KI-Glossar von A bis Z.
Alle wichtigen Begriffe rund um Künstliche Intelligenz — verständlich erklärt.
Alle wichtigen Begriffe rund um Künstliche Intelligenz — verständlich erklärt.
Kurzform für Artificial General Intelligence, also künstliche allgemeine Intelligenz. Bezeichnet eine hypothetische KI, die jede intellektuelle Aufgabe verstehen und lösen kann, die auch ein Mensch bewaltigen würde. AGI existiert bisher nur als Forschungsziel und ist noch nicht realisiert.
Eine Schritt-für-Schritt-Anleitung, die ein Computer befolgt, um ein bestimmtes Problem zu lösen. In der KI beschreiben Algorithmen, wie ein Modell aus Daten lernt und Entscheidungen trifft. Bekannte Beispiele sind Sortier-, Such- und Optimierungsalgorithmen.
Ein Mechanismus in neuronalen Netzen, der es dem Modell erlaubt, sich auf die relevantesten Teile der Eingabe zu konzentrieren. Attention ist das Herzstück der Transformer-Architektur und ermöglicht es, Beziehungen zwischen weit entfernten Wörtern in einem Text zu erfassen. Ohne Attention wären moderne Sprachmodelle nicht möglich.
KI-Systeme, die eigenständig Aufgaben planen, ausführen und Entscheidungen treffen, ohne dass ein Mensch jeden Schritt vorgeben muss. Sie kombinieren Sprachmodelle mit Werkzeugen wie Websuche oder Code-Ausführung. Autonome Agenten können komplexe, mehrstufige Aufgaben selbstständig bearbeiten.
Die Anzahl der Trainingsbeispiele, die ein Modell gleichzeitig verarbeitet, bevor es seine Parameter anpasst. Eine größere Batch Size kann das Training stabiler machen, benötigt aber mehr Arbeitsspeicher. Die Wahl der richtigen Batch Size beeinflusst sowohl die Trainingsgeschwindigkeit als auch die Qualität des Modells.
Systematische Verzerrungen in KI-Modellen, die durch einseitige oder unausgewogene Trainingsdaten entstehen. Bias kann dazu führen, dass ein Modell bestimmte Gruppen bevorzugt oder benachteiligt. Die Erkennung und Reduktion von Bias ist eine der größten Herausforderungen in der KI-Entwicklung.
Eine Prompting-Technik, bei der ein Sprachmodell dazu angeleitet wird, seine Denkschritte ausführlich darzulegen, bevor es eine Antwort gibt. Dadurch verbessert sich die Qualität der Antworten bei komplexen Aufgaben deutlich. Chain-of-Thought macht die Argumentation des Modells nachvollziehbar.
Ein Programm, das in natürlicher Sprache mit Menschen kommuniziert, oft über eine Chat-Oberfläche. Moderne Chatbots basieren auf großen Sprachmodellen und können kontextbezogene, ausführliche Antworten liefern. Sie werden in Kundenservice, Bildung und vielen anderen Bereichen eingesetzt.
Ein Teilgebiet der KI, das sich damit beschäftigt, wie Computer Bilder und Videos verstehen und interpretieren können. Anwendungen reichen von Gesichtserkennung über medizinische Bildanalyse bis hin zu autonomem Fahren. Computer Vision nutzt häufig tiefe neuronale Netze zur Bilderkennung.
Eine strukturierte Sammlung von Daten, die zum Training, zur Validierung oder zum Testen von KI-Modellen verwendet wird. Die Qualität und Vielfalt eines Datensatzes bestimmen maßgeblich, wie gut ein Modell lernt und generalisiert. Große, sorgfältig kuratierte Datensätze sind eine Grundvoraussetzung für leistungsfähige KI.
Ein Teilbereich des maschinellen Lernens, der neuronale Netze mit vielen Schichten verwendet, um komplexe Muster in Daten zu erkennen. Deep Learning hat Durchbrüche in der Bild- und Spracherkennung ermöglicht. Es bildet die Grundlage für die meisten modernen KI-Anwendungen.
Eine Klasse generativer KI-Modelle, die Bilder erzeugen, indem sie schrittweise Rauschen aus einem zufälligen Signal entfernen. Diffusion Models stecken hinter populären Bildgeneratoren wie Stable Diffusion und DALL-E. Sie haben die Qualität der KI-Bilderzeugung drastisch verbessert.
Eine mathematische Darstellung von Daten wie Text, Bildern oder Audio als Zahlenvektor in einem hochdimensionalen Raum. Ähnliche Inhalte liegen im Embedding-Raum nahe beieinander, was Vergleiche und Suche ermöglicht. Embeddings sind die Grundlage für semantische Suche und Empfehlungssysteme.
Fähigkeiten, die ein KI-Modell zeigt, obwohl sie nicht explizit trainiert wurden, sondern erst ab einer bestimmten Modellgröße spontan auftreten. Beispiele sind logisches Schlussfolgern oder das Lösen von Aufgaben, die nicht im Trainingsdatensatz enthalten waren. Emergentes Verhalten ist noch nicht vollständig verstanden.
