Structured Outputs

Strukturierte Ausgaben bezeichnen eine Methodik in der künstlichen Intelligenz, bei der Modellantworten strikt ein vordefiniertes Datenformat einhalten müssen, typischerweise ein JSON-Schema. Bei herkömmlichen großen Sprachmodellen (LLMs) basiert die Texterzeugung auf der probabilistischen Vorhersage von Token, was häufig zu unstrukturiertem Freitext führt. Durch die Nutzung strukturierter Ausgaben können Entwickler sicherstellen, dass ein KI-System maschinenlesbare, vorhersehbare Daten zurückgibt, sodass robuste Parsing-Skripte und eine komplexe Fehlerbehandlung überflüssig werden.

Strukturierte Ausgaben im Vergleich zum JSON-Modus#

Während frühe Versionen der generativen KI einen einfachen „JSON-Modus“ boten, stellte dieser lediglich sicher, dass die Ausgabe gültiges JSON war, ohne zu garantieren, dass sie die angeforderten spezifischen Schlüssel oder Datentypen enthielt. Strukturierte Ausgaben lösen dieses Problem durch eine Technik namens eingeschränktes Decoding. Während der Generierung filtert die Inferenz-Engine das Vokabular des Modells bei jedem Schritt und maskiert Token, die gegen das vom Entwickler bereitgestellte Schema verstoßen würden. Dadurch wird eine hundertprozentige Schemakonformität gewährleistet.

Das Konzept des Funktionsaufrufs (Werkzeugnutzung) ist eng mit dieser Methodik verbunden. Während Funktionsaufrufe es Modellen ermöglichen zu bestimmen, wann ein externes Werkzeug ausgeführt werden soll, sind sie vollständig auf strukturierte Ausgaben angewiesen, um die erforderlichen Parameter des Werkzeugs ohne Halluzinationen korrekt zu befüllen.

Branchenakzeptanz und Frameworks#

Zwischen 2024 und 2025 machten große KI-Anbieter strukturierte Ausgaben zu einer nativen Funktion, um die Zuverlässigkeit von Unternehmenssystemen zu verbessern. So ermöglicht die OpenAI-API für strukturierte Ausgaben Entwicklern, strenge Schemata mit Pydantic in Python oder Zod in JavaScript zu definieren. Ebenso unterstützen die strukturierten Ausgaben von Anthropic für Claude und die Tools für strukturierte Ausgaben von Google Gemini inzwischen die strikte Durchsetzung von Schemata für komplexe Prompts.

Auch Open-Source-Ökosysteme nutzen Frameworks wie vLLM und Outlines, um Methoden für eingeschränktes Decoding für benutzerdefinierte, mit PyTorch erstellte Modelle bereitzustellen.

Anwendungen in der Praxis#

Die Implementierung strukturierter Ausgaben verwandelt mehrdeutige KI-Antworten in verwertbare Daten für die prädiktive Modellierung. Zu den wichtigsten Anwendungsfällen gehören:

• Pipelines zur Datenextraktion: Unternehmen verwenden strukturierte Ausgaben, um bestimmte Entitäten wie Namen von Bewerbern, Rechnungsbeträge und Datumsangaben aus unstrukturierten Rohdokumenten zu extrahieren und sie ohne manuelle Dateneingabe direkt in SQL-Datenbanken zu übernehmen.
• Autonome KI-Agenten: Agentenbasierte Workflows nutzen strukturierte Daten, um komplexe Software zu steuern. Ein Agent kann eine Benutzeranfrage analysieren und eine strikt formatierte JSON-Nutzlast ausgeben, die eine externe API auslöst und so Abläufe sicher über Systeme wie Databricks Model Serving skaliert.

Strukturierte Ausgaben in der Computer Vision#

Obwohl strukturierte Ausgaben in der Verarbeitung natürlicher Sprache intensiv diskutiert werden, bilden sie das grundlegende Funktionsprinzip der Computer Vision. Bildverarbeitungsmodelle geben keinen freien Text aus, sondern erzeugen nativ hochgradig strukturierte Tensoren, die Koordinaten, Klassen und Konfidenzwerte darstellen. So analysieren modernste Modelle wie Ultralytics YOLO26 ein Bild und geben strikt formatierte räumliche Daten zurück, was sich ideal für die nahtlose Bereitstellung von Modellen in Edge-Umgebungen mit geringer Latenz eignet.

Das folgende Snippet zeigt, wie einfach du strukturierte Ergebnisse der Objekterkennung mit dem Paket ultralytics extrahieren kannst:

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Perform inference to generate structured visual data
results = model("image.jpg")

# The model strictly outputs structured bounding box objects
for box in results[0].boxes:
    print(f"Class ID: {box.cls}, Confidence: {box.conf}, Coordinates: {box.xyxy}")

Indem strukturierte Ausgaben die Lücke zwischen probabilistischer KI-Logik und deterministischen Softwareanforderungen schließen, sind sie eine entscheidende Komponente beim Aufbau skalierbarer, produktionsreifer Systeme auf der Ultralytics Platform und darüber hinaus.