Agent

Ein KI-System, das seine Umgebung wahrnimmt und Maßnahmen ergreift, um bestimmte Ziele zu erreichen. Agenten können einfache regelbasierte Systeme oder komplexe lernende Systeme sein, die sich an ihre Umgebung anpassen.

Large Language Model (LLM)

Eine Klasse von KI-Modellen, die auf der Grundlage großer Mengen von Textdaten trainiert werden, um die menschliche Sprache zu verstehen und zu generieren. LLMs verwenden oft transformatorbasierte Architekturen, die sich durch die Erfassung der kontextuellen Beziehungen zwischen Wörtern und Phrasen auszeichnen. Aufgrund ihrer Größe und Komplexität können LLMs für eine Vielzahl von Aufgaben der natürlichen Sprachverarbeitung angepasst werden, wie z. B. Texterstellung, Zusammenfassung, Übersetzung und Beantwortung von Fragen. Beispiele hierfür sind GPT (Generative Pre-trained Transformer) und BERT (Bidirectional Encoder Representations from Transformers).

Algorithmus

Ein spezifischer Satz von Regeln oder Anweisungen, die definieren, wie ein KI-System Informationen verarbeitet und Entscheidungen trifft. Algorithmen bilden die Grundlage aller KI-Systeme und bestimmen deren Verhalten.

Künstliche Intelligenz (KI)

Der Bereich der Informatik konzentriert sich auf die Schaffung intelligenter Systeme, die in der Lage sind, Aufgaben zu erfüllen, die typischerweise menschliche Intelligenz erfordern – wie Lernen, Denken, Problemlösen, Wahrnehmung und Sprachverständnis.

Neuronales Netz (künstliches neuronales Netz)

Eine von biologischen neuronalen Netzen inspirierte Computerarchitektur, die aus miteinander verbundenen Knoten (Neuronen) besteht, die Informationen verarbeiten und übertragen. Neuronale Netze bilden die Grundlage vieler moderner KI-Systeme, insbesondere im Bereich des Deep Learning.

Voreingenommenheit (in der KI)

Systematische Fehler in KI-Systemen resultieren aus unausgewogenen oder nicht repräsentativen Trainingsdaten oder Designfehlern, was zu unfairen oder diskriminierenden Ergebnissen führen kann. Die Bekämpfung von Voreingenommenheit ist für eine verantwortungsvolle KI-Entwicklung von entscheidender Bedeutung.

Computer Vision

Der Bereich der KI konzentriert sich darauf, Computern das Verstehen und Verarbeiten visueller Informationen (Bilder, Videos) zu ermöglichen. Zu den Anwendungen gehören Gesichtserkennung, autonome Fahrzeuge und medizinische Bildanalyse.

Datensatz

Eine Sammlung von Daten, die zum Trainieren, Validieren und Testen von KI-Modellen verwendet wird. Hochwertige, vielfältige Datensätze sind für die Entwicklung effektiver KI-Systeme unerlässlich.

Deep Learning

Eine Unterart des maschinellen Lernens, bei der neuronale Netze mit mehreren Schichten verwendet werden, sodass Systeme komplexe Muster und Darstellungen direkt aus Daten lernen können.

Erklärbare KI (XAI)

Ansätze und Technologien, die die Entscheidungen von KI-Systemen für den Menschen transparent und interpretierbar machen. Besonders wichtig in regulierten Branchen wie dem Gesundheits- und Finanzwesen.

Merkmal

Eine einzelne messbare Eigenschaft oder ein Merkmal wird als Eingabe in ein maschinelles Lernmodell verwendet. Merkmale sind die grundlegenden Komponenten, die Modelle verwenden, um Vorhersagen oder Entscheidungen zu treffen.

Generative KI

Systeme, die in der Lage sind, neue Inhalte – wie Text, Bilder, Musik oder Code – auf der Grundlage von Mustern zu erstellen, die aus Trainingsdaten gelernt wurden. Dazu gehören große Sprachmodelle und Technologien zur Bilderzeugung.

Maschinelles Lernen (ML)

Ein Teilbereich der KI, der es Systemen ermöglicht, ohne explizite Programmierung aus Erfahrungen zu lernen und sich zu verbessern. ML-Algorithmen identifizieren Muster in Daten, um Vorhersagen oder Entscheidungen zu treffen.

Modell

Eine mathematische Darstellung eines realen Prozesses, der durch Training mit Daten erstellt wird. Modelle dienen als Entscheidungsmotor in KI-Systemen.

Verarbeitung natürlicher Sprache (NLP)

Technologie, die es Computern ermöglicht, menschliche Sprache zu verstehen, zu interpretieren und zu generieren. NLP unterstützt Anwendungen wie maschinelle Übersetzung, Chatbots und Textanalyse.

Optimierung

Der Prozess der Anpassung der Parameter eines KI-Modells zur Verbesserung seiner Leistung bei bestimmten Aufgaben – oft durch Minimierung einer Verlustfunktion oder Maximierung einer Belohnung.

Reinforcement Learning (RL)

Eine Art des maschinellen Lernens, bei der ein Agent durch Trial-and-Error-Interaktionen mit einer Umgebung optimale Verhaltensweisen erlernt und für seine Handlungen Belohnungen oder Strafen erhält.

