KI-Glossar

Ein Algorithmus ist eine festgelegte Abfolge von Anweisungen, die einem Computer hilft, bestimmte Aufgaben oder Probleme zu lösen. Im Bereich der künstlichen Intelligenz und des maschinellen Lernens ist ein Algorithmus eine mathematische Methode oder ein Verfahren. Mit Hilfe dieses Algorithmus kann ein KI-Modell aus den vorhandenen Daten lernen, Muster zu erkennen und Entscheidungen zu treffen. Es gibt verschiedene Arten von Algorithmen, die je nach Art des Lernens (überwacht, unüberwacht, verstärkt) und der spezifischen Aufgabe verwendet werden, um effiziente und genaue Ergebnisse zu erzielen.

Schauen Sie sich den Erklärfilm zu „Algorithmen" an:

Big Data bezeichnet große und komplexe Datensätze, die unglaublich viele Informationen enthalten. Diese Daten sind so umfangreich, dass es schwierig ist, sie mit normalen Methoden zu verarbeiten. Die Daten können strukturiert, unstrukturiert oder halb-strukturiert sein und kommen von vielen verschiedenen Quellen wie sozialen Medien, Sensoren und Online-Transaktionen. Künstliche Intelligenz spielt eine wichtige Rolle bei der Analyse und Verarbeitung von Big Data. Dadurch können wertvolle Erkenntnisse, Muster und Trends entdeckt werden.

In der künstlichen Intelligenz bedeutet Bias eine systematische Verzerrung in den Vorhersagen oder Entscheidungen eines KI-Modells. Dies kann passieren, wenn die Trainingsdaten nicht ausreichend oder nicht repräsentativ sind. Ein Modell mit Bias kann falsche oder ungerecht bevorzugte Ergebnisse liefern. Es ist wichtig, Bias in KI-Systemen zu erkennen und zu verringern, damit Anwendungen fair und ethisch verantwortungsbewusst sind.

Ein Chatbot ist eine besondere Anwendung von künstlicher Intelligenz. Es ist wie ein Computerprogramm, das mit den Benutzern Textnachrichten oder gesprochene Worte austauschen kann, ähnlich wie bei einem echten Gespräch. Man kann Chatbots in Software-Tools, auf Messaging-Plattformen, Kundensupport-Systemen, E-Commerce-Websites und anderen Orten finden. Um zu funktionieren, nutzen Chatbots Technologien wie Natural Language Processing (NLP) und maschinelles Lernen. Dadurch können sie verstehen, was die Nutzer sagen oder fragen, und dann passende Antworten oder Aktionen anbieten.

Cluster ist ein Begriff im Bereich des unüberwachten Lernens. Dabei werden ähnliche Datenpunkte in einem Datensatz gruppiert. Das Ziel besteht darin, Datensätze mit ähnlichen Merkmalen oder Eigenschaften in Gruppen zusammenzufassen, die als "Cluster" bezeichnet werden. Diese Gruppierung erfolgt, ohne dass dem Algorithmus bekannte Klassen oder Labels zur Verfügung stehen. Clusteranalyse ist nützlich, um verborgene Strukturen in Daten zu entdecken, Kundengruppen zu segmentieren und ähnliche Muster zu identifizieren.

Computer Vision ist ein Teil der künstlichen Intelligenz. Dabei geht es darum, wie Computer visuelle Informationen verarbeiten und verstehen können. Das Ziel von Computer Vision ist es, Maschinen die Fähigkeit zu geben, visuelle Daten wie Bilder und Videos zu erkennen, zu verstehen und zu interpretieren. Computer Vision wird in verschiedenen Bereichen eingesetzt, zum Beispiel in der Bilderkennung, Objekterkennung, Gesichtserkennung, bei autonomen Fahrzeugen und in der medizinischen Bildverarbeitung.

Daten sind Informationen, die in einer geordneten oder ungeordneten Art vorliegen. Sie werden verwendet, um KI-Modelle zu trainieren. Im maschinellen Lernen sind Daten sehr wichtig, da sie die Grundlage dafür sind, dass das Modell lernt, Muster zu erkennen und Vorhersagen zu machen. Daten können aus verschiedenen Quellen stammen, wie z. B. Texten, Bildern, Tonaufnahmen oder Zahlen. Oft müssen die Daten vorher bearbeitet und bereinigt werden, damit sie für das Training geeignet sind.

