{"id":6211,"date":"2026-02-13T23:01:21","date_gmt":"2026-02-13T23:01:21","guid":{"rendered":"https:\/\/allosai.com\/blog\/generative-ai-vs-predictive-ai\/"},"modified":"2026-02-13T23:01:21","modified_gmt":"2026-02-13T23:01:21","slug":"generative-ai-vs-predictive-ai","status":"publish","type":"post","link":"https:\/\/allosai.com\/de\/blog\/generative-ai-vs-predictive-ai\/","title":{"rendered":"Generative AI vs. Predictive AI: Wann entscheiden?"},"content":{"rendered":"<div>\n<div>\n<h1>Generative KI vs. Pr\u00e4diktive KI<\/h1>\n<p>Generative KI vs. pr\u00e4diktive KI ist wichtiger denn je f\u00fcr Teams, die intelligente Produkte und Automatisierungen entwickeln. Das Verst\u00e4ndnis ihrer Unterschiede hilft Ihnen, das richtige Modell f\u00fcr die Erstellung oder Vorhersage auszuw\u00e4hlen.<\/p>\n<p>Generative Modelle erstellen neue Inhalte wie Texte, Bilder und Code. Pr\u00e4diktive Systeme analysieren Daten, um Ergebnisse wie Abwanderung, Nachfrage oder Umsatz vorherzusagen. Da jeder Ansatz unterschiedliche Ziele verfolgt, kostet eine falsche Wahl Zeit und Budget. Dennoch handeln sie selten allein in realen Arbeitsabl\u00e4ufen. Zusammen f\u00f6rdern sie intelligentere Automatisierungen, von personalisiertem Marketing bis hin zur Betrugserkennung.<\/p>\n<p>Dieser Artikel erl\u00e4utert grundlegende Methoden, praktische Anwendungsf\u00e4lle und Integrationsmuster. Daher erfahren Sie, wann Sie kreative Outputs generieren und wann Sie wahrscheinliche Ergebnisse vorhersagen sollten. Am Ende werden Sie bereit sein, Modelle auszuw\u00e4hlen, die zu Ihrer Automatisierungsstrategie passen. Wir verwenden einfache Sprache und klare Beispiele, um die Entscheidungen praktisch zu gestalten. Au\u00dferdem erwarten Sie kurze Checklisten und Entscheidungsleitf\u00e4den, die Sie sofort anwenden k\u00f6nnen. Lesen Sie weiter, um Werkzeuge, Daten und Ziele f\u00fcr messbare Ergebnisse in Einklang zu bringen.<\/p>\n<\/div>\n<div>\n<h2>Was ist generative KI?<\/h2>\n<p>Generative KI erstellt neue Inhalte aus gelernten Mustern. Sie verwendet gro\u00dfe Sprachmodelle, Diffusionsmodelle und Deep-Learning-Techniken. Diese Modelle generieren Text, Bilder, Code, Audio und Prototypen. Da sie das n\u00e4chste Token oder Pixel vorhersagen, k\u00f6nnen sie originelle Ausgaben erstellen. Erfahren Sie mehr \u00fcber generative KI unter <a href=\"https:\/\/www.ibm.com\/cloud\/learn\/generative-ai\" target=\"_blank\" rel=\"noopener\">diesem Link<\/a>.<\/p>\n<p><strong>Wichtige Merkmale<\/strong><\/p>\n<ul>\n<li>Erzeugt neue Artefakte wie Text, Bilder und Code<\/li>\n<li>Trainiert auf massiven Datens\u00e4tzen mit Deep Learning und un\u00fcberwachten Methoden<\/li>\n<li>Ben\u00f6tigt Eingaben oder Kontext zur Steuerung der Ausgabe<\/li>\n<li>Ausgaben sind kreativ, variabel und probabilistisch<\/li>\n<\/ul>\n<h2>Was ist pr\u00e4diktive KI?<\/h2>\n<p>Pr\u00e4diktive KI sagt Ergebnisse aus historischen Daten vorher. Sie verwendet maschinelles Lernen, Regression, Klassifikation und Zeitreihenprognosen. Pr\u00e4diktive Modelle liefern Wahrscheinlichkeiten, Scores oder Segmente. Daher nutzen Teams sie f\u00fcr Planung und Risikomanagement. Siehe eine praktische \u00dcbersicht unter <a href=\"https:\/\/www.sas.com\/en_us\/insights\/analytics\/predictive-analytics.html\" target=\"_blank\" rel=\"noopener\">dieser \u00dcbersicht<\/a>.