{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"language":"de","description":"Eine Model Card ist der Standard für KI-Transparenz. Erfahren Sie hier mehr über die 9 Abschnitte, Best Practices, Fehlerquellen und Model Cards bei Snowflake.","title":"Was ist eine Model Card? Abschnitte, Vorlagen & Best Practices","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":path":"/content/snowflake-site/global/de/artificial-intelligence/ai-governance/model-card",":hierarchyType":"page",":mappedPath":"/de/artificial-intelligence/ai-governance/model-card/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnCount":12,"columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"experiencefragment-banner":{"id":"experiencefragment-b66df315a0","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence/ai-governance/model-card"},"experiencefragment-header":{"id":"experiencefragment-1fc774059d","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence/ai-governance/model-card"},"responsivegrid":{"columnCount":12,"columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1158003461":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1398138236":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_topics_row2":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1377146023":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"flexible_column_cont":{"id":"flexible-column-container-857023ce74","propertiesId":"hub-hero-breadcrumbs","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-8c4d7794e4",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-c0b7aa1d03","items":[{"id":"breadcrumb-c0b7aa1d03-item-b4dc78da23","link":{"valid":true,"url":"/de/artificial-intelligence/"},"active":false,"current":false,"title":"Künstliche Intelligenz",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-c0b7aa1d03-item-b569776521","link":{"valid":true,"url":"/de/artificial-intelligence/ai-governance/"},"active":false,"current":false,"title":"KI-Governance",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-c0b7aa1d03-item-b160c82e8a","link":{"valid":true,"url":"/de/artificial-intelligence/ai-governance/model-card/"},"active":true,"current":true,"title":"Model Card",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-b09667619f","propertiesId":"hub-hero","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-08dec63a29",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-39e007905a","additionalClasses":"hub-hero__headline","type":"heading1","lines":["Model Cards erklärt: KI-Modelle für Vertrauen, Transparenz und Compliance dokumentieren"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-2dca1376e5","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003EDa die Einführung von KI immer schneller voranschreitet, sind Model Cards unerlässlich, um zu dokumentieren, wie KI-Systeme trainiert und getestet wurden und wie sie eingesetzt werden sollen. So erhalten Teams den nötigen Kontext, um Modelle verantwortungsvoll bereitzustellen. Dieser Leitfaden erläutert, was eine Model Card ist, welche neun Kernabschnitte sie typischerweise umfasst und wie sie KI-Transparenz, Modell-Governance und Compliance über den gesamten KI-Lebenszyklus hinweg unterstützt.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-b703d31875",":type":"snowflake-site/components/container",":items":{"content_chip":{"id":"content-chip-9f0f786172","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Biografie lesen"},"image":{"id":"image","height":"800","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?preferwebp=true&quality=85","alt":"Laurie MacPherson","lazyEnabled":true,"width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","Technical Writer, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip_copy":{"id":"content-chip-35f6eb2e26","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/authors/gulnaz-sharipova/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Biografie lesen"},"image":{"id":"image","height":"512","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--f7c921fe-d10f-4d90-ac38-c79aff7cf132/gulnaz-photo.jpg?preferwebp=true&quality=85","alt":"Gulnaz Sharipova","lazyEnabled":true,"width":"512",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Gulnaz Sharipova","Lokale Redakteurin, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip","content_chip_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-59da1543c4",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-3e3051c07f","youtubeVideoId":"-HWNc-Hd90U","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}},":itemsOrder":["youtube"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1398138236":{"id":"flexible-column-container-63cadb6214","propertiesId":"hub-hero-related-topics","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container border-top","layout":"SIMPLE","id":"container-33e2b9907c",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-bbbc7b0ca8","additionalClasses":"seo-hub-hero__related-topic-label","text":"\u003Cp\u003EThemen rund um KI-Governance:\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-b7fc24aed3","additionalClasses":"related-topics ","text":"\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-compliance/\"\u003EKI-Compliance\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-content-governance/\"\u003EKI-Content-Governance\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-ethics/\"\u003EKI-Ethik\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-fairness/\"\u003EKI-Fairness\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-risk-management/\"\u003EKI-Risikomanagement\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-safety/\"\u003EKI-Sicherheit\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-traceability/\"\u003EKI-Nachverfolgbarkeit\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-transparency/\"\u003EKI-Transparenz\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/algorithmic-bias/\"\u003EAlgorithmischer Bias\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/eu-ai-act/\"\u003EEU AI Act\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/iso-42001/\"\u003EISO 42001\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/model-governance/\"\u003EModell-Governance\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/responsible-ai/\"\u003EVerantwortungsvolle KI\u003C/a\u003E\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text_894059747","text"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-eb07b73a97","propertiesId":"hub-body","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"hub-body-content",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"callout__0":{"id":"text-5202a2243c","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EDEFINITION EINER MODEL CARD\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EEine Model Card ist ein strukturierter Datensatz, der erklärt, wie ein KI-Modell entwickelt und evaluiert wurde und wie es verwendet werden soll. Sie bietet Stakeholdern den nötigen Kontext, um die Fähigkeiten, Einschränkungen und Risiken eines Modells zu verstehen, bevor sie es bereitstellen.