Datenschutz und Datensicherheit sind sehr wichtige Aspekte in der künstlichen Intelligenz. Datenschutz in KI bedeutet, dass persönliche Daten, die von KI-Systemen verarbeitet werden, gut geschützt und geheim gehalten werden. Datenschutz sorgt dafür, dass die Daten ordnungsgemäß behandelt und sicher gespeichert werden, damit sie nicht unnötig an Dritte weitergegeben oder missbraucht werden. Datensicherheit ist darauf ausgerichtet, die Daten vor unbefugtem Zugriff, Hacking oder anderen Sicherheitsverstößen zu schützen. Die Einhaltung von Datenschutz und Datensicherheit ist sehr wichtig, um das Vertrauen der Benutzer in KI-Anwendungen zu gewinnen und mögliche Risiken oder Verletzungen zu minimieren.

Deep Learning ist ein Teil der künstlichen Intelligenz. Es benutzt künstliche neuronale Netzwerke. Mit Deep Learning können Maschinen in großen Datenmengen schwierige Muster erkennen. Dazu werden mehrere Schichten von Neuronen verwendet, um viele Merkmale zu lernen. Dank Deep Learning gibt es beeindruckende Fortschritte bei der Erkennung von Bildern und Sprache, der Verarbeitung von gesprochener Sprache, beim autonomen Fahren und in vielen anderen Anwendungen.

Ethik in der künstlichen Intelligenz beschäftigt sich mit moralischen und sozialen Fragen rund um den Einsatz von KI-Technologien. Dabei geht es darum, ethische Prinzipien zu untersuchen, die bei der Entwicklung und Anwendung von KI-Systemen berücksichtigt werden sollten. Ziel ist es sicherzustellen, dass diese Technologien das Wohl der Menschen respektieren, fair und transparent sind, und keine schädlichen Auswirkungen auf die Gesellschaft haben. Einige Themen der ethischen Diskussion in der KI sind Datenschutz, Bias, Diskriminierung, Verantwortung, Sicherheit und Entscheidungsfindung.

Ein Generative Adversarial Network (kurz GAN) ist eine Art von künstlichen neuronalen Netzwerken, die dazu verwendet werden, neue Daten zu erstellen. GANs haben zwei Hauptteile: den Generator und den Diskriminator. Der Generator erzeugt neue Daten, indem er versucht, Daten zu erstellen, die den Trainingsdaten ähnlich sind. Der Diskriminator bewertet die Daten, die der Generator gemacht hat, und versucht, sie von echten Daten zu unterscheiden. Während des Trainings spielen der Generator und der Diskriminator ein Spiel, bei dem der Generator den Diskriminator täuschen will, und der Diskriminator den Generator entlarven möchte. Dadurch lernt der Generator, bessere und realistischere Daten zu erstellen. GANs werden in verschiedenen Bereichen wie zum Beispiel der Erzeugung von Bildern, der Übertragung von Stilen, der Generierung von Texten und mehr eingesetzt.

Generalisierung bedeutet, dass ein KI-Modell die Muster und Zusammenhänge, die es aus den Trainingsdaten gelernt hat, auf neue und unbekannte Daten anwendet. Ein gut generalisiertes Modell kann zuverlässige Vorhersagen für neue Daten machen und es zeigt keine übermäßige Anpassung an die Trainingsdaten. Generalisierung ist ein wichtiges Ziel beim maschinellen Lernen, weil es sicherstellt, dass ein Modell in realen Situationen gut und zuverlässig funktioniert.

Generative KI ist eine Art von künstlicher Intelligenz, bei der Maschinen neue Daten erstellen können, die ähnlich sind wie die Daten, mit denen sie zuvor trainiert wurden. Diese Maschinen lernen, realistische Bilder, Texte oder Audioaufnahmen zu erzeugen. Generative KI nutzt in der Regel tiefe neuronale Netzwerke, um Antworten oder Ergebnisse zu liefern. Diese Netzwerke sind hochgradig komplexe Algorithmen, die durch das Lernen aus großen Mengen an Daten in der Lage sind, Muster und Zusammenhänge zu erkennen. Um zu verstehen, wie generative KI Antworten oder Ergebnisse liefert, betrachten wir ein spezielles Verfahren namens "Generative Adversarial Networks" (GANs).

GANs bestehen aus zwei Hauptkomponenten: dem Generator und dem Diskriminator. Der Generator ist für das Erzeugen der Antworten oder Ergebnisse verantwortlich, während der Diskriminator die Aufgabe hat, zu bewerten, wie gut die vom Generator erzeugten Antworten der Realität entsprechen.

