{"id":6935,"date":"2026-08-24T16:26:22","date_gmt":"2026-08-24T16:26:22","guid":{"rendered":"https:\/\/technodidact.de\/?p=6935"},"modified":"2026-08-24T16:26:23","modified_gmt":"2026-08-24T16:26:23","slug":"die-architektur-der-intelligenz-wie-der-transformer-die-ki-revolutionierte","status":"publish","type":"post","link":"https:\/\/technodidact.de\/en\/die-architektur-der-intelligenz-wie-der-transformer-die-ki-revolutionierte\/","title":{"rendered":"Die Architektur der Intelligenz: Wie der Transformer die KI revolutionierte"},"content":{"rendered":"

Von DerSchneider<\/strong><\/p>\n\n\n\n

Kaum eine technologische Entwicklung hat in den letzten Jahren so viel Aufmerksamkeit erregt wie die rasanten Fortschritte im Bereich der K\u00fcnstlichen Intelligenz (KI). Sprachmodelle wie ChatGPT, Claude oder Gemini beherrschen mittlerweile den \u00f6ffentlichen Diskurs und haben l\u00e4ngst Einzug in unseren Arbeits- und Alltag gehalten. Doch hinter dieser beeindruckenden F\u00e4higkeit, menschen\u00e4hnliche Texte zu verfassen, komplexe Fragen zu beantworten oder sogar Programmcode zu generieren, verbirgt sich eine mathematische Architektur, die vor nicht einmal einem Jahrzehnt einen fundamentalen Wandel in der KI-Forschung ausl\u00f6ste: der Transformer<\/strong>.<\/p>\n\n\n\n

Dieser Artikel soll die grundlegenden Konzepte und Mechanismen dieser Architektur erkl\u00e4ren \u2013 von den elementaren Bausteinen wie k\u00fcnstlichen Neuronen \u00fcber die revolution\u00e4re Idee der Selbst-Aufmerksamkeit bis hin zu den praktischen Herausforderungen wie dem Kontextfenster. Er richtet sich an Leser, die verstehen m\u00f6chten, wie moderne KI-Systeme tats\u00e4chlich arbeiten, und beleuchtet sowohl die ingenieurtechnischen Errungenschaften als auch die damit verbundenen Grenzen.<\/p>\n\n\n\n

Von der Regel zur Repr\u00e4sentation: Die Geburtsstunde des maschinellen Lernens<\/h2>\n\n\n\n

Um die Bedeutung des Transformers zu verstehen, ist ein kurzer Blick in die j\u00fcngere KI-Geschichte hilfreich. Fr\u00fche Ans\u00e4tze der k\u00fcnstlichen Intelligenz waren von dem Versuch gepr\u00e4gt, menschliches Wissen in expliziten Regeln zu kodifizieren. Ein klassisches Beispiel: Ein System sollte lernen, eine Katze zu erkennen, indem es eine Liste von Merkmalen erhielt \u2013 „hat Fell, vier Beine, spitze Ohren“. Diese regelbasierten Systeme<\/strong> scheiterten jedoch an der Komplexit\u00e4t und Unsch\u00e4rfe der realen Welt. Ein Hund erf\u00fcllt dieselben Merkmale, und eine Katze kann in einer anderen Position oder Beleuchtung v\u00f6llig anders aussehen. Die Welt ist f\u00fcr eine finale Liste von Wenn-Dann-Regeln einfach zu unordentlich <\/a>.<\/p>\n\n\n\n

Der entscheidende Paradigmenwechsel vollzog sich mit dem Aufkommen des maschinellen Lernens<\/strong>. Anstatt dem Computer jede Regel vorzugeben, gab man ihm Beispiele und die F\u00e4higkeit, selbstst\u00e4ndig Muster in diesen Daten zu erkennen <\/a>. Dies f\u00fchrte zur Entwicklung der Neuronalen Netze<\/strong>.<\/p>\n\n\n\n