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text__0":{"id":"text-3017c402f6","text":"\u003Cp\u003EWenn \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/\"\u003EKI-Systeme\u003C/a\u003E von der Entwicklung in die Produktion übergehen, fehlt den für die Bereitstellung verantwortlichen Teams oft der Kontext, um zu beurteilen, ob ein KI-Modell in ihren spezifischen Workflow passt. Die Benchmark-Ergebnisse eines Modells erfassen nicht, wo es evaluiert wurde, an welchen Populationen es getestet wurde oder wo es wahrscheinlich eine schlechtere Leistung erbringen wird. Ohne diese Informationen beruhen Bereitstellungsentscheidungen eher auf Annahmen als auf Fakten – und die Konsequenzen tragen die nachgelagerten Teams, Nutzer:innen und Prozesse.\u003C/p\u003E\r\n\u003Cp\u003EModel Cards gehen dieses Problem direkt an. Eine Model Card dokumentiert, was ein Modell ist, womit es trainiert und evaluiert wurde, wie es unter relevanten Bedingungen abschneidet, wo es nicht verwendet werden sollte und welche Risiken Prüfer:innen verstehen müssen. Die Dokumentation erfüllt eine Koordinationsfunktion, wenn KI tiefer in die Produktion vordringt. Data Scientists, Risikoprüfer:innen, \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-compliance/\"\u003ECompliance\u003C/a\u003E-Teams und nachgelagerte Integrator:innen teilen selten denselben Kontext, und eine Model Card bietet ihnen ein gemeinsames Artefakt als Referenz.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-a-model-card":{"id":"title-v2-8f3a344a3a","additionalClasses":"anchor-title anchor-title--what-is-a-model-card","type":"heading2","lines":["Was ist eine Model Card?"],":type":"snowflake-site/components/title-v2"},"text_what-is-a-model-card_0":{"id":"text-db74db9aa5","text":"\u003Cp\u003EEine Model Card ist ein standardisiertes Dokument, das den Zweck, die Trainingsdaten, die Performance-Eigenschaften, die vorgesehenen Verwendungszwecke, bekannte Einschränkungen, \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-fairness/\"\u003EFairness\u003C/a\u003E-Überlegungen und \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-ethics/\"\u003Eethische Aspekte\u003C/a\u003E eines KI- oder ML-Modells beschreibt. Sie bietet Prüfer:innen eine konsistente Referenz für die Entscheidung, ob ein Modell für einen bestimmten Workflow geeignet ist. Model Cards helfen dabei, die Verpflichtung zu einer \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/responsible-ai/\"\u003Everantwortungsvollen KI\u003C/a\u003E in die Praxis umzusetzen.\u003C/p\u003E\r\n\u003Cp\u003EDas Konzept wurde in „\u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://arxiv.org/abs/1810.03993\"\u003EModel Cards for Model Reporting\u003C/a\u003E“, einem ACM-Paper aus dem Jahr 2019, das von der KI-Forscherin Margaret Mitchell und Kolleg:innen verfasst wurde, vorgestellt. Das Paper definiert Model Cards als kurze Dokumente, die trainierte ML-Modelle begleiten und Benchmark-Evaluierungen unter Bedingungen dokumentieren, die für die geplante Anwendung des Modells relevant sind – gegebenenfalls einschließlich demografischer, kultureller, phänotypischer und intersektionaler Gruppen.\u003C/p\u003E\r\n\u003Cp\u003EEine Model Card wird manchmal mit einer Nährwertkennzeichnung verglichen, aber für Enterprise-Teams ist die treffendere Analogie ein Software-Release-Artefakt: ein versionierter Datensatz, der an eine bestimmte Modellversion gebunden ist, sodass Prüfer:innen den vorgesehenen Verwendungszweck, die Evaluierungsdaten, die aufgeschlüsselte Performance, Vorbehalte und empfohlene Bereitstellungspraktiken einsehen können.\u003C/p\u003E\r\n\u003Cp\u003EEine Model Card unterscheidet sich von einem Datenblatt für Datasets. Ein Datenblatt dokumentiert die Motivation, die Zusammensetzung, den Erfassungsprozess und die empfohlenen Verwendungszwecke eines Datasets. Eine Model Card dokumentiert das mit diesen Daten trainierte oder evaluierte Modell, einschließlich seiner Performance und der Angabe, wo es verwendet werden sollte und wo nicht.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_the-9-canonical-sections-of-a-model-card":{"id":"title-v2-16a7d3e585","additionalClasses":"anchor-title anchor-title--the-9-canonical-sections-of-a-model-card","type":"heading2","lines":["Die 9 kanonischen Abschnitte einer Model Card"],":type":"snowflake-site/components/title-v2"},"text_the-9-canonical-sections-of-a-model-card_0":{"id":"text-aa6c93ef06","text":"\u003Cp\u003EMitchell et al. schlugen eine Struktur für Model Cards vor, die Teams eine einheitliche Möglichkeit bietet, Modelldetails, den vorgesehenen Verwendungszweck, die Performance und Einschränkungen zu dokumentieren. Das genaue Format kann je nach Unternehmen, Modelltyp und Risikostufe variieren, aber die kanonischen Abschnitte bleiben eine nützliche Grundlage.\u003C/p\u003E\n\u003Ch3\u003E1. Modelldetails\u003C/h3\u003E\n\u003Cp\u003EDer Abschnitt zu den Modelldetails identifiziert das Modell und das dafür verantwortliche Team. Er enthält in der Regel den Modellnamen, die Version, das Veröffentlichungsdatum, den Modelltyp, die Lizenz, Zitate oder Paper-Referenzen, den:die Eigentümer:in und Kontaktinformationen.\u003C/p\u003E\n\u003Cp\u003EOhne Version, Eigentümer:in oder Datum ist eine Model Card weniger nützlich, da Prüfer:innen nicht erkennen können, welches Modell sie beschreibt, ob sie die aktuell bereitgestellte Version widerspiegelt oder an wen sie sich wenden können, wenn sich die Performance ändert.\u003C/p\u003E\n\u003Ch3\u003E2. Vorgesehener Verwendungszweck\u003C/h3\u003E\n\u003Cp\u003EDer Abschnitt zum vorgesehenen Verwendungszweck beschreibt, wofür das Modell entwickelt wurde, wer es voraussichtlich nutzen wird und welche Anwendungsfälle außerhalb seines vorgesehenen Rahmens liegen. Ein Modell, das zur Klassifizierung von Support-Tickets für das Routing entwickelt wurde, ist nicht zwangsläufig für Entscheidungen über Anspruchsberechtigungen oder rechtsverbindliche Antworten geeignet.