Inferenz
Definition
Inferenz ist die Anwendung eines trainierten Modells auf neue Eingaben, um Vorhersagen oder Ausgaben zu erzeugen.
Beim Training werden Modellparameter angepasst; bei der Inferenz werden diese Parameter typischerweise verwendet, um für neue Daten Ergebnisse zu berechnen. Kosten, Latenz und Hardwareanforderungen hängen stark von Modell und Workload ab.
Einfach erklärt
Training ist das Lernen; Inferenz ist das spätere Anwenden des Gelernten.
Warum das im Alltag wichtig ist
Zentral für produktive KI-Systeme, weil hier die tatsächlichen Antworten, Klassifikationen oder Prognosen entstehen.
Beispiel aus dem Mittelstand
Ein trainierter Klassifikator bewertet eingehende Supporttickets und weist Wahrscheinlichkeiten für Kategorien zu.
Grenzen und Fallstricke
- Inferenz mit Training verwechseln; Modellqualität nur offline messen; Latenz, Kosten und Datenverschiebung im Betrieb ignorieren.
Entstehung & Geschichte
Im Machine Learning bezeichnet Inferenz die Anwendung eines trainierten Modells auf Eingaben. Allgemein wird Inferenz auch für Schlussfolgerungen verwendet.
Anwendung im Mittelstand
- Mögliche Anwendungen: Klassifikation, Prognose, Embedding-Erzeugung, Sprach- und Bildgenerierung.
Häufige Fragen
Werden bei Inferenz immer Gewichte verändert?
Üblicherweise nein. Ist Inferenz kostenlos? Nein, sie benötigt Rechenressourcen und verursacht je nach Betrieb Kosten.
Quellen
- Inference · Google Machine Learning Glossary, Inference
Quellen geprüft am 10.10.2026.
Redaktionell geprüft am: