Wissen

KI-Glossar

Über 120 Begriffe rund um Künstliche Intelligenz, verständlich erklärt. Von den Grundlagen über Sprachmodelle und KI-Agenten bis zu EU AI Act und KI im Marketing.

Dieses Glossar erklärt die wichtigsten Begriffe der Künstlichen Intelligenz in klarer Sprache, für alle, die sich in das Thema einarbeiten oder einzelne Fachwörter nachschlagen möchten. Springen Sie direkt zu einem Themenblock:

Grundlagen & Schlüsselbegriffe

Künstliche Intelligenz (KI): Oberbegriff für Systeme, die Aufgaben lösen, die üblicherweise menschliche Intelligenz erfordern, etwa Sprache verstehen, Muster erkennen oder Entscheidungen treffen.
Machine Learning (Maschinelles Lernen): Teilgebiet der KI, bei dem Systeme aus Daten lernen, statt für jede Regel fest programmiert zu werden.
Deep Learning: Ein Machine-Learning-Ansatz mit vielschichtigen neuronalen Netzen, der besonders gut mit großen, unstrukturierten Daten wie Bild, Text und Audio umgeht.
Algorithmus: Eine eindeutige Schritt-für-Schritt-Vorschrift zur Lösung eines Problems, die Grundlage jedes KI-Verfahrens.
Modell: Das aus Trainingsdaten gelernte „Wissen“ eines KI-Systems, mit dem es neue Eingaben verarbeitet.
Training: Der Prozess, in dem ein Modell aus Daten lernt und seine internen Stellgrößen anpasst.
Inferenz: Die Anwendung eines fertig trainierten Modells auf neue Daten, also der eigentliche Betrieb im Gegensatz zum Training.
Parameter: Die intern gelernten Stellgrößen (Gewichte) eines Modells. Große Sprachmodelle haben Milliarden davon.
Schwache und starke KI: Schwache (enge) KI löst einzelne, klar umrissene Aufgaben. Starke KI wäre in beliebigen Aufgaben so flexibel wie ein Mensch und ist bislang hypothetisch.
AGI (Artificial General Intelligence): Eine hypothetische KI mit menschenähnlicher, allgemeiner Problemlösefähigkeit über viele Bereiche hinweg.
ASI (Artificial Superintelligence): Eine hypothetische KI, die die menschliche Intelligenz in praktisch allen Bereichen übertreffen würde.
Turing-Test: Ein von Alan Turing vorgeschlagener Test: Kann ein Mensch im Gespräch Maschine und Mensch nicht mehr unterscheiden, gilt die Maschine als „intelligent“.
Symbolische KI: Klassischer KI-Ansatz mit expliziten Regeln und Logik, im Gegensatz zum datengetriebenen maschinellen Lernen.
Data Science: Fachgebiet, das Statistik, Programmierung und Fachwissen verbindet, um aus Daten Erkenntnisse zu gewinnen.

