KI-Glossar

Der Einsatz von Algorithmen zur automatisierten Ableitung von Entscheidungen auf Basis großer Datenmengen. Dieser wird beispielsweise bei Kreditwürdigkeitsprüfungen oder dem Aufdecken von Versicherungsbetrügen angewendet.

Ein Ansatz von KI, der darauf abzielt, menschliche Fähigkeiten zu erweitern und nicht zu ersetzen. Dabei werden maschinelle Datenverarbeitung mit menschlichem Fachwissen kombiniert, um datengestützte Entscheidungen zu treffen und bessere Ergebnisse zu erzielen.

Eine Form künstlicher Intelligenz, die ohne menschliches Eingreifen eigenständig Entscheidungen trifft und Handlungen ausführt. Sie verfolgt eine vorgegebene Zielsetzung und reagiert auf Basis von Umgebungsdaten. Ein typisches Beispiel ist das autonome Fahren in Fahrzeugen.

Überbegriff für Systeme, die menschenähnliches Denken, Lernen und Problemlösen simulieren, um eigenständig Aufgaben zu bewältigen. Die EU definiert KI als maschinengestützte Systeme, die in unterschiedlichem Maße autonom agieren und aus Eingaben Ausgaben wie Vorhersagen, Empfehlungen oder Entscheidungen generieren können.

Allgemeine künstliche Intelligenz ist ein Konzept einer künstlichen Intelligenz, die den kognitiven Leistungen eines Menschen gleicht oder diese sogar übertrifft. Im Gegensatz dazu stehen spezialisierten KI-Systeme.

Ein Konzept künstlicher Intelligenz, bei dem die Technologie Menschen bei bestimmten Aufgaben unterstützt, diese aber nicht vollständig übernimmt. Die Entscheidungsverantwortung bleibt daher beim Menschen. Typische Einsatzbereiche sind z. B. Textentwürfe in E-Mails oder Rechnungen, bei denen die KI Vorschläge oder Teilautomatisierungen liefert.

KI-gestützte Software, die automatisierte, dialogbasierte Interaktionen mit Nutzern ermöglicht. Eine häufige Anwendung ist im Kundenservice bei der Beantwortung von häufig gestellten Fragen (FAQs).

Eine KI, welche auf die Verarbeitung von audiovisuellen Daten spezialisiert ist. Bekannte Anwendungsfälle sind Gesichtserkennung, Qualitätskontrolle oder Objekterkennung.

KI-Systeme, deren Entscheidungen für Menschen nachvollziehbar und transparent sind. So können das Vertrauen und die Akzeptanz der Menschen in die KI gesteigert werden.

Ethische KI ist die Entwicklung und der Einsatz von KI unter Berücksichtigung ethischer Prinzipien wie Fairness, Datenschutz, Transparenz und Verantwortung.

KI-Modell, das aus zwei miteinander konkurrierenden neuronalen Netzwerken besteht: einem Generator, der versucht, realistische Inhalte zu erzeugen, und einem Diskriminator, der zwischen echten und künstlich erzeugten Daten unterscheidet. Durch dieses Wechselspiel verbessert der Generator seine Ergebnisse stetig, bis die erzeugten Inhalte kaum noch von echten zu unterscheiden sind.

Eine KI-Architektur insbesondere für Sprachmodelle, welche darauf ausgelegt sind große Textmengen zu verarbeiten und anschließend zu generieren. Sie basiert auf der Architektur von Transformern und wird mit Datensätzen vortrainiert.

KI, die neue visuelle und auditive Inhalte wie Texte, Bilder, Musik oder Code generiert.

Teilbereich der Ethik, der sich mit den gesellschaftlichen und moralischen Auswirkungen von KI-Systemen befasst, darunter Datenschutz, Verantwortung und Transparenz.

Ein KI-Modell ist ein Rechenmodell, das auf einer bestimmten Architektur basiert, wie etwa neuronalen Netzen oder einem Transformer-Modell. Unabhängig von der Architektur durchläuft jedes Modell einen ähnlichen Prozess: Es wird mit Daten trainiert, um Muster zu erkennen, Informationen zu analysieren und konkrete Aufgaben zu lösen. Die KI-Anbieter, wie bspw. OpenAI oder Mistral, bieten oft unterschiedliche Modelle mit unterschiedlichen Stärken und Fähigkeiten an.

Prozess, bei dem ein KI-Modell mit Datensätzen „angelernt“ wird, um Muster zu erkennen und daraus Vorhersagen oder Entscheidungen abzuleiten.

Teilbereich der KI, bei dem Systeme aus Daten lernen und sich selbständig verbessern, ohne explizit programmiert zu werden.

Eine Art von KI, die Informationen aus verschiedenen Datenquellen (z. B. Text, Bild, Audio) kombiniert und verarbeitet.

Ein Problem im Machine Learning, bei dem ein Modell zu stark an die Trainingsdaten angepasst ist und anschließend neue unbekannte Daten nicht verarbeiten kann.

Machine Learning Methode, bei der das KI-Modell mit gelabelten (d. h. mit richtigen Ergebnissen markierten) Daten trainiert wird.

Ein Problem im Machine Learning, bei dem ein Modell zu einfach ist und weder Trainings- noch Testdaten gut abbilden kann. Das Lernen bleibt zu "oberflächlich".

Machine Learning Methode, bei der das KI-Modell ohne gelabelte Daten arbeitet und eigenständig Muster oder Strukturen erkennt