📖 Wichtige KI-Begriffe

Ein kompaktes Glossar der wichtigsten Begriffe rund um Künstliche Intelligenz – verständlich erklärt.

Tipp: Viele dieser Begriffe tauchen in Nachrichtenartikeln und Diskussionen über KI auf. Dieses Glossar hilft, sie einzuordnen.

Grundbegriffe

Künstliche Intelligenz (KI / AI): Oberbegriff für Systeme, die Aufgaben erledigen, für die normalerweise menschliche Intelligenz nötig wäre – z. B. Sprache verstehen, Bilder erkennen oder Entscheidungen treffen.
Machine Learning (ML): Teilgebiet der KI: Algorithmen lernen aus Daten, statt explizit programmiert zu werden. Das System erkennt Muster und verbessert sich mit mehr Daten.
Deep Learning: Spezialform von Machine Learning mit künstlichen neuronalen Netzen, die viele Schichten (layers) haben. Besonders erfolgreich bei Bild-, Sprach- und Texterkennung.
Neuronales Netz: Ein mathematisches Modell, das grob vom menschlichen Gehirn inspiriert ist. Es besteht aus Knoten (Neuronen) in mehreren Schichten, die Eingaben verarbeiten und gewichtete Verbindungen nutzen.
Algorithmus: Eine Schritt-für-Schritt-Anleitung zur Lösung eines Problems. In der KI sind Algorithmen die Rechenvorschriften, nach denen ein Modell lernt oder Entscheidungen trifft.

Sprachmodelle & Chatbots

LLM (Large Language Model): Ein sehr großes Sprachmodell, das auf riesigen Textmengen trainiert wurde. Beispiele: GPT-4, Claude, Gemini, LLaMA. LLMs können Texte verstehen, zusammenfassen, übersetzen und generieren.
Transformer: Die Architektur hinter modernen LLMs. Transformers nutzen einen „Attention"-Mechanismus, um Zusammenhänge zwischen Wörtern über große Distanzen im Text zu erkennen.
Token: Die kleinste Einheit, die ein Sprachmodell verarbeitet – oft ein Wort oder Wortteil. „Halluzination" könnte z. B. in die Tokens „Hall", „uzin" und „ation" zerlegt werden.
Prompt: Die Eingabe (Frage, Anweisung), die man einem KI-Modell gibt. Die Qualität des Prompts beeinflusst stark die Qualität der Antwort.
Prompt Engineering: Die Kunst, Prompts so zu formulieren, dass das Modell möglichst gute Ergebnisse liefert – z. B. durch Kontext, Beispiele oder Rollenanweisungen.
Halluzination: Wenn ein LLM plausibel klingende aber faktisch falsche Informationen erzeugt. Das Modell „lügt" nicht absichtlich – es berechnet die wahrscheinlichste Wortfolge, auch wenn diese falsch ist.
Chatbot: Ein Programm, das in natürlicher Sprache mit Menschen kommuniziert. Moderne Chatbots wie ChatGPT basieren auf LLMs.
Context Window (Kontextfenster): Die maximale Textmenge, die ein LLM gleichzeitig „sehen" kann. Alles außerhalb dieses Fensters wird vergessen. Typische Größen: 8k–200k Tokens.
Temperatur: Ein Parameter, der steuert, wie „kreativ" oder zufällig die Antworten eines Modells sind. Niedrige Temperatur = vorhersagbarer, hohe Temperatur = kreativer (aber auch fehleranfälliger).

Training & Daten

Training: Der Prozess, bei dem ein Modell aus Daten lernt. Dabei werden die internen Parameter (Gewichte) so angepasst, dass das Modell Muster erkennt und Vorhersagen treffen kann.
Trainingsdaten: Die Daten, mit denen ein Modell trainiert wird. Bei LLMs sind das riesige Textsammlungen aus dem Internet, Büchern und anderen Quellen.
Fine-Tuning: Nachträgliches Anpassen eines vortrainierten Modells auf eine spezielle Aufgabe oder Domäne mit zusätzlichen, gezielten Daten.
RLHF (Reinforcement Learning from Human Feedback): Eine Trainingsmethode, bei der menschliche Bewerter die Antworten eines Modells bewerten. So lernt das Modell, hilfreicher und weniger schädlich zu antworten.
Overfitting (Überanpassung): Wenn ein Modell die Trainingsdaten „auswendig lernt" statt allgemeine Muster zu erkennen. Es funktioniert dann gut auf bekannten Daten, versagt aber bei neuen.
Bias (Verzerrung): Systematische Vorurteile in KI-Systemen, die aus verzerrten Trainingsdaten stammen. Kann zu diskriminierenden Ergebnissen führen (z. B. bei Bewerbungsfiltern).

Anwendungen & Techniken

RAG (Retrieval-Augmented Generation): Eine Technik, bei der ein LLM vor der Antwort relevante Dokumente aus einer Datenbank abruft. Reduziert Halluzinationen und ermöglicht aktuelle Informationen.
Multimodal: KI-Modelle, die mehrere Eingabetypen verarbeiten können – z. B. Text und Bilder gleichzeitig (wie GPT-4 Vision oder Gemini).
Computer Vision: KI-Bereich, der sich mit dem maschinellen „Sehen" beschäftigt – Bilderkennung, Objekterkennung, Gesichtserkennung etc.
NLP (Natural Language Processing): Verarbeitung natürlicher Sprache durch Computer – umfasst Textverständnis, Übersetzung, Zusammenfassung und Textgenerierung.
Generative KI: KI-Systeme, die neue Inhalte erzeugen können: Texte, Bilder, Musik, Code. Im Gegensatz zu analytischer KI, die nur klassifiziert oder vorhersagt.
AGI (Artificial General Intelligence): Hypothetische „starke KI", die jede intellektuelle Aufgabe so gut wie ein Mensch lösen könnte. Existiert bisher nicht – aktuelle KI ist „schmal" (auf bestimmte Aufgaben spezialisiert).
Edge AI: KI-Verarbeitung direkt auf dem Endgerät (Smartphone, Sensor) statt in der Cloud. Vorteil: schneller, datenschutzfreundlicher, funktioniert offline.
Open Source Modelle: KI-Modelle, deren Gewichte und oft auch der Code frei verfügbar sind (z. B. LLaMA, Mistral). Ermöglichen lokale Nutzung ohne Cloud-Abhängigkeit.

Sicherheit & Ethik

Alignment: Das Ziel, KI-Systeme so zu gestalten, dass sie im Einklang mit menschlichen Werten und Absichten handeln – eines der wichtigsten Forschungsthemen.
Guardrails: Sicherheitsmechanismen, die verhindern sollen, dass ein KI-Modell schädliche, illegale oder unethische Inhalte erzeugt.
Jailbreak: Versuche, die Sicherheitsmechanismen eines KI-Modells zu umgehen, um verbotene Inhalte zu erzeugen.
Explainability (Erklärbarkeit): Die Fähigkeit zu verstehen, warum ein KI-System eine bestimmte Entscheidung getroffen hat. Besonders wichtig in Medizin, Justiz und Finanzen.
AI Act (EU): Die KI-Verordnung der Europäischen Union – das weltweit erste umfassende KI-Gesetz. Klassifiziert KI-Systeme nach Risikostufen und stellt Anforderungen an Transparenz und Sicherheit.

Gefällt dir diese Seite?

← Zurück zur KI-Übersicht