KI- & IT-Glossar

Systeme, die nicht nur auf Eingaben reagieren, sondern autonom Ziele verfolgen, Entscheidungen treffen und Werkzeuge (wie APIs oder Web-Browser) nutzen können, um Aufgaben zu lösen.

Eine hypothetische Form der Künstlichen Intelligenz, die jede intellektuelle Aufgabe verstehen, lernen und ausführen kann, zu der auch ein Mensch fähig ist. Aktuelle KIs (wie ChatGPT) sind "schwache" oder "schmale" KIs (Narrow AI), da sie auf spezifische Aufgaben trainiert sind.

Artificial Intelligence for IT Operations bezeichnet den Einsatz künstlicher Intelligenz, um IT-Betriebsprozesse wie Überwachung, Fehlerbehebung und Automatisierung zu verbessern und zu beschleunigen.

Eine eindeutige Handlungsvorschrift zur Lösung eines Problems oder einer bestimmten Klasse von Problemen. In der KI bestehen Algorithmen oft aus komplexen, mathematischen Modellen, die aus Daten lernen.

Eine Programmierschnittstelle, die es verschiedenen Software-Anwendungen ermöglicht, miteinander zu kommunizieren und Daten auszutauschen. APIs sind das Rückgrat moderner Integrationen, da sie es zum Beispiel einem Chatbot erlauben, auf Daten aus Ihrem CRM-System zuzugreifen.

Ein künstliches neuronales Netz, inspiriert durch die Funktionsweise des biologischen Gehirns. Es besteht aus Schichten von miteinander verbundenen Knoten (Neuronen), die Informationen verarbeiten.

Ein fundamentaler Algorithmus zum Trainieren von neuronalen Netzen, bei dem der Fehler eines KI-Modells rückwärts durch das Netz propagiert wird, um die Gewichtungen (Parameter) anzupassen und die Genauigkeit zu verbessern.

Voreingenommenheit in KI-Systemen, die entsteht, wenn Modelle mit unausgewogenen oder fehlerhaften Daten trainiert werden, was zu unfairen, diskriminierenden oder falschen Vorhersagen und Entscheidungen führt.

Zusammenfassender Begriff für extrem große und komplexe Datensätze, die mit herkömmlichen Datenverarbeitungsmethoden nur schwer auszuwerten sind. Big Data ist eine wesentliche Grundlage für das Training moderner KI-Modelle.

Ein text- oder sprachbasiertes Dialogsystem. Während frühere Chatbots auf festen Regeln basierten ("Wenn Kunde A sagt, antworte B"), nutzen moderne KI-Chatbots Natural Language Processing und LLMs, um die Absicht (Intent) des Nutzers zu verstehen und frei formulierte, kontextbezogene Antworten zu geben.

Technologienbündel, das menschliche Denkprozesse simuliert, einschließlich Selbstlernen, Mustererkennung und natürlicher Sprachverarbeitung, oft im Kontext von Lösungen für die Industrie.

Ein Teilbereich der KI, bei dem Maschinen darauf trainiert werden, visuelle Daten (Bilder, Videos) zu interpretieren und zu verstehen – z.B. bei der Gesichtserkennung oder bei autonomen Fahrzeugen.

Ein KI-gestützter digitaler Assistent, der Nutzern direkt in ihren Anwendungen (wie Office-Programmen oder Entwicklungsumgebungen) bei der Erstellung von Inhalten, beim Coden oder bei der Analyse zur Seite steht.

Der Prozess der Analyse großer Datensätze, um Muster, Trends, Anomalien oder Korrelationen zu entdecken und nutzbares Wissen für Geschäftsentscheidungen zu extrahieren.

Das interdisziplinäre Feld, das wissenschaftliche Methoden, Prozesse, Algorithmen und Systeme nutzt, um Erkenntnisse und Wissen aus strukturierten und unstrukturierten Daten zu gewinnen.

Ein maschineller Lernalgorithmus in Form einer baumartigen Struktur, der Entscheidungen und deren mögliche Konsequenzen abbildet, häufig für Klassifikationen und Vorhersagen genutzt.

Ein spezialisierter Teilbereich des Machine Learnings, der auf tiefen (mehrschichtigen) neuronalen Netzen basiert und enorme Datenmengen nutzt, um komplexe Muster zu erkennen. Verantwortlich für moderne Erfolge in Bild- und Spracherkennung.

Der Einsatz von künstlicher Intelligenz direkt an der "Edge" (dem Rand) des Netzwerks, z.B. direkt auf Sensoren, Smartphones oder IoT-Geräten, um Daten lokal und ohne Zeitverzögerung (Latenz) zu verarbeiten.