<\/p>\n<p><strong>Wichtige Merkmale<\/strong><\/p>\n<ul>\n<li>Vorhersage zuk\u00fcnftiger Ereignisse oder Verhaltensweisen mit Datenmodellen<\/li>\n<li>Trainiert auf beschrifteten historischen oder operationale Datens\u00e4tzen<\/li>\n<li>Erzeugt Scores, Wahrscheinlichkeiten und Alarme<\/li>\n<li>Optimiert f\u00fcr Genauigkeit und Interpretierbarkeit<\/li>\n<\/ul>\n<h2>Generative KI vs. pr\u00e4diktive KI: Kernunterschiede<\/h2>\n<ul>\n<li>Ansatz: Generative KI synthetisiert neue Ausgaben. Pr\u00e4diktive KI bewertet wahrscheinliche Ergebnisse.<\/li>\n<li>Datenverwendung: Generative Modelle ben\u00f6tigen breite Trainingskorpora. Pr\u00e4diktive Modelle erfordern strukturierte historische Daten.<\/li>\n<li>Modelle: Generative Systeme basieren oft auf gro\u00dfen Sprachmodellen und Diffusionstechniken. Pr\u00e4diktive Systeme verwenden Regression, Klassifikation und Zeitreihenmethoden.<\/li>\n<li>Ausgaben: Generative liefern kreative Artefakte. Pr\u00e4diktive liefern Prognosen, Scores und Segmente.<\/li>\n<li>Bewertung: Die Qualit\u00e4t von generativen Modellen verwendet menschliche und automatisierte Kennzahlen. Die Qualit\u00e4t von pr\u00e4diktiven Modellen verwendet Pr\u00e4zision, Rekall und Kalibrierung.<\/li>\n<\/ul>\n<h2>Wann welche verwenden<\/h2>\n<ul>\n<li>Verwenden Sie generative KI f\u00fcr die Inhaltserstellung, Prototypen und Codegenerierung. Integrieren Sie sie auch in Chat- oder Hilfstools, zum Beispiel AI Chat unter <a href=\"https:\/\/app.allosai.com\">diesem Tool<\/a>, um Nachrichten in gro\u00dfem Ma\u00dfstab zu entwerfen.<\/li>\n<li>Verwenden Sie pr\u00e4diktive KI, wenn Sie Prognosen, Abwanderungsmodelle, Anomalieerkennung oder Umsatzsch\u00e4tzungen ben\u00f6tigen.<\/li>\n<li>Oft beide kombinieren: personalisierte Inhalte generieren und dann vorhersagen, welche Empf\u00e4nger konvertieren werden.<\/li>\n<\/ul>\n<p>Dieser Vergleich verdeutlicht, wie jeder Ansatz in Automatisierungsstrategien passt. Verwenden Sie das richtige Modell, um Ihre Ziele, Daten und Risikotoleranz abzustimmen.<\/p>\n<\/div>\n<div>\n<figure class=\"wp-block-image\"><img decoding=\"async\" src=\"https:\/\/allosai.com\/wp-content\/uploads\/2025\/12\/img-gen-vs-pred-visual-1.png\" alt=\"Geteilte Illustration, die kreative Symbole links f\u00fcr Generative KI und analytische Symbole rechts f\u00fcr pr\u00e4diktive KI zeigt, verbunden durch ein zentrales stilisiertes neuronales Netzwerk\"\/><\/figure>\n<\/div>\n<div class=\"table-wrapper\">\n<table>\n<thead>\n<tr>\n<th>Merkmal<\/th>\n<th>Generative KI<\/th>\n<th>Pr\u00e4diktive KI<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Zweck<\/td>\n<td>Originale Artefakte wie Texte, Bilder, Audio und Code mithilfe von Eingabeaufforderungen erstellen<\/td>\n<td>Ergebnisse wie Churn, Nachfrage, Umsatz und Risiko mit Datenmodellen vorhersagen<\/td>\n<\/tr>\n<tr>\n<td>Methoden und Modelle<\/td>\n<td>Gro\u00dfe Sprachmodelle, Diffusionsmodelle, Deep Learning, Transformer-Architekturen<\/td>\n<td>Regression, Klassifikation, Zeitreihenprognose, Baum-Ensembles, \u00fcberwachtes maschinelles Lernen<\/td>\n<\/tr>\n<tr>\n<td>Datenanforderungen<\/td>\n<td>Massive unstrukturierte