Maschinelles Lernen

Überwachtes Lernen: Lernen aus gelabelten Beispielen, also aus Eingaben mit der jeweils gewünschten Ausgabe.
Unüberwachtes Lernen: Lernen aus ungelabelten Daten, um selbstständig Strukturen oder Gruppen zu finden.
Bestärkendes Lernen: Lernen durch Belohnung und Bestrafung, während ein System mit einer Umgebung interagiert.
Selbstüberwachtes Lernen: Das Modell erzeugt seine Lernziele selbst aus den Daten, etwa indem es das nächste Wort vorhersagt. Die Grundlage moderner Sprachmodelle.
Klassifikation: Vorhersage einer Kategorie, zum Beispiel Spam oder kein Spam.
Regression: Vorhersage eines kontinuierlichen Werts, zum Beispiel eines Preises.
Clustering: Automatisches Gruppieren ähnlicher Datenpunkte ohne vorgegebene Kategorien.
Feature (Merkmal): Eine einzelne messbare Eigenschaft der Eingabedaten.
Label (Zielwert): Die korrekte Antwort, aus der ein überwachtes Modell lernt.
Trainings-, Validierungs- und Testdaten: Die Aufteilung der Daten zum Lernen, zum Feinjustieren und zum unabhängigen Bewerten eines Modells.
Overfitting (Überanpassung): Das Modell lernt die Trainingsdaten quasi auswendig und versagt bei neuen Daten.
Underfitting (Unteranpassung): Das Modell ist zu einfach und erfasst die Muster in den Daten nicht ausreichend.
Bias-Varianz-Abwägung: Die Balance zwischen zu einfachen Modellen (Bias) und zu komplexen Modellen (Varianz).
Kreuzvalidierung: Ein Verfahren, das die Daten mehrfach unterschiedlich aufteilt, um die Modellgüte robuster zu schätzen.
Feature Engineering: Das Aufbereiten und Konstruieren aussagekräftiger Merkmale aus Rohdaten.
Entscheidungsbaum und Random Forest: Regelbasierte Modelle beziehungsweise deren Kombination zu einem robusteren „Wald“ aus vielen Bäumen.

Neuronale Netze & Deep Learning

Neuronales Netz: Ein von Nervenzellen inspiriertes Modell aus vernetzten „Neuronen“, die in Schichten angeordnet sind.
Neuron (Knoten): Eine Recheneinheit, die Eingaben gewichtet summiert und über eine Aktivierungsfunktion weitergibt.
Schicht (Layer): Eine Ebene von Neuronen. „Tiefe“ Netze haben viele davon.
Gewicht: Der gelernte Einfluss einer Verbindung zwischen zwei Neuronen.
Aktivierungsfunktion: Eine nichtlineare Funktion wie ReLU, die einem Netz erst das Lernen komplexer Zusammenhänge ermöglicht.
Backpropagation: Das Verfahren, mit dem der Fehler rückwärts durchs Netz verteilt wird, um die Gewichte gezielt anzupassen.
Gradientenabstieg: Ein Optimierungsverfahren, das die Gewichte schrittweise in Richtung eines geringeren Fehlers verschiebt.
Verlustfunktion (Loss): Ein Maß dafür, wie stark die Vorhersage vom Zielwert abweicht.
Epoche: Ein vollständiger Durchlauf durch alle Trainingsdaten.
CNN (Convolutional Neural Network): Eine Netzarchitektur für Bilder und räumliche Muster.
RNN und LSTM: Netze für Sequenzen wie Text oder Zeitreihen. LSTMs merken sich längere Zusammenhänge.
Transformer: Die Architektur hinter modernen Sprachmodellen. Sie verarbeitet Sequenzen parallel über den Attention-Mechanismus.
Attention (Aufmerksamkeit): Ein Mechanismus, mit dem ein Modell gewichtet, welche Teile der Eingabe für die aktuelle Ausgabe wichtig sind.
GAN (Generative Adversarial Network): Zwei konkurrierende Netze, ein Generator und ein Diskriminator, die zusammen realistische Daten erzeugen.
Autoencoder: Ein Netz, das Daten komprimiert und wieder rekonstruiert, um kompakte Repräsentationen zu lernen.
Diffusionsmodell: Ein generatives Verfahren, das aus Rauschen schrittweise ein Bild oder Audio entstehen lässt. Basis vieler Bildgeneratoren.

