AGI
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.
Algorithmus
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.
Attention
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.
Autonome Agenten
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.
Batch Size
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.
Bias
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.
Chain-of-Thought
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.
Chatbot
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.
Computer Vision
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.
Datensatz
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.
Deep Learning
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.
Diffusion Model
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.
Embedding
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.
Emergentes Verhalten
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.
Epoch
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.
Few-Shot Learning
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.
Fine-Tuning
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.
Foundation Model
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.
GANs
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.
GPT
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.
Gradient Descent
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.
Große Sprachmodelle (LLM)
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.
Grundmodell
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.
Halluzination
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.
Hyperparameter
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.
Inferenz
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.
KI-Agent
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.
Kontextfenster
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.
Künstliche Intelligenz
Der Oberbegriff für Computersysteme, die Aufgaben ausführen können, die normalerweise menschliche Intelligenz erfordern, wie Sprachverstehen, Bilderkennung oder Entscheidungsfindung. KI umfasst viele Teilgebiete, von einfachen regelbasierten Systemen bis hin zu komplexem Deep Learning. Sie ist eine der prägendsten Technologien unserer Zeit.
Künstliche Neuronale Netze
Rechenmodelle, die vom biologischen Gehirn inspiriert sind und aus miteinander verbundenen künstlichen Neuronen bestehen. Sie lernen, indem sie die Staerke der Verbindungen zwischen den Neuronen anpassen. Künstliche Neuronale Netze sind die Grundbausteine von Deep Learning und modernen KI-Systemen.
Latent Space
Ein abstrakter, hochdimensionaler Raum, in dem ein KI-Modell die wesentlichen Merkmale seiner Eingabedaten komprimiert darstellt. Im Latent Space liegen ähnliche Konzepte nahe beieinander, was dem Modell erlaubt, Muster und Zusammenhänge zu erkennen. Latent Spaces sind zentral für generative Modelle und Embeddings.
LoRA
Low-Rank Adaptation ist eine effiziente Methode zum Fine-Tuning größer KI-Modelle, bei der nur ein kleiner Teil der Parameter angepasst wird. Dadurch wird Fine-Tuning mit deutlich weniger Rechenleistung und Speicher möglich. LoRA hat das Anpassen von großen Sprachmodellen für viele Entwickler zugänglich gemacht.
Maschinelles Lernen
Ein Teilgebiet der KI, bei dem Computer aus Daten lernen, ohne explizit programmiert zu werden. Statt starrer Regeln erkennen Algorithmen selbstständig Muster in Daten und verbessern sich mit der Erfahrung. Maschinelles Lernen umfasst Methoden wie überwachtes, unüberwachtes und verstärkendes Lernen.
Multimodal
Bezeichnet KI-Modelle, die verschiedene Arten von Eingaben verarbeiten können, zum Beispiel Text, Bilder, Audio und Video gleichzeitig. Multimodale Modelle verstehen Zusammenhänge zwischen verschiedenen Medientypen, etwa dass ein Bild und eine Bildbeschreibung zusammengehören. Sie ermöglichen natürlichere und vielseitigere Interaktionen mit KI.
Natural Language Processing
Ein Bereich der KI, der sich mit der Verarbeitung und dem Verstehen menschlicher Sprache durch Computer beschäftigt. NLP umfasst Aufgaben wie Textklassifikation, Übersetzung, Zusammenfassung und Stimmungsanalyse. Moderne NLP-Systeme basieren fast ausschließlich auf Transformer-Modellen.
Neuronales Netz
Ein Rechenmodell, das aus Schichten von künstlichen Neuronen besteht und Eingabedaten in gewünschte Ausgaben umwandelt. Jedes Neuron empfängt Signale, verarbeitet sie und gibt das Ergebnis an die Nächste Schicht weiter. Neuronale Netze bilden die Grundlage für fast alle modernen KI-Anwendungen.
Open Weights
Bezeichnet KI-Modelle, deren trainierte Gewichte öffentlich verfügbar sind und von jedem heruntergeladen und genutzt werden können. Open Weights ermöglichen Transparenz, unabhängige Forschung und lokale Nutzung ohne Cloud-Anbindung. Bekannte Beispiele sind LLaMA, Mistral und Stable Diffusion.
Overfitting
Ein Problem beim Training, bei dem ein Modell die Trainingsdaten auswendig lernt, anstatt allgemeine Muster zu erkennen. Ein überangepasstes Modell schneidet auf den Trainingsdaten hervorragend ab, versagt aber bei neuen, unbekannten Daten. Techniken wie Regularisierung und Dropout helfen, Overfitting zu vermeiden.
Parameter
Die internen Zahlenwerte eines KI-Modells, die während des Trainings gelernt und angepasst werden. Große Sprachmodelle haben Milliarden solcher Parameter, die gemeinsam bestimmen, wie das Modell auf Eingaben reagiert. Die Anzahl der Parameter gilt als grober Indikator für die Leistungsfähigkeit eines Modells.
Prompt
Die Eingabe oder Anweisung, die ein Benutzer an ein KI-Modell sendet, um eine bestimmte Antwort oder Aktion auszulösen. Ein Prompt kann eine Frage, ein Befehl oder ein Textanfang sein. Die Art und Qualität des Prompts beeinflusst die Qualität der Antwort erheblich.