Korpora f\u00fcr das Pretraining sowie Eingabeaufforderungsbeispiele oder Feinabstimmung<\/td>\n<td>Strukturierte historische oder operationale Daten mit Labels und Merkmalsengineering<\/td>\n<\/tr>\n<tr>\n<td>Typische Ausgaben<\/td>\n<td>Neuer Text, Bilder, Audio, Video, Entw\u00fcrfe, SQL, JSON oder Code-Schnipsel<\/td>\n<td>Wahrscheinlichkeiten, Punktzahlen, Segmente, Prognosen und Warnmeldungen f\u00fcr Entscheidungen<\/td>\n<\/tr>\n<tr>\n<td>H\u00e4ufige Anwendungsf\u00e4lle<\/td>\n<td>Inhalte entwerfen, Brainstorming, Bilderzeugung, Codegenerierung, Personalisierung in gro\u00dfem Ma\u00dfstab<\/td>\n<td>Leads-Bewertung, Churn-Vorhersage, Nachfrageprognose, Anomalieerkennung, Umsatzprognose<\/td>\n<\/tr>\n<tr>\n<td>Vorteile<\/td>\n<td>Beschleunigt kreative Arbeitsabl\u00e4ufe und reduziert die Kosten f\u00fcr Inhalte<\/td>\n<td>Liefern Vorgewissen f\u00fcr Planung, Zielverwirklichung und Risikominderung<\/td>\n<\/tr>\n<tr>\n<td>Herausforderungen<\/td>\n<td>Halluzinationen, Vorurteile, Urheberrechtsprobleme und hoher Rechenbedarf<\/td>\n<td>Datenqualit\u00e4t, Modellabweichung, Kosten f\u00fcr das Labeling und Anforderungen an die Erkl\u00e4rbarkeit<\/td>\n<\/tr>\n<tr>\n<td>Bewertungsmetriken<\/td>\n<td> Menschliche Bewertung, BLEU, ROUGE und Relevanzpr\u00fcfungen<\/td>\n<td>Pr\u00e4zision, Abruf, AUC, Kalibrierung und mittlerer absoluter Fehler<\/td>\n<\/tr>\n<tr>\n<td>Beste Passung f\u00fcr<\/td>\n<td>Inhaltserstellung, Prototyping, kreative Unterst\u00fctzung und Codeger\u00fcst<\/td>\n<td>Entscheidungen, Prognosen, Scoring und operationale Automatisierung<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<div>\n<h2>Praktische Vorteile und Herausforderungen von Generative AI und Predictive AI<\/h2>\n<p>Generative AI und Predictive AI bieten verschiedene praktische Vorteile. Daher m\u00fcssen Teams die Vorteile gegen technische und operationale Abw\u00e4gungen abw\u00e4gen. Im Folgenden sind pr\u00e4gnante Aufz\u00e4hlungslisten f\u00fcr jeden AI-Typ aufgef\u00fchrt. Jede Liste enth\u00e4lt reale Beispiele und Branchen, die am meisten von der Einf\u00fchrung profitieren.<\/p>\n<h3>Vorteile von Generative AI<\/h3>\n<ul>\n<li>Beschleunigt die Content-Produktion und Ideenfindung, n\u00fctzlich im Marketing und in den Medien.<\/li>\n<li>Personalisierung von Texten und kreativen Assets in gro\u00dfem Ma\u00dfstab, von Vorteil f\u00fcr E-Commerce und Einzelhandel.<\/li>\n<li>Automatisiert routinem\u00e4\u00dfiges Codieren und die Erstellung von SQL, was Software-Teams und Dateningenieuren hilft.<\/li>\n<li>Verringert die Zeit zur Prototypenerstellung von Produktmockups und Designs f\u00fcr Produkt- und UX-Teams.<\/li>\n<li>Verbessert den Kunden-Selbstservice mit AI-Chat und Entwurf von Antworten, was den Supportbetrieb unterst\u00fctzt.<\/li>\n<\/ul>\n<h3>Herausforderungen von Generative AI<\/h3>\n<ul>\n<li>Halluzinationen erzeugen falsche oder erfundene Fakten, was das Vertrauen in die Marke gef\u00e4hrdet.<\/li>\n<li>Vorurteile und Urheberrechtsprobleme erfordern sorgf\u00e4ltige \u00dcberpr\u00fcfung und Leitplanken.<\/li>\n<li>Hohe Rechen- und Feinabstimmungskosten k\u00f6nnen Budgets kleiner Teams belasten.<\/li>\n<li>Daten- und Eingabedesign beeinflussen die Ausgabequalit\u00e4t, daher ben\u00f6tigt die Iteration Zeit.