Generative KI & Sprachmodelle

Generative KI: KI, die neue Inhalte erzeugt, also Text, Bilder, Audio, Video oder Code.
Large Language Model (LLM): Ein großes Sprachmodell, das auf riesigen Textmengen trainiert wurde und menschenähnlichen Text erzeugt.
Foundation Model (Basismodell): Ein großes, breit vortrainiertes Modell, das als Grundlage für viele verschiedene Anwendungen dient.
GPT: Kurz für „Generative Pretrained Transformer“, die Modellfamilie hinter vielen bekannten Chatbots.
Token: Die kleinste Verarbeitungseinheit eines Sprachmodells, meist ein Wortteil, aus dem Text zusammengesetzt wird.
Tokenisierung: Das Zerlegen von Text in Tokens.
Embedding: Die Darstellung von Wörtern, Sätzen oder Bildern als Zahlenvektor, in dem Ähnliches nah beieinander liegt.
Kontextfenster (Context Window): Die maximale Menge an Text in Tokens, die ein Modell gleichzeitig berücksichtigen kann.
Temperatur (Temperature): Ein Parameter, der steuert, wie kreativ beziehungsweise zufällig die Ausgaben eines Modells ausfallen.
Multimodales Modell: Ein Modell, das mehrere Datenarten zugleich versteht oder erzeugt, etwa Text, Bild, Audio und Video.
Halluzination: Eine überzeugend formulierte, aber sachlich falsche oder frei erfundene Ausgabe eines Sprachmodells.
Reasoning-Modell: Ein Sprachmodell, das vor der Antwort explizit „nachdenkt“ und Zwischenschritte erzeugt, um komplexe Aufgaben zuverlässiger zu lösen.
Mixture of Experts (MoE): Eine Architektur, bei der pro Anfrage nur passende Teil-Netze („Experten“) aktiv werden, was große Modelle effizienter macht.
Text-to-Image und Text-to-Video: Generative Systeme, die aus einer Textbeschreibung Bilder beziehungsweise Videos erzeugen.
Text-to-Speech und Speech-to-Text: Die Umwandlung von Text in gesprochene Sprache und umgekehrt.
Open-Source-Modell: Ein Modell, dessen Gewichte frei verfügbar sind und das lokal betrieben werden kann.

Prompting & Interaktion

Prompt: Die Eingabe beziehungsweise Anweisung, mit der man ein KI-Modell steuert.
Prompt Engineering: Die Kunst, Prompts so zu formulieren, dass ein Modell brauchbare und zuverlässige Ergebnisse liefert.
System-Prompt: Eine übergeordnete Anweisung, die Rolle und Verhalten des Modells für den gesamten Dialog festlegt.
Zero-Shot und Few-Shot: Eine Aufgabe ohne Beispiele beziehungsweise mit einigen Beispielen im Prompt lösen.
In-Context-Learning: Die Fähigkeit eines Modells, allein aus Beispielen im Prompt eine Aufgabe zu übernehmen, ohne neu trainiert zu werden.
Chain-of-Thought (Gedankenkette): Das Modell wird angeleitet, Schritt für Schritt zu denken, um komplexe Aufgaben zuverlässiger zu lösen.
RAG (Retrieval-Augmented Generation): Ein Verfahren, bei dem ein Modell zur Laufzeit passende Dokumente abruft und in seine Antwort einbezieht. Reduziert Halluzinationen.
Grounding: Das Verankern von Antworten in verlässlichen, überprüfbaren Quellen.
Prompt Injection: Ein Angriff, bei dem versteckte Anweisungen ein Modell zu unerwünschtem Verhalten verleiten.
Guardrails (Leitplanken): Regeln und Filter, die unerwünschte oder unsichere Ausgaben eines Modells verhindern.

