt wird. Die Parameterzahl zeigt die Modellgröße an, aber nicht die modalitätsübergreifende Fähigkeit. Die Diffusions-Architektur dient der Bildgenerierung, nicht multimodalen Chatbots. Die Unterstützung von Modalitäten entscheidet direkt darüber, ob das Modell die erforderlichen Eingabetypen annehmen kann.