Bedeutungsmarkierungen

Die vergessene Schicht der KI: Warum Bedeutungsmarkierungen den Unterschied machen

Künstliche Intelligenz beginnt mit einem simplen Schritt: Texte werden in kleine Bausteine zerlegt, sogenannte Tokens. Für uns Menschen erscheinen diese Einheiten klar – ein Wort ist ein Wort. Für die Maschine jedoch entstehen oft Bruchstücke: „Ver“, „ein“, „e“. Aus diesen Teilstücken werden Zahlenkolonnen gebildet, sogenannte Vektoren, die im Rechner als Punkte in einem mehrdimensionalen Raum gespeichert sind. Die Nähe dieser Punkte bestimmt, ob Begriffe als verwandt gelten. „Mitglied“ und „Verein“ liegen eng beieinander, „Stein“ und „Verein“ weit entfernt.

Bedeutungsmarkierungen im Mittelpunkt

Das Problem: Bedeutung bleibt unscharf. Trifft das Modell auf das Wort „Bank“, muss es berechnen, ob eine Sitzgelegenheit oder ein Finanzinstitut gemeint ist. Es gibt keine eindeutige Bedeutungsmarkierungen, nur Wahrscheinlichkeiten. Je mehr Daten und Rechenleistung ein Modell besitzt, desto besser kann es raten – doch am Ende bleibt es beim Raten.

Hier setzt die Schloemer::Notation an. Sie fügt der Tokenisierungsebene eine zweite Dimension hinzu: eine explizite Bedeutungsmarkierung. Mit doppelten Doppelpunkten :: lassen sich Wörter semantisch annotieren. Statt „Bank“ allein verarbeitet die Maschine ::Finanz::Bank – und weiß sofort, welche Richtung gemeint ist. Technisch bedeutet das: Neben dem Vektor für das Wort tritt ein zweiter Vektor für die Markierung. Zusammen entsteht eine Art „Vektor im Vektor“, der Ausdruck und Bedeutung verschränkt.

Das Neue daran ist nicht die Idee der Semantik – Linguisten diskutieren sie seit Jahrzehnten –, sondern die Übertragung in ein maschinenlesbares, einfaches Format. Die KI muss sich nicht länger durch Wahrscheinlichkeitsräume hangeln, sondern kann die Bedeutung direkt auslesen. Das spart Rechenleistung, reduziert Fehler und erhöht die Präzision.

Dass eine solch grundlegende Lösung bislang übersehen wurde, hat mehrere Gründe. Zum einen dominiert in der KI-Forschung die Fixierung auf Skalierung: größere Modelle, mehr Daten, stärkere Hardware. Zum anderen erschien eine explizite Bedeutungsmarkierung fast zu schlicht, um ernst genommen zu werden. In Wahrheit zeigt sich hier ein Innovationsparadox: Während Milliarden in Rechenzentren fließen, kann eine einfache, systematische Markierungsebene den entscheidenden Durchbruch bringen.

Die Schloemer::Notation macht deutlich: Semantik lässt sich nicht allein aus Statistik gewinnen. Sie muss markiert, strukturiert und maschinenverständlich übergeben werden. Erst wenn beides zusammenkommt – Vektor und Bedeutungsvektor –, entsteht ein Verständnis, das mehr ist als bloßes Raten.