A
Adversarial Learning oder gegnerisches Lernen: Beim gegnerischen Lernen wird versucht, ein Modell durch Lernen mit sogenannten gegnerischen Beispielen (Adversarial Examples) robuster gegenüber Angriffen zu machen. Diese Beispiele sind gezielt gestört, um falsche Ergebnisse herbeizuführen.
AI Act (zu Deutsch „Verordnung über Künstliche Intelligenz“ oder KI-Verordnung): Das erste transnationale Gesetz zur Regulierung Künstlicher Intelligenz. Ein Anliegen der Europäischen Union ist es, EU-Bürger vor möglichen negativen Auswirkungen von KI-Anwendungen zu schützen und gleich- zeitig die Innovation im Bereich vertrauenswürdiger Künstlicher Intelligenz zu fördern.
Algorithmus: Eine strukturierte Abfolge von Anweisungen oder Regeln, die ein Computer befolgt, um ein Problem zu lösen. Algorithmen sind die Grundlage jeder Software und spielen eine zentrale Rolle in der KI-Entwicklung.
Digitale Assistenzsysteme: Systeme, die die Zusammenarbeit zwischen Mensch und Computer optimieren. Sie sind in zahlreichen Handlungsfeldern anzutreffen – vom Dokumentenmanagement im kaufmännischen Bereich, über Sprachassistenten, die Fragen beantworten oder Anweisungen entgegennehmen, bis zur Produktion und Montage, wo sie mit Methoden der Künstlichen Intelligenz den Menschen unterstützen.
Artificial Intelligence (AI): Die Fähigkeit von Maschinen, menschenähnliche Aufgaben wie Lernen, Entscheiden und Problemlösen eigenständig auszuführen. KI nutzt Algorithmen und Daten, um Muster zu erkennen und sich an neue Situationen anzupassen, ohne explizite Programmierung.
Autonome Systeme: Geräte und Softwaresysteme, die ohne Steuerung durch den Menschen und ohne vorprogrammierte Abläufe selbstständig agieren und reagieren. Sie sind von automatisierten Systemen zu unterscheiden, die vorgegebene Handlungsabläufe ausführen, sie aber nicht selbstständig ändern können. Um situativ zu reagieren, müssen autonome Geräte über Sensoren verfügen und Softwaresysteme digitale Datenströme beobachten. Das Verhalten wird meist durch Maschinelles Lernen antrainiert und kann laufend verbessert werden.
Artificial Neural Network (ANN): Ein mathematisches Modell, das von der Struktur des menschlichen Gehirns inspiriert ist. Es besteht aus Schichten von künstlichen Neuronen, die durch Gewichte miteinander verbunden sind und zur Mustererkennung oder Entscheidungsfindung genutzt werden.
B
Basismodelle oder Foundation Models: Große maschinelle Lernmodelle, die auf Basis einer großen Menge allgemeiner Daten trainiert wurden. Nach diesem Vortraining können die Modelle für eine Vielzahl spezifischer Aufgaben feinjustiert werden. Ein bekanntes Beispiel für Foundation Models sind große Sprachmodelle oder Large Language Models (LLMs), die Milliarden von Parametern besitzen und komplexe NLP-Aufgaben wie Textklassifikation, Textgenerierung, Sprachübersetzung, Sentimentanalyse und Frage-Antwort-Systeme beherrschen. Neben der Verwendung in Sprachmodellen gibt es visuelle und multimodale Foundation Models, die zum Beispiel Bilder aus Text erzeugen.
Big Data: Sehr große, komplexe Datensätze, die mit herkömmlichen Methoden nicht effizient verarbeitet werden können. In der KI werden Big-Data-Technologien genutzt, um aus riesigen Datenmengen Muster und Erkenntnisse zu gewinnen.
Bot: Ein automatisiertes Computerprogramm, das Aufgaben weitgehend automatisch oder autonom ausführt, wie Kundenanfragen in einem Chat beantworten oder Suchmaschinen unterstützen. KI-gesteuerte Bots sind oft lernfähig und interaktiv.
C
Computer Vision: Ein Bereich der KI, der es Computern ermöglicht, visuelle Daten aus Bildern oder Videos zu analysieren und zu interpretieren. Dies wird in Anwendungen wie Gesichtserkennung, medizinischer Bildanalyse und autonomem Fahren genutzt.