<\/li>\n<li>Sicherheits- und Compliance-Bedenken sind in der Gesundheitsversorgung und Finanzwesen akut.<\/li>\n<\/ul>\n<h3>Vorteile von Predictive AI<\/h3>\n<ul>\n<li>Verbessert die Entscheidungsfindung mit Prognosen und Risikoscores in Finanzen und Betrieb.<\/li>\n<li>Erm\u00f6glicht gezieltes Marketing und Lead-Scoring f\u00fcr Vertriebs- und CRM-Teams.<\/li>\n<li>Erkennt Anomalien und potenziellen Betrug in Sicherheits- und Zahlungssystemen.<\/li>\n<li>Optimiert die Bestands- und Nachfrageplanung f\u00fcr Lieferkette und Einzelhandel.<\/li>\n<li>Erzeugt messbare KPIs, sodass Teams ROI quantifizieren und iterieren k\u00f6nnen.<\/li>\n<\/ul>\n<h3>Herausforderungen von Predictive AI<\/h3>\n<ul>\n<li>Erfordert saubere, gekennzeichnete historische Daten und gutes Feature Engineering.<\/li>\n<li>Modellabweichungen verringern die Genauigkeit im Laufe der Zeit, sodass ein retraining notwendig ist.<\/li>\n<li>Erkl\u00e4rbarkeit kann die Einf\u00fchrung in regulierten Branchen wie der Gesundheitsversorgung einschr\u00e4nken.<\/li>\n<li>Das Labeln und die Datensammlung erh\u00f6hen die Anfangskosten und die Projektkomplexit\u00e4t.<\/li>\n<li>Integration in Altsysteme erfordert oft Ingenieursressourcen und \u00c4nderungsmanagement.<\/li>\n<\/ul>\n<p>In der Praxis kombinieren Teams beide Ans\u00e4tze. Zum Beispiel kann das Marketing personalisierte E-Mails generieren, und pr\u00e4diktive Modelle bewerten dann die Empf\u00e4nger. Infolgedessen realisieren Organisationen kreative Skalierung und messbare Ergebnisse. W\u00e4hlen Sie Methoden, die zu Ihren Daten, Ihrer Risikotoleranz und Ihren Gesch\u00e4ftszielen passen.<\/p>\n<\/div>\n<div>\n<h1>FAZIT<\/h1>\n<p>Das Verst\u00e4ndnis von Generativer KI gegen\u00fcber Pr\u00e4diktiver KI hilft Teams, das richtige Werkzeug f\u00fcr reale Probleme auszuw\u00e4hlen. Generative Modelle schaffen neue Inhalte, w\u00e4hrend pr\u00e4diktive Modelle Ergebnisse vorhersagen. Daher erfordern kreative Arbeit und strategische Prognosen unterschiedliche Ans\u00e4tze und Daten. Generative KI ist hervorragend im Entwurf, Prototyping und der Skalierung personalisierter Nachrichten. Im Gegensatz dazu treibt pr\u00e4diktive KI die Lead-Bewertung, Nachfragesch\u00e4tzungen und Anomalieerkennung an.<\/p>\n<p>In Kombination entfalten diese Modelle einen h\u00f6heren Wert. Zum Beispiel k\u00f6nnen Teams personalisierte Kampagnen generieren und dann vorhersagen, welche Kunden konvertieren werden. Infolgedessen erreichen Unternehmen kreative Skalierung und messbare Ergebnisse. Denken Sie jedoch an die Kompromisse. Generative KI birgt das Risiko von Halluzinationen und Vorurteilen. Pr\u00e4diktive KI ben\u00f6tigt saubere historische Daten und fortlaufendes Retraining.<\/p>\n<p>AllosAI unterst\u00fctzt Teams, die beide F\u00e4higkeiten w\u00fcnschen. Die Plattform vereint KI-Automatisierung und Kommunikationswerkzeuge. Beispielsweise nutzen Sie die Web-Erfahrung unter <a href=\"https:\/\/allosai.com\">AllosAI Web Experience<\/a>, um mehr zu erfahren. Probieren Sie auch die App-Plattform unter <a href=\"https:\/\/app.allosai.com\">AllosAI App Platform<\/a> aus, um AI-Chat-Workflows zu testen. F\u00fcr Anleitungen und Ressourcen besuchen Sie den Blog unter <a href=\"https:\/\/allosai.com\/blog\">AllosAI Blog<\/a>. Gemeinsam helfen diese Ressourcen Kreativen und Technologen, KI-gesteuertes Engagement mit weniger Reibung zu verwalten.