Glossar
A
Algorithmus: Schritt-für-Schritt-Vorschrift zur Lösung eines Problems.
Alignment: Ausrichtung von KI-Systemen auf menschliche Ziele/Werte.
Anomalieerkennung: Finden ungewöhnlicher Muster (z. B. Betrug, Maschinenausfall).
API (Schnittstelle): Zugangspunkt, über den Software Dienste/Funktionen nutzt.
Augmented Intelligence (IA): KI unterstützt Menschen, ersetzt sie nicht.
B
Bias (Verzerrung): Systematische Fehler durch schiefe Daten/Modelle.
Black Box: Modell, dessen innere Entscheidungen schwer erklärbar sind.
Bot: Automatisiertes Programm, das Aufgaben selbstständig ausführt.
C
Chatbot: Software, die per Sprache/Text interagiert.
CNN (Convolutional Neural Network): Netztyp für Bilder/Videos.
Computer Vision: Maschinelles Sehen (Erkennen, Segmentieren, Verfolgen).
D
Data Governance: Regeln/Prozesse für Datenqualität, Zuständigkeiten, Sicherheit.
Data Lake: Zentrales Rohdaten-Repository.
Datenannotation: Markieren/Labeln von Daten fürs Training.
Datenschutz: Schutz personenbezogener Daten (z. B. DSGVO).
Deep Learning: Lernen mit tiefen neuronalen Netzen.
Differential Privacy: Mathematische Technik zum Schutz individueller Daten.
Diffusionsmodell: Generatives Modell, das aus Rauschen Inhalte erzeugt.
E
Edge-AI: KI läuft direkt am Gerät/Sensor, nicht nur in der Cloud.
Embedding: Vektor-Darstellung von Inhalten (Worte, Bilder) für Suche/Ähnlichkeit.
Explainable AI (XAI): Methoden, die KI-Entscheide nachvollziehbar machen.
F
Federated Learning: Dezentrales Lernen ohne zentrale Datensammlung.
Feature (Merkmal): Relevante Eigenschaft von Daten fürs Modell.
Fine-Tuning: Nachtrainieren eines vortrainierten Modells auf eigene Daten.
Foundation-Modell: Großes Basismodell, das viele Aufgaben abdecken kann.
G
Generative KI: Modelle, die neue Inhalte erzeugen (Text, Bild, Audio, Code).
GPU: Grafikprozessor, beschleunigt KI-Berechnungen massiv.
H
Halluzination: Überzeugend klingende, aber falsche KI-Antwort.
I
Inferenz: Nutzung eines trainierten Modells zur Vorhersage/Antwort.
IoT (Internet of Things): Vernetzte Geräte/Sensoren mit Daten & oft Edge-KI.
K
Klassifikation: Einordnung in Kategorien (z. B. „Spam“/„Nicht-Spam“).
Knowledge Graph: Wissensnetz aus Entitäten und Beziehungen.
L
LLM (Large Language Model): Großes Sprachmodell mit breitem Sprachwissen.
Latenter Raum: Verdichtete, abstrakte Repräsentation von Daten.
Labeling: Vergabe von richtigen Antworten/Tags an Trainingsdaten.
M
Machine Learning (ML): Verfahren, die aus Daten Muster lernen.
MLOps: Betrieb/Überwachung von ML-Modellen im Produktivbetrieb.
Model Drift: Modellleistung verschlechtert sich durch veränderte Realität.
Multimodal: Modell verarbeitet mehrere Arten von Daten (Text/Bild/Audio).
N
Neuronales Netz: Verbund aus künstlichen „Neuronen“, die Signale verarbeiten.
NLP (Natural Language Processing): Sprachverarbeitung durch Computer.
O
Open-Source-Modell: Frei nutzbares/prüfbares KI-Modell.
Overfitting: Modell lernt Trainingsdaten auswendig, generalisiert schlecht.
P
Precision/Recall (Präzision/Vollständigkeit): Qualitätsmaße für Vorhersagen.
Prompt: Eingabetext/Aufforderung an ein generatives Modell.
Prompt Engineering: Gestaltung von Prompts für bessere Ergebnisse.
R
RAG (Retrieval-Augmented Generation): Generieren + Abrufen externer Wissensquellen.
Regression: Vorhersage stetiger Werte (z. B. Preis, Temperatur).
Reinforcement Learning (RL): Lernen durch Belohnung/Feedback.
S
Semi-Supervised Learning: Mischung aus gelabelten und ungelabelten Daten.
Supervised Learning: Lernen aus gelabelten Beispielen.
Synthetic Data: Künstlich erzeugte Trainingsdaten.
T
Token: Kleinste Verarbeitungseinheit (Wortteil) für Sprachmodelle.
Transfer Learning: Wissen eines Modells auf neue Aufgabe übertragen.
Transformer: Architektur für Sequenzen (heutiger Standard in NLP).
Turing-Test: Prüft, ob eine Maschine menschliches Gespräch überzeugend simuliert.
U
Underfitting: Modell ist zu einfach, lernt Muster nicht.
Unsupervised Learning: Lernen ohne Labels (Clustering, Dimensionalität).
V
Vektor-Datenbank: Speichert Embeddings für schnelle Ähnlichkeitssuche.
Vision Transformer (ViT): Transformer-Variante für Bilder.
Z
Zero-Shot/Few-Shot: Modelle lösen Aufgaben ohne/mit sehr wenigen Beispielen.
