# GenAI & LangChain (Data Science & ML) > LLMs (GPT, Gemini, Claude), Prompting, LangChain, Chains, Agents, RAG, Vector Stores, Embeddings - 24 Interview-Fragen - Senior - [Interview-Fragen: Data Science & ML](https://sharpskill.dev/de/technologies/data-science/interviewfragen.md) ## 1. Was ist ein LLM (Large Language Model)? **Antwort** Ein LLM ist ein Deep-Learning-Modell, das auf riesigen Textmengen trainiert wird, um natürliche Sprache zu verstehen und zu generieren. Diese Modelle nutzen die Transformer-Architektur mit Milliarden von Parametern, wodurch sie sprachliche Nuancen erfassen, komplexen Anweisungen folgen und kohärenten Text generieren können. GPT-4, Claude und Gemini sind Beispiele für LLMs, die in Produktion eingesetzt werden. ## 2. Was ist der Hauptunterschied zwischen Zero-Shot- und Few-Shot-Prompting? **Antwort** Zero-Shot-Prompting bittet das Modell, eine Aufgabe ohne vorherige Beispiele auszuführen, und verlässt sich nur auf Anweisungen. Few-Shot-Prompting enthält einige Eingabe/Ausgabe-Paar-Beispiele im Prompt, um das Modell zu leiten. Few-Shot verbessert im Allgemeinen die Leistung bei spezifischen Aufgaben, da das Modell aus den bereitgestellten Beispielen das erwartete Format und den Stil ableiten kann. ## 3. Was ist Chain-of-Thought (CoT) Prompting? **Antwort** Chain-of-Thought-Prompting ist eine Technik, die das LLM ermutigt, seine Überlegungen Schritt für Schritt aufzuschlüsseln, bevor es seine endgültige Antwort gibt. Durch das Hinzufügen von Phrasen wie 'Denken wir Schritt für Schritt nach' oder das Zeigen von Beispielen für Überlegungen verbessert sich die Leistung bei logischen, mathematischen oder mehrstufigen Aufgaben erheblich. Dieser Ansatz macht auch den Entscheidungsprozess transparenter und überprüfbarer. ## 21 weitere Fragen verfügbar - Was ist LangChain und was ist sein Hauptziel? - Was ist eine Chain in LangChain? Kostenlos registrieren: https://sharpskill.dev/de/login ## Weitere Data Science & ML-Interviewthemen - [Python-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/python-basics.md): 25 Fragen, Junior - [Python Objektorientierte Programmierung](https://sharpskill.dev/de/technologies/data-science/interviewfragen/python-oop.md): 20 Fragen, Junior - [Python-Datenstrukturen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/python-data-structures.md): 20 Fragen, Junior - [Git-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/git-fundamentals.md): 18 Fragen, Junior - [SQL-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/sql-basics.md): 20 Fragen, Junior - [NumPy-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/numpy-fundamentals.md): 22 Fragen, Junior - [Pandas-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/pandas-basics.md): 22 Fragen, Junior - [Jupyter & Google Colab](https://sharpskill.dev/de/technologies/data-science/interviewfragen/jupyter-colab.md): 16 Fragen, Junior - [SQL Joins & fortgeschrittene Abfragen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/sql-joins-advanced.md): 22 Fragen, Mid-Level - [Fortgeschrittenes Pandas](https://sharpskill.dev/de/technologies/data-science/interviewfragen/pandas-advanced.md): 24 Fragen, Mid-Level - [Visualisierung mit Matplotlib & Seaborn](https://sharpskill.dev/de/technologies/data-science/interviewfragen/matplotlib-seaborn.md): 20 Fragen, Mid-Level - [Interaktive Visualisierungen mit Plotly](https://sharpskill.dev/de/technologies/data-science/interviewfragen/plotly-interactive.md): 18 Fragen, Mid-Level - [Deskriptive Statistik](https://sharpskill.dev/de/technologies/data-science/interviewfragen/statistics-descriptive.md): 20 Fragen, Mid-Level - [Inferenzstatistik](https://sharpskill.dev/de/technologies/data-science/interviewfragen/statistics-inferential.md): 24 Fragen, Mid-Level - [Web Scraping](https://sharpskill.dev/de/technologies/data-science/interviewfragen/web-scraping.md): 18 Fragen, Mid-Level - [BigQuery & Cloud Data](https://sharpskill.dev/de/technologies/data-science/interviewfragen/bigquery-cloud.md): 18 Fragen, Mid-Level - [Feature Engineering](https://sharpskill.dev/de/technologies/data-science/interviewfragen/feature-engineering.md): 22 Fragen, Mid-Level - [Überwachtes ML: Regression](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-supervised-regression.md): 24 Fragen, Mid-Level - [Überwachtes ML: Klassifikation](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-supervised-classification.md): 24 Fragen, Mid-Level - [Entscheidungsbäume & Ensembles](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-trees-ensembles.md): 24 Fragen, Mid-Level - [Unüberwachtes ML](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-unsupervised.md): 22 Fragen, Mid-Level - [ML-Pipelines & Validierung](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-pipelines-validation.md): 22 Fragen, Mid-Level - [Zeitreihen & Prognosen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/time-series-forecasting.md): 22 Fragen, Mid-Level - [Grundlagen des Deep Learning](https://sharpskill.dev/de/technologies/data-science/interviewfragen/deep-learning-fundamentals.md): 24 Fragen, Senior - [TensorFlow & Keras](https://sharpskill.dev/de/technologies/data-science/interviewfragen/tensorflow-keras.md): 22 Fragen, Senior - [CNN und Bildklassifizierung](https://sharpskill.dev/de/technologies/data-science/interviewfragen/cnn-image-classification.md): 24 Fragen, Senior - [RNN & Sequenzen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/rnn-sequences.md): 22 Fragen, Senior - [Transformers & Attention](https://sharpskill.dev/de/technologies/data-science/interviewfragen/transformers-attention.md): 24 Fragen, Senior - [NLP & Hugging Face](https://sharpskill.dev/de/technologies/data-science/interviewfragen/nlp-huggingface.md): 24 Fragen, Senior - [MLOps und Deployment](https://sharpskill.dev/de/technologies/data-science/interviewfragen/mlops-deployment.md): 24 Fragen, Senior --- Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack. HTML version of this page: https://sharpskill.dev/de/technologies/data-science/interviewfragen/genai-langchain