Das Training geht so lange weiter, bis der Generator Antworten erzeugt, die vom Diskriminator nicht mehr von echten Daten unterschieden werden können. Auf diese Weise erlernt der Generator die Wahrscheinlichkeitsverteilung der Daten im Trainingsdatensatz und kann nun eigenständig neue Antworten generieren, die ähnlich wie die Originaldaten aussehen oder klingen.

In diesem Video erfahren Sie, wie die generative KI „ChatGPT" funktioniert:

Gesichtserkennung ist eine Technologie in der Computer Vision. Sie ermöglicht es Computern, Gesichter in Bildern oder Videos zu entdecken und zu erkennen. Mit Hilfe von speziellen Programmen und maschinellem Lernen kann die Gesichtserkennung individuelle Merkmale und Muster aufnehmen, um Personen zu identifizieren oder zu überprüfen. Gesichtserkennung wird in Sicherheitsanwendungen, Zugangskontrollen, Überwachungssystemen und personalisierten Diensten wie der Gesichtsentsperrung auf Smartphones verwendet. Es ist wichtig, darüber nachzudenken, wie man die Technologie ethisch und datenschutzgerecht einsetzt, um Missbrauch oder Datenschutzverletzungen zu vermeiden.

Generative KI nutzt große Datenmengen, um zu lernen, wie bestimmte Dinge aussehen, klingen oder geschrieben werden. Sie erkennt dabei Muster und Zusammenhänge in den Daten. Wenn sie aufgefordert wird, etwas Neues zu erstellen, basiert dies auf Wahrscheinlichkeiten. Das bedeutet, die KI kombiniert die gelernten Eigenschaften aus den Daten, um eine neue Antwort zu generieren, die der Art und Weise ähnelt, wie sie zuvor gelernt hat.

Jedoch kann es vorkommen, dass die KI etwas erschafft, das zwar plausibel aussieht oder klingt, aber tatsächlich nicht den Tatsachen entspricht. Dies kann zu "Halluzinationen" führen, wo die KI beispielsweise falsche Informationen in einem Text oder Bild einfügt oder unwahre Aussagen tätigt.

Es ist wichtig zu verstehen, dass Generative KI-Modelle nur so gut sein können wie die Daten, auf denen sie basieren. Wenn diese Daten fehlerhaft oder irreführend sind, kann dies zu Ungenauigkeiten und Halluzinationen führen. Daher ist es entscheidend, die Generative KI verantwortungsbewusst einzusetzen, Datenquellen sorgfältig zu überprüfen und die Ergebnisse kritisch zu hinterfragen, um mögliche Fehlinformationen zu vermeiden.

Hyperparameter sind besondere Einstellungen, die den Trainingsprozess eines KI-Modells kontrollieren. Sie können nicht automatisch aus den Trainingsdaten gelernt werden. Bevor das Training beginnt, müssen sie vom Entwickler oder Ingenieur festgelegt werden. Beispiele für Hyperparameter sind Lernrate (Rate beeinflusst die Geschwindigkeit, mit der das Modell aus Daten lernt), Batch-Größe (Anzahl der Daten, die gleichzeitig verwendet werden), und die Anzahl der Schichten in einem neuronalen Netzwerk. Es ist wichtig, die Hyperparameter sorgfältig auszuwählen und anzupassen, um das KI-Modell bestmöglich zu machen.

Klassifikation ist eine wichtige Aufgabe im maschinellen Lernen. Dabei werden Datenpunkte bestimmten vordefinierten Kategorien oder Klassen zugeordnet. Dies geschieht im Rahmen des überwachten Lernens, bei dem ein Modell anhand von bereits gelabelten Trainingsdaten (=Daten, die bereits mit bekannten Antworten versehen sind) lernt, Muster zu erkennen und neue, unbekannte Daten in diese vordefinierten Klassen einzuteilen. Einige Bereiche, in denen Klassifikation genutzt wird, sind zum Beispiel in der Bilderkennung, Spam-Erkennung, medizinischen Diagnosen und vielem mehr.

Die Künstliche Intelligenz (KI) bezeichnet eine Technologie, bei der Computer oder Maschinen entwickelt werden, um menschenähnliche Denk- und Lernprozesse zu simulieren. Das Ziel ist, dass diese Systeme eigenständig Aufgaben bewältigen können, die normalerweise menschliche Intelligenz erfordern. KI-Systeme werden durch komplexe Algorithmen und Daten trainiert, um Muster und Zusammenhänge zu erkennen. Sie können dadurch Probleme lösen, Schlussfolgerungen ziehen und Entscheidungen treffen. Es gibt zwei Hauptarten von KI: Schwache und starke KI. Künstliche Intelligenz wird in vielen Bereichen genutzt, zum Beispiel in Spracherkennung, Bildverarbeitung, autonomen Fahrzeugen, im Gesundheitswesen und in anderen Bereichen.

