Was ein Entscheidungsmodell ist, neben einem Chatbot
Ein Entscheidungsmodell ist ein kleines Sprachmodell, das darauf abgestimmt ist, eine Art von Frage mit einer Wahl aus einer festen Liste zu beantworten und jede Option zu bewerten, damit Software das Ergebnis direkt nutzen kann.
Ein Chatbot erzeugt Text und denkt offene Probleme durch. Ein Entscheidungsmodell gibt diese Freiheit auf und erhält dafür Tempo, niedrige Kosten und begrenzte Ausgaben, und Microsoft beschreibt sein Modell als dafür gebaut, strukturierte Ausgaben zu liefern, auf die Software sofort reagieren kann. Die Idee eines Modells, das für eine feste Liste Wahrscheinlichkeiten ausgibt, ist nicht neu, denn Forschende im maschinellen Lernen bauen seit Langem wahrscheinlichkeitsbasierte Klassifikatoren, wie The Register anmerkt. Neu ist, dass die Optionen mit Beschreibungen in normaler Sprache kommen und ein Sprachmodell die Bewertung übernimmt.
Die Ausgaben kommen laut heise in drei Formen: ein Ja oder Nein, eine Wahl aus einem definierten Pool oder eine Rangfolge von Optionen, stets als Zahlen wie Wahrscheinlichkeiten und nie als Erklärung.
Microsoft-Decision-1 als Praxisbeispiel
Microsoft stellte Microsoft-Decision-1 am 9. Oktober als Modell für schnelle, strukturierte Entscheidungen vor, und seine Zahlen zeigen, was die Kategorie verspricht.
| Eigenschaft | Microsoft-Decision-1 |
|---|---|
| Basismodell | Qwen3.5-9B von Alibaba Cloud, nachtrainiert für Entscheidungsbewertung in einem Durchgang |
| Genauigkeit | 83,5 Prozent über 36 Benchmarks mit fast 150.000 Fragen |
| Latenz | 85 Millisekunden; im Microsoft-Test 2,5-mal schneller als H2O-Lightning-4B und 2,8-mal schneller als Jev |
| Preis | 0,042 Dollar pro Million Eingabetokens; Ausgabetokens kostenlos |
| Verfügbarkeit | Microsoft Foundry und OpenRouter |
| Konsistenz | Entscheidung änderte sich bei 1,3 Prozent der Störungen; keine Änderungen, wenn Optionsbeschreibungen umformuliert oder Optionen umgestellt wurden |
| Geplante Änderung | Umstellung auf Modelle von Microsoft AI und OpenAI, ohne Begründung |
Das sind Microsofts eigene Zahlen aus Microsofts eigenen Tests, und heise weist darauf hin, dass der Blogbeitrag das Modell wiederholt mit GPT-6 Sol vergleicht, einem Frontier-Modell für komplexe Sprachaufgaben, was den Vergleich nur begrenzt aussagekräftig macht.
Die Kategorie ist überfüllt. The Register zählt mehr als 100 solche Modelle, von Jev, rund drei Wochen vor dem Bericht vom 10. Oktober angekündigt, über OpenAIs Decisions API in der öffentlichen Beta, Cloudflares offene Clef, Strands Decider 2B, Liquid AI d1, Perplexitys Decisions API und ein Snowflake-Modell bis zu Surogate Rune und H2O-Lightning-4B.
Wo sie passen und wo nicht
Entscheidungsmodelle passen zu Schritten, in denen Software ein schnelles, begrenztes Urteil braucht, und Microsoft nennt Routing, Klassifizierung, Priorisierung, Prüfung und Ablaufsteuerung als Ziele.
Zu den Einsatzfällen in Microsofts Beitrag und heises Zusammenfassung gehören das Weiterleiten einer Anfrage an das passende KI-Modell nach Qualität, Kosten und Latenz, das Prüfen einer Eingabe gegen Qualitätskriterien, das Einsortieren von Kundenfeedback in Kategorien, die Entscheidung, ob ein Agent fortfahren, stoppen, es erneut versuchen oder übergeben soll, und die Wahl der besten Aktion aus einer Menge bei der Steuerung eines Computers oder Roboters.
Für offenes Schreiben taugen sie nicht, und ihre Grenzen sind sichtbar. Sie liefern Zahlen ohne Begründung, merkt heise an, und seine Einschätzung ist, dass ein Entscheidungsmodell stabiler ist als viele allgemeine Modelle, aber weniger verlässlich als ein Algorithmus oder ein Entscheidungsbaum, weil eine Änderungsrate von 1,3 Prozent bedeutet, dass Antworten sich noch ändern können. The Register ergänzt, dass Entscheidungsmodelle weiterhin Fehler machen können, und verweist auf Forschung dazu, wie solche Fehler verstärkt werden könnten. Microsoft nennt ein Kalibrierungsziel, nämlich dass eine Vorhersage mit 90 Prozent in etwa neun von zehn Fällen stimmen soll, also fordern Sie eine Kalibrierung auf Ihren eigenen Daten an.
Fünf Fragen vor dem Kauf
Fragen Sie, welches Basismodell darunterliegt und unter welcher Lizenz, denn Microsoft-Decision-1 baut auf Alibaba Clouds Qwen3.5-9B auf, und dieselbe Frage gilt für jedes Entscheidungsmodell. Wenn Ihre Beschaffungsrichtlinie einschränkt, woher KI-Komponenten stammen dürfen, entscheidet diese Antwort über alles Weitere.
Fragen Sie, wann und wie sich die Basis ändert. Microsoft sagt, es werde Microsoft-Decision-1 auf Modelle von Microsoft AI und OpenAI umstellen, ohne zu sagen warum, also beschreiben die heutigen Ergebnisse eine Basis, die sich ändern soll; verlangen Sie dieselben Tests auf der neuen Basis, bevor Sie sich verlassen.
Fragen Sie, wie getestet wurde. Verlangen Sie den Benchmark-Satz, wer die Vergleichsmodelle gewählt hat, die Änderungsrate für Ihre eigenen Formulierungen und eine Kalibrierungsprüfung auf Ihren Daten, und lassen Sie dann eine Stichprobe Ihrer echten Fälle selbst laufen.
Fragen Sie, wie Entscheidungen protokolliert und geprüft werden. Die Ausgabe ist eine Wahrscheinlichkeit ohne Erklärung, also speichern Sie Eingaben, Optionen und Scores jeder Entscheidung und legen Sie einen Schwellenwert fest, unter dem ein Mensch entscheidet.
Fragen Sie nach Preis und Latenz in Ihrem eigenen Aufbau. Microsoft nennt 0,042 Dollar pro Million Eingabetokens bei kostenloser Ausgabe und 85 Millisekunden, was Massenrouting und Prüfungen günstig macht, aber prüfen Sie die Zahlen mit Ihrem eigenen Verkehr.
Weiterlesen: Die EU Prüft Jetzt Direkt Ihren Cloud-Anbieter | Die EU hat Ihre KI-Verordnung-Frist um 16 Monate verschoben
