KI-Glossar
Verständliche Erklärungen wichtiger KI-Begriffe – von Grundlagen bis zu aktuellen Technologien
A
API (Application Programming Interface)
Eine Programmierschnittstelle, über die Software-Komponenten miteinander kommunizieren. APIs ermöglichen es, KI-Funktionen in bestehende Systeme zu integrieren, ohne die komplette Infrastruktur neu zu bauen.
Beispiel: Ein Chatbot-System nutzt eine API, um auf ein Sprachmodell zuzugreifen.
Accuracy (Genauigkeit)
Misst, wie oft ein KI-Modell korrekte Vorhersagen trifft. Wird als Prozentsatz ausgedrückt: Anzahl korrekter Vorhersagen / Gesamtzahl aller Vorhersagen. Wichtig: Bei unbalancierten Datensätzen ist Accuracy allein oft nicht aussagekräftig.
B
Bias (Verzerrung)
Systematische Verzerrungen in KI-Modellen, die aus einseitigen Trainingsdaten oder fehlerhaften Annahmen entstehen. Bias kann zu unfairen oder diskriminierenden Entscheidungen führen und muss aktiv erkannt und minimiert werden.
Beispiel: Ein Recruiting-Tool bevorzugt männliche Bewerber, weil es hauptsächlich mit Lebensläufen männlicher Führungskräfte trainiert wurde.
C
Chatbot
Ein textbasiertes Dialogsystem, das auf Basis von KI mit Menschen kommuniziert. Moderne Chatbots nutzen große Sprachmodelle und können komplexe Anfragen verstehen, Kontext berücksichtigen und natürlich antworten.
Beispiel: Ein Support-Chatbot beantwortet Kundenanfragen zu Produkten und Dienstleistungen.
Classification (Klassifikation)
Eine KI-Aufgabe, bei der Eingaben in vordefinierte Kategorien eingeordnet werden. Klassifikation ist eine der häufigsten Anwendungen von Machine Learning.
Beispiel: E-Mails werden automatisch als 'Spam' oder 'Kein Spam' klassifiziert.
Cloud
IT-Infrastruktur, die über das Internet bereitgestellt wird. Cloud-basierte KI-Lösungen sind flexibel skalierbar, erfordern aber die Übermittlung von Daten an externe Anbieter. Alternative: On-Premise.
Computer Vision
Der Bereich der KI, der sich mit der Analyse und dem Verstehen von Bildern und Videos beschäftigt. Computer Vision ermöglicht Anwendungen wie Gesichtserkennung, Objekterkennung oder Qualitätskontrolle in der Produktion.
D
Deep Learning
Eine Unterform von Machine Learning, die auf künstlichen neuronalen Netzen mit vielen Schichten basiert. Deep Learning hat Durchbrüche in Bereichen wie Spracherkennung, Bilderkennung und natürlicher Sprachverarbeitung ermöglicht.
DSGVO (Datenschutz-Grundverordnung)
Das europäische Datenschutzgesetz, das den Umgang mit personenbezogenen Daten regelt. Für KI-Systeme sind besonders relevant: Datenminimierung, Transparenz, Zweckbindung und Auskunftsrechte. DSGVO-Konformität ist bei deutschen Unternehmen Pflicht.
E
Embeddings
Numerische Vektordarstellungen von Texten, Bildern oder anderen Daten. Embeddings erfassen semantische Bedeutungen: Ähnliche Inhalte haben ähnliche Vektoren. Sie sind die Grundlage für effiziente Suche und Ähnlichkeitsvergleiche in RAG-Systemen.
EU AI Act
Das weltweit erste umfassende Gesetz zur Regulierung von Künstlicher Intelligenz, das 2024 in Kraft trat. Es teilt KI-Systeme in Risikoklassen ein und definiert je nach Risiko unterschiedliche Anforderungen an Transparenz, Dokumentation und Kontrolle.
F
Fine-Tuning
Der Prozess, ein vortrainiertes KI-Modell mit spezifischen Daten nachzutrainieren, um es an einen bestimmten Anwendungsfall anzupassen. Fine-Tuning ist weniger aufwändig als Training von Grund auf, liefert aber spezialisierte Ergebnisse.