\u003C/p\u003E\n\u003Cp\u003ENicht vorgesehene Verwendungszwecke sollten direkt angegeben werden. Das Risiko eines Modells steigt oft, wenn es in einem Workflow wiederverwendet wird, der seinem ursprünglichen Kontext ähnelt, aber andere Daten, Nutzer:innen, Konsequenzen oder regulatorische Verpflichtungen mit sich bringt.\u003C/p\u003E\n\u003Ch3\u003E3. Faktoren\u003C/h3\u003E\n\u003Cp\u003EDer Abschnitt zu den Faktoren identifiziert Bedingungen, die die Performance des Modells beeinflussen können: demografische Faktoren, Umweltbedingungen, Datenerfassungsmethoden, instrumentelle Unterschiede, Sprachvariationen, Geografie, Gerätetyp oder andere kontextspezifische Variablen.\u003C/p\u003E\n\u003Cp\u003EFür ein Computer-Vision-Modell könnten relevante Faktoren Beleuchtung, Bildauflösung oder Hautton sein. Für ein Sprachmodell könnten dies Dialekt, Fachvokabular oder Dokumentformat sein. Für ein Enterprise-Prognosemodell könnten diese Faktoren Region, Saisonalität, Produktkategorie oder Kundensegment umfassen.\u003C/p\u003E\n\u003Ch3\u003E4. Metriken\u003C/h3\u003E\n\u003Cp\u003EDer Abschnitt zu den Metriken erklärt, wie das Modell evaluiert wurde. Er kann Genauigkeit, Präzision, Recall, F1-Score, Falsch-Positiv-Rate, Falsch-Negativ-Rate, Latenz, Kalibrierung, Robustheitsmaße oder aufgabenspezifische Metriken umfassen.\u003C/p\u003E\n\u003Cp\u003EAggregierte Performance-Zahlen reichen nicht aus. Der Abschnitt zu den Metriken sollte erklären, warum die ausgewählten Metriken für den Anwendungsfall wichtig sind, welche Schwellenwerte angewendet wurden und wie sich diese Schwellenwerte auf nachgelagerte Entscheidungen auswirken.\u003C/p\u003E\n\u003Ch3\u003E5. Evaluierungsdaten\u003C/h3\u003E\n\u003Cp\u003EDer Abschnitt zu den Evaluierungsdaten beschreibt die Datasets, die zum Testen des Modells verwendet wurden – woher sie stammen, warum sie ausgewählt wurden, wie sie vorverarbeitet wurden und ob sie die vorgesehene Bereitstellungsumgebung des Modells widerspiegeln.\u003C/p\u003E\n\u003Cp\u003EEin Modell, das mit sauberen, ausgewogenen oder synthetischen Daten evaluiert wurde, kann sich bei Produktionsdaten mit fehlenden Werten, Klassenungleichgewichten, mehrdeutigen Labels oder Distribution Drift anders verhalten.\u003C/p\u003E\n\u003Ch3\u003E6. Trainingsdaten\u003C/h3\u003E\n\u003Cp\u003EDer Abschnitt zu den Trainingsdaten beschreibt die Datasets, die zum Trainieren des Modells verwendet wurden: Quelle, Motivation, Vorverarbeitungsschritte, Einschluss- und Ausschlusskriterien sowie bekannte Einschränkungen. Wenn ein separates Datenblatt für das Trainings-Dataset existiert, kann die Model Card darauf verweisen, anstatt die Details zu duplizieren.\u003C/p\u003E\n\u003Cp\u003EBei Foundation-Modellen oder Modellen, die mit großen Datensammlungen trainiert wurden, muss dieser Abschnitt möglicherweise den Trainingsmix, Daten-Cutoffs, Filterpraktiken und Kategorien ausgeschlossener Inhalte abdecken. Für feinangepasste Modelle sollte er das Basismodell von den Daten für die Feinanpassung unterscheiden und beschreiben, wie die Feinanpassung das erwartete Verhalten verändert.\u003C/p\u003E\n\u003Ch3\u003E7. Quantitative Analysen\u003C/h3\u003E\n\u003Cp\u003EDer Abschnitt zu den quantitativen Analysen schlüsselt die Performance nach relevanten Faktoren auf. Hier berichten Teams über die aufgeschlüsselte Performance, Subgruppenanalysen und intersektionale Analysen.\u003C/p\u003E\n\u003Cp\u003EDie aggregierte Genauigkeit kann akzeptabel erscheinen, während die Performance je nach Sprache, Region, Gerätetyp oder demografischer Gruppe variiert. Die Dokumentation dieser Unterschiede zeigt den Bereitstellenden, wo möglicherweise zusätzliche Tests, Überwachungen oder Abhilfemaßnahmen erforderlich sind.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_the-9-canonical-sections-of-a-model-card_0":{"id":"text-b048ca95b8","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003EHÄUFIGER FALLSTRICK\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EEine Model Card ist nur so nützlich wie die Belege, auf denen sie basiert. Teams verlassen sich oft auf allgemeine Performance-Aussagen oder aggregierte Metriken, während sie Einschränkungen, Subgruppenergebnisse oder nicht vorgesehene Verwendungszwecke auslassen – wodurch Prüfer:innen nicht die Informationen erhalten, die sie zur Bewertung des Bereitstellungsrisikos benötigen.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_the-9-canonical-sections-of-a-model-card_1":{"id":"text-8ab0f001f7","text":"\u003Ch3\u003E8. Ethische Erwägungen\u003C/h3\u003E\n\u003Cp\u003EDer Abschnitt zu ethischen Überlegungen beschreibt sensible Anwendungsfälle, potenzielle Schäden, Bias-Aspekte, Missbrauchsrisiken und Maßnahmen zur Risikominderung. Er sollte auf dem tatsächlichen Kontext des Modells basieren und nicht als generischer Risikoabsatz verfasst sein.\u003C/p\u003E\n\u003Cp\u003EBei einem Einstellungsmodell umfassen relevante Überlegungen beispielsweise demografischen Bias, Proxy-Variablen und Anforderungen an die menschliche Überprüfung. Bei einem Modell für das Gesundheitswesen gehören Patientensicherheit, Repräsentativität der Population und Eskalationspfade zu den Überlegungen. Bei einer Anwendung für generative KI umfassen die Überlegungen Halluzinationen, übermäßiges Vertrauen, Datenschutzverletzungen, unsichere Ausgaben und Prompt Injection.\u003C/p\u003E\n\u003Ch3\u003E9. Vorbehalte und Empfehlungen\u003C/h3\u003E\n\u003Cp\u003EDer Abschnitt zu Vorbehalten und Empfehlungen bietet den Bereitstellern praktische Orientierungshilfen, wie etwa bekannte Einschränkungen, offene Fragen, erforderliches Monitoring, empfohlene menschliche Aufsicht, ungeeignete Kontexte, Auslöser für ein Retraining und zusätzliche Tests, die vor der Bereitstellung durchzuführen sind.\u003C/p\u003E\n\u003Cp\u003EHier ist die Model Card für Nutzer:innen außerhalb des Entwicklungsteams besonders wertvoll. Ein Vorbehalt wie „nicht für Dokumente mit mehr als 20 Seiten evaluiert“ oder „erfordert menschliche Überprüfung bei Empfehlungen zur Kontoschließung“ gibt nachgelagerten Teams eine konkrete Grenze vor, an der sie sich orientieren können.