Schauen Sie sich den Erklärfilm zu „Künstlicher Intelligenz" an:

Large Language Models (kurz LLM) sind starke künstliche Intelligenz-Modelle, die dazu da sind, natürliche Sprache zu verstehen und zu erzeugen. Diese Modelle benutzen tiefe neuronale Netzwerke mit vielen Einstellungen, die durch maschinelles Lernen aus riesigen Datenmengen gelernt haben. LLMs haben große Fortschritte gemacht in Anwendungen wie Übersetzung von Sprachen, Schreiben von Texten, Verstehen von Texten und Beantworten von Fragen. GPT-4 und BERT sind bekannte Beispiele für solche Modelle. Weil sie so groß und komplex sind, gibt es auch Herausforderungen bei den Themen Datenschutz, ethischer Verwendung und dem Energieverbrauch.

Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz. Es ermöglicht Computern zu lernen, indem sie aus Erfahrungen lernen, Muster erkennen und Entscheidungen treffen können, ohne dass sie extra programmiert werden müssen. Es benutzt Algorithmen, um aus Daten zu lernen und sich automatisch zu verbessern. Es gibt verschiedene Arten des maschinellen Lernens, zum Beispiel überwachtes Lernen, unüberwachtes Lernen und verstärkendes Lernen. Welche Art verwendet wird, hängt von der Art und Menge der vorhandenen Daten ab.

Ein Modell im Bereich der künstlichen Intelligenz ist eine vereinfachte Darstellung eines Systems, das auf Trainingsdaten und Algorithmen basiert. Es beschreibt die Struktur und Funktionsweise der künstlichen Intelligenz. Ein KI-Modell kann aus vielen Schichten oder Neuronen bestehen, abhängig von der Art des Modells (z. B. neuronales Netzwerk). Wenn ein Modell gut trainiert wurde, kann es Muster effizient erkennen und Vorhersagen treffen.

Modellgenauigkeit bedeutet, wie gut ein KI-Modell Vorhersagen für neue, bisher unbekannte Daten treffen kann. Wenn die Modellgenauigkeit hoch ist, bedeutet das, dass das Modell die Aufgabe mit nur wenigen Fehlern oder hoher Richtigkeit erfüllen kann. Die Genauigkeit hängt davon ab, wie gut das Modell aus den Trainingsdaten gelernt hat und wie gut es dieses Wissen auf neue Daten anwenden kann.

Natural Language Processing (NLP) ist ein Teil der künstlichen Intelligenz. Es beschäftigt sich damit, wie Computer menschliche Sprache verstehen und verwenden können. NLP ermöglicht Maschinen, mit menschlicher Sprache umzugehen. Sie können sie verstehen, selbst Texte erstellen, übersetzen und damit interagieren. NLP wird in vielen Anwendungsfällen verwendet, wie z. B. bei der Spracherkennung, Übersetzung von Texten, Analyse von Texten und der Erkennung von Emotionen in Texten. Auch bei Chatbots und virtuellen Assistenten wird NLP eingesetzt, damit Menschen auf natürliche Weise mit Computern kommunizieren können.

Ein neuronales Netzwerk ist ein Computermodell, das vom menschlichen Gehirn inspiriert ist. Es besteht aus vielen künstlichen Neuronen, die in Schichten angeordnet sind und miteinander verbunden sind. Jedes Neuron empfängt Informationen, verarbeitet sie und gibt das Ergebnis an andere Neuronen weiter, bis ein bestimmtes Ziel erreicht ist. Neuronale Netzwerke werden in verschiedenen künstlichen Intelligenz-Techniken wie Deep Learning eingesetzt, um komplexe Aufgaben wie Mustererkennung, Klassifikation und Vorhersage zu erledigen.

Prädikative Analytik ist ein Teil der künstlichen Intelligenz, der sich mit Vorhersagen über die Zukunft beschäftigt. Dafür verwendet es vorhandene Daten und spezielle Techniken. Es schaut sich vergangene Daten an und erkennt Muster darin. Dann macht es Voraussagen über zukünftige Ereignisse oder Trends. Prädikative Analytik ist sehr nützlich in vielen Bereichen wie Marketing, Finanzen, Gesundheitswesen und Logistik. Dadurch können intelligente Entscheidungen getroffen und Risiken minimiert werden.