D
Data Mining: Eine Methode zur Analyse großer Datenmengen, um versteckte Muster, Trends oder Zusammenhänge zu entdecken. Dies wird häufig für Vorhersagemodelle, Betrugserkennung und Geschäftsanalysen verwendet.
Data Science oder Datenwissenschaft: Ein interdisziplinäres Wissenschaftsfeld, das sich mit Methoden, Prozessen und Algorithmen zur Extraktion von Erkenntnissen aus strukturierten und unstrukturierten Daten beschäftigt. Ein Data Scientist identifiziert und analysiert verfügbare Datenressourcen, eruiert Bedarfe und entwickelt Konzepte, um die Daten gewinnbringend zu nutzen.
Deep Learning (DL) oder Tiefes Lernen: Ein Teilbereich des maschinellen Lernens, der auf tiefen neuronalen Netzwerken basiert. Durch viele verborgene Schichten kann Deep Learning komplexe Muster in Daten erkennen, etwa für die Sprachverarbeitung, Bilderkennung und autonome Systeme.
Diffusionsmodelle oder Diffusion Models: Solche Modelle können Daten erzeugen, die ihren Trainingsdaten ähneln. Als generative KI-Modelle sind sie in der Lage, Bilder auf der Grundlage eines Text-Prompts zu erzeugen. Dies wird erreicht, indem den Trainingsbildern Gaußsches Rauschen hinzugefügt wird und das Modell darauf trainiert wird, das Bild wieder zu entrauschen. Das trainierte Modell kann dann aus einem zufälligen Rauschen ein Bild erzeugen, das seinen Trainingsbildern ähnelt.
Diskriminative KI oder Discriminative AI: Diese KI-Modelle lernen, Daten zu unterscheiden und zu klassifizieren. Im Gegensatz zu generativen KI-Modellen, die neue Daten erzeugen, ordnen diskriminative Modelle Eingabedaten ihnen bekannten Kategorien zu, zum Beispiel Tierbilder in Bilder von Hunden oder Katzen.
E
Echtzeit oder Realtime: Die ständige Betriebsbereitschaft eines Systems und die Fähigkeit, alle Reaktionen und Rechenschritte in einer bestimmten kurzen Zeitspanne durchzuführen.
Erklärbare KI oder Explainable AI: Black-Box-Modelle, wie insbesondere die tiefen Künstlichen Neuronalen Netze, sind für Menschen nicht nachvollziehbar. Die Erklärbare KI sucht nach Möglichkeiten, die versteckte Logik oder die einzelnen Ausgaben besser nachvollziehbar oder erklärbar zu machen.
Experten-System: Ein KI-Programm, das domänenspezifisches Wissen nutzt, um logische Schlussfolgerungen zu ziehen und Probleme zu lösen. Es basiert auf einer Wissensbasis und einer Inferenzmaschine, die Regeln anwendet.
F
Feature Engineering: Der Prozess der Auswahl, Transformation und Erstellung relevanter Merkmale (Features) für ein maschinelles Lernmodell. Gutes Feature Engineering verbessert die Leistung eines Modells erheblich.
G
Generative KI oder Generative AI: Diese KI-Modelle werden eingesetzt, um neue Daten zu erzeugen, die ähnliche statistische Eigenschaften wie ein gegebener Datensatz haben. So können zum Beispiel Text, Bilder, Audio, Video, Programmcode, 3D-Modelle oder Simulationen erzeugt werden, die den Anweisungen des Nutzers folgen.
Generative Adversarial Networks (GANs): Ein KI-Ansatz, bei dem zwei neuronale Netzwerke (Generator und Diskriminator) gegeneinander antreten, um realistische Daten zu generieren. GANs werden häufig zur Bilderzeugung, Stiltransfer und Deepfake-Technologie eingesetzt.