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_when-to-publish-a-model-card-and-what-level-of-detail-to-include":{"id":"title-v2-0eb0f93b6f","additionalClasses":"anchor-title anchor-title--when-to-publish-a-model-card-and-what-level-of-detail-to-include","type":"heading2","lines":["Wann eine Model Card veröffentlicht werden sollte und welcher Detaillierungsgrad erforderlich ist"],":type":"snowflake-site/components/title-v2"},"text_when-to-publish-a-model-card-and-what-level-of-detail-to-include_0":{"id":"text-7d5c1dd709","text":"\u003Cp\u003ENicht jedes Modell benötigt den gleichen Dokumentationsgrad. Ein risikoarmes internes Analytics-Modell, ein kundenorientiertes Modell und ein Foundation Model bringen unterschiedliche Verpflichtungen, Zielgruppen und Aktualisierungsmuster mit sich. Die Card sollte dem Bereitstellungskontext und den potenziellen Auswirkungen des Modells entsprechen.\u003C/p\u003E\r\n\u003Ch3\u003ENur intern\u003C/h3\u003E\r\n\u003Cp\u003EFür rein interne Modelle kann eine schlanke Card ausreichend sein. Ein kurzer Datensatz, der den Zweck des Modells, den:die Eigentümer:in, Trainingsdaten, Evaluierungsdaten, den Monitoring-Ansatz und das Überprüfungsdatum abdeckt, verhindert, dass das Modell zu einer undokumentierten Abhängigkeit innerhalb eines Dashboards, einer Pipeline oder eines operativen Prozesses wird.\u003C/p\u003E\r\n\u003Ch3\u003EKundenorientiert\u003C/h3\u003E\r\n\u003Cp\u003EKundenorientierte oder in Produkte eingebettete Modelle benötigen eine umfassendere Dokumentation. Wenn sich ein Modell auf die Nutzererfahrung, Kunden-Workflows oder regulierte Geschäftsprozesse auswirkt, benötigen Prüfer:innen folgende Informationen: Verwendungszweck, nicht vorgesehene Anwendungsfälle, Performance nach relevanten Faktoren, Evaluierungsdaten, bekannte Einschränkungen, Erwartungen an die menschliche Aufsicht und ein Änderungsprotokoll.\u003C/p\u003E\r\n\u003Ch3\u003EFoundation Models\u003C/h3\u003E\r\n\u003Cp\u003EFoundation Models und feinangepasste Varianten erfordern in der Regel eine erweiterte Dokumentation. Eine Model Card für ein Foundation Model kann Stichtage für das Training, \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-safety/\"\u003ESicherheits\u003C/a\u003Eevaluierungen, Red-Team-Ergebnisse, Jailbreak-Resistenz, inhaltliche Einschränkungen, das Modellverhalten bei feindlichen Prompts und Leitfäden für nachgelagerte Entwickler:innen enthalten. OpenAI, Google DeepMind und andere Modellanbieter veröffentlichen System Cards oder Model Cards, die diesem breiteren Dokumentationsmuster für wichtige Releases folgen.\u003C/p\u003E\r\n\u003Ch3\u003EHochrisikosysteme\u003C/h3\u003E\r\n\u003Cp\u003EHochrisiko-KI-Systeme benötigen möglicherweise auch eine Dokumentation, die regulatorische Verpflichtungen unterstützt. Gemäß dem \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/eu-ai-act/\"\u003EEU AI Act\u003C/a\u003E müssen Anbieter von Hochrisiko-KI-Systemen eine technische Dokumentation erstellen, bevor sie ein System auf den Markt bringen oder in Betrieb nehmen. Anhang IV legt fest, was diese Dokumentation abdecken muss: Verwendungszweck, Anbieter, Version, Entwicklungsprozess, Datenanforderungen, Testverfahren und Maßnahmen zum \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-risk-management/\"\u003ERisikomanagement\u003C/a\u003E.\u003C/p\u003E\r\n\u003Cp\u003EVersionierung ist unerlässlich. Jedes Retraining, jedes Ereignis zur Feinanpassung, jede wesentliche Änderung der Evaluierung oder jedes Update, das sich auf die Bereitstellung auswirkt, sollte eine neue Card-Version oder ein dokumentiertes Update der bestehenden Version nach sich ziehen. Die Card sollte Datum, Modellversion, Änderungszusammenfassung und den:die überprüfende:n Eigentümer:in enthalten, damit Teams das Modellverhalten mit dem Artefakt verknüpfen können, das es beschreibt.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_when-to-publish-a-model-card-and-what-level-of-detail-to-include_0":{"id":"text-a083309d8f","additionalClasses":"callout callout--tip","text":"\u003Cp\u003E\u003Cstrong\u003EKURZER TIPP\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EBehandeln Sie Ihre Model Card als ein lebendes Dokument. Aktualisieren Sie sie, wann immer ein Modell neu trainiert, feinangepasst oder in einem neuen Kontext bereitgestellt wird.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_model-card-best-practices-and-common-failure-modes":{"id":"title-v2-9abe42cff9","additionalClasses":"anchor-title anchor-title--model-card-best-practices-and-common-failure-modes","type":"heading2","lines":["Best Practices für Model Cards und häufige Fehlerquellen"],":type":"snowflake-site/components/title-v2"},"text_model-card-best-practices-and-common-failure-modes_0":{"id":"text-dbb51f0029","text":"\u003Cp\u003EDie besten Cards werden für die Personen geschrieben, die das Modell bereitstellen. Sie beschreiben, was das Modell leisten kann, wo es getestet wurde, wo es fehlschlagen könnte und was ein Team überprüfen sollte, bevor es sich darauf verlässt.\u003C/p\u003E\n\u003Cp\u003EÜberzeugende Model Cards zeichnen sich in der Regel durch Folgendes aus:\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003EPerformance anhand von Metriken quantifizieren, die zum Anwendungsfall passen\u003C/li\u003E\n\u003Cli\u003EPerformance nach relevanten Faktoren aufschlüsseln\u003C/li\u003E\n\u003Cli\u003ENicht vorgesehene Anwendungsfälle direkt benennen\u003C/li\u003E\n\u003Cli\u003EAuf den Eintrag in der Modell-Registry, die Dokumentation der Trainingsdaten und die Evaluierungsdaten verlinken\u003C/li\u003E\n\u003Cli\u003EEigentümer:in, Datum, Version und Änderungsprotokoll angeben\u003C/li\u003E\n\u003Cli\u003EErwartungen an die Überprüfung nach einem Retraining oder wesentlichen Änderungen dokumentieren\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003EHäufige Fehlerquellen sind ebenso wichtig zu berücksichtigen:\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003EMarketingtexte, die als Dokumentation dienen, helfen Prüfer:innen nicht dabei, das Bereitstellungsrisiko einzuschätzen.\u003C/li\u003E\n\u003Cli\u003EPlatzhalter, fehlende Untergruppenaufschlüsselung, keine explizite Angabe zu nicht vorgesehenen Anwendungsfällen und keine Kontaktperson für Fragen machen das Dokument unbrauchbar.\u003C/li\u003E\n\u003Cli\u003ERein aggregierte Metriken sind besonders riskant, da sie eine ungleichmäßige Performance über Gruppen, Umgebungen oder Datenbedingungen hinweg verbergen können.