Multimodal
Auch bekannt als: multimodale KI, Multimodalität
Die Fähigkeit einer KI, mehrere Arten von Informationen wie Text, Bild, Audio oder Video zu verarbeiten oder zu erzeugen.
Multimodal bedeutet, dass eine KI mehrere Arten von Informationen verarbeiten kann, etwa Text, Bild, Audio oder Video. Manche Modelle können auch verschiedene Arten von Inhalten erzeugen. Welche Ein- und Ausgaben möglich sind, hängt vom Modell und der Anwendung ab.
Für deine Arbeit heißt das: Du kannst zum Beispiel eine Skizze oder einen Screenshot zeigen und Fragen dazu stellen. Du musst den Inhalt also nicht vollständig beschreiben. Ein Modell, das Bilder auswertet, kann allerdings nicht automatisch selbst Bilder erzeugen.
So sieht’s in der Praxis aus
Du lädst den Screenshot eines Layouts hoch und möchtest wissen, ob die visuelle Hierarchie klar ist. Die KI bezieht sich in ihrer Antwort auf Überschrift, Bild und Textflächen. Du kannst direkt über den sichtbaren Entwurf sprechen und daraus mögliche Änderungen ableiten. In manchen multimodalen KI-Tools kannst du dir auch eine optimierte Version als Bild generieren lassen.
Tipp: Zeige einen gut lesbaren Ausschnitt und benenne, worauf die KI achten soll. Bei einem Layout kann das die Leserichtung sein. Für Detailfragen hilft ein zusätzlicher vergrößerter Ausschnitt.
Verwandte Begriffe
Passende Tools