<\/p>\n<p>W\u00e4hlen Sie das Modell, das zu Ihren Zielen, Daten und Risikobereitschaft passt. Iterieren Sie dann schnell und messen Sie die Auswirkungen.<\/p>\n<\/div>\n<div>\n<h1>H\u00e4ufig gestellte Fragen (FAQs)<\/h1>\n<details open style=\"background-color:#000000; border-left:4px solid #0096c7; padding:15px 20px; margin-bottom:15px; border-radius:8px; box-shadow:0 2px 6px rgba(0,0,0,0.1); transition: background 0.3s;\">\n<summary style=\"font-weight:bold; cursor:pointer; font-size:1.1em;\">Was ist der Unterschied zwischen Generativer KI und Pr\u00e4diktiver KI?<\/summary>\n<p style=\"margin-top:8px; color:#ffffff;\">Generative KI erstellt neue Inhalte wie Text, Bilder oder Code. Pr\u00e4diktive KI prognostiziert Ergebnisse anhand historischer Daten. Daher konzentriert sich die eine auf die Erstellung und die andere auf die Voraussicht. Generative Systeme verwenden gro\u00dfe Sprachmodelle und Diffusionstechniken. Pr\u00e4diktive Systeme verwenden Regression, Klassifikation und Zeitreihenmodelle.<\/p>\n<\/details>\n<details style=\"background-color:#000000; border-left:4px solid #0096c7; padding:15px 20px; margin-bottom:15px; border-radius:8px; box-shadow:0 2px 6px rgba(0,0,0,0.1); transition: background 0.3s;\">\n<summary style=\"font-weight:bold; cursor:pointer; font-size:1.1em;\">Wann sollte mein Team generative Modelle im Vergleich zu pr\u00e4diktiven Modellen verwenden?<\/summary>\n<p style=\"margin-top:8px; color:#ffffff;\">Verwenden Sie generative Modelle zur Erstellung von Inhalten, Prototyping oder zur Generierung von Code. Verwenden Sie pr\u00e4diktive Modelle f\u00fcr Lead-Scoring, Abwanderungsprognosen und Nachfrageprognosen. Kombinieren Sie auch beide f\u00fcr personalisierte Kampagnen und Scoring. F\u00fcr weitere Informationen zu generativen Methoden siehe <a href=\"https:\/\/www.ibm.com\/cloud\/learn\/generative-ai\" style=\"color:#0096c7; text-decoration:none;\" target=\"_blank\" rel=\"noopener\">diesen Leitfaden<\/a>. F\u00fcr die Grundlagen der pr\u00e4diktiven Analyse siehe <a href=\"https:\/\/www.sas.com\/en_us\/insights\/analytics\/predictive-analytics.html\" style=\"color:#0096c7; text-decoration:none;\" target=\"_blank\" rel=\"noopener\">diesen Leitfaden<\/a>.<\/p>\n<\/details>\n<details style=\"background-color:#000000; border-left:4px solid #0096c7; padding:15px 20px; margin-bottom:15px; border-radius:8px; box-shadow:0 2px 6px rgba(0,0,0,0.1); transition: background 0.3s;\">\n<summary style=\"font-weight:bold; cursor:pointer; font-size:1.1em;\">K\u00f6nnen generative und pr\u00e4diktive KI zusammenarbeiten?<\/summary>\n<p style=\"margin-top:8px; color:#ffffff;\">Ja. Zum Beispiel k\u00f6nnen personalisierte E-Mails generiert und dann die Empf\u00e4nger mit einem pr\u00e4diktiven Modell bewertet werden. Infolgedessen erzielen Teams sowohl kreative Skalierung als auch messbare Ergebnisse. Integrationsplattformen und KI-Automatisierungstools erleichtern dies. Eine M\u00f6glichkeit, Workflows zu testen, ist AI Chat unter <a href=\"https:\/\/app.allosai.com\" style=\"color:#0096c7; text-decoration:none;\">dieser Seite<\/a>.