K\u00fcnstliche Neuronen: Die Recheneinheiten der Intelligenz<\/h3>\n\n\n\n

Ein Neuronales Netz ist im Kern eine Maschine zur Erkennung von Mustern. Es besteht aus Schichten vieler kleiner, mathematischer Einheiten, die an die Neuronen im menschlichen Gehirn angelehnt sind <\/a>. Die Funktionsweise eines einzelnen k\u00fcnstlichen Neurons ist \u00fcberraschend simpel: Es erh\u00e4lt Eingangssignale, multipliziert diese mit Gewichten<\/strong> \u2013 man kann sie sich als Lautst\u00e4rkeregler vorstellen, die bestimmen, wie wichtig ein Signal ist \u2013, addiert eine Bias<\/strong> (eine Art Schwellenwert) und leitet das Ergebnis durch eine Aktivierungsfunktion<\/strong>. Diese Funktion entscheidet, wie stark das Signal an die n\u00e4chste Zelle weitergegeben wird.<\/p>\n\n\n\n

Die eigentliche Magie entsteht durch die Kombination Tausender oder Millionen dieser Neuronen in vielen Schichten. In einem Netzwerk, das Bilder verarbeitet, k\u00f6nnten fr\u00fche Schichten einfache Kanten erkennen, w\u00e4hrend tiefere Schichten diese zu komplexen Formen wie Augen, Ohren und letztlich zum Gesamtkonzept einer Katze zusammensetzen. Diese Gewichte sind es, die das Gelernte repr\u00e4sentieren. Anfangs sind sie zuf\u00e4llig, doch w\u00e4hrend des Trainings werden sie schrittweise optimiert.<\/p>\n\n\n\n

Training und Inferenz: Zwei Seiten derselben Medaille<\/h3>\n\n\n\n

Ein ungeschultes Netzwerk ist wie ein leeres Gehirn. Es besitzt die Struktur, aber kein Wissen. Dieses Wissen wird ihm in der Trainingsphase<\/strong> eingepr\u00e4gt. Im Training werden dem Modell Millionen von Beispielen gezeigt, und es muss Vorhersagen treffen. F\u00fcr jede falsche Vorhersage wird es bestraft, was zu einer Anpassung der internen Gewichte f\u00fchrt. Dieser Prozess wird \u00fcber Milliarden von Wiederholungen durchgef\u00fchrt, bis das Modell zuverl\u00e4ssige Muster erkannt hat. Die Forschung zeigt, dass ein ausgewogenes, vielf\u00e4ltiges Pre-Training dem Modell hilft, „verborgene“ F\u00e4higkeiten zu entwickeln, die dann in der Post-Training-Phase aktiviert werden k\u00f6nnen <\/a>.<\/p>\n\n\n\n

Nach dem Training folgt die Inferenz<\/strong> (auch Vorhersage genannt). Das trainierte Modell wird auf einem Server bereitgestellt. Wenn ein Nutzer nun eine Anfrage stellt, nutzt das Modell sein gespeichertes Wissen, um eine Antwort zu generieren. Es wird nicht mehr weiter trainiert, es „friert“ seine Gewichte ein und arbeitet nur noch mit dem, was es gelernt hat. Training ist der Akt des Lernens, Inferenz der Akt des Antwortens.<\/p>\n\n\n\n

Die Sprache der Maschine: Token, Embeddings und der fehlende Kontext<\/h2>\n\n\n\n

Bevor der Transformer die KI-Welt ver\u00e4nderte, gab es eine gro\u00dfe Herausforderung: Wie bringt man einer Maschine bei, Sprache zu verstehen? Die L\u00f6sung besteht aus zwei Schritten: dem Zerlegen der Sprache und dem Einbetten ihrer Bedeutung.<\/p>\n\n\n\n

Tokenisierung: Die Sprache in mundgerechte St\u00fccke hacken<\/h3>\n\n\n\n

Ein gro\u00dfes Sprachmodell (LLM) sieht keinen flie\u00dfenden Text. Bevor es \u00fcberhaupt mit der Verarbeitung beginnen kann, wird der Text von einem sogenannten Tokenisierer<\/strong> in kleinere Einheiten, sogenannte Tokens<\/strong>, zerlegt. Diese Tokens sind nicht immer vollst\u00e4ndige W\u00f6rter. Ein langes Wort wie „unbelievable“ k\u00f6nnte in die Bestandteile „un“, „believe“ und „able“ zerlegt werden, w\u00e4hrend ein h\u00e4ufiges Wort wie „the“ ein einzelnes Token bleibt. Sogar Satzzeichen und Teile von Emojis werden so behandelt <\/a>.<\/p>\n\n\n\n