\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003EVorlagen und Model-Card-Generatoren helfen Teams dabei, Metadaten zu erfassen, Metriken zu organisieren und das Problem des leeren Blattes bei der Dokumentation zu vermeiden. Der operative Aspekt sollte jedoch nicht übersehen werden: die Zuweisung eines:einer Verantwortlichen, die Verknüpfung der Card mit der richtigen Modellversion, die Aktualisierung nach einem Retraining und die Sicherstellung, dass Prüfer:innen der Card als Teil des Release-Prozesses vertrauen können.\u003C/p\u003E\n\u003Cp\u003E\u003Cem\u003EErfahren Sie, wie Sie ein Modell in einem Notebook erstellen, das Modell in der Snowflake Model Registry speichern und das Modell per SQL bereitstellen:\u003C/em\u003E\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"yt_model-card-best-practices-and-common-failure-modes_0":{"id":"embed-706e181048","youtubeVideoId":"9cy8eEjXQYg","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"},"title_model-cards-on-snowflake":{"id":"title-v2-077bb25cbe","additionalClasses":"anchor-title anchor-title--model-cards-on-snowflake","type":"heading2","lines":["Model Cards auf Snowflake"],":type":"snowflake-site/components/title-v2"},"text_model-cards-on-snowflake_0":{"id":"text-57a98c84f6","text":"\u003Cp\u003EModel Cards sind einfacher zu pflegen, wenn die dahinterstehenden Informationen nah an den Daten, Modellen und Governance-Kontrollen liegen, die sie beschreiben. Die \u003Ca href=\"https://www.snowflake.com/de/why-snowflake/what-is-data-cloud/\"\u003ESnowflake AI Data Cloud\u003C/a\u003E wurde entwickelt, um Teams eine Möglichkeit zu bieten, Daten und \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/\"\u003EKI-Governance\u003C/a\u003E in einer gemeinsamen Umgebung zu verwalten, sodass die Modelldokumentation auf kontrollierte Metadaten zurückgreifen kann, anstatt auf manuelle Aktualisierungen angewiesen zu sein.\u003C/p\u003E\r\n\u003Cp\u003EDie Snowflake Model Registry bietet eine Möglichkeit, Modelle und deren Metadaten in Snowflake zu verwalten, unabhängig von Herkunft und Typ. Sie unterstützt Modellversionen, Artefakte, Metadaten und Inferenz-Workflows und bietet Teams einen Ort, um eine Model Card mit der Modellversion zu verknüpfen, die sie dokumentiert.\u003C/p\u003E\r\n\u003Cp\u003EDieser versionierte Registry-Kontext ist wertvoll, da eine Model Card eine spezifische Modellversion beschreiben muss: die verwendeten Trainingsdaten, die ausgewählten Evaluierungsdaten, die gemeldeten Metriken, den genehmigten Verwendungszweck, die erfassten Vorbehalte und den:die zugewiesene:n Monitoring-Verantwortliche:n zu einem bestimmten Zeitpunkt.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/de/product/features/horizon/\"\u003ESnowflake Horizon Catalog\u003C/a\u003E kann die Pflege von Model Cards ebenfalls unterstützen, indem Governance-Kontext rund um Daten-Assets offengelegt wird, einschließlich Definitionen, Lineage und Richtlinienverhalten. Lineage-Funktionen ermöglichen es Nutzer:innen, unterstützte Objekte zu überprüfen und Upstream- oder Downstream-Abhängigkeiten zu verfolgen. Bei Model Cards helfen Lineage und Metadaten-Kontext den Teams dabei, zu dokumentieren, welche kontrollierten Daten-Assets für das Training oder die Evaluierung verwendet wurden und wie diese Assets mit Downstream-Anwendungen zusammenhängen.\u003C/p\u003E\r\n\u003Cp\u003ESnowflake Cortex AI umfasst KI-Observability-Funktionen zur Evaluierung generativer KI-Anwendungen und -Agenten mit Metriken wie Genauigkeit, Latenz, Nutzung und Kosten. Snowflake unterstützt auch semantische Ansichten, die es Teams ermöglichen, verifizierte Abfragen auszuführen, Evaluierungsläufe zu überprüfen und Regressionen im Laufe der Zeit zu verfolgen. Diese Ergebnisse können als Belege für die Abschnitte zu Metriken, Vorbehalten und Empfehlungen in der Model Card dienen.\u003C/p\u003E\r\n\u003Cp\u003EDarüber hinaus spiegelt die \u003Ca href=\"https://www.snowflake.com/de/blog/ISO-IEC-42001-AI-certification/\"\u003EISO/IEC 42001-Zertifizierung von Snowflake\u003C/a\u003E ein unabhängig bewertetes KI-Managementsystem und Governance-Framework wider.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_model-cards-make-models-usable":{"id":"title-v2-8e9dfd97b0","additionalClasses":"anchor-title anchor-title--model-cards-make-models-usable","type":"heading2","lines":["Model Cards machen Modelle nutzbar"],":type":"snowflake-site/components/title-v2"},"text_model-cards-make-models-usable_0":{"id":"text-35a000bc7e","text":"\u003Cp\u003EEine Model Card ist nicht nur eine Compliance-Checkbox. Sie bietet die Dokumentation, die ein Modell für Prüfer:innen, Bereitsteller:innen und Risikoverantwortliche nutzbar macht, die verstehen müssen, was es tut, wo es getestet wurde und wo es nicht eingesetzt werden sollte.\u003C/p\u003E\n\u003Cp\u003EDie Investition in die Implementierung von Model Cards macht sich bei zunehmender Skalierung bezahlt. Da Unternehmen immer mehr Modelle in immer mehr Workflows bereitstellen, wird die Fähigkeit, jedes einzelne Modell schnell zu bewerten – seine Herkunft, seine Performance unter verschiedenen Bedingungen, seine bekannten Grenzen – zu einer operativen Anforderung. Model Cards sorgen dafür, dass diese Bewertung evidenzbasiert bleibt.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_model-cards-make-models-usable_0":{"id":"text-5fdca8ec52","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EWICHTIGSTE ERKENNTNIS\u003C/b\u003E\u003C/p\u003E\r\n\u003Cp\u003EModel Cards verwandeln KI-Modelle von Blackboxes in dokumentierte, überprüfbare Systeme, indem sie erfassen, wie sie trainiert, getestet und bestimmungsgemäß verwendet werden sollen. Da Unternehmen zunehmend KI in geschäftskritischen Workflows einsetzen, unterstützen Model Cards die \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/model-governance/\"\u003EModell-Governance\u003C/a\u003E, indem sie die \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-transparency/\"\u003ETransparenz\u003C/a\u003E, Verantwortlichkeit und Governance bieten, die erforderlich sind, um Modelle verantwortungsvoll zu bewerten und mit Zuversicht bereitzustellen.