Beispiel: Ein allgemeines Sprachmodell wird mit medizinischen Fachtexten fine-getuned, um medizinische Anfragen besser zu beantworten.
Foundation Model
Große, vortrainierte KI-Modelle, die als Grundlage für viele verschiedene Aufgaben dienen können. Foundation Models wie GPT, BERT oder DALL-E werden auf riesigen Datensätzen trainiert und können dann durch Fine-Tuning oder Prompting spezialisiert werden.
H
Hallucination (Halluzination)
Wenn ein Sprachmodell überzeugt klingende, aber faktisch falsche Informationen generiert. Halluzinationen entstehen, weil Modelle Muster und Wahrscheinlichkeiten lernen, nicht aber 'Wahrheit'. Sie können durch RAG, Validierung und klare Prompts reduziert werden.
I
Inference (Inferenz)
Der Prozess, bei dem ein trainiertes KI-Modell auf neue Eingaben angewendet wird, um Vorhersagen zu treffen. Während Training rechenintensiv ist, muss Inference schnell und effizient sein, da sie im Produktivbetrieb ständig läuft.
K
KI (Künstliche Intelligenz)
Der Oberbegriff für Systeme, die intelligentes Verhalten zeigen: lernen, verstehen, schlussfolgern. KI umfasst Machine Learning, Deep Learning, natürliche Sprachverarbeitung und mehr. Ziel ist es, menschliche Intelligenzleistungen maschinell nachzubilden.
L
LLM (Large Language Model)
Große Sprachmodelle mit Milliarden von Parametern, die auf riesigen Textmengen trainiert wurden. LLMs wie GPT-4 können Texte generieren, übersetzen, zusammenfassen und komplexe Fragen beantworten. Sie sind vielseitig, aber auch ressourcenintensiv und teuer.
Beispiel: GPT-4, Claude, PaLM
M
Machine Learning
Ein Teilbereich der KI, bei dem Systeme aus Daten lernen, ohne explizit programmiert zu werden. Durch Erkennung von Mustern und Zusammenhängen in Trainingsdaten können ML-Modelle Vorhersagen treffen oder Entscheidungen automatisieren.
N
NLP (Natural Language Processing)
Natürliche Sprachverarbeitung – der Bereich der KI, der sich mit dem Verstehen und Generieren menschlicher Sprache beschäftigt. NLP ermöglicht Anwendungen wie Chatbots, Textanalyse, Übersetzung und Sentiment-Analyse.
Neural Network (Neuronales Netz)
Ein Machine-Learning-Modell, das von der Struktur des menschlichen Gehirns inspiriert ist. Neuronale Netze bestehen aus Schichten künstlicher Neuronen, die Informationen verarbeiten und weitergeben. Sie sind die Grundlage von Deep Learning.
O
On-Premise
Software oder Infrastruktur, die auf den eigenen Servern des Unternehmens betrieben wird – im Gegensatz zu Cloud-Lösungen. On-Premise bietet maximale Kontrolle über Daten und Sicherheit, erfordert aber eigene IT-Ressourcen. Besonders relevant für sensible Daten.
P
Precision (Präzision)
Misst bei Klassifikations-Aufgaben, wie viele der als positiv vorhergesagten Fälle tatsächlich positiv sind. Formel: Richtig Positive / (Richtig Positive + Falsch Positive). Wichtig, wenn falsch-positive Vorhersagen teuer sind.
Beispiel: Bei Spam-Erkennung: Wie viele der als Spam markierten E-Mails sind wirklich Spam?
Prompt
Die Eingabe oder Anweisung, die man einem Sprachmodell gibt. Die Qualität des Prompts bestimmt maßgeblich die Qualität der Antwort. Gutes Prompt Engineering kann aus einem durchschnittlichen Modell exzellente Ergebnisse herausholen.
Privacy by Design
Ein Prinzip, bei dem Datenschutz von Anfang an in die Entwicklung von Systemen eingebaut wird – nicht erst nachträglich. Für KI bedeutet das: Datenminimierung, Anonymisierung, sichere Speicherung und transparente Prozesse bereits in der Konzeptionsphase berücksichtigen.
