Was ist KI? Was sind LLMs?
Zum Einstieg erläuterte Prof. Klauck den ca. 80 Teilnehmenden die grundsätzliche Einordnung: „Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik, das sich mit der Entwicklung von Systemen befasst, die in der Lage sind, auf Basis von Daten Aufgaben zu lösen, die typischerweise menschliche Intelligenz erfordern. Ein spezieller Bereich davon ist die generative KI – also Systeme, die neue Inhalte wie Texte oder Bilder auf Basis großer Datenmengen erzeugen können. LLMs, wie GPT (Generative Pre-trained Transformer), sind Sprachmodelle, die genau auf diese Fähigkeit spezialisiert sind.
Der Vortrag gab einen Einblick in die Architektur solcher Modelle: Zentrale Bausteine sind sogenannte Embeddings, die Sprache in eine für Computer nutzbare Form bringen, sowie der Transformer-Mechanismus mit Encoder-Decoder-Strukturen, der kontextbasiertes Sprachverstehen und Textgenerierung ermöglicht. Je nach Trainingsziel unterscheidet man zwischen Basismodellen (z. B. für Textvervollständigung), Instruktionsmodellen (z. B. zur Aufgabenbearbeitung) und Chatmodellen (z. B. für Konversation).
LLMs im wissenschaftlichen Alltag
Im zweiten Teil des Webinars stand der praktische Nutzen im Mittelpunkt. LLMs bieten in vielen Bereichen „quick wins“ – sei es bei der Textzusammenfassung, Code-Generierung, beim Erstellen technischer Dokumentationen oder als Unterstützung beim Brainstorming. Für materialwissenschaftliche Anwendungen wird das Potenzial besonders dann sichtbar, wenn es um die Extraktion von Wissen aus unstrukturierten Quellen geht: Tabellen, Datenblätter, Freitexte oder Gefügebilder lassen sich durch LLMs strukturieren, analysieren und in neue Zusammenhänge setzen.
Auch domänenspezifische Modelle wie MatSciBERT oder MechGPT wurden vorgestellt. Diese sind auf spezifische Aufgaben wie Named Entity Recognition oder Hypothesenbildung trainiert und nutzen Korpora aus der Materialforschung. Damit können sie helfen, schneller zu Erkenntnissen zu gelangen, etwa im Bereich Werkstoffdesign oder Experimentplanung.
Grenzen und Herausforderungen
Trotz der beeindruckenden Fähigkeiten wurde im Webinar auch deutlich: LLMs sind keine Alleskönner. Ungenauigkeiten, Bias durch Trainingsdaten, fehlendes echtes Sprachverständnis und technische Limitierungen (etwa beim Kontextfenster) bleiben Herausforderungen – besonders im präzisen wissenschaftlichen Umfeld. Zudem ist das Finetuning komplex und erfordert erhebliche Ressourcen.
Auch die Frage nach dem Einsatz von KI-Agenten wurde thematisiert: Wann lohnt sich der Einsatz autonomer Systeme mit Entscheidungsfreiheit – und wann nicht? Klare Empfehlungen gab es hier für datenintensive, dynamische Arbeitsbereiche mit hohem Automatisierungspotenzial, etwa in der Forschung oder Softwareentwicklung. Weniger sinnvoll ist der Einsatz dagegen bei einfachen oder stark regulierten Aufgaben sowie Aufgaben die tiefes Domänenwissen, menschliche Intuition oder Empathie erfordern.
Ausblick: Vom Webinar zur Vertiefung
Das Webinar war Teil eines neuen Fortbildungsangebots der DGM. Die vertiefende Fortbildung „Mit eigenen Daten chatten“ zu LLMs mit stärkerem Praxisbezug wird am 10. – 14. November 2025 erstmals angeboten. Zudem lässt sich das Thema hervorragend mit der DGM-Konferenz AI MSE (18.–19. November) verbinden, bei der der Einsatz von KI in der Materialwissenschaft im Mittelpunkt steht. Die Fortbildung eignet sich daher gut als Vorbereitung für die Konferenz und bietet die Möglichkeit, eigene Anwendungsfälle gezielt weiterzuentwickeln.