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["callout__0","text__0","title_what-is-a-model-card","text_what-is-a-model-card_0","title_the-9-canonical-sections-of-a-model-card","text_the-9-canonical-sections-of-a-model-card_0","callout_the-9-canonical-sections-of-a-model-card_0","text_the-9-canonical-sections-of-a-model-card_1","title_when-to-publish-a-model-card-and-what-level-of-detail-to-include","text_when-to-publish-a-model-card-and-what-level-of-detail-to-include_0","callout_when-to-publish-a-model-card-and-what-level-of-detail-to-include_0","title_model-card-best-practices-and-common-failure-modes","text_model-card-best-practices-and-common-failure-modes_0","yt_model-card-best-practices-and-common-failure-modes_0","title_model-cards-on-snowflake","text_model-cards-on-snowflake_0","title_model-cards-make-models-usable","text_model-cards-make-models-usable_0","callout_model-cards-make-models-usable_0"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-bba7327abf",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-57d99ba07a","additionalClasses":"eyebrow-text","text":"\u003Cp\u003EIn diesem Leitfaden\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular"},"text_copy":{"id":"text-03fa27589e","additionalClasses":"page-toc","text":"\u003Cul\u003E\u003Cli data-anchor=\"what-is-a-model-card\"\u003EWas ist eine Model Card?\u003C/li\u003E\u003Cli data-anchor=\"the-9-canonical-sections-of-a-model-card\"\u003EDie 9 kanonischen Abschnitte einer Model Card\u003C/li\u003E\u003Cli data-anchor=\"when-to-publish-a-model-card-and-what-level-of-detail-to-include\"\u003EWann eine Model Card veröffentlicht werden sollte und welcher Detaillierungsgrad erforderlich ist\u003C/li\u003E\u003Cli data-anchor=\"model-card-best-practices-and-common-failure-modes\"\u003EBest Practices für Model Cards und häufige Fehlerquellen\u003C/li\u003E\u003Cli data-anchor=\"model-cards-on-snowflake\"\u003EModel Cards auf Snowflake\u003C/li\u003E\u003Cli data-anchor=\"model-cards-make-models-usable\"\u003EModel Cards machen Modelle nutzbar\u003C/li\u003E\u003C/ul\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},":itemsOrder":["container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_1786318617":{"id":"flexible-column-container-3799aec8bb","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy":{"id":"title-v2-bc22771bdf","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Häufig gestellte Fragen"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-12d8134763","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003EIhre häufigsten Fragen zu Model Cards, beantwortet von Snowflake-Expert:innen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-c795204716","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Was ist der Unterschied zwischen einer Model Card und einem Datenblatt?","richText":"\u003Cp\u003EEin Datenblatt dokumentiert ein Dataset – wie es erstellt wurde, was es enthält, wie es gesammelt wurde, wofür es verwendet werden sollte und welche Einschränkungen es aufweist. Eine Model Card dokumentiert das mit diesen Daten trainierte oder evaluierte Modell, einschließlich seiner Performance und der Angabe, wo es verwendet werden sollte und wo nicht.\u003C/p\u003E"},{"title":"Sind Model Cards gesetzlich vorgeschrieben?","richText":"\u003Cp\u003EEinige KI-Vorschriften und Governance-Frameworks erfordern technische Dokumentation, Transparenz, Nachweise für das Risikomanagement oder Evaluierungsaufzeichnungen, bei deren Organisation eine Model Card helfen kann. Für Hochrisiko-KI-Systeme gemäß dem EU AI Act müssen Anbieter technische Dokumentationen erstellen, bevor das System in Verkehr gebracht oder in Betrieb genommen wird, und Anhang IV legt fest, welche Arten von Informationen diese Dokumentation enthalten muss.\u003C/p\u003E"},{"title":"Wie oft sollte ich eine Model Card aktualisieren?","richText":"\u003Cp\u003EAktualisieren Sie eine Model Card immer dann, wenn sich das Modell auf eine Weise ändert, die sich auf die Performance, das Risiko oder die angemessene Nutzung auswirken könnte. Häufige Auslöser sind Retraining, Feinanpassung, eine neue Modellversion, neue Evaluierungsdaten, eine wesentliche Änderung der Performance, ein neuer Bereitstellungskontext, eine Richtlinienänderung oder eine neu identifizierte Einschränkung. Mindestens sollte jedes Produktionsmodell über eine aktuelle Card-Version, ein Überprüfungsdatum und ein Änderungsprotokoll verfügen, das erklärt, was sich geändert hat und warum.\u003C/p\u003E"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-e6fb26e518","propertiesId":"hub-explore-resources-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-90bb1e1452",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-91fd1bd113","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["KI-Ressourcen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-17e6313119","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-explore-resources-grid-inner",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-0ffe029259","tagText":"WEBINAR","tagColor":"#EEBDD3","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/webinars/virtual-hands-on-lab/mlops-i-feature-store-and-model-registry-2026-02-25/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"headline":{"id":"title","type":"heading5","lines":["MLOps I: Feature Store und Model Registry"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_1":{"id":"content-chip-80802804c8","tagText":"BLOG","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/blog/share-monetize-ai-models-snowflake/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"headline":{"id":"title","type":"heading5","lines":["KI-Modelle teilen und monetarisieren – sicher in der AI Data Cloud"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-76d1e38f6d","tagText":"BERICHT","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/lp/radical-roi-generative-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"headline":{"id":"title","type":"heading5","lines":["Der ROI von generativer KI und KI-Agenten 2026"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-5746a3b357","tagText":"BLOG","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/engineering/scalable-model-serving-architecture/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"headline":{"id":"title","type":"heading5","lines":["Scalable Model Serving: An Architectural Overview"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1158003461":{"id":"flexible-column-container-b54bccadcc","propertiesId":"hub-explore-topics-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-38aa77c5e6",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-3add92f045","additionalClasses":"hub-explore-topics-header__headline","type":"heading2","lines":["KI-Themen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy":{"id":"text-facb346e5d","additionalClasses":"hub-explore-topics-header__subheadline","text":"\u003Cp\u003EDetaillierte Einblicke in jeden Aspekt der künstlichen Intelligenz\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy_copy","text_copy_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1377146023":{"id":"flexible-column-container-09fd6cd28a","propertiesId":"hub-explore-topics-grid","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-16742726a5",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_0":{"id":"card-v2-e129b9cab9","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["KI-Ethik"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/de/artificial-intelligence/ai-governance/ai-ethics/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Mehr erfahren"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EDie Prinzipien und Praktiken, um KI-Systeme verantwortungsvoll, fair und rechenschaftspflichtig zu entwickeln und bereitzustellen.