KI-Begriffe.
Klar erklärt.

Ein autonomes System, das in seiner Umgebung Wahrnehmungen sammelt, Entscheidungen trifft und Aktionen ausführt. In der KI sind das intelligente Agenten, die durch maschinelles Lernen gesteuert werden.

Eine Funktion, die den Eingang eines Neurons in einem neuronalen Netzwerk transformiert. Sie entscheidet, ob ein Neuron aktiviert wird – basierend auf Gewicht und Summe der Eingaben. Beispiele: Sigmoid, ReLU, Tanh.

Eine Reihe von Anweisungen oder Regeln, die ein Computer befolgt, um eine Aufgabe zu lösen. Wie ein Kochrezept für den Computer.

KI, die bestehende Daten analysiert, um Muster zu erkennen, Vorhersagen zu treffen oder Inhalte zu klassifizieren. Beispiele: Spam-Filter, personalisierte Empfehlungen bei Streaming-Diensten.

Identifizierung von seltenen oder ungewöhnlichen Mustern in Daten, die nicht der erwarteten Norm entsprechen. Wird zur Betrugserkennung, Fehleranalyse oder bei Abweichungen in Überwachungsdaten eingesetzt.

Schnittstelle, die es Softwareanwendungen ermöglicht, miteinander zu kommunizieren und Daten auszutauschen. Wichtig für die Integration von KI-Diensten in bestehende Anwendungen.

Hypothetische zukünftige Form der KI mit menschenähnlichem, allgemeinem Verständnis und Bewusstsein. Könnte jede intellektuelle Aufgabe lösen, die ein Mensch lösen kann. Existiert derzeit nicht.

Die heutige Form der KI. Spezialisiert auf eine einzelne, eng definierte Aufgabe (z. B. Schach spielen, Bilder erkennen), aber ohne allgemeines Verständnis oder Bewusstsein.

Computermodell, das von der Struktur des menschlichen Gehirns inspiriert ist. Besteht aus miteinander verbundenen Knoten (Neuronen), die Informationen verarbeiten und weiterleiten. Grundlage vieler moderner KI-Anwendungen.

Hypothetische KI, die weit über menschliche Intelligenz hinausgeht. Könnte alle kognitiven Aufgaben besser als Menschen bewältigen. Bleibt spekulatives Konzept.

Regel, die beschreibt, wie oft Elemente gemeinsam in einem Datensatz auftreten. Wird in der Marktanalyse verwendet, um Beziehungen zwischen Produkten zu identifizieren.

Methode der Informationssuche basierend auf Verbindungen zwischen Datenpunkten. Findet thematisch oder kontextuell ähnliche Informationen statt exakter Übereinstimmungen.

Eigenschaft oder Merkmal eines Datensatzes. In ML-Modellen sind das die Eingabevariablen für Vorhersagen oder Klassifikationen.

Technologie, die die reale Welt mit digitalen Informationen überlagert. KI nutzt AR, um Nutzern zusätzliche Informationen und interaktive Erlebnisse zu bieten.

Fähigkeit eines Fahrzeugs, ohne menschliches Eingreifen sicher zu fahren. Basiert auf Sensoren, Kameras, Radar und KI-Algorithmen zur Entscheidungsfindung.

Systeme, die eigenständig Entscheidungen treffen und handeln können, ohne menschliches Eingreifen. Nutzen Sensoren, Datenverarbeitung und Algorithmen. Beispiele: autonome Fahrzeuge, Drohnen, Roboter.

Methode, mit der neuronale Netzwerke sich selbst verbessern. Der Fehler wird zurück durch das Netzwerk geschickt, um die Neuronen-Einstellungen anzupassen. So lernt das Netzwerk, bessere Vorhersagen zu machen.

Grundlegendes Theorem der Wahrscheinlichkeitstheorie: beschreibt, wie die Wahrscheinlichkeit eines Ereignisses basierend auf neuen Beweisen aktualisiert wird. Basis vieler statistischer Modelle im maschinellen Lernen.

Systematische Verzerrungen in KI-Ergebnissen durch voreingenommene Trainingsdaten. Die KI lernt und reproduziert menschliche Vorurteile.

Große und komplexe Datensätze, die mit traditionellen Methoden nicht effizient verarbeitet werden können. Erfordert spezialisierte Techniken zur Sammlung, Speicherung und Analyse.