Dieses Vorgehen hat einen praktischen Grund: Die KI kann nicht jedes erdenkliche Wort speichern. Stattdessen lernt sie kleinere, wiederkehrende Muster wie die Endung „-ing“. Wenn sie diese Muster einmal gelernt hat, kann sie sie auf unz\u00e4hlige andere W\u00f6rter anwenden, auch auf solche, die sie noch nie zuvor gesehen hat. Jedes Token erh\u00e4lt im Anschluss eine numerische ID, eine Art Barcode. Die Eingabeaufforderung wird so zu einer Zahlenfolge, mit der das Netzwerk mathematisch arbeiten kann <\/a>.<\/p>\n\n\n\n

Embeddings: Bedeutung im Zahlenraum verorten<\/h3>\n\n\n\n

Die numerische ID allein verr\u00e4t dem Modell jedoch noch nichts \u00fcber die Bedeutung des Tokens. Ein Token-Embedding ist eine Methode, die Token in einem mehrdimensionalen Vektorraum abbildet. \u00c4hnliche Konzepte liegen in diesem Raum n\u00e4her beieinander. So befindet sich das Embedding f\u00fcr „Katze“ in der N\u00e4he von „K\u00e4tzchen“ und „Hund“, aber weit entfernt von „Flugzeug“ <\/a>. Diese Embeddings sind w\u00e4hrend des Trainings erlernte Zahlenlisten. Sie erlauben es dem Modell, Bedeutung durch die Messung von Distanzen zu vergleichen. So kann eine Suchanfrage nach „repaire a dripping tap“ die Bedeutung eines Artikels \u00fcber „how to fix a leaky faucet“ erfassen, auch wenn die Wortwahl v\u00f6llig unterschiedlich ist.<\/p>\n\n\n\n

Das Problem des fehlenden Kontexts: Die Grenze des statischen Embeddings<\/h3>\n\n\n\n

Trotz ihrer Eleganz haben herk\u00f6mmliche Embeddings eine entscheidende Schw\u00e4che: Ein Token erh\u00e4lt nur einen einzigen, festen Koordinatenpunkt, der f\u00fcr alle seine Bedeutungen steht. Das Wort „Bank“ hat jedoch je nach Kontext eine v\u00f6llig andere Bedeutung. Ein statisches Embedding kann nicht zwischen einem Geldinstitut und einer Sitzgelegenheit am Flussufer unterscheiden. Diese fehlende F\u00e4higkeit, den Kontext zu erfassen, war eine der gr\u00f6\u00dften H\u00fcrden in der Verarbeitung nat\u00fcrlicher Sprache \u2013 bis zur Entwicklung des Transformers.<\/p>\n\n\n\n

Die Revolution der Aufmerksamkeit: Der Transformer<\/h2>\n\n\n\n

Die Architektur, die dieses Problem des fehlenden Kontextes l\u00f6ste und die moderne KI pr\u00e4gte, ist der Transformer. Er wurde 2017 von einem Team bei Google in dem bahnbrechenden Paper „Attention Is All You Need“ vorgestellt <\/a>. Diese Architektur ersetzte die bis dahin \u00fcblichen, sequenziell arbeitenden rekurrenten neuronalen Netze (RNNs) und setzte den Selbstaufmerksamkeitsmechanismus (Self-Attention)<\/strong> in den Mittelpunkt <\/a><\/a>.<\/p>\n\n\n\n

Self-Attention: Der Kontext ist K\u00f6nig<\/h3>\n\n\n\n

Die Selbstaufmerksamkeit ist die entscheidende Idee, die dem Transformer seine \u00dcberlegenheit verleiht. W\u00e4hrend ein RNN ein Wort nach dem anderen verarbeitet und nur schwer Beziehungen zwischen weit auseinanderliegenden W\u00f6rtern herstellen kann, kann der Transformer alle W\u00f6rter gleichzeitig betrachten <\/a>.<\/p>\n\n\n\n

Um die Bedeutung eines Wortes zu verstehen, vergleicht der Transformer es in einem einzigen Schritt mit allen anderen W\u00f6rtern im Satz. Dieser Vergleich erzeugt f\u00fcr jedes andere Wort einen Aufmerksamkeitsscore<\/strong>, der angibt, wie wichtig dieses Wort f\u00fcr das Verst\u00e4ndnis des aktuellen Wortes ist. Betrachten wir den Satz „Die hungrige Katze jagte die Maus.“ F\u00fcr das Wort „Maus“ wird der Transformer hohe Aufmerksamkeitsscores f\u00fcr „Katze“ und „jagte“ vergeben. Dadurch erh\u00e4lt das Embedding f\u00fcr „Maus“ in diesem Kontext eine v\u00f6llig andere Repr\u00e4sentation (n\u00e4her an „Beute“) als in einem anderen Satz wie „Ich klickte die Maus an“ (n\u00e4her an „Computer“) <\/a>.<\/p>\n\n\n\n