Eine Methode in der KI, bei der Text oder andere Daten in hochdimensionale Vektoren (Zahlenreihen) umgewandelt werden, damit Computer die semantische Bedeutung und Ähnlichkeit zwischen Begriffen mathematisch greifen können.

Konzepte und Methoden, die darauf abzielen, die Ergebnisse und Entscheidungswege von KI-Modellen für Menschen transparent, nachvollziehbar und erklärbar zu machen.

Eine frühere Form der KI, bei der das Fachwissen von menschlichen Experten in Form von Wenn-Dann-Regeln in ein Computerprogramm übertragen wird, um auf einem spezifischen Gebiet logische Entscheidungen zu treffen.

Die Fähigkeit eines KI-Modells, neue Informationen, Muster oder Aufgaben zu erlernen, obwohl ihm nur sehr wenige Beispiele (Shots) zur Verfügung gestellt werden.

Der Prozess, bei dem ein bereits trainiertes KI-Modell (wie ein LLM) mit spezifischen, branchen- oder unternehmensbezogenen Daten weiter trainiert wird. Dies erhöht die Genauigkeit des Modells für bestimmte Fachbegriffe oder Aufgaben, ist aber zeit- und rechenintensiv.

Ein massives KI-Modell (wie GPT-4), das auf sehr umfangreichen, unspezifischen Datenmengen trainiert wurde. Es bildet eine breite Basis (Foundation), die durch Fine-Tuning oder Prompting an zahllose spezifische Aufgaben angepasst werden kann.

Ein maschinelles Lernkonzept aus zwei neuronalen Netzen (ein Generator und ein Diskriminator), die im Wettbewerb zueinander stehen. Häufig verwendet, um extrem realistische, aber künstliche Bilder, Videos oder Audios (Deepfakes) zu erzeugen.

KI-Systeme, die in der Lage sind, völlig neue Inhalte wie Texte, Bilder, Musik, Code oder Videos auf Basis von Eingabebefehlen (Prompts) zu erschaffen.

Eine von OpenAI entwickelte Architektur für Sprachmodelle. "Generativ" steht für die Fähigkeit, neuen Text zu erzeugen; "Pre-trained" bedeutet, dass es auf riesigen Datenmengen vortrainiert wurde; "Transformer" ist die zugrundeliegende neuronale Netzwerkarchitektur, die besonders gut Kontexte in langen Texten versteht.

Grafikprozessoren, die sich durch ihre Architektur für parallele Berechnungen perfekt zum Trainieren von und für den Betrieb von rechenintensiven KI- und Machine-Learning-Modellen eignen.

Ein Phänomen, bei dem ein KI-Modell falsche, unlogische oder frei erfundene Informationen als vermeintliche Fakten sehr plausibel und überzeugend ausgibt.

Ein Ansatz zur Problemlösung oder Entscheidungsfindung, der Methoden verwendet, um rasch eine gute, aber nicht zwingend optimale oder perfekte Lösung zu finden (Faustregeln).

Ein Konzept, bei dem menschliches Eingreifen aktiv in den KI-Prozess eingebunden ist, sei es beim Bewerten von Trainingsdaten, beim Überprüfen von Ergebnissen oder bei finalen Entscheidungen.

Die Anwendungsphase eines KI-Modells. Nachdem ein Modell trainiert wurde, wird in der Inferenzphase neues, unbekanntes Wissen verarbeitet, um Vorhersagen oder Ergebnisse zu generieren (z.B. das Antworten von ChatGPT auf eine Anfrage).

Das Netzwerk physischer Objekte (Geräte, Fahrzeuge, Maschinen), die mit Sensoren, Software und Netzwerkanbindung ausgestattet sind, um miteinander zu kommunizieren und Daten auszutauschen.

Eine beliebte, interaktive Open-Source-Web-Entwicklungsumgebung, in der Programmiercode (vor allem Python), Daten, Formeln und Visualisierungen in einem einzigen Dokument kombiniert werden. Standard-Tool in der Data Science und bei der KI-Entwicklung.

Deutscher Begriff für Artificial Neural Network (ANN). Die biologisch inspirierte Grundlage vieler Deep Learning Modelle, konzipiert aus vernetzten künstlichen Neuronen.

Technologien, mit denen Software natürliche, menschenähnliche Gespräche mit Benutzern führen kann. Dazu gehören Chatbots, Sprachassistenten (wie Siri oder Alexa) und digitale Agenten.

Der Oberbegriff für Systeme oder Maschinen, die menschenähnliche Intelligenzleistungen erbringen. Dazu gehören Lernen, logisches Denken, Problemlösung, Wahrnehmung und Sprachverstehen.