KI-Agenten & Automatisierung

Agentische KI: KI-Systeme, die eigenständig Ziele verfolgen, planen, Werkzeuge nutzen und mehrschrittige Aufgaben umsetzen.
KI-Agent: Ein Programm, das mit einem Sprachmodell im Kern selbstständig Entscheidungen trifft und Aktionen ausführt.
Function Calling (Tool Use): Die Fähigkeit eines Modells, externe Werkzeuge oder Programmierschnittstellen gezielt aufzurufen.
MCP (Model Context Protocol): Ein offener Standard, über den KI-Anwendungen einheitlich auf externe Tools und Datenquellen zugreifen.
Multi-Agenten-System: Mehrere zusammenarbeitende KI-Agenten, die Teilaufgaben untereinander aufteilen.
Orchestrierung: Das Steuern und Koordinieren mehrerer KI-Schritte, Tools oder Agenten zu einem Gesamtablauf.
Workflow-Automatisierung: Die Verknüpfung von KI mit anderen Systemen, etwa über n8n oder Zapier, um Abläufe automatisch auszuführen.
Test-Time-Compute: Zusätzliche Rechenzeit, die ein Modell zur Laufzeit fürs „Nachdenken“ aufwendet, um bessere Antworten zu liefern.
Human-in-the-Loop: Ein Ablauf, in dem ein Mensch KI-Entscheidungen prüft, freigibt oder korrigiert.
Copilot (Assistent): KI, die Menschen assistierend bei Aufgaben unterstützt, statt sie vollständig zu ersetzen.

Training & Optimierung

Pre-Training: Das erste, breite Training eines Modells auf großen, allgemeinen Datenmengen.
Fine-Tuning (Feinabstimmung): Das Nachtrainieren eines Basismodells auf spezielle Daten oder Aufgaben.
Transfer Learning: Wissen aus einem vortrainierten Modell auf eine neue Aufgabe übertragen.
RLHF: Reinforcement Learning from Human Feedback: Modelle an menschlichen Vorlieben ausrichten, indem Menschen Ausgaben bewerten.
DPO (Direct Preference Optimization): Ein neueres Verfahren, um Modelle direkt an bevorzugten Antworten auszurichten.
LoRA und QLoRA: Ressourcenschonende Fine-Tuning-Methoden, die nur wenige zusätzliche Parameter trainieren.
Distillation (Wissensdestillation): Ein großes „Lehrer“-Modell bringt einem kleineren, schnelleren „Schüler“-Modell sein Wissen bei.
Quantisierung: Die Verringerung der Zahlengenauigkeit eines Modells, um Speicher zu sparen und es schneller, etwa lokal, laufen zu lassen.
Synthetische Daten: Künstlich erzeugte Trainingsdaten, die reale Daten nachbilden, ohne echte personenbezogene Informationen zu nutzen.
Datenannotation (Labeling): Das Versehen von Rohdaten mit korrekten Antworten für das überwachte Lernen.
Alignment (Ausrichtung): Das Bestreben, KI-Verhalten an menschlichen Werten und Zielen auszurichten.

Daten & Infrastruktur

Trainingsdaten: Die Datenbasis, aus der ein Modell lernt. Ihre Qualität prägt das Ergebnis maßgeblich.
Vektordatenbank: Ein Speicher für Embeddings, der eine schnelle Ähnlichkeitssuche ermöglicht und zentral für RAG ist.
GPU und TPU: Spezialprozessoren, die das rechenintensive Training und den Betrieb von KI beschleunigen.
Edge-KI und On-Device-KI: KI, die lokal auf dem Gerät statt in der Cloud läuft, was schneller und datenschutzfreundlicher ist.
Lokales Modell: Ein Modell, das auf eigener Hardware betrieben wird, etwa über Ollama oder LM Studio, ohne Daten an Dritte zu senden.
API (Programmierschnittstelle): Ein Zugang, über den Anwendungen KI-Dienste aufrufen.
Inferenzkosten: Der Rechen- und Kostenaufwand pro Modellanfrage im laufenden Betrieb.
Compute (Rechenleistung): Die gebündelte Rechenleistung, auf der große KI-Modelle trainiert und betrieben werden.
KI-Souveränität: Der Aufbau eigener KI-Infrastruktur und -Modelle, um unabhängig von großen Anbietern zu bleiben und die Kontrolle über Daten zu behalten.