Diese Scores wirken wie ein Lautst\u00e4rkeregler, der relevante Informationen aufdreht und irrelevante herunterregelt. Die F\u00e4higkeit, diese Beziehungen zu modellieren, macht den Transformer so m\u00e4chtig, insbesondere bei der Verarbeitung langer und verschachtelter Texte <\/a>.<\/p>\n\n\n\n

Multi-Head Attention: Unterschiedliche Perspektiven<\/h3>\n\n\n\n

Der Transformer wendet diesen Aufmerksamkeitsmechanismus nicht nur einmal, sondern mehrfach parallel an, in sogenannten „Attention Heads“. Jeder dieser K\u00f6pfe kann lernen, unterschiedliche Arten von Beziehungen zu erfassen \u2013 zum Beispiel grammatikalische Abh\u00e4ngigkeiten, semantische \u00c4hnlichkeiten oder die Beziehung zwischen einem Pronomen und dem Substantiv, auf das es sich bezieht <\/a>. Die Ergebnisse dieser K\u00f6pfe werden kombiniert, wodurch ein viel reichhaltigeres und nuancierteres Verst\u00e4ndnis des Textes entsteht. Interessanterweise hat die Forschung gezeigt, dass solche selbst-supervisierten Aufmerksamkeitsmechanismen sogar eine bemerkenswerte \u00c4hnlichkeit mit der menschlichen visuellen Aufmerksamkeit entwickeln k\u00f6nnen <\/a><\/a>.<\/p>\n\n\n\n

Wie der Transformer funktioniert: Ein Blick unter die Haube<\/h3>\n\n\n\n

Die Architektur des Transformers besteht aus zwei Hauptkomponenten: einem Encoder<\/strong> und einem Decoder<\/strong> <\/a><\/a>.<\/p>\n\n\n\n

    \n
  1. Encoder<\/strong>: Der Encoder verarbeitet die Eingabe (z.B. einen Satz auf Englisch). Er nimmt die Token-Embeddings und f\u00fcgt ihnen eine\u00a0Positionskodierung<\/strong>\u00a0hinzu. Da der Transformer alle W\u00f6rter parallel verarbeitet, hat er sonst keine M\u00f6glichkeit, die Reihenfolge der W\u00f6rter zu kennen. Die Positionskodierung verwendet mathematische Funktionen, um die Position jedes Tokens im Satz zu kodieren\u00a0<\/a>. Der Encoder besteht aus einem Stapel identischer Schichten, die jeweils zwei Unterschichten enthalten: eine Multi-Head-Attention-Schicht und ein einfaches, neuronales Feed-Forward-Netzwerk. Nach jeder Unterschicht werden Restverbindungen und Normalisierung verwendet, um die Information zu bewahren und das Training zu stabilisieren.<\/li>\n\n\n\n
  2. Decoder<\/strong>: Der Decoder ist f\u00fcr die Generierung der Ausgabe verantwortlich. Er ist \u00e4hnlich aufgebaut wie der Encoder, hat aber eine zus\u00e4tzliche Aufmerksamkeitsschicht, die auf die Ausgaben des Encoders achtet. Der Decoder arbeitet autoregressiv, was bedeutet, dass er Token f\u00fcr Token generiert. Er erzeugt zuerst den Anfang eines Satzes und verwendet dann jedes zuvor generierte Token als Eingabe f\u00fcr den n\u00e4chsten Schritt, bis er das Ende des Textes erreicht. Eine „Maskierung“ in der ersten Aufmerksamkeitsschicht des Decoders stellt sicher, dass er beim Generieren eines Tokens nicht die zuk\u00fcnftigen Token sehen kann \u2013 er darf nur die bisher erzeugten W\u00f6rter ber\u00fccksichtigen\u00a0<\/a><\/a>.<\/li>\n<\/ol>\n\n\n\n