Supervised Learning

Ein Ansatz des maschinellen Lernens, bei dem Modelle anhand von gekennzeichneten Daten trainiert werden und lernen, Eingaben bekannten Ausgaben zuzuordnen. Wird häufig für Aufgaben wie Klassifizierung und Regression verwendet.

Training (Modelltraining)

Der Prozess, bei dem einem KI-Modell bestimmte Aufgaben beigebracht werden, indem es mit Beispielen konfrontiert wird und seine Parameter (Gewichte) basierend auf der Leistung angepasst werden.

Transferlernen

Eine Technik, bei der das bei einer Aufgabe erlernte Wissen auf eine andere, aber verwandte Aufgabe angewendet wird, wodurch die Effizienz verbessert und der Bedarf an großen Trainingsdatensätzen verringert wird.

Unüberwachtes Lernen

Ein Ansatz des maschinellen Lernens, bei dem Modelle Muster und Strukturen aus nicht gekennzeichneten Daten ohne vordefinierte Ergebnisse lernen. Nützlich für Clustering, Dimensionsreduktion und Anomalieerkennung.

Überanpassung

Wenn ein Modell Muster lernt, die zu spezifisch für die Trainingsdaten sind, was zu einer schlechten Leistung bei neuen, unbekannten Daten führt.

Unteranpassung

Wenn ein Modell zu einfach ist oder nicht lange genug trainiert wurde und die zugrunde liegenden Trends in den Daten nicht erfasst werden können, was zu einer schlechten Leistung sowohl bei Trainings- als auch bei Testsätzen führt.

Hyperparameter

Konfigurationsvariablen, die vor dem Training festgelegt werden (z. B. Lernrate, Anzahl der Schichten, Stapelgröße). Diese werden nicht aus den Trainingsdaten gelernt und müssen für eine optimale Leistung abgestimmt werden.

Aktivierungsfunktion

Eine Funktion, die auf die Ausgabe eines Neurons in einem neuronalen Netzwerk angewendet wird, um Nichtlinearität einzuführen (z. B. ReLU, Sigmoid, Tanh).

Verlustfunktion (Kostenfunktion)

Ein Maß dafür, wie weit die Vorhersagen eines Modells von den korrekten Werten entfernt sind. Das Training zielt in der Regel darauf ab, diese Funktion zu minimieren, um die Modellgenauigkeit zu verbessern.

Gradientenabstieg

Ein Optimierungsalgorithmus wird verwendet, um die Verlustfunktion zu minimieren, indem die Modellgewichte iterativ in die entgegengesetzte Richtung des Gradienten des Verlusts angepasst werden.

Backpropagation

Ein Algorithmus, der den Gradienten der Verlustfunktion in Bezug auf jedes Gewicht in einem neuronalen Netzwerk berechnet, indem Fehler rückwärts propagiert werden, wodurch Gewichtsaktualisierungen ermöglicht werden.

Epoche

Ein vollständiger Durchlauf durch den gesamten Trainingsdatensatz. Mehrere Epochen werden verwendet, um Modellparameter iterativ zu verfeinern.

Stapel (Mini-Batch)

Eine Teilmenge der Trainingsdaten wird in einer Iteration von Modellaktualisierungen verwendet. Beim Training können vollständige Stapel (Batch-Gradientenabstieg) oder kleinere Mini-Batches (Mini-Batch-Gradientenabstieg) verwendet werden.

Convolutional Neural Network (CNN)

Eine Klasse tiefer neuronaler Netze, die hauptsächlich zur Analyse visueller Bilder verwendet werden und Faltungsoperationen zur Extraktion räumlicher Merkmale verwenden.

Recurrent Neural Network (RNN)

Eine Klasse neuronaler Netze, die für Sequenzdaten (z. B. Zeitreihen, Text) entwickelt wurden. RNNs behalten einen internen verborgenen Zustand bei, der Informationen über frühere Eingaben erfasst.

Long Short-Term Memory (LSTM)

Eine spezialisierte Art von RNN, die mit Gating-Mechanismen gegen verschwindende/explodierende Gradienten vorgeht und es Modellen ermöglicht, Abhängigkeiten über große Entfernungen in sequentiellen Daten zu erfassen.

Generative Adversarial Network (GAN)

Ein Rahmenwerk, das aus zwei Modellen besteht – einem Generator und einem Diskriminator –, die gegeneinander antreten. GANs werden häufig für Aufgaben wie die realistische Bilderzeugung eingesetzt.

Big Data

Extrem große, komplexe Datensätze, die fortschrittliche Tools für die Speicherung, Verarbeitung und Analyse erfordern. Big Data und KI überschneiden sich häufig, da riesige Datensätze die KI-Fähigkeiten erheblich verbessern können.

Edge Computing

Datenverarbeitung näher an der Datenquelle (auf lokalen Geräten oder Servern) durchführen, anstatt sich ausschließlich auf zentralisierte Cloud-Server zu verlassen. In der KI reduziert dies die Latenz und die Bandbreitennutzung und ermöglicht Rückschlüsse in Echtzeit.

Turing-Test

Der von Alan Turing vorgeschlagene Test prüft die Fähigkeit einer Maschine, Intelligenz zu zeigen, die nicht von der eines Menschen zu unterscheiden ist. Wenn ein Prüfer eine Maschine nicht zuverlässig von einem Menschen unterscheiden kann, gilt die Maschine als erfolgreich im Turing-Test.