Klassifikationsproblem mit nur zwei möglichen Ausgabeklassen. Beispiele: Spam/Nicht-Spam, Krankheit positiv/negativ.

Ensemble-Technik, die mehrere schwache Lernalgorithmen zu einem starken kombiniert. Verbessert die Vorhersagegenauigkeit durch Fokus auf schwer zu klassifizierende Datenpunkte.

Leistungsstarke, objektorientierte Programmiersprache. Weit verbreitet in System- und Anwendungsprogrammierung mit hoher Effizienz und Kontrolle über Systemressourcen.

Systematischer Ansatz zur Bewältigung von Transformationen in Zielen, Prozessen oder Technologien. Umfasst Planung, Implementierung und Unterstützung von Veränderungen zur Minimierung von Widerstand.

Computerprogramm, das menschliche Konversationen simuliert und Anfragen in natürlicher Sprache beantwortet. Nutzt NLP und maschinelles Lernen.

Methode des unüberwachten Lernens zur Einteilung von Datenpunkten in Gruppen (Cluster) basierend auf Ähnlichkeiten. Häufige Algorithmen: k-means, hierarchisches Clustering.

Ansatz zur Nachahmung menschlicher Denkprozesse. Nutzt maschinelles Lernen, Mustererkennung und NLP zur Entscheidungsfindung.

KI-Bereich, der Computern das Sehen und Verstehen von Bildern und Videos ermöglicht. Nutzt Deep Learning und neuronale Netzwerke.

Technik zur Bewertung der Modellleistung. Der Datensatz wird geteilt – das Modell auf einem Teil trainiert, auf einem anderen getestet. Liefert robustere Schätzungen.

Ungewollte Vermischung von Trainings- und Testdaten. Das Modell sieht beim Test Daten, die es schon aus dem Training kennt – und wirkt dadurch besser, als es ist. Klassische Fehlerquelle: Im echten Betrieb fällt die Leistung dann plötzlich ab.

Entdeckung von Mustern, Zusammenhängen und Anomalien in großen Datensätzen mit statistischen, ML- und datenverarbeitungstechnischen Methoden. Ziel: nützliche Informationen extrahieren.

Interdisziplinäres Feld zur Extraktion von Wissen aus Daten. Kombiniert Statistik, Informatik und maschinelles Lernen.

Bereinigung, Transformation und Umgestaltung von Rohdaten in verwendbare Formate. Umfasst Entfernen von Ungenauigkeiten, Zusammenführen von Datensätzen, Formatanpassungen.

Technologie basierend auf Deep Learning zur Erstellung täuschend echter Bilder, Videos oder Audioaufnahmen. Oft erzeugt durch GANs (Generator + Diskriminator).

Teilgebiet des maschinellen Lernens mit tiefen neuronalen Netzwerken. Ermöglicht Verarbeitung großer Datenmengen und automatische Merkmalextraktion für hochpräzise Ergebnisse.

Virtuelles Modell eines physischen Objekts oder Systems. Wird zur Analyse von Echtzeit-Daten und Vorhersagen über Leistung, Zustand und Verhalten genutzt.

Verteiltes Rechenmodell mit Datenverarbeitung nahe an Endgeräten oder Datenquellen statt in zentralen Rechenzentren. Reduziert Latenz und Bandbreitennutzung.

Verbesserung der Systemleistung durch bessere Ressourcennutzung und Prozessoptimierung. KI automatisiert Geschäftsprozesse, optimiert Energieverbrauch, verbessert Produktion.

Technologie zur Erkennung menschlicher Emotionen durch Analyse von Gesichtsausdrücken, Stimme und Körperbewegungen.

Technik zur Kombination mehrerer Modelle für höhere Vorhersagegenauigkeit. Beispiele: Bagging, Boosting, Stacking.

Modell zur Entscheidungsfindung und Klassifikation durch Aufteilen eines Datensatzes in Teilmengen basierend auf Merkmalen. Jede Verzweigung = Entscheidungsregel.

Bereich zu moralischen und rechtlichen Implikationen von KI-Entwicklung und -Anwendung. Themen: Fairness, Transparenz, Datenschutz, Verantwortlichkeit.

Von natürlicher Evolution inspirierte Optimierungsalgorithmen. Nutzen Mutation, Kreuzung und Selektion zur Lösungsfindung komplexer Probleme.

Ansatz zur Entdeckung von Mustern, Zusammenhängen und Anomalien durch visuelle und statistische Methoden. Wichtiger erster Schritt in jedem Datenanalyseprojekt.