Große Sprachmodelle oder Large Language Models (LLMs): Basismodelle oder Foundation Models, die für die Verarbeitung natürlicher Sprache mit großen Mengen von Textdaten trainiert wurden. Die Modelle lernen, Texte fortzusetzen, indem sie statistische Beziehungen zwischen Wörtern herstellen, und damit Wissen über Syntax, Semantik und Ontologie der Sprache, aufbauen. Nach diesem Vortraining können die Modelle für ihren spezifischen Einsatz, beispielsweise als Chatbot, feinjustiert werden. Ihre Transformer-Architektur ermöglicht die effiziente Verarbeitung großer Datenmengen und die Berücksichtigung entfernter Abhängigkeiten in Daten.
H
Hybride KI: Diese Form der KI kombiniert datenbasiertes Maschinelles Lernen, Wissensrepräsentation und logisches Schließen. Wissen und die jeweiligen Schlussfolgerungen werden direkt in den Lernprozess eingebracht, um zum Beispiel die menschliche Fähigkeit nachzubilden, Bedeutungen aus dem Kontext heraus korrekt zu verstehen und das KI-System robuster zu gestalten.
I
Internet of Things (IoT) oder Internet der Dinge: Die Vernetzung von physischen Produkten, Maschinen, Fahrzeugen, die dazu führt, dass diese untereinander Daten austauschen oder über das Internet bereitstellen können. Die gesammelten Informationen können genutzt werden, um Prozesse zu automatisieren oder Autonome Systeme aufzubauen.
K
KI-Agent: Selbstlernendes System, das auf Basis von Künstlicher Intelligenz Entscheidungen treffen und Aufgaben eigenständig ausführen kann. Ein KI-Agent reagiert auf seine Umgebung, verarbeitet Informationen und agiert autonom, um spezifische Ziele zu erreichen, oft durch maschinelles Lernen oder regelbasierte Verfahren.
Kognitive Maschinen, kognitive Systeme: Alternative Begriffe für künstliche intelligente Systeme oder auch Künstliche Intelligenz. Sie zeichnen sich durch Fähigkeiten des Lernens und Schlussfolgerns sowie der Sprachverarbeitung, Bildverarbeitung und Interaktion mit dem Nutzer aus.
Künstliche Intelligenz (KI): Die Fähigkeit von Maschinen, menschenähnliche Aufgaben wie Lernen, Entscheiden und Problemlösen eigenständig auszuführen. KI nutzt Algorithmen und Daten, um Muster zu erkennen und sich an neue Situationen anzupassen, ohne explizite Programmierung.
Künstliche Neuronale Netze (KNN): Modelle des Maschinellen Lernens nach dem Vorbild der natürlichen neuronalen Netze des Gehirns. Sie bestehen aus vielen in Software realisierten Schichten von Knoten, die als künstliche Neuronen bezeichnet werden. Mithilfe von Beispielen verändert ein Lernalgorithmus die Gewichte, Zahlenwerte an den Verbindungen zwischen den Knoten, solange, bis die Ergebnisse für die Aufgabe gut genug sind. Die Anzahl der Knoten, Schichten und ihre Verknüpfung untereinander wirkt sich maßgeblich auf die Lösungskompetenz des Modells aus.
L
Large Language Model (LLM): Ein leistungsfähiges KI-Modell, das auf riesigen Textdatenmengen trainiert wurde, um menschenähnlichen Text zu verstehen und zu generieren. Bekannte Beispiele sind GPT-Modelle und BERT.
M
Maschinelles Lernen oder Machine Learning (ML): Eine Methode der KI, bei der ein System aus Daten lernt, ohne explizit programmiert zu werden. Maschinelles Lernen kann in überwachte, unüberwachte und bestärkende Lernmethoden unterteilt werden. Damit kommt das Maschinelle Lernen ohne manuelle Wissenseingabe oder explizite Programmierung eines Lösungswegs aus.
Maschinelle Sprachverarbeitung oder Natural Language Processing (NLP): Umfasst Techniken zur Erkennung, Interpretation und Erzeugung von natürlicher Sprache in Wort und Schrift. Dazu gehören die Vertextung gesprochener Sprache, Stimmungserkennung, Informationsextraktion aus Texten, maschinelle Übersetzung und das Führen von Gesprächen.
Monte-Carlo-Methoden: Algorithmen, die auf zufälligen Stichproben basieren, um komplexe Probleme zu lösen. Sie werden häufig für Simulationen, Finanzprognosen und Optimierungsprobleme verwendet.