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_0"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-4c5256501c",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_1":{"id":"card-v2-3acf95a93e","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["KI-Nachverfolgbarkeit"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/artificial-intelligence/ai-governance/ai-traceability/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Mehr erfahren"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EDie Fähigkeit, die Daten, Entscheidungen und die Herkunft eines KI-Systems über seinen gesamten Lebenszyklus hinweg nachzuverfolgen.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_1"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-ea0a149520",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_2":{"id":"card-v2-87bc5cf124","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["KI-Transparenz"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/de/artificial-intelligence/ai-governance/ai-transparency/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Mehr erfahren"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EFür Stakeholder verständlich machen, wie KI-Systeme funktionieren, welche Daten sie verwenden und wie sie Entscheidungen treffen.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_topics_row2":{"id":"flexible-column-container-bb5e6de649","propertiesId":"hub-explore-topics-grid-row2","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"none","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none",":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1398138236","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1158003461","flexible_column_cont_1377146023","flexible_column_cont_topics_row2"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-881e37319f",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-8539338856","title":" ","cssContent":".snowflake-flexible-column-container-gray-10-bg\u003E.snowflake-flexible-column-container{background-color:var(--ui-background-05) !important}.text-size-regular:has(.seo-hub-hero__related-topic-label){display:flex;align-items:center}.hub-hero__headline span{text-transform:none !important}.hub-hero__subheadline p{max-width:70ch;margin-top:8px}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:24px 48px 0 0 !important}.hub-hero__authors .heading-5-v2{gap:var(--spacing-00)}.hub-hero__authors .snowflake-content-chip-button{display:none !important}.hub-hero__authors .snowflake-person-chip-content .body-2,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line{font-size:16px !important;line-height:20px !important;font-family:\"Lato\",sans-serif !important;color:#000 !important;font-weight:600 !important}.hub-hero__authors .snowflake-person-chip-content .body-3,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400 !important;color:var(--text-05) !important;font-size:16px !important}.hub-hero__authors .snowflake-image-container img{aspect-ratio:1 !important;border-radius:100%;overflow:hidden}.hub-hero__authors .snowflake-person-chip-avatar{width:56px;height:56px}.hub-hero__authors .snowflake-content-chip{align-items:center;display:inline-flex}.hub-hero__authors .snowflake-content-chip-image{max-width:56px;line-height:0;margin-right:var(--spacing-03)}.hub-hero__authors .snowflake-person-chip-inner-horizontal{gap:var(--spacing-03)}@media screen and (min-width:1367px){.hub-hero__headline .heading-1-v2{font-size:48px;line-height:44px}}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:24px}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::before,#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::after{display:none}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.text-color-text-05 .snowflake-text h2,.text-color-text-05.cq-Editable-dom h2,.text-color-text-05 .snowflake-text h3,.text-color-text-05.cq-Editable-dom h3,.text-color-text-05 .snowflake-text h4,.text-color-text-05.cq-Editable-dom h4,.text-color-text-05 .snowflake-text h5,.text-color-text-05.cq-Editable-dom h5,.text-color-text-05 .snowflake-text h6,.text-color-text-05.cq-Editable-dom h6{color:#000 !important}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor_597730182":{"id":"markup-editor-8591ee19be","title":" ","cssContent":".sf-copy-markdown [data-copy-md]{display:inline-flex;align-items:center;gap:6px;padding:8px 16px;font-family:'Texta',sans-serif;text-transform:uppercase;font-weight:800 !important;font-size:14px;font-weight:500;color:#11567f;background:#f0faff;border:1px solid #b8e6f9;border-radius:24px;cursor:pointer;transition:background .2s ease,border-color .2s ease,color .2s ease}.sf-copy-markdown [data-copy-md]:hover{background:#ddf3fc;border-color:#29b5e8}.sf-copy-markdown [data-copy-md][data-copied=\"1\"]{color:#0f7b3e;background:#ecfdf5;border-color:#6ee7a0;pointer-events:none}.sf-copy-markdown [data-copy-md] svg{flex-shrink:0}.longform-conten .snowflake-content-chip-white-bg .snowflake-content-chip{box-shadow:0 0 24px 4px rgba(0,0,0,.02),0 4px 8px 0 rgba(0,0,0,.04);flex-direction:row-reverse;align-items:center}.longform-conten .snowflake-content-chip-button{display:none}.longform-conten .snowflake-content-chip-image__inner{aspect-ratio:5 / 3;display:flex;justify-content:center;align-items:center;background-color:var(--ui-01);border-radius:4px}.longform-conten .snowflake-content-chip-image{margin-right:0;margin-left:48px}.longform-conten .snowflake-content-chip-image img{width:50%;border-radius:0 !important;object-fit:contain}.longform-content .