KI-Begriffe einfach erklärt

Die grundlegendste Evaluationsmetrik für KI-Modelle: Der Anteil korrekt klassifizierter Beispiele an der Gesamtmenge der Testbeispiele.

Der Mechanismus, der modernen KI-Modellen ermöglicht, beim Verarbeiten eines Tokens gleichzeitig alle anderen Tokens zu berücksichtigen und Bedeutungsgewichtungen zu vergeben.

KI-gestützte Vorhersage der wahrscheinlichsten Fortsetzung einer Texteingabe — von einfacher Wortergänzung bis zur vollständigen Code-Generierung.

Bidirectional Encoder Representations from Transformers — Googles bahnbrechendes Sprachmodell, das Text in beide Richtungen versteht und die Grundlage vieler NLP-Anwendungen bildet.

Techniken zur künstlichen Erweiterung von Trainingsdatensätzen durch kontrollierte Transformationen bestehender Daten, um Modellrobustheit zu verbessern und Overfitting zu reduzieren.

Ein Teilbereich des maschinellen Lernens, der mehrstufige neuronale Netze verwendet, um aus rohen Daten automatisch komplexe Muster und Merkmale zu extrahieren.

Phänomen beim Training großer KI-Modelle, bei dem der Testfehler nach einem initialen Anstieg (klassisches Overfitting) mit weiterwachsender Modellgröße erneut sinkt — entgegen klassischer ML-Intuition.

KI-Systeme, die das Wissen menschlicher Experten in Regelbasen und Schlussfolgerungsmaschinen kodieren, um spezifische Problemdomänen zu lösen.

Die Anpassung eines vortrainierten KI-Modells auf spezifische Aufgaben oder Domänen durch weiteres Training auf unternehmenseigenen Daten.

Der zentrale Optimierungsalgorithmus des maschinellen Lernens: Er minimiert iterativ die Fehlerfunktion eines Modells, indem er Parameter schrittweise in Richtung des steilsten Abstiegs anpasst.

Sicherheitsmechanismen und Beschränkungen in KI-Systemen, die verhindern, dass Modelle schädliche, falsche oder unerwünschte Ausgaben produzieren.

Konfigurationsparameter, die vor dem Training eines KI-Modells festgelegt werden und den Lernprozess steuern — im Gegensatz zu den Modellparametern, die während des Trainings gelernt werden.

Fine-Tuning-Methode, die Sprachmodelle darauf trainiert, Anweisungen in natürlicher Sprache zu folgen — die Grundlage für nutzerfreundliche KI-Assistenten.

Eine strukturierte Datenbank, die Wissen in Form von Entitäten und deren Beziehungen repräsentiert — die Grundlage für semantische Suche und erklärbare KI.

Die interne Repräsentation, in der KI-Modelle Daten als komprimierte Vektoren kodieren — eine hochdimensionale 'Landkarte' von Bedeutungen und Konzepten.

Eine mathematische Funktion, die misst, wie stark die Vorhersagen eines KI-Modells von den tatsächlichen Werten abweichen — die Minimierung dieser Funktion ist das Ziel des Trainings.

Höherwertige Anweisungsebene in KI-Systemen, die das grundlegende Verhalten, die Persönlichkeit und die Fähigkeiten eines Modells durch strukturierte Rahmenbedingungen definiert.

Ein häufiges Problem in der KI: Das Modell lernt die Trainingsdaten so gut, dass es bei neuen, unbekannten Daten schlechte Ergebnisse liefert.

Eine Eingabe oder Anweisung, die an ein KI-Sprachmodell gesendet wird, um eine spezifische Antwort oder Handlung auszulösen.

KI-Methode zur automatischen Erkennung und Klassifikation von Stimmungen, Meinungen und Emotionen in Texten — von positiv über neutral bis negativ.

Regelbasierter Ansatz zur KI, der menschliches Wissen explizit in Regeln, Logiken und Wissensrepräsentationen kodiert — im Gegensatz zu datenlernenden neuronalen Netzen.

Googles Open-Source-Framework für maschinelles Lernen, das die Entwicklung und Bereitstellung von KI-Modellen in Unternehmen vereinfacht.

Eine Methode, bei der Wissen aus einer Aufgabe oder Domäne auf eine neue, verwandte Aufgabe übertragen wird, um mit weniger Daten bessere Ergebnisse zu erzielen.

Eine revolutionäre KI-Architektur, die auf dem Attention-Mechanismus basiert und die Grundlage moderner Sprachmodelle wie GPT, Claude und Gemini bildet.

Ein von Alan Turing 1950 vorgeschlagener Test zur Messung menschenähnlicher Intelligenz: Kann eine Maschine einen Menschen im Gespräch so täuschen, dass er sie für einen Menschen hält?

Das Gegenteil von Overfitting: Ein KI-Modell ist zu einfach, um die Komplexität der Daten zu erfassen, und liefert sowohl auf Trainings- als auch Testdaten schlechte Ergebnisse.

Die Fähigkeit von KI-Modellen, Aufgaben zu lösen, für die sie keine spezifischen Trainingsbeispiele erhalten haben — durch Transfer von allgemeinem Wissen.