KI Glossar der KI Kompetenz Akademie
Unser KI Glossar von A bis Z bietet eine verständliche Einführung in zentrale Begriffe der Künstlichen Intelligenz – kompakt, praxisnah und aktuell. Ideal für Einsteiger:innen und Fortgeschrittene, die sich fundiertes Wissen über Technologien, Methoden und Anwendungen im KI-Kontext aneignen möchten.
KI Glossar
Eine Schritt-für-Schritt-Anleitung zur Lösung eines Problems. In der KI verarbeiten Algorithmen Daten, um Entscheidungen zu treffen oder Vorhersagen zu machen.
Die manuelle oder automatische Kennzeichnung von Daten (z. B. Bildern, Texten) zur Verwendung beim Training von KI-Modellen.
Schnittstelle, über die Software-Komponenten miteinander kommunizieren – auch KI-Dienste.
Eine hypothetische KI mit menschenähnlicher, umfassender Intelligenz.
Automatisierung des maschinellen Lernens, um KI-Modelle ohne tiefes Fachwissen zu erstellen.
Extrem große Datenmengen, die neue Technologien zur Verarbeitung erfordern.
Systematische Fehler oder Vorurteile in Daten oder Algorithmen.
Trainingsmethode für neuronale Netze zur Fehlerkorrektur.
Automatisiertes Programm, das Aufgaben ohne direkte menschliche Interaktion ausführt.
Graphische Modelle zur Darstellung probabilistischer Zusammenhänge.
Programm zur automatisierten Kommunikation über Text oder Sprache.
Teilgebiet der KI, das Maschinen das 'Sehen' ermöglicht.
Unüberwachtes Lernverfahren zur Gruppierung ähnlicher Daten.
Spezielle neuronale Netze zur Bildverarbeitung.
Systeme, die menschenähnliches Denken nachbilden, z. B. durch Sprach- und Bilderkennung.
Teilgebiet des maschinellen Lernens mit künstlichen neuronalen Netzen.
Ethische Überlegungen zur Sammlung, Nutzung und Analyse von Daten.
Schritte wie Bereinigung, Normalisierung und Transformation von Rohdaten.
Baumartiges Modell zur Entscheidungsfindung und Klassifikation.
Analyse großer Datenmengen zur Entdeckung verborgener Muster.
KI-Systeme, deren Entscheidungen nachvollziehbar sind.
Numerische Darstellung von Daten, um sie für Maschinen lesbar zu machen.
Verarbeitung von KI-Daten lokal auf Geräten (Edge), ohne Cloud.
Kombination mehrerer Modelle zur Verbesserung der Genauigkeit.
Ein Durchlauf durch den gesamten Trainingsdatensatz beim Modelltraining.
Anpassung vortrainierter Modelle an spezifische Anwendungsfälle.
Logik mit Zwischenwerten – im Gegensatz zu binärer Logik.
Auswahl und Transformation von Eingabedaten für ein Modell.
Verteiltes Lernen ohne zentrale Datenspeicherung.
Falsch als positiv klassifizierte Fälle – wichtig für Modellbewertung.
KI-Systeme, die Inhalte wie Texte, Bilder oder Musik erzeugen.
Prozessor zur schnellen Berechnung von KI-Operationen, besonders bei Deep Learning.
Optimierungsverfahren zur Anpassung der Modellparameter.
Zwei KI-Modelle konkurrieren zur Erstellung realistischer Daten.
Referenzdaten mit korrekten Labels – Grundlage für Training und Bewertung.
Falschaussagen oder Erfindungen durch ein KI-Modell.
Menschliche Kontrolle in automatisierten KI-Prozessen.
Manuell festgelegte Parameter, z. B. Lernrate oder Schichtenanzahl.
Faustregel oder Näherungsmethode zur Problemlösung.
Kombination aus regelbasierten und lernenden Systemen.
Anwendung eines trainierten Modells auf neue Daten.
Verbindung von KI und Prozessautomatisierung.
Erkennung von Objekten, Mustern oder Texten in Bildern.
Ungleich verteilte Klassen im Datensatz, was zu Verzerrung führen kann.
Absichtserkennung in Sprach- oder Texteingaben – z. B. in Chatbots.
Entwicklungsumgebung für KI, ideal für Datenanalyse und Visualisierung.
Textbasiertes Datenformat zur Übertragung von strukturierten Daten.
Maß zur Ähnlichkeitsbewertung von Mengen.
Gleichzeitige Wahrscheinlichkeit mehrerer Ereignisse – oft in probabilistischen Modellen.
Technologien, die menschliches Denken nachahmen.
Ein KI-Agent ist ein autonom handelndes System, das seine Umgebung wahrnimmt, Entscheidungen trifft und entsprechend agiert, um ein bestimmtes Ziel zu erreichen. KI-Agenten werden häufig in Bereichen wie Robotik, Simulationen oder Reinforcement Learning eingesetzt. Sie können eigenständig lernen, sich an neue Situationen anpassen und mit anderen Agenten oder Menschen interagieren.