<\/p>\n<\/details>\n<details style=\"background-color:#000000; border-left:4px solid #0096c7; padding:15px 20px; margin-bottom:15px; border-radius:8px; box-shadow:0 2px 6px rgba(0,0,0,0.1); transition: background 0.3s;\">\n<summary style=\"font-weight:bold; cursor:pointer; font-size:1.1em;\">Was sind die Haupt Risiken, auf die man bei jedem Ansatz achten sollte?<\/summary>\n<p style=\"margin-top:8px; color:#ffffff;\">Die Risiken der generativen KI umfassen Halluzinationen, Vorurteile und Urheberrechtsprobleme. Die Risiken der pr\u00e4diktiven KI umfassen schlechte Datenqualit\u00e4t, Modellverschiebung und mangelnde Nachvollziehbarkeit. Daher sollten Validierung, \u00dcberwachung und menschliche \u00dcberpr\u00fcfung implementiert werden. Zudem sollten in regulierten Branchen die Compliance-Regeln beachtet werden.<\/p>\n<\/details>\n<details style=\"background-color:#000000; border-left:4px solid #0096c7; padding:15px 20px; margin-bottom:15px; border-radius:8px; box-shadow:0 2px 6px rgba(0,0,0,0.1); transition: background 0.3s;\">\n<summary style=\"font-weight:bold; cursor:pointer; font-size:1.1em;\">Wie w\u00e4hle ich das richtige Modell f\u00fcr mein Projekt aus?<\/summary>\n<p style=\"margin-top:8px; color:#ffffff;\">Beginnen Sie mit dem Gesch\u00e4ftsziel. Bewerten Sie dann die verf\u00fcgbaren Daten, technischen Ressourcen und Risikobereitschaft. Wenn Sie Inhalte ben\u00f6tigen, w\u00e4hlen Sie generative Ans\u00e4tze. Wenn Sie Prognosen oder Bewertungen ben\u00f6tigen, w\u00e4hlen Sie pr\u00e4diktive Ans\u00e4tze. Schlie\u00dflich testen Sie schnell und messen Sie wichtige Kennzahlen, um zu entscheiden.<\/p>\n<\/details>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"<p>Generative AI vs. Predictive AI Generative AI vs. Predictive AI matters more than ever for teams building intelligent products and automations. Understanding their differences helps you pick the right model for creation or forecasting. Generative models create new content like text, images, and code. Predictive systems analyze data to forecast outcomes such as churn, demand, [&hellip;]<\/p>\n","protected":false},"author":2,"featured_media":1226,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"rank_math_focus_keyword":"Generative AI vs. Predictive AI","rank_math_description":"Generative AI vs Predictive AI: erfahren Sie, wann kreative Ergebnisse erzeugt oder Ergebnisse vorhergesagt werden, um Ihre Automatisierungsstrategie zu optimieren.","footnotes":""},"categories":[38],"tags":[14],"class_list":["post-6211","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai","tag-features"],"_links":{"self":[{"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/posts\/6211","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/comments?post=6211"}],"version-history":[{"count":0,"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/posts\/6211\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/media\/1226"}],"wp:attachment":[{"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/media?parent=6211"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/categories?post=6211"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/tags?post=6211"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}