Modell: Ein Modell ist eine Abstraktion der Wirklichkeit. Im Maschinellen Lernen erzeugt ein Lernalgorithmus ein Modell, das die eingespeisten Daten generalisiert. Das Modell kann anschließend auch auf neue Daten angewandt werden.
Multimodale KI: Während unimodale KI-Systeme nur einen Datentyp verarbeiten oder erzeugen können, kann multimodale KI mit verschiedenen Datentypen wie Text, Bild und Audio umgehen. Multimodale Modelle sind flexibler, da sie mit unterschiedlichen Datentypen trainiert werden.
N
Neuronales Netzwerk: Ein KI-Modell, das aus künstlichen Neuronen besteht und Mustererkennung sowie Entscheidungsfindung ermöglicht. Es ist besonders leistungsfähig bei Aufgaben wie Bilderkennung und Sprachverarbeitung.
Natural Language Processing (NLP): Ein Bereich der KI, der sich mit der Verarbeitung, Analyse und Erzeugung natürlicher Sprache befasst. Anwendungen reichen von Sprachassistenten bis hin zur maschinellen Übersetzung.
P
Predictive Maintenance (PM) oder vorausschauende Wartung: Bei vorausschauender Wartung soll eine Störung erkannt werden, bevor sie auftritt. Die von Sensoren erfassten Daten werden in Echtzeit ausgewertet, um frühzeitigen Verschleiß oder Fehler in der Produktionskette zu erkennen, die entsprechenden Produktionsmittel rechtzeitig zu warten und letztlich Ausfallzeiten oder Fehlproduktionen zu vermeiden. Maschinelles Lernen ist eine erfolgreiche Methode für die Prognose von Ausfällen.
Q
Quantencomputer: Basieren ihre elementaren Rechenschritte auf quantenmechanischen Zuständen – sogenannten Qubits – anstelle der binären Zustände (Bits) in digitalen Computern. Qubits werden anhand quantenmechanischer Prinzipien verarbeitet, wodurch für manche Anwendungen ein enormer Geschwindigkeitsvorteil erwartet wird. Durch die neuen Rechnerarchitekturen sind auch Potenziale bezogen auf Maschinelles Lernen und somit die Quanten-KI prognostizierbar.
R
Reinforcement Learning oder Bestärkendes Lernen: Eine Technik des maschinellen Lernens, bei der ein Lernalgorithmus bzw. Agent durch Belohnungen und Bestrafungen (Feedback) lernt, um optimale Entscheidungen zu treffen. Dies wird in Robotik, Spiel-KI und autonomen Systemen eingesetzt.
Roboter: Maschinen oder Geräte, die darauf abzielen, bestimmte physische und kommunikative Aufgaben des Menschen zu übernehmen. Beispiele sind Service- und Industrieroboter. Die Autonomie von Robotersystemen steigt in dem Maße, wie sie selbstständig durch Maschinelles Lernens komplexe Aufgaben lösen können.
Robotik: Ein interdisziplinäres Feld, das sich mit der Entwicklung intelligenter Maschinen beschäftigt, die physische Aufgaben autonom oder teilautonom ausführen können.
S
Schwache KI: Setzt KI-Methoden zur Lösung eng umrissener Aufgaben ein. Während sie in Bereichen wie der Bildanalyse menschliche Fähigkeiten bereits übertreffen kann, erreicht Schwache KI bei weiter gefassten Aufgaben im größeren Kontext oder bei Aufgaben, die Weltwissen erfordern, bei Weitem nicht das gleiche Niveau.
Supervised Learning: Ein Ansatz des maschinellen Lernens, bei dem ein Modell anhand von gelabelten Trainingsdaten trainiert wird, um Vorhersagen zu treffen.
Starke KI oder Artificial General Intelligence (AGI): Starke KI steht für das Ziel, mit KI-Techniken menschliche Intelligenz in vollem Umfang und außerhalb einzelner, eng definierter Handlungsfelder nachzubilden.
Swarm Intelligence: Ein kollektiver KI-Ansatz, bei dem viele einfache Agenten kooperieren, um intelligente Lösungen zu finden. Inspiriert von biologischen Systemen wie Ameisenkolonien.