Technologie zur Erkennung und Identifizierung von Gesichtern in Bildern oder Videos. Nutzt Algorithmen zur Mustererkennung und maschinelles Lernen.

ML-Verfahren mit Training auf mehreren dezentralen Geräten, ohne dass Rohdaten diese verlassen. Ermöglicht Datenschutz bei sensibler Datenverarbeitung.

Maß für Rechenleistung: wie viele Rechenoperationen ein System pro Sekunde schafft. Die EU-KI-VO nutzt FLOPS als Schwelle, ab der ein KI-Modell als besonders leistungsfähig – und damit risikoreicher – eingestuft wird.

Besonders leistungsfähiges Modell, auf einer riesigen, breiten Datenbasis trainiert. Dient als Grundlage (engl. foundation), die sich ohne oder mit minimaler Anpassung für viele verschiedene Aufgaben nutzen lässt. Begriff geprägt in Stanford.

KI, die flexibel für viele verschiedene Zwecke einsetzbar ist – nicht auf eine einzige Aufgabe festgelegt. Begriff vor allem durch die EU-KI-VO geprägt. Beispiel: ein Personendetektor, der in Fahrzeugen, Ampelanlagen oder Straßenbeleuchtung gleichermaßen funktioniert.

Fähigkeit eines trainierten Modells, allgemeine Regeln aus seinen Trainingsdaten abzuleiten und auch mit völlig neuen, unbekannten Daten korrekt umzugehen. Das eigentliche Ziel jedes ML-Trainings – ein Modell, das überträgt statt auswendig lernt.

Framework mit zwei neuronalen Netzwerken (Generator + Diskriminator), die gegeneinander antreten. Generator erzeugt Daten, Diskriminator unterscheidet echte von gefälschten. Ziel: realistische Datenerzeugung.

KI, die völlig neue, originäre Inhalte erschaffen kann – Texte, Bilder, Musik, Code. ChatGPT und Midjourney sind prominente Beispiele.

KI-Modell zum Verstehen und Erzeugen menschlicher Sprache. Lernt durch Lesen großer Textmengen. Pre-trained bedeutet: bereits mit vielen Textdaten trainiert vor spezifischer Aufgabenanpassung.

Ursprünglich für Computergrafik entwickelt, ideal für massiv parallele Berechnungen im KI-Training. Der Motor der KI-Revolution.

Phänomen, bei dem generative KI mit großer Überzeugung Fakten oder Quellen erfindet, die nicht existieren.

Ansatz, bei dem menschliche Eingriffe Teil des KI-Lernprozesses sind. Kombiniert maschinelle und menschliche Intelligenz für bessere Ergebnisse.

Parameter in ML-Modellen, die vor dem Training festgelegt werden (nicht während des Trainings gelernt). Beispiele: Lernrate, Anzahl der Schichten, Knoten.

Technologie zur Identifizierung und Klassifizierung von Objekten, Personen, Szenen und Aktivitäten in Bildern. Nutzt ML und Computer Vision.

Anwendung eines trainierten ML-Modells auf neue Daten für Vorhersagen oder Entscheidungen. Die Nutzungsphase nach dem Training.

Netzwerk physischer Objekte mit Sensoren, Software und Technologien zum Sammeln und Austauschen von Daten. Ermöglicht Vernetzung und Steuerung über das Internet.

Leichtgewichtiges Datenformat für Datenaustausch zwischen Server und Webanwendung. Einfach zu lesen und schreiben, häufig in Web-APIs.

Geschäftsmodell, bei dem Unternehmen KI über das Internet als Dienstleistung anbieten. Statt eigene KI-Systeme aufzubauen, können Unternehmen diese mieten – einfacher und kostengünstiger.

Proaktives KI-System, das nicht nur auf einzelne Befehle wartet, sondern ein übergeordnetes Ziel versteht und selbstständig eine Kette von Aktionen über verschiedene Programme ausführt.

Niveau, auf dem eine Organisation KI in Prozessen, Produkten und Dienstleistungen integriert und nutzt. Reicht von anfänglichen Experimenten bis zur umfassenden strategischen Nutzung.

Die erste umfassende gesetzliche Regulierung von KI in der EU. Teilt KI-Systeme in Risikoklassen ein und knüpft daran Pflichten. Für Unternehmen entscheidend: Je höher das Risiko, desto strenger die Anforderungen an Einsatz, Transparenz und Dokumentation.

