Teaser-Generierung im Datenraum Medien: technische Übersicht#

Stand: 28. September 2026. Forschungsfrage: Was leisten die veröffentlichten Teaser-Komponenten, wie laufen Training und Nutzung ab, und welche nichtfunktionalen Anforderungen (NFR) sind belegt oder offen? Analysiert wurde der öffentliche Repository-Stand f9a5035; eine produktive Installation wurde nicht geprüft. [1]

Was mit „Teasern“ gemeint ist#

Ein Teaser ist hier ein kurzer Anreißer zu einem Nachrichtenartikel. Das Trainingsschema verbindet headline, article_text und einen vorhandenen original_teaser; das Modell soll aus Überschrift und Artikeltext einen neuen Teaser erzeugen. [2] [3] Die Redaktionsregeln im Code verlangen höchstens drei Sätze, einen starken Einstieg, frühe Kerndaten, sachliche Genauigkeit und einen erkennbaren Anlass zum Weiterlesen. [4] Die Evaluation ergänzt einen Hinweis, wenn ein Teaser kürzer als 80 oder länger als 175 Zeichen ist; das ist Feedback, keine harte Ausgabesperre. [5]

Das Repository enthält Quellcode, Notebooks und Dokumentation, aber keine veröffentlichte JSONL-Sammlung mit den Artikeln, Original-Teasern und erzeugten Ausgaben der beteiligten Häuser. [1] Die folgenden Aussagen fassen daher Teaser-Aufgabe und Verarbeitung zusammen, nicht konkrete journalistische Teaser-Texte oder deren gemessene Qualität. [1] MISSION KI berichtet, ein gemeinsam trainiertes Modell habe bessere, präzisere und weniger verzerrte Teaser als isolierte Modelle geliefert; öffentlich nachvollziehbare Vergleichsdaten nennt die Projektseite dazu nicht. [6]

Eingesetzte Technologien#

Baustein Öffentlicher Stand
Daten und Training JSONL-Eingaben; Python 3.12+, Pydantic, Hugging Face Datasets, PyTorch, Transformers/TRL und Unsloth; Supervised Fine-Tuning mit 4-Bit-Laden und LoRA-Adaptern. [1] [2] [7]
Modell README und Deployment nennen Gemma 3 27B; das eingecheckte Trainings-Notebook konfiguriert dagegen unsloth/gemma-3-4b-it. Welches Modell die berichteten Pilotresultate lieferte, lässt sich daraus nicht eindeutig bestimmen. [1] [8] [9]
Offline-Evaluation Anthropic Claude Sonnet 4 über AWS Bedrock bewertet Einstieg, Informationsgehalt, Verständlichkeit und Leserbindung jeweils mit 1–5 Punkten; der CLI-Code bildet daraus einen gewichteten Mittelwert (30/25/25/20 Prozent). [5] [10]
Bereitstellung Das Deployment-Skript verpackt das Modell, lädt es nach Amazon S3 und erstellt einen AWS-SageMaker-Endpunkt auf ml.g4dn.4xlarge; andere Instanztypen werden in der Dokumentation erwähnt, sind im aktuellen Skript aber nicht konfiguriert. [9]
Webanwendung Next.js 15/React, TypeScript, PostgreSQL mit Drizzle ORM, MinIO als S3-kompatibler Artikelspeicher und Keycloak/NextAuth für die Webanmeldung; die API ruft den SageMaker-Endpunkt auf. [11] [12] [13]

Ablauf: Training, Bewertung und Teaser-Nutzung#

Die Trainings-CLI liest DPA-, ZDF- und ARD-Datensätze ein und wandelt unterschiedliche Quellfelder in ein gemeinsames Schema um. [2] [10] Sie kann organisationsbezogene und organisationsübergreifende JSONL-Gruppen sowie eine Evaluationsmenge erzeugen. [10] Das Fine-Tuning formatiert Überschrift, Artikel und Referenz-Teaser als Chat-Beispiel, trainiert einen LoRA-Adapter und speichert Modellartefakte; ein separater Evaluationsschritt lässt generierte Teaser durch Claude bewerten. [3] [5] [7]

Für die Nutzung nimmt die Web-API eine PDF-, DOCX- oder TXT-Datei und einen Titel an, speichert die Datei in MinIO und einen Auftrag in PostgreSQL. [11] [14] Im Hintergrund extrahiert sie den Artikeltext und fragt den SageMaker-Endpunkt wiederholt ab, bis höchstens drei unterschiedliche Teaser vorliegen oder zehn Versuche erreicht sind. [11] Die Versionen können im Web bearbeitet und mit Daumen-hoch/-runter-Feedback versehen werden. [15] [16] Die „Verfeinern“-Funktion ist im veröffentlichten Code ausdrücklich nur eine simulierte Textumformung, kein weiterer Modellaufruf. [17]

Das folgende Diagramm rekonstruiert die öffentlich sichtbaren Codepfade; es zeigt keine nachgewiesene föderierte Datenraum-Trainingsarchitektur. [2] [3] [5] [9] [11] [12]

flowchart LR
  subgraph Offline[Offline: Modell erstellen]
    A[Artikel + Original-Teaser<br/>DPA / ZDF / ARD JSONL] --> B[Normalisieren und Gruppen bilden]
    B --> C[Gemma + LoRA<br/>Supervised Fine-Tuning]
    C --> D[Generierte Test-Teaser]
    D --> E[Claude Sonnet 4<br/>via AWS Bedrock]
    C --> F[Modellartefakt]
    F --> G[Amazon S3]
    G --> H[AWS SageMaker Endpoint]
  end
  subgraph Online[Online: Redaktioneller Prototyp]
    U[Datei + Titel] --> W[Next.js API]
    W --> M[MinIO: Artikeldatei]
    W --> P[PostgreSQL: Auftrag / Versionen / Feedback]
    W --> X[Text extrahieren]
    X --> H
    H --> W
    W --> R[Bis zu 3 Teaser]
  end