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-size:14px !important;font-weight:400 !important;color:rgba(0,0,0,.6) !important;margin-top:8px !important}.page-toc ul li:first-child{padding-top:0 !important}.page-toc ul li:last-child{padding-bottom:0 !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{flex-grow:1}.sf-copy-markdown{margin-top:40px !important}.page-toc ul{margin-top:16px !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;justify-content:space-between}.sf-copy-markdown{}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E strong,.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:80ch}#hero:has(.snowflake-youtube-lite) .seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{width:100%;flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor":{"id":"markup-editor-816f429843","title":" ","cssContent":"div.snowflake-breadcrumb a.snowflake-breadcrumb-item,.snowflake-breadcrumb div.snowflake-breadcrumb-item{text-transform:none;font-weight:500}.snowflake-breadcrumb svg{display:none !important}.snowflake-breadcrumb a:has(svg)::after{content:'/';margin:0 12px;color:#666}.hub-sidebar{padding:0 40px}.sticky-sidebar{max-width:340px;margin-left:auto}.page-toc ul{list-style-type:none;padding:0}.page-toc li{padding:8px 16px;border-left:4px solid var(--ui-01);cursor:pointer;transition:300ms ease all}.page-toc li:hover{color:var(--ui-01);border-color:#7fd3f1;transition:300ms ease all}.callout,.customer-card{background-color:#eef9fd;border-left:4px solid var(--ui-01);padding:24px 24px 24px 32px;border-radius:4px}.logo-container{max-width:180px}.longform-content li{margin-top:1rem !important}div.longform-content p{max-width:80ch}.bolder .snowflake-title-v2-line{font-weight:900 !important}.border-top\u003Ediv{border-top:1px solid #ccc;padding-top:48px}.related-topics ul{list-style-type:none;padding:0;margin:0;display:flex;gap:8px;flex-wrap:wrap}.related-topics li{display:inline-block;border:1px solid #ccc;padding:4px 12px;border-radius:24px}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-title-v2 .heading-6-v2,div.longform-content .snowflake-text .heading-6-v2{text-transform:none !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2{margin-top:1.5rem !important;line-height:1.1 !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-family:Lato,sans-serif !important;font-weight:800 !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{text-transform:none !important;font-size:28px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:22px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:18px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:16px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:14px !important}@media screen and (min-width:992px){div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{font-size:38px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:26px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:22px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:18px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:16px !important}}.sticky-sidebar .page-toc li.is-active{font-weight:600;color:var(--snow-blue,#29b5e8)}.sticky-sidebar .page-toc li[data-anchor]{cursor:pointer}.longform-content table{margin-top:24px;margin-bottom:24px;width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}.longform-content table thead{background-color:var(--ui-01)}.longform-content th,.longform-content td{min-width:120px;border:2px solid var(--ui-background-09);padding:var(--spacing-01)}.longform-content ol{margin-top:0 !important}.longform-content ol li{margin-bottom:1rem !important}.longform-content ul li{margin:0;padding:0 0 0 32px;position:relative}.longform-content ul{list-style-type:none}.longform-content ul li::before{content:\"\";display:block;border-radius:100%;background:#29b5e8;width:18px;height:18px;position:absolute;top:4px;left:0;border:5px solid #e5f2f7;box-sizing:border-box}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container{max-width:200px}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container img{object-fit:contain}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:0 !important}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{margin-right:16px !important;flex-shrink:0}","jsContent":"(function(){var OFFSET=100;if(window.gsap&&window.ScrollTrigger){gsap.registerPlugin(ScrollTrigger);var sidebar=document.querySelector('.sticky-sidebar');var body=document.querySelector('.longform-content');if(sidebar&&body){ScrollTrigger.create({trigger:sidebar,start:'top 100px',endTrigger:body,end:'bottom bottom',pin:sidebar,pinSpacing:false});}}document.addEventListener('click',function(e){var li=e.target.closest('li[data-anchor]');if(!li)return;var slug=li.getAttribute('data-anchor');var heading=document.querySelector('.anchor-title--'+CSS.escape(slug));if(!heading)return;e.preventDefault();var top=heading.getBoundingClientRect().top+window.pageYOffset-OFFSET;window.scrollTo({top:top,behavior:'smooth'});history.replaceState(null,'','#'+slug);},false);var headings=document.querySelectorAll('[class*=\"anchor-title--\"]');if(headings.length&&'IntersectionObserver'in window){var io=new IntersectionObserver(function(entries){entries.forEach(function(entry){if(!entry.isIntersecting)return;var cls=Array.from(entry.target.classList).find(function(c){return c.indexOf('anchor-title--')===0;});if(!cls)return;var slug=cls.replace('anchor-title--','');document.querySelectorAll('li[data-anchor]').forEach(function(li){li.classList.toggle('is-active',li.getAttribute('data-anchor')===slug);});});},{rootMargin:'-20% 0px -70% 0px',threshold:0});headings.forEach(function(h){io.observe(h);});}})();",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":true},"experiencefragment-footer":{"id":"experiencefragment-bbc25ce653","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence/ai-governance/model-card"},"experiencefragment":{"id":"experiencefragment-4fa6f02f3b","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence/ai-governance/model-card"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],"isPasswordProtected":false,"analyticsContentTags":[],"analyticsEnabled":true,"coveoConfig":{"organizationId":"snowflakecomputingproduction8neljofn","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","pipeline":"snowflake.com","searchHub":"snowflake.com"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/de/artificial-intelligence/ai-governance/model-card","language":"de","category":"general","pageName":"Model Cards erklärt: KI-Modelle für Vertrauen, Transparenz und Compliance dokumentieren","contentTags":[]},"locale":"de"}