Phasen in der KI-Geschichte mit stark zurückgehender Forschungsförderung, Investitionen und öffentlichem Interesse. Ausgelöst durch enttäuschte Erwartungen und mangelnde Fortschritte.

Strukturierte Darstellung von Wissen mit Entitäten und Beziehungen in einem Graphenmodell. Ermöglicht Integration und Verknüpfung von Informationen aus verschiedenen Quellen.

Breites Informatikfeld zur Entwicklung von Computersystemen, die Aufgaben ausführen können, die normalerweise menschliche Intelligenz erfordern – Lernen, Problemlösung, Sprachverständnis.

Riesiges neuronales Netz, trainiert mit gigantischen Textmengen, um statistische Muster menschlicher Sprache zu lernen. Grundlage für Chatbots wie ChatGPT oder Gemini.

Hyperparameter zur Bestimmung der Schrittgröße bei Parameteraktualisierungen während des Trainings. Zu hoch = instabile Updates, zu niedrig = langsames Training.

Machine-to-Machine-Kommunikation: automatisierter Informationsaustausch zwischen Maschinen oder Systemen ohne menschliche Interaktion.

KI-Teilgebiet mit Entwicklung von Algorithmen und statistischen Modellen, die Computern ermöglichen, aus Daten zu lernen und Vorhersagen/Entscheidungen zu treffen – ohne explizite Programmierung.

Fähigkeit eines KI-Modells, verschiedene Informationsarten gleichzeitig zu verarbeiten und zu verstehen: Text, Bilder, Audio, Video.

KI-Teilgebiet zur Interaktion zwischen Computern und menschlicher Sprache. Ermöglicht Computern, Text und gesprochene Sprache zu verstehen, zu interpretieren und zu erzeugen.

Formales Repräsentationssystem für Fachwissen in Form von Konzepten, Entitäten und ihren Beziehungen. Zur Strukturierung und Interpretation von Daten.

Software-Entwicklungsmodell mit öffentlich zugänglichem Quellcode. Jeder kann ihn einsehen, verändern und nutzen (oft auch kommerziell). Beispiel: Metas Llama-Modelle.

Das Modell lernt seine Trainingsdaten quasi auswendig, statt allgemeine Muster zu erkennen. Folge: top Ergebnisse auf den Trainingsdaten, schlechte auf neuen Daten. Gegenstück zum Underfitting.

KI-Bereich zur Identifizierung von Mustern und regulären Strukturen in Daten. Beispiele: Gesichtserkennung, Sprachbefehlverständnis, Betrugserkennung.

Methode zur Vorhersage zukünftiger Ereignisse oder Trends basierend auf aktuellen und historischen Daten. Nutzt statistische Algorithmen und maschinelles Lernen.

Textliche Anweisung oder Frage an generative KI, um ein bestimmtes Ergebnis zu erhalten. Legt Kontext und Richtung der gewünschten Antwort fest.

Wiederkehrender Ablauf von Tätigkeiten mit einem klar definierten Start- und Endpunkt sowie einem angestrebten Ergebnis. Je klarer ein Prozess definiert ist, desto einfacher lässt er sich digitalisieren und optimieren.

Modell-freier Reinforcement-Learning-Algorithmus zum Training eines Agenten für optimale Aktionen durch Belohnungsmaximierung. Speichert Aktionswerte in Q-Tabelle.

Berechnung basierend auf Quantenmechanik-Prinzipien. Nutzt Quantenbits (Qubits) für komplexere, schnellere Berechnungen als herkömmliche Computer.

System zur Generierung personalisierter Empfehlungen durch Datenanalyse und ML. Häufig in Online-Shops, Streaming-Diensten, sozialen Medien.

Systeme nach dem Schema „wenn X, dann Y, sonst Z". Die Regeln werden meist von Menschen vorgegeben, nicht aus Daten gelernt – daher kein maschinelles Lernen. Früher weit verbreitet, heute zunehmend von datengetriebenen Verfahren abgelöst.

Statistische Methode zur Modellierung des Zusammenhangs zwischen abhängiger und unabhängigen Variablen. Für Vorhersagen oder zum Verständnis von Variablenbeziehungen.

ML-Bereich, bei dem ein Agent durch Versuch und Irrtum lernt, wie er in einer Umgebung durch Belohnungen und Bestrafungen optimale Entscheidungen trifft.