R
RAG (Retrieval Augmented Generation)
Eine Technik, bei der ein Sprachmodell mit einer Wissensdatenbank kombiniert wird. Statt nur auf Trainingswissen zurückzugreifen, sucht das System bei jeder Anfrage relevante Dokumente und nutzt diese als Kontext. So bleiben Antworten aktuell, faktisch korrekt und nachvollziehbar.
Beispiel: Ein Support-Bot durchsucht das Handbuch und beantwortet Fragen basierend auf den gefundenen Abschnitten.
Recall (Trefferquote)
Misst bei Klassifikations-Aufgaben, wie viele der tatsächlich positiven Fälle korrekt erkannt wurden. Formel: Richtig Positive / (Richtig Positive + Falsch Negative). Wichtig, wenn man keine positiven Fälle übersehen darf.
Beispiel: Bei Krankheitserkennung: Wie viele der tatsächlich kranken Personen werden erkannt?
S
SLM (Small Language Model)
Kleinere, effizientere Sprachmodelle mit weniger Parametern als LLMs. SLMs sind schneller, günstiger und können oft on-premise betrieben werden. Für viele Unternehmensanwendungen reicht ihre Leistung völlig aus, bei gleichzeitig besserer Kontrolle über Daten und Kosten.
Beispiel: Phi, Mistral 7B, Llama 3.2
Supervised Learning
Eine Machine-Learning-Methode, bei der das Modell mit gelabelten Trainingsdaten lernt. Jedes Trainingsbeispiel hat eine bekannte richtige Antwort, sodass das Modell lernen kann, Eingaben korrekt zu klassifizieren oder Werte vorherzusagen.
Summarization (Zusammenfassung)
Eine NLP-Aufgabe, bei der lange Texte automatisch zu kürzeren Zusammenfassungen verdichtet werden. Moderne Sprachmodelle können sowohl extraktive (wichtige Sätze auswählen) als auch abstraktive (neu formulieren) Zusammenfassungen erstellen.
T
Token
Die kleinste Einheit, die ein Sprachmodell verarbeitet. Tokens können Wörter, Wortteile oder Zeichen sein. Die Anzahl der Tokens bestimmt oft die Kosten und Verarbeitungszeit bei Cloud-Modellen. Ein durchschnittliches Wort entspricht etwa 1,3 Tokens.
Training
Der Prozess, bei dem ein Machine-Learning-Modell aus Trainingsdaten lernt. Während des Trainings werden die Parameter des Modells so angepasst, dass es Muster in den Daten erkennt und genaue Vorhersagen trifft. Training ist rechenintensiv und zeitaufwändig.
Transfer Learning
Eine Technik, bei der ein auf einer Aufgabe trainiertes Modell als Startpunkt für eine andere, verwandte Aufgabe genutzt wird. Statt von Grund auf zu trainieren, transferiert man bereits gelerntes Wissen. Das spart Zeit, Daten und Rechenleistung.
Transparency (Transparenz)
Die Nachvollziehbarkeit von KI-Entscheidungen. Transparente Systeme können erklären, wie sie zu einem Ergebnis gekommen sind. Dies ist wichtig für Vertrauen, rechtliche Compliance und das Erkennen von Fehlern oder Bias. Der EU AI Act fordert Transparenz für viele Anwendungen.
U
Unsupervised Learning
Machine Learning ohne gelabelte Trainingsdaten. Das Modell sucht selbstständig nach Mustern und Strukturen in den Daten. Typische Anwendungen: Clustering (Gruppierung ähnlicher Datenpunkte) oder Anomalie-Erkennung.
V
Vector Database (Vektordatenbank)
Eine spezialisierte Datenbank zur Speicherung und Suche von Embeddings. Vector Databases ermöglichen schnelle Ähnlichkeitssuchen: 'Finde die 10 ähnlichsten Texte zu dieser Anfrage'. Sie sind essenziell für RAG-Systeme und semantische Suche.
Beispiel: Pinecone, Weaviate, Milvus
Z
Zero-Shot Learning
Die Fähigkeit eines Modells, Aufgaben zu lösen, für die es nicht explizit trainiert wurde. Große Sprachmodelle können durch geschickte Prompts oft neue Aufgaben ohne Beispiele ausführen. Besonders nützlich, wenn keine Trainingsdaten verfügbar sind.