Ein beliebtes Open-Source-Framework für die Entwicklung von Anwendungen, die von Sprachmodellen (LLMs) angetrieben werden. Es vereinfacht den Aufbau von komplexeren Workflows, indem es LLMs unter anderem mit externen Datenbanken und Werkzeugen verknüpft.

Die Zeitverzögerung bei der Datenübertragung. In der KI, insbesondere bei Systemen, die in Echtzeit reagieren müssen (wie in autonomen Fahrzeugen oder Sprachassistenten), ist eine geringe Latenz von entscheidender Bedeutung.

Ein großes Sprachmodell, das auf massiven Textdatenmengen trainiert wurde. Es kann natürliche Sprache in einem bisher unerreichten Maß verstehen, zusammenfassen, übersetzen und neu generieren. Beispiele sind GPT-4, Claude 3 oder Llama 3.

Ein Teilbereich der KI. Anstatt ein Programm explizit mit starren Regeln zu programmieren, werden Algorithmen mit Daten "trainiert". Das System lernt aus Mustern in den Daten und verbessert seine Leistung im Laufe der Zeit selbstständig.

Die automatisierte Übersetzung von Texten oder Sprache von einer natürlichen Sprache in eine andere durch Software. Moderne Systeme florieren dank künstlicher neuronaler Netze (Neural Machine Translation).

Der industrielle Einsatz von Computer Vision, in der Regel kombiniert mit Kameras und Hardware. Verwendung findet dies oft in der automatisierten Qualitätskontrolle, Robotersteuerung und Prozessüberwachung in der Fertigung.

Die Fähigkeit eines KI-Modells, mehrere Informationsarten (Modelle) wie Text, Bilder, Audio und Video gleichzeitig zu verarbeiten, zu verstehen und auszugeben.

KI-Systeme, die entwickelt wurden, um genau eine spezifische Aufgabe zu lösen oder eine bestimmte Art von Analysen durchzuführen (z. B. Schach spielen, Spracherkennung, Übersetzung). Alle heute existierenden KIs fallen in diese Kategorie.

Ein computationelles Modell und ein grundlegendes Konzept im Deep Learning, das der Struktur des biologischen Nervensystems nachempfunden ist, bestehend aus Knoten (Neuronen) in Eingabe-, verborgenen und Ausgabeschichten.

Die computerlinguistische Verarbeitung natürlicher Sprache. NLP ermöglicht es Computern, menschliche (gesprochene oder geschriebene) Sprache zu lesen, zu entschlüsseln, zu verstehen und aus ihr Sinn abzuleiten.

Eine Technologie, die verschiedene Arten von Dokumenten, wie gescannte Papierdokumente, PDF-Dateien oder von einer Digitalkamera aufgenommene Bilder, in bearbeitbare und durchsuchbare Textdaten umwandelt.

KI-Modelle, Frameworks und Werkzeuge, deren Quellcode offen zugänglich, änderbar und verteilbar ist. Beispiele sind Modelle wie Llama 3 von Meta oder Frameworks wie PyTorch und TensorFlow.

Ein Fehler beim Training von KI-Modellen, bei dem das Modell die Trainingsdaten, einschließlich ihrer Rauschen- und Fehlerkomponenten, regelrecht auswendig lernt, anstatt generelle Muster zu erkennen. Dies führt zu einer schlechten Leistung bei der Vorhersage mit neuen, unbekannten Daten.

Die inneren Variablen, die von einem maschinellen Lernmodell während des Trainingsprozesses angepasst werden, um Muster in Daten abzubilden. Die schiere Anzahl an Parametern (oft Milliarden oder Billionen) ist ein wesentlicher Indikator für die Kapazität von Modellen.

Die automatisierte Erkennung und die Interpretation von Mustern und Regelmäßigkeiten in Daten (Text, Zahlen, Töne, Bilder) mittels eines KI-Systems.

Der Einsatz von Daten, statistischen Algorithmen und Machine Learning-Techniken, um die Wahrscheinlichkeit zukünftiger Ergebnisse basierend auf historischen Daten zu identifizieren und abzuschätzen.

Die Kunst und Wissenschaft, Anweisungen (Prompts) für generative KI-Systeme so präzise und strukturiert zu formulieren, dass das Modell genau die gewünschten, qualitativ hochwertigen Ergebnisse liefert.

Ein Algorithmus des Reinforcement Learning, der keine Kenntnis über seine Umgebung (Modell) benötigt. Er hilft einem Agenten zu lernen, wie er in bestimmten Situationen handeln muss, um ein Belohnungsziel zu maximieren.

Eine auf den Prinzipien der Quantenmechanik basierende neue Art der Informationstechnologie. Quantencomputer versprechen zukünftig Berechnungen (z.B. für Simulationen oder das KI-Training) um ein vielfaches schneller als bisherige Supercomputer durchzuführen.