Die Schnittstelle zwischen Training und Online-Nutzung ist nicht völlig deckungsgleich: Trainingsbeispiele enthalten eine Überschrift und ausführliche Redaktionsregeln, während der Webaufruf an SageMaker nur den extrahierten Artikeltext, Temperatur und ein Token-Limit übermittelt. [3] [12] Der Inferenzcode verwendet außerdem max_new_tokens, die Web-API sendet jedoch max_tokens; der im Web gesetzte Wert greift damit nach dem veröffentlichten Code nicht wie beabsichtigt. [9] [12]

Nichtfunktionale Anforderungen: sichtbar und offen#

Bereich Im Code sichtbar Für einen belastbaren Betrieb offen
Journalistische Qualität Redaktionsregeln, vier Bewertungsdimensionen, menschliche Bearbeitung und Feedback sind angelegt. [4] [5] [15] [16] Keine veröffentlichte Testmenge, menschliche Blindbewertung oder nachrechenbare Basislinie für die behauptete Qualitätsverbesserung. [1] [6]
Datenhoheit und Vertraulichkeit Der Projektträger beschreibt „Compute to Data“; das Repository zeigt lokale/gebündelte JSONL-Verarbeitung und AWS-Dienste für Evaluation und Modellbereitstellung. [6] [9] [10] Aus dem Teaser-Repository geht nicht hervor, wo reale Artikeldaten beim Training lagen, wie Datenraum-Policies durchgesetzt wurden oder welche Inhalte an Bedrock übermittelt wurden. [5] [10]
Zugriffsschutz Die Webanmeldung nutzt Keycloak/NextAuth. [13] Das Middleware-Muster schließt /api aus, und die geprüften Teaser-Routen führen keine eigene Sitzungsprüfung aus. Ob andere vorgeschaltete Schutzmaßnahmen existieren, zeigt das Repository nicht. [11] [18]
Verfügbarkeit und Fehlerverhalten Aufträge haben pending/completed/failed; die Offline-Evaluation versucht fehlgeschlagene Bedrock-Anfragen bis zu dreimal. [5] [11] Die Teaser-Erzeugung startet als setImmediate-Arbeit im Webprozess; ein dauerhafter Worker, Wiederaufnahme nach Neustart und ein Verfügbarkeitsziel sind nicht dokumentiert. [11]
Leistung und Kosten Maximal zehn Generierungsversuche je Auftrag, ein GPU-Endpunkt und Zeitmessung für die Inferenz sind implementiert. [9] [11] Keine veröffentlichten Latenz-, Durchsatz-, GPU-Auslastungs- oder Kostenmessungen für reale Redaktionslast. [1] [6]
Reproduzierbarkeit und Portabilität Code, Abhängigkeiten und einige Seed-Werte sind veröffentlicht. [1] [7] README, Detaildokumentation und Notebook nennen teils verschiedene Modelle und Trainingsparameter; die zugehörigen Trainingsdaten und Modellgewichte fehlen im Repository. [1] [8] [19]

Einordnung für das ida-Thema#

Der Code belegt eine konkrete Pipeline für Teaser-Training, Evaluation und redaktionelle Nutzung. [1] Er belegt für sich allein nicht die von MISSION KI beschriebene organisationsübergreifende „Compute-to-Data“-Ausführung: In der veröffentlichten Teaser-Codebasis ist weder ein Datenraum-Konnektor noch die Durchsetzung föderierter Daten-Policies zu sehen. [1] [6] Für eine technische Bewertung des Pilotresultats wären deshalb besonders Architekturunterlagen zur tatsächlichen Datenführung, verwendete Modell- und Datensatzversionen sowie der vollständige Evaluationsbericht nötig. [1] [6]

References#

  1. MISSION KI: Medas-Teaser-Generation, Repository
  2. MISSION KI: Datenschemata und Quellenformate
  3. MISSION KI: Trainingsablauf
  4. MISSION KI: Redaktions- und Evaluationsregeln
  5. MISSION KI: Claude-Evaluation
  6. MISSION KI: Datenraum Medien, Use Case Teaser-Generierung
  7. MISSION KI: Trainingskonfiguration
  8. MISSION KI: Trainings-Notebook
  9. MISSION KI: SageMaker-Deployment und Inferenzcode
  10. MISSION KI: CLI, Datenaufteilung und Auswertung
  11. MISSION KI: Web-API für Teaser-Aufträge
  12. MISSION KI: SageMaker-Aufruf der Webanwendung
  13. MISSION KI: Webanmeldung mit Keycloak
  14. MISSION KI: Extraktion von Artikeltexten
  15. MISSION KI: Manuelle Bearbeitung
  16. MISSION KI: Feedback je Teaser-Version
  17. MISSION KI: Simulierte Verfeinerung
  18. MISSION KI: Middleware-Routenmuster
  19. MISSION KI: Dokumentierte Trainingsparameter