Ein vollständiger Durchlauf durch den gesamten Trainingsdatensatz während des Modelltrainings. Mehrere Epochen sind üblich, damit das Modell die Daten gründlich lernen kann. Zu viele Epochen können aber zu Overfitting führen, bei dem das Modell die Trainingsdaten auswendig lernt.
Eine Technik, bei der einem KI-Modell nur wenige Beispiele gezeigt werden, damit es eine neue Aufgabe versteht und ausführen kann. Im Gegensatz zu klassischem Training braucht das Modell keine Tausende von Beispielen. Few-Shot Learning ist besonders bei großen Sprachmodellen über den Prompt möglich.
Der Prozess, ein vortrainiertes KI-Modell mit zusätzlichen, spezialisierten Daten weiter zu trainieren, um es für eine bestimmte Aufgabe zu optimieren. Fine-Tuning ist deutlich günstiger und schneller als ein Training von Grund auf. Es wird häufig eingesetzt, um allgemeine Modelle an spezielle Domänen anzupassen.
Ein großes, auf riesigen Datenmengen vortrainiertes KI-Modell, das als Basis für viele verschiedene Anwendungen dient. Beispiele sind GPT, LLaMA oder Gemini. Foundation Models können durch Fine-Tuning oder Prompt Engineering an spezifische Aufgaben angepasst werden.
Generative Adversarial Networks bestehen aus zwei neuronalen Netzen, die gegeneinander antreten: Ein Generator erzeugt Daten, und ein Diskriminator bewertet deren Echtheit. Durch dieses Wechselspiel lernt der Generator, immer realistischere Daten zu erzeugen. GANs waren wegweisend für die Erzeugung künstlicher Bilder und Videos.
Steht für Generative Pre-trained Transformer und bezeichnet eine Familie von Sprachmodellen, die von OpenAI entwickelt wurden. GPT-Modelle werden auf großen Textmengen vortrainiert und können anschließend Texte generieren, übersetzen, zusammenfassen und vieles mehr. Sie gehören zu den bekanntesten und einflussreichsten KI-Modellen.
Ein mathematisches Optimierungsverfahren, mit dem ein KI-Modell seine Parameter schrittweise verbessert, um Fehler zu minimieren. Das Modell berechnet, in welche Richtung es seine Gewichte anpassen muss, um bessere Vorhersagen zu treffen. Gradient Descent ist der zentrale Lernalgorithmus hinter den meisten neuronalen Netzen.
KI-Modelle mit Milliarden von Parametern, die auf riesigen Textmengen trainiert wurden und natürliche Sprache verstehen sowie erzeugen können. Sie sind die Grundlage für Chatbots, Übersetzungsdienste und KI-Assistenten. Bekannte Beispiele sind GPT, Claude und LLaMA.
Ein synonym verwendeter deutscher Begriff für Foundation Model. Es bezeichnet ein großes, allgemein vortrainiertes KI-Modell, das als Ausgangspunkt für spezialisierte Anwendungen dient. Grundmodelle zeichnen sich durch ihre Vielseitigkeit und breite Wissensbasis aus.
Wenn ein KI-Modell überzeugend klingende, aber faktisch falsche oder erfundene Informationen generiert. Halluzinationen treten auf, weil Sprachmodelle Wahrscheinlichkeiten über Wortfolgen berechnen und kein echtes Wissen über die Welt besitzen. Sie sind ein bekanntes Problem bei der Nutzung von KI für Fakten-basierte Aufgaben.
Einstellungen, die vor dem Training eines KI-Modells festgelegt werden und den Lernprozess steuern, wie etwa Lernrate, Batch Size oder Anzahl der Schichten. Im Gegensatz zu normalen Parametern werden Hyperparameter nicht vom Modell selbst gelernt. Ihre Wahl hat großen Einfluss auf die Leistung des fertigen Modells.
Der Vorgang, bei dem ein bereits trainiertes KI-Modell auf neue Eingabedaten angewendet wird, um Vorhersagen oder Ergebnisse zu erzeugen. Inferenz ist das, was passiert, wenn Sie einem Chatbot eine Frage stellen oder ein Bild von einer KI analysieren lassen. Sie ist in der Regel deutlich schneller als das Training.
Ein KI-System, das eigenständig Ziele verfolgt, Entscheidungen trifft und mit seiner Umgebung interagiert. KI-Agenten können Werkzeuge nutzen, im Internet recherchieren oder Code ausführen, um Aufgaben zu erledigen. Sie stellen einen wichtigen Schritt hin zu autonomeren KI-Systemen dar.
Die maximale Menge an Text (gemessen in Token), die ein Sprachmodell bei einer einzelnen Anfrage gleichzeitig verarbeiten kann. Ein größeres Kontextfenster erlaubt es dem Modell, längere Dokumente zu lesen und mehr Gesprächsverlauf zu berücksichtigen. Moderne Modelle haben Kontextfenster von Hunderttausenden Token.