Trainingsmethode, bei der menschliche Bewerter die Antworten eines Modells beurteilen und es so feinjustieren. Kam u. a. bei ChatGPT zum Einsatz, um rohe Internet-Trainingsdaten in nützliche, angemessene Antworten zu verwandeln.

Technik- und Wissenschaftsbereich zu Entwurf, Bau, Betrieb und Verwendung von Robotern. Roboter führen Aufgaben automatisch oder mit minimalem menschlichem Eingreifen aus.

Softwaremodell, bei dem Anwendungen über das Internet bereitgestellt werden – ohne lokale Installation oder eigene Infrastruktur. Der Anbieter übernimmt Betrieb, Wartung und Updates. Meist gegen monatliches oder jährliches Nutzungsentgelt.

ML-Methode, die sowohl gekennzeichnete als auch ungekennzeichnete Daten nutzt. Kombiniert überwachte und unüberwachte Lernansätze zur Verbesserung der Modellgenauigkeit.

NLP-Methode zur Erkennung und Klassifizierung emotionaler Färbung von Texten: positiv, negativ, neutral.

ML-Methode mit Training auf gekennzeichneten Daten (Eingabe-Ausgabe-Paaren). Ziel: aus diesen Daten lernen und Vorhersagen für neue, unbekannte Eingaben treffen.

Ein separater Datensatz, der beim Training bewusst nicht verwendet wird. Erst zum Schluss prüft man damit, wie gut das fertige Modell mit unbekannten Daten umgeht – die objektive Endabnahme.

Extraktion nützlicher Informationen und Muster aus großen Textmengen. Kombiniert Datenanalyse, maschinelles Lernen und NLP.

Datenanalysemethode zur Vorhersage zukünftiger Werte basierend auf bisher beobachteten Werten. Für wirtschaftliche Indikatoren, Wetterdaten, Verkaufszahlen.

Prozess, bei dem ein ML-Modell mit einem riesigen Datensatz gefüttert wird. Das Modell passt seine internen Parameter an, um Muster in den Daten zu lernen.

Die Daten, mit denen ein Modell lernt. Faustregel: je mehr und je hochwertiger, desto besser das Ergebnis. Das Format richtet sich nach der Aufgabe – Bilder, Texte, Audio und mehr.

ML-Methode zur Wiederverwendung und Anpassung eines vortrainierten Modells für eine verwandte Aufgabe. Reduziert Trainingszeit und benötigte Daten erheblich.

Spezifische Architektur für neuronale Netze (2017 von Google). Besondere Fähigkeit: Verständnis von Kontext und Beziehungen zwischen weit entfernten Wörtern. Entscheidende Innovation für den Durchbruch großer Sprachmodelle.

Das Modell ist zu schwach, um überhaupt die Muster in seinen Trainingsdaten zu erfassen – es erkennt selbst Bekanntes schlecht. Gegenstück zum Overfitting.

ML-Methode mit Training auf ungekennzeichneten Daten. Ziel: Muster oder Strukturen in Daten entdecken, ohne spezifische Zielwerte vorzugeben.

Gesamteindruck und Gefühl bei der Interaktion mit einem Produkt oder einer Dienstleistung. UX-Design zielt auf angenehme, effiziente, benutzerfreundliche Interaktionen.

Zweiter Test-Datensatz, der schon während des Trainings genutzt wird, um laufend zu prüfen, wie gut das Modell generalisiert, und das Training nachzujustieren. Sicherheitsstufe vor der finalen Bewertung mit den Testdaten.

Technologie zur Erzeugung computergenerierter, dreidimensionaler Umgebungen für vollständiges Eintauchen. Nutzer können interagieren, als ob sie sich tatsächlich darin befinden.

Technologie zur Umwandlung gesprochener Sprache in Text. Nutzt Algorithmen zur Analyse und Transkription gesprochener Worte.

Strukturierte Abfolge von Aufgaben, die in einer definierten Reihenfolge ausgeführt werden, um ein Ziel zu erreichen. Workflows können manuell, teilweise oder vollständig automatisiert sein.

Geistig vorweggenommene Zustände im Projektmanagement. Unterteilt in Vorgehensziele und Ergebnisziele bezüglich Leistung, Zeit und Kosten. Operationalisierung via SMART-Regel: Spezifisch, Messbar, Akzeptiert, Realistisch, Terminiert.