Bei künstlicher Intelligenz ist ein „Prompt" ein Text oder eine Anweisung, die einem Sprachmodell gegeben wird, damit es eine bestimmte Aufgabe erfüllen oder eine Antwort erstellen kann. Ein Prompt kann eine Frage, eine Beschreibung oder ein Satz sein. Das Modell wird dann aufgefordert, den fehlenden Teil des Textes zu ergänzen. Die Qualität und Klarheit eines Prompts beeinflussen oft, wie genau und relevant die Antwort ist, die das Modell generiert.

Schwache KI, auch Narrow AI oder Spezialisierte KI genannt, ist eine spezielle Art von künstlicher Intelligenz. Sie ist darauf programmiert, eine bestimmte Aufgabe oder nur wenige Aufgaben zu erledigen. Diese KI kann diese spezielle Aufgabe sehr gut erledigen, aber sie hat kein Bewusstsein und kann nicht außerhalb ihres speziellen Bereichs handeln. Ein Beispiel für schwache KI sind KI-Systeme für Spracherkennung, Bilderkennung, Empfehlungssysteme und autonomes Fahren. Schwache KI ist derzeit die am meisten verwendete Art von künstlicher Intelligenz und wird in vielen Anwendungen und Diensten verwendet.

Starke KI, auch General AI oder Full AI genannt, ist eine besondere Art von künstlicher Intelligenz. Dabei geht es darum, dass ein KI-System fast alles tun kann, was ein Mensch kann. Eine starke KI könnte verstehen, lernen, denken, Bewusstsein haben und Probleme in vielen verschiedenen Bereichen lösen. Derzeit gibt es noch keine starke KI und es handelt sich eher um ein theoretisches Konzept. Es ist ein langfristiges Ziel einiger KI-Forscher, eine solche künstliche Intelligenz zu erschaffen. Allerdings gibt es noch viele technische, ethische und philosophische Herausforderungen, die bewältigt werden müssen, bevor eine starke KI wirklich existieren könnte.

Das Training ist ein Prozess, bei dem ein KI-Modell durch maschinelles Lernen aus einem vorhandenen Daten-Pool lernt. Während des Trainings passt sich das Modell Schritt für Schritt an die gegebenen Daten an und verbessert seine internen Parameter, um bestimmte Aufgaben besser zu erledigen. Das Training kann je nach Komplexität des Modells und der Datenmenge einige Minuten bis zu Wochen oder länger dauern. Wenn das Modell erfolgreich trainiert wurde, kann es dann verwendet werden, um Vorhersagen für neue und bisher unbekannte Daten zu machen.

Beim überwachten Lernen handelt es sich um eine spezielle Art des maschinellen Lernens. Dabei wird ein KI-Modell mithilfe von Trainingsdaten trainiert, die bereits mit bekannten Antworten versehen sind (gelabelt sind). Das bedeutet, dass jedem Eingabebeispiel ein bekanntes Ausgabeziel oder Label zugeordnet ist. Das Modell lernt, indem es die Beziehung zwischen den Eingaben und den gewünschten Ausgaben erfasst und versucht, genaue Vorhersagen auf neuen, bisher ungesehenen Daten zu treffen. Beispiele für überwachtes Lernen sind Klassifikation und Regression.

Unüberwachtes Lernen ist eine weitere Art des maschinellen Lernens. Dabei arbeitet das Modell mit Daten, die keine Labels oder vorgegebenen Ausgabeziele haben. Anders als beim überwachten Lernen sind diese Informationen nicht vorhanden. Das Modell sucht selbst nach Mustern, Strukturen oder Gruppierungen in den Daten, um diese besser zu verstehen. Unüberwachtes Lernen wird oft für Clusteranalyse, Dimensionsreduktion und Anomalieerkennung verwendet.

In Bezug auf künstliche Intelligenz bedeutet eine Vorhersage das Ergebnis, das ein trainiertes Modell für neue und unbekannte Daten erstellt. Nachdem das Modell durch das Training Erfahrungen aus den Trainingsdaten gesammelt hat, kann es ähnliche, aber bisher noch nicht gesehene Daten analysieren und Vorhersagen treffen. Die Qualität einer Vorhersage hängt davon ab, wie gut das Modell trainiert wurde und wie repräsentativ die neuen Daten sind. Vorhersagen durch KI sind in vielen Bereichen nützlich, zum Beispiel in der Krankheitsdiagnose, Verkehrssteuerung oder personalisierten Empfehlungssystemen.