Ein häufiger Fehler bei der Planung eines KI-Projekts besteht darin, mit dem grössten verfügbaren Modell zu beginnen, um dann festzustellen, dass eine im Verhältnis zum Wert des Anwendungsfalls unverhältnismässige Infrastruktur nötig ist. Oft lässt sich dieselbe wahrgenommene Qualität mit einem kleineren, korrekt optimierten Modell erreichen — zu einem Bruchteil der Kosten.
Was Quantisierung in der Praxis bedeutet
Ein Modell speichert seine Parameter als Zahlen mit einer bestimmten Präzision (typischerweise 16 Bit). Die Quantisierung reduziert diese Präzision — auf 8 Bit oder sogar 4 Bit —, wodurch der benötigte Speicher proportional sinkt und oft die Antwortgeschwindigkeit steigt, bei einem Qualitätsverlust, der für viele Unternehmensaufgaben minimal oder nicht wahrnehmbar ist.
Die Techniken, die wir am häufigsten einsetzen
- Formate wie GGUF, konzipiert für den Betrieb quantisierter Modelle auch auf CPUs oder bescheidener Hardware, nützlich für Prototypen und überschaubare Volumina.
- GPU-Quantisierungstechniken (wie GPTQ oder AWQ), die eine gute Qualität beibehalten und gleichzeitig den Videospeicherbedarf deutlich senken.
- Distillation zu kleineren Modellen, trainiert, um das Verhalten eines grösseren Modells bei einer bestimmten Aufgabe nachzuahmen.
- Techniken zur Beschleunigung der Generierung (wie spekulatives Decoding), nützlich, wenn die vom Nutzer wahrgenommene Latenz genauso zählt wie die Antwortqualität.
Wie viel Qualität tatsächlich verloren geht
Das hängt von der Aufgabe ab und sollte ehrlich von Fall zu Fall gemessen werden: Bei offenen Konversationen oder sehr komplexen Denkaufgaben kann der Verlust spürbar sein; bei enger gefassten Aufgaben — Extraktion, Klassifizierung, RAG über Dokumente — ist er oft vernachlässigbar. Deshalb testen wir vor der Wahl des Quantisierungsgrads in Produktion immer am tatsächlichen Anwendungsfall des Kunden, nicht an einem generischen Benchmark.
Ein anschauliches Beispiel
Bei einem typischen Anwendungsfall eines internen Assistenten für Unternehmensdokumentation kann der Wechsel von einem nicht quantisierten zu einem auf 8 Bit quantisierten Modell den GPU-Speicherbedarf um etwa die Hälfte reduzieren, bei einem Qualitätsunterschied, der in Tests mit Endnutzern oft nicht unterscheidbar ist. Das sind Richtwerte, keine Garantie: Die tatsächliche Dimensionierung muss immer für das konkrete Projekt geprüft werden.