    Am Ende des Decoders steht eine lineare Schicht, gefolgt von einer Softmax-Funktion. Diese berechnet eine Wahrscheinlichkeitsverteilung \u00fcber alle m\u00f6glichen n\u00e4chsten Tokens, und das Token mit der h\u00f6chsten Wahrscheinlichkeit wird ausgew\u00e4hlt <\/a><\/a>.<\/p>\n\n\n\n

    Die Grenzen der Gr\u00f6\u00dfe: Skalierungsgesetze und das Kontextfenster<\/h2>\n\n\n\n

    Die Einf\u00fchrung des Transformers f\u00fchrte zu einem exponentiellen Wachstum der Modelle. Man entdeckte, dass die Leistung eines Modells vorhersehbar zunimmt, wenn man gleichzeitig die Anzahl der Parameter, die Gr\u00f6\u00dfe des Trainingsdatensatzes und die Rechenleistung erh\u00f6ht \u2013 ein Ph\u00e4nomen, das als Neurale Skalierungsgesetze<\/strong> bekannt ist <\/a><\/a>. Diese Vorhersagbarkeit trieb Investitionen in Milliardenh\u00f6he voran.<\/p>\n\n\n\n

    Eine der praktischen Konsequenzen dieser Skalierung ist das Kontextfenster<\/strong>. Der Transformer ist so leistungsf\u00e4hig, weil er alle W\u00f6rter miteinander vergleicht. Bei 10 Tokens sind das etwa 100 Vergleiche. Bei 1.000 Tokens sind es bereits eine Million. Diese quadratische Kostensteigerung (in der Komplexit\u00e4t) bedeutet, dass der verf\u00fcgbare Arbeitsspeicher und die Rechenzeit eine nat\u00fcrliche Grenze f\u00fcr die Anzahl der Tokens setzen, die ein Modell gleichzeitig verarbeiten kann <\/a>.<\/p>\n\n\n\n

    Das Kontextfenster ist wie der Schreibtisch des Modells. Darauf m\u00fcssen die Eingabeaufforderung, der Konversationsverlauf und alle Referenzdokumente Platz finden, die f\u00fcr die aktuelle Anfrage relevant sind. Wenn der Schreibtisch voll ist, muss die Anwendung entweder die Anfrage ablehnen oder \u00e4ltere Informationen entfernen <\/a>. Eine gr\u00f6\u00dfere Kontextl\u00e4nge zu haben, ist keine Garantie f\u00fcr perfekte Erinnerung; ein wichtiges Detail kann auch in tausenden von Seiten „versteckt“ werden. Die Verarbeitung unn\u00f6tiger Tokens kostet Zeit und Geld.<\/p>\n\n\n\n

    Diese Grenzen f\u00fchrten zur Entwicklung von Techniken wie Retrieval-Augmented Generation (RAG)<\/strong> . Anstatt ein ganzes Handbuch in das Kontextfenster zu pressen, wird bei RAG nur der Teil des Dokuments abgerufen, der f\u00fcr die aktuelle Frage relevant ist, was die Effizienz und Genauigkeit deutlich steigert <\/a>.<\/p>\n\n\n\n

    Fazit: Ein neues Fundament f\u00fcr die digitale Zukunft<\/h2>\n\n\n\n

    Der Transformer ist weit mehr als nur eine weitere Algorithmus-Verbesserung. Er hat die Art und Weise, wie wir mit Maschinen interagieren, grundlegend ver\u00e4ndert. Seine Architektur, die auf der brillanten Idee der Selbstaufmerksamkeit basiert, erm\u00f6glicht es, Sprache in all ihrer Komplexit\u00e4t und Nuance zu verarbeiten. Von der \u00dcbersetzung und Textgenerierung bis hin zur Bilderkennung und Softwareentwicklung hat der Transformer die T\u00fcr zu Anwendungen ge\u00f6ffnet, die noch vor wenigen Jahren wie Science-Fiction klangen.<\/p>\n\n\n\n