Eine Technik, bei der ein Sprachmodell (LLM) mit einer Suchfunktion für externe Datenbanken oder Unternehmensdokumente verknüpft wird. Wenn ein Nutzer eine Frage stellt, sucht das System erst in den Dokumenten nach den relevanten Fakten (Retrieval) und das LLM generiert dann (Generation) auf Basis dieser Fakten die Antwort. Dies verhindert "Halluzinationen" und macht Firmenwissen nutzbar, ohne das Modell teuer neu trainieren zu müssen.

Ein Methode des Machine Learnings, bei der ein Algorithmus durch Trial and Error in einer reaktiven Umgebung lernt. Richtige Aktionen werden mit einer virtuellen Belohnung, fehlerhafte mit Bestrafung beantwortet.

Die Schnittstelle zwischen Ingenieurwesen, Informatik und KI mit dem Ziel, physische Maschinen (Roboter) zu entwickeln, die menschliche Handlungen automatisieren, ausführen oder unterstützen können.

Eine Suchmethode, die nicht nur auf einfachen Stichwörtern basiert, sondern die Absicht des Nutzers und die kontextuelle Bedeutung von Wörtern (die Semantik) durch NLP-Techniken versteht, um genauere und relevantere Ergebnisse zu liefern.

Der Einsatz von Natural Language Processing, um den emotionalen Tonfall hinter einer Reihe von Texten – wie Kundenbewertungen, E-Mails oder Social-Media-Posts – zu identifizieren und oft als positiv, negativ oder neutral zu kategorisieren.

Eine Methode des maschinellen Lernens, bei der Modelle anhand von vorab kategorisierten und gelabelten Beispieldaten trainiert werden, wobei sowohl die Eingabe als auch die gewünschte und bekannte Ausgabe als Trainingsziel vorgegeben sind.

Die kleinsten semantischen Bausteine, in die ein Text durch ein LLM zerlegt wird. Ein Satz wird für die KI in einzelne Tokens (oft Wortfragmente oder einzelne Zeichenfolgen) übersetzt. Auch als Abrechnungsmaß für LLM-APIs genutzt (z.B. Kosten pro 1.000 Tokens).

Gigantische Datensätze an Texten, Bildern oder anderen Informationen, mit denen KI-Algorithmen und neuronale Netze anfangs gefüttert werden, um sie zu trainieren, Muster und Zusammenhänge zu erkennen.

Eine wegweisende Architektur aus dem Deep Learning, eingeführt 2017 von Google. Durch die Gewichtung der Relevanz jedes Teils der Eingabedaten (Self-Attention) bewältigen Transformer langfristige Abhängigkeiten in Sequenzen extrem gut, und bilden die Basis von Modellen wie GPT.

Ein 1950 von Alan Turing entwickelter theoretischer Test zur Frage, ob eine Maschine denkfähig ist. Wenn ein Mensch in einer schriftlichen Unterhaltung nicht sicher unterscheiden kann, ob er mit einer Maschine oder einem Menschen spricht, hat die Maschine den Test bestanden.

Eine Art maschinelles Lernen, bei dem Datenmodelle genutzt werden, um bisher unbekannte Muster oder Strukturen in Datensätzen zu entdecken, ohne dass den Daten vorab ein Zielergebnis (Label) mitgegeben wurde.

Spezielle Datenbanken, die darauf optimiert sind, Datenströme als mathematische Vektoren zu speichern und pfeilschnell ähnlich aussehende oder bedeutungsgleiche Datenpunkte abzurufen, essentiell beim Einsatz in RAG-Systemen.

Ein automatisiertes Verfahren zur Extraktion von Daten und Inhalten aus Websites, beispielsweise zum Sammeln von enormen Mengen an Trainingsdaten für Machine Learning Modelle.

Eine extrem effiziente, skalierbare Implementierung eines Gradient-Boosting-Algorithmus aus dem Bereich des maschinellen Lernens. Es ist eine der populärsten und erfolgreichsten Open-Source-Bibliotheken für klassische Klassifikations- und Regressionsaufgaben.

Ein hochgradig effizienter und pfeilschneller Algorithmus der Computer Vision zur Echtzeit-Objekterkennung in Bildern und Videos, bei dem das System ein Bild nicht mehrfach abtastet, sondern in einem einzigen Durchlauf alle Objekte erkennt.

Die verblüffende Fähigkeit hochentwickelter KI-Modelle (wie modernen LLMs), Aufgaben korrekt auszuführen, für die sie weder spezifisch trainiert wurden noch Beispiel-Eingaben (Shots) erhalten haben.