Bewertung & Qualität

Benchmark: Ein standardisierter Test, um Modelle vergleichbar zu bewerten.
Accuracy (Genauigkeit): Der Anteil der insgesamt korrekten Vorhersagen.
Precision und Recall: Präzision beschreibt, wie viele der Treffer richtig sind. Trefferquote beschreibt, wie viele der relevanten Fälle gefunden werden.
F1-Score: Ein kombiniertes Maß aus Precision und Recall.
Perplexity: Ein Maß dafür, wie „überrascht“ ein Sprachmodell von einem Text ist. Je niedriger, desto besser passt das Modell.
Evaluation (Evaluierung): Das systematische Prüfen der Modellgüte, oft mit Testdaten oder menschlicher Bewertung.
Explainable AI (Erklärbare KI): Methoden, die die Entscheidungen einer KI für Menschen nachvollziehbar machen.
Red Teaming: Das gezielte Testen eines Modells auf Schwachstellen und Fehlverhalten.
Konfidenz: Die Sicherheit, mit der ein Modell eine Ausgabe für richtig hält. Sie ist nicht mit tatsächlicher Korrektheit zu verwechseln.

Ethik, Recht & Governance

EU AI Act: Die KI-Verordnung der EU, die KI-Systeme nach Risiko einstuft und Pflichten für Anbieter und Anwender festlegt. Ausführlicher Überblick: Was der EU AI Act für Ihr Unternehmen bedeutet →
KI-Kompetenz (AI Literacy): Nach dem EU AI Act die Pflicht, Mitarbeitende im kompetenten und sicheren Umgang mit KI zu schulen.
DSGVO und KI: Die datenschutzrechtlichen Anforderungen an den Umgang mit personenbezogenen Daten in KI-Systemen.
KI-Governance: Der organisatorische Rahmen aus Regeln, Rollen und Prozessen für den verantwortungsvollen KI-Einsatz.
Bias (Verzerrung): Systematische Schieflagen in Daten oder Modellen, die zu unfairen Ergebnissen führen.
Fairness: Das Ziel, dass KI-Systeme verschiedene Gruppen nicht ungerecht benachteiligen.
Transparenz: Die Offenlegung, wann und wie KI eingesetzt wird und wie sie zu Ergebnissen kommt.
Deepfake: Mit KI erzeugte, täuschend echte Fälschungen von Bild, Video oder Stimme.
Urheberrecht und KI: Rechtsfragen rund um Trainingsdaten und die Nutzung KI-erzeugter Inhalte.
Chief AI Officer (CAIO): Eine Führungsrolle, die die unternehmensweite KI-Strategie, Governance und Compliance verantwortet.
Wasserzeichen (Watermarking): Eine meist unsichtbare Kennzeichnung KI-generierter Inhalte zur Nachverfolgbarkeit.

KI in Suche & Marketing

Generative Engine Optimization (GEO): Die Optimierung von Inhalten für KI-Antwortsysteme wie ChatGPT, Perplexity oder Google AI Overviews.
AI Overviews: KI-generierte Antwortzusammenfassungen direkt in der Google-Suche.
Answer Engine: Ein System, das direkte Antworten liefert, statt nur Links aufzulisten, zum Beispiel Perplexity.
KI-Crawler: Bots, mit denen KI-Anbieter Webinhalte für Training und Antworten einsammeln, etwa GPTBot, ClaudeBot oder PerplexityBot.
llms.txt: Ein vorgeschlagener Standard, mit dem Websites KI-Systemen strukturiert mitteilen, welche Inhalte sie nutzen dürfen.
AI-Sichtbarkeit: Wie präsent und wie korrekt eine Marke in KI-generierten Antworten erscheint.
Structured Data (Schema): Maschinenlesbare Auszeichnung von Inhalten, die KI und Suchmaschinen das Verstehen erleichtert.

KI im Unternehmen richtig nutzen?

Von der Einordnung nach EU AI Act über KI-Schulungen bis zur Automatisierung mit KI: minoka begleitet Sie praxisnah.

Zur KI-Beratung