Beispiel: Ein selbstfahrendes Auto ist ein KI-Agent, das seine Umgebung scannt, Verkehrsregeln berücksichtigt und eigenständig navigiert.
Ein KI-Assistent ist eine benutzerorientierte Software, die mithilfe von Künstlicher Intelligenz Aufgaben ausführt oder Informationen bereitstellt. Im Gegensatz zu einem autonomen Agenten arbeitet ein Assistent meist auf Anfrage und in Zusammenarbeit mit dem Menschen. Er hilft z. B. beim Terminmanagement, bei der Beantwortung von Fragen oder der Texterstellung.
Beispiel: Siri, Alexa oder ChatGPT sind KI-Assistenten, die Sprach- oder Texteingaben verarbeiten und darauf reagieren.
Trainiertes System zur Lösung von Aufgaben basierend auf Daten.
Ein einfaches Klassifikationsverfahren basierend auf Ähnlichkeit.
Strukturierte Wissensdarstellung in vernetzten Informationen.
Methode zur Beurteilung der Modellgeneralität durch Datenaufteilung.
Große Sprachmodelle wie GPT oder BERT.
Kennzeichnung von Trainingsdaten mit Informationen.
Statistisches Verfahren zur Klassifikation.
Abstrakter Raum, in dem Daten durch Modelle wie Autoencoder dargestellt werden.
Gibt an, wie schnell das Modell während des Trainings lernt.
Automatisiertes Lernen aus Daten.
Anpassung eines KI-Modells anhand von Beispieldaten.
KI-Systeme, die mehrere Eingabetypen (Text, Bild, Audio) kombinieren.
Statistisches Verfahren zur Unsicherheitsanalyse.
Leistungsabfall eines Modells über Zeit durch veränderte Daten.
Struktur aus Knoten, inspiriert vom Gehirn, für Deep Learning.
Maschinelle Verarbeitung menschlicher Sprache.
Transformation von Datenwerten in einen bestimmten Wertebereich.
Erkennung von Namen, Orten etc. in Texten.
Rauschen oder Störungen in Daten – kann Lernprozesse erschweren.
Modell passt sich zu stark an Trainingsdaten an und verliert Generalisierungsfähigkeit.
Frei zugängliche KI-Modelle und Tools.
Erkennung und Lokalisierung von Objekten in Bildern.
Algorithmus zur Minimierung von Fehlern im Modelltraining.
Wissensstruktur mit Begriffen und deren Beziehungen.
Gestaltung von Eingaben zur optimalen Nutzung generativer KI.
Vorhersage zukünftiger Ereignisse durch Datenanalyse.
Ersttraining eines Modells auf großen allgemeinen Datensätzen.
Anteil korrekter positiver Vorhersagen unter allen positiven Vorhersagen.
Maß für die Unsicherheit bei Sprachmodellen.
Reinforcement-Learning-Algorithmus zur Handlungsoptimierung.
Anfrage an Datenbanken oder KI-Systeme.
Zukunftstechnologie, die KI revolutionieren könnte.
Lernen durch Belohnung oder Bestrafung.
Automatisierung repetitiver Prozesse durch Software-Roboter.
Technik zur Vermeidung von Overfitting.
Verarbeitet sequenzielle Daten, z. B. Texte.
Darstellung der Klassifikationsleistung bei verschiedenen Schwellenwerten.
Training mit gelabelten Daten.
Analyse der Stimmung in Texten.
Zufälliger Optimierungsalgorithmus für große Datenmengen.
Lernen ohne externe Labels, aus Datenstruktur selbst.
Künstlich generierte Daten für Trainingszwecke.
Einheit bei Sprachmodellen, meist Wortteile.
Daten zum Trainieren von Modellen.
Nutzung eines vortrainierten Modells für neue Aufgaben.
Modellarchitektur für sequenzielle Daten, z. B. bei LLMs.
Test zur Feststellung, ob ein Computer menschenähnliche Intelligenz zeigt.
Lernen ohne gelabelte Daten.
Modell lernt zu wenig und erkennt keine Muster.
Funktion zur Bewertung von Handlungen bei Reinforcement Learning.
Siehe NLP – Maschinenverarbeitung von Sprache.
Umwandlung von Daten in mathematische Vektoren.
Überprüfung der Modellleistung auf neuen Daten.
Generatives Modell zur Datendarstellung und -erzeugung.
Stimmerkennung durch Maschinen.
Auf spezielle Aufgaben begrenzte KI.
Automatisierung ganzer Prozessketten mit KI.
Modell zur Objekterkennung in Echtzeit.
Datenformat für Konfigurationsdateien – oft in ML verwendet.
Ertragsprognose – KI in der Landwirtschaft.
Größeneinheit – relevant bei riesigen KI-Datenmengen.
Lernen ohne vorherige Beispiele.
Ensemble-Lernverfahren für Klassifikation und Regression.