T
Token: Eine einzelne Einheit von Daten, die in der Regel ein Wort, ein Satzzeichen oder ein Teil eines Wortes darstellt und von Sprachmodellen verwendet wird, um Texte zu verarbeiten und zu generieren. Die Anzahl der Tokens beeinflusst oft die Verarbeitungszeit und die Kosten bei der Nutzung solcher KI-Modelle.
Transformer: Eine Deep-Learning-Architektur, die einen Aufmerksamkeitsmechanismus (Attention Mechanism) verwendet, um Beziehungen zwischen Wörtern abzubilden. Aufgrund der effizienten Verarbeitung großer Datenmengen und der Berücksichtigung entfernter Abhängigkeiten in Daten werden Transformer-Modelle in der maschinellen Sprachverarbeitung zum Verstehen, Übersetzen oder Generieren von Texten, aber auch in der Bildverarbeitung eingesetzt.
Turing-Test: Ein nach seinem Erfinder, dem britischen Mathematiker Alan Turing (1912-1954), benannter Test, um die Intelligenz von künstlichen Systemen zu bewerten. Danach gilt ein System als intelligent, wenn ein Mensch, der zugleich mit einem künstlichen System und mit einem menschlichen Gesprächspartner kommuniziert, letztlich nicht bestimmen, bei welchem Dialogpartner es sich um den Menschen handelt. Inzwischen gibt es mit Chatbots bereits Systeme, die den Turing-Test regelmäßig bestehen.
Ü
Überwachtes Lernen oder Supervised Learning: Hier bestehen die Trainingsdaten aus Beispielen mit Ein- und Ausgabe. Das Modell soll eine Funktion erlernen, um auch neue Beispiele gut vorherzusagen. Um die Qualität des Modells zu bestimmen, trainiert man dieses nur mit einem Teil der verfügbaren Daten und testet das fertige Modell mit den verbleibenden Daten.
U
Unsupervised Learning: Ein Ansatz des maschinellen Lernens, bei dem Algorithmen Muster in unmarkierten Daten erkennen, ohne explizite Anweisungen zu erhalten.
V
Verteilte KI oder Distributed AI: Beim Maschinellen Lernen in der Cloud befindet sich das Modell nur in der Cloud. Um es zu trainieren und anzuwenden, müssen die Endgeräte alle Rohdaten zum Server schicken. Bei Verteilter KI bleiben die Modelle in den Endgeräten. Statt der Rohdaten werden die Modelle in die Cloud geladen, dort miteinander kombiniert und wieder verteilt. So profitiert jedes Endgerät von dem Training auf allen anderen Endgeräten. Das Konzept des Edge Computing ist datenfreundlich und geht einher mit Einsparungen bei Rechenzeiten, Kommunikationsaufwand und -kosten sowie einer Erhöhung der Sicherheit gegenüber Cyberangriffen.
Vertrauenswürdige KI oder Trustworthy AI: Eine KI, die weniger fehleranfällig ist, sodass die Gesellschaft ihr Vertrauen kann. Dazu werden unternehmensintern, auf gesellschaftlicher und politischer Ebene Leitlinien für eine ethische Gestaltung von Künstlicher Intelligenz erarbeitet. Diese haben beispielsweise die Dimensionen Ethik und Recht, Fairness, Autonomie und Kontrolle, Transparenz, Verlässlichkeit, Sicherheit und Privatsphäre im Blick.
W
Wissensrepräsentation: Um Wissen formal abzubilden, werden unterschiedliche Methoden der Wissensrepräsentation angewandt, zum Beispiel Ontologien, Klassen oder semantische Netze oder Regelsysteme. Die Expertensysteme der 1980er-Jahre bestanden aus solchen Wissensbasen. Heute benutzt man Regelsysteme etwa zur Programmierung von Chatbots.
Z
Zertifizierung: Aktuelle Bestrebungen zur Entwicklung eines Prüfkatalogs für KI-Anwendungen zielen darauf ab, eine Zertifizierung von KI-Anwendungen zu ermöglichen. Standards sollen die Qualität von KI-Anwendungen differenziert beurteilbar machen, zur Transparenz im Markt beitragen und die Akzeptanz fördern.