# Ein Modell anhand von Nachweisen wählen

Taiga Learning · Arbeitsblatt
https://taiga.training/de/lessons/evaluate-models/

Nutzen Sie fiktive oder freigegebene Informationen. Tragen Sie keine Secrets in dieses Arbeitsblatt ein.

## Lernziele
- Ein kleines Evaluationsset aus tatsächlichen Aufgabentypen erstellen.
- Modellqualität von den Auswirkungen der Werkzeuge und des Kontexts trennen.
- Bedingungen für eine erneute Evaluation festhalten.

## Übung
Erstellen Sie ein Evaluationsblatt für drei Aufgabentypen: einen bekannten Fehler, eine kleine Funktion und eine Repository-Erklärung. Definieren Sie Abnahmekriterien vor dem Modellvergleich. Ergänzen Sie pro Aufgabe einen Fehlerfall. Erfassen Sie Modellversion, Kontext, Werkzeugberechtigungen, Versuche, Kosten und Review-Aufwand.

## Ihre Antwort
- Szenario und Umfang:
- Annahmen und offene Fragen:
- Vorgeschlagene Antwort oder Entscheidung mit Begründung:

## Prüfen Sie Ihre Antwort
| Aussage oder Kriterium | Nachweis oder Test | Ergebnis oder Lücke | Verantwortung |
| --- | --- | --- | --- |
| | | | |
| | | | |
| | | | |

## Nächste Handlung
- Handlung, Verantwortung und Datum:
- Wann werden Sie diese Antwort erneut prüfen?

## Beizubehaltendes Prinzip
Wählen Sie ein Modell für eine definierte Aufgabe und Umgebung. Prüfen Sie die Entscheidung erneut, wenn sich Modell, Werkzeuge oder Anforderungen ändern.

## Quellen
- [NIST: Generative AI Profile](https://doi.org/10.6028/NIST.AI.600-1)
- [METR: Developer productivity study methodology](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/)

Dieses Arbeitsblatt unterstützt das Lernen. Seine Bearbeitung autorisiert für sich genommen keine Produktionsänderung.