    Die Reise ist jedoch noch lange nicht beendet. Die enormen Kosten f\u00fcr das Training und den Betrieb dieser Modelle sowie die Herausforderungen durch Skalierungsgrenzen und die Notwendigkeit energieeffizienterer L\u00f6sungen sind dr\u00e4ngende Probleme <\/a><\/a>. Die aktuelle Forschung zielt darauf ab, die zugrundeliegenden Gesetze der Skalierung besser zu verstehen <\/a><\/a> und die n\u00e4chste Generation von Architekturen zu entwickeln. Die Geschichte des Transformers ist daher ein lebendiges Beispiel daf\u00fcr, wie ein tiefes Verst\u00e4ndnis grundlegender mathematischer Prinzipien und ein konsequentes Verfolgen einer Idee die technologische Landschaft f\u00fcr immer ver\u00e4ndern k\u00f6nnen.<\/p>\n\n\n\n

    Quellen:<\/strong><\/p>\n\n\n\n

      \n
    1. Hugo L. (o.D.). Deep Learning and Neural Networks.\u00a0University of Houston<\/em>.\u00a0<\/a><\/li>\n\n\n\n
    2. Javanmard, A., Mirzasoleiman, B., & Mirrokni, V. (2026). Theoretical Perspectives on Data Quality and Synergistic Effects in Pre- and Post-Training Reasoning Models.\u00a0ICML 2026<\/em>.\u00a0<\/a><\/li>\n\n\n\n
    3. Ouyang, X., Liu, D., Cai, Y., et al. (2026). LLMs as Noisy Channels: A Shannon Perspective on Model Capacity and Scaling Laws.\u00a0ICML 2026<\/em>.\u00a0<\/a><\/li>\n\n\n\n
    4. Springer (2024). Unraveling the mysteries of AI chatbots.\u00a0Artificial Intelligence Review<\/em>.\u00a0<\/a><\/li>\n\n\n\n
    5. Uszkoreit, J. (2017). Transformer: A Novel Neural Network Architecture for Language Understanding.\u00a0Google Research<\/em>.\u00a0<\/a><\/li>\n\n\n\n
    6. Microsoft Learn (2025). \u77ad\u89e3\u7528\u65bc\u81ea\u7136\u8a9e\u8a00\u8655\u7406\u7684\u8f49\u63db\u5668\u67b6\u69cb.\u00a0Microsoft<\/em>.\u00a0<\/a><\/li>\n\n\n\n
    7. Zhou, W., Liu, F., et al. (2026). InfoLaw: Information Scaling Laws for Large Language Models with Quality-Weighted Mixture Data and Repetition.\u00a0ICML 2026<\/em>.\u00a0<\/a><\/li>\n\n\n\n
    8. IEEE Xplore (2026). RAG based Chat Bot using Vector Querying.\u00a0IEEE<\/em>.\u00a0<\/a><\/li>\n\n\n\n
    9. ScienceDirect (2025). Transformer and its companions.\u00a0Deep Learning: From Algorithmic Essence to Industrial Practice<\/em>.\u00a0<\/a><\/li>\n\n\n\n
    10. Yamamoto, T., Akahoshi, H., et al. (2025). Emergence of human-like attention and distinct head clusters in self-supervised vision transformers.\u00a0Neural Networks<\/em>.\u00a0<\/a><\/li>\n\n\n\n
    11. IEEE Xplore (2025). The Evolution of AI: From Classical Machine Learning to Modern Large Language Models.\u00a0IEEE<\/em>.\u00a0<\/a><\/li>\n<\/ol>","protected":false},"excerpt":{"rendered":"

      Von DerSchneider Kaum eine technologische Entwicklung hat in den letzten Jahren so viel Aufmerksamkeit erregt wie die rasanten Fortschritte im Bereich der K\u00fcnstlichen Intelligenz (KI). Sprachmodelle wie ChatGPT, Claude oder Gemini beherrschen mittlerweile den \u00f6ffentlichen Diskurs und haben l\u00e4ngst Einzug in unseren Arbeits- und Alltag gehalten. Doch hinter dieser beeindruckenden F\u00e4higkeit, menschen\u00e4hnliche Texte zu verfassen, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[40,18,19,21],"tags":[],"class_list":["post-6935","post","type-post","status-publish","format-standard","hentry","category-denkwerkzeuge","category-im-kopf-methoden-werkzeuge","category-im-ruckspiegel","category-industriegeschichte"],"_links":{"self":[{"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/posts\/6935","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/comments?post=6935"}],"version-history":[{"count":3,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/posts\/6935\/revisions"}],"predecessor-version":[{"id":6938,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/posts\/6935\/revisions\/6938"}],"wp:attachment":[{"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/media?parent=6935"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/categories?post=6935"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/tags?post=6935"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}