KI ist längst fester Bestandteil unseres Alltags – sowohl beruflich als auch privat. Obwohl wir KI nutzen, wissen wir jedoch oft nicht genau, wie sie funktioniert. Hier finden Sie Teil 1 einer kompakte Übersicht über wichtige Begriffe und KI-Konzepte.

Von grundlegenden Techniken wie Artificial General Intelligence (AGI) und Basis-KI-Modellen und GPTs bis zu Inductive Bias und modernen Transformer-Architekturen in Teil 2.

Anchoring

Dabei werden KI-Systeme mit Erfahrungen, Wissen oder Daten aus der realen Welt verknüpft. Ziel ist es, das Verständnis der KI zu verbessern, um Benutzereingaben, Abfragen und Aufgaben effektiver zu interpretieren und darauf zu reagieren. Anchoring hilft KI-Systemen, Antworten kontextbezogener und damit verständlicher und relevanter zu liefern.

Artificial General Intelligence (AGI)

Künstliche allgemeine Intelligenz bezeichnet ein KI-System, das ähnlich wie der Mensch über ein breites Spektrum kognitiver Fähigkeiten verfügt. Diese ermöglichen es zu lernen, zu denken, sich an neue Situationen anzupassen und kreative Lösungen für verschiedene Aufgaben und Bereiche zu entwickeln.

Assoziatives Gedächtnis

Die Fähigkeit eines Systems, verwandte Informationen auf Grundlage von Verbindungen zwischen Elementen zu speichern, abzurufen und zu verarbeiten, so dass relevante Daten für die Entscheidungsfindung effizient identifiziert und genutzt werden können.

Automatic Speech Recognition (ASR)

Automatische Spracherkennung ist ein Bereich der KI, der sich mit der Umwandlung gesprochener Sprache in Text beschäftigt. ASR-Systeme analysieren und interpretieren Audiodaten, um gesprochene Wörter zu erkennen und in eine schriftliche Form zu übertragen. Diese Technologie wird in Anwendungen wie Sprachassistenten (z. B. Siri, Alexa), Diktierprogrammen und Telefonservices eingesetzt.

Automatisierung

Den Einsatz von Technologie zur Durchführung verschiedener Aufgaben mit einem Minimum an menschlichem Eingreifen.

Backpropagation (Rückwärtsausbreitung)

Diese Technik wird beim Training künstlicher neuronaler Netze eingesetzt, um die Gewichte der Verbindungen zwischen den Neuronen anzupassen. Sie berechnet den Fehlergradienten und passt diesen an, um den Vorhersagefehler des Modells zu minimieren. Backpropagation wird häufig in Apps wie Mustererkennung und Bildklassifikation genutzt.

Basismodelle

Hierzu gehören KI-Modelle, wie LLM (Large Language Model), Computer-Vision- oder Reinforcement Learning-Modelle. Sie werden als „Basismodelle“ bezeichnet, weil sie die Basis für den Aufbau von Apps sind und eine Vielzahl von Domänen und Anwendungsfälle abdecken.

Chatbot

Eine benutzerfreundliche Schnittstelle, über die man Fragen stellt und Antworten erhält. Je nach Backend-System, das den Chatbot antreibt, kann es sich um einfache, vordefinierte Antworten oder um eine vollständig konversationelle KI (Con/GenAI) handeln, die die Problemlösung automatisiert und Fragen auch endgültig bearbeitet (fallabschließend).

ChatGPT

Ein umfassendes Sprachmodell, das von OpenAI entwickelt wurde. Es wurde auf einer großen Menge von Textdaten aus dem Internet trainiert und für eine Vielzahl von natürlichsprachlichen Aufgaben optimiert. Es wird stetig von Version zu Version für Aufgaben wie Sprachübersetzung, Textzusammenfassung und Beantwortung von Fragen verfeinert. Unternehmen nutzen für ihre eigenen AI-Lösungen eine Chat-Schnittstelle, die auf einer Version von GPT-3.5 oder höher basiert, z.B. NesGPT, SwissGPT usw.

Cognitive Computing

Kognitive KI beschreibt den Einsatz von KI-Systemen, die menschenähnliche Fähigkeiten wie Problemlösung, kritisches Denken und Wissenserwerb besitzen. Diese Systeme analysieren und verarbeiten Informationen, um fundierte Entscheidungen zu treffen und komplexe Aufgaben zu bewältigen.

Datenanreicherung

Bei dieser Technik werden die Größe und Vielfalt eines Trainingssatzes künstlich erhöht, indem modifizierte Kopien vorhandener Daten erstellt werden. Dabei werden geringfügige Änderungen wie Spiegeln, Größenänderung oder Helligkeitsanpassung von Bildern vorgenommen, um den Datensatz zu verbessern und eine Überanpassung der Modelle zu vermeiden.

Datengravitation

Datengravitation ist die Anziehungskraft, die durch große Ansammlungen von Daten entstehen, beispielsweise durch das Erstellen und den Austausch von Unternehmensdaten über Anwendungen, Server und andere Datenquellen. Wenn ein Datensatz nämlich anwächst, zieht er Anwendungen und Dienste an. So entstehen mehr Daten. Zugrunde liegt die Theorie, dass Daten eine Masse haben. Je größer diese Masse wird, desto schwieriger (und kostspieliger) wird es, die Daten zu verschieben oder zu replizieren.

Datenkapazität für KI

Die erforderliche Speicher- und Verarbeitungskapazität, die für das Trainieren und Betreiben von KI-Systemen benötigt wird. Dies umfasst sowohl die Menge an Daten, die für das Training von KI-Modellen erforderlich ist, als auch die technische Infrastruktur zur Speicherung und Verarbeitung dieser Datenmengen. Die vorhandene Datenkapazität für KI ist ein kritischer Faktor für die Leistungsfähigkeit und Skalierbarkeit von solchen Anwendungen.

Datenstrategie / Data-first-Strategie

Ein Ansatz, bei dem die Datenerzeugung, -organisation, -qualität und -verwaltung vor der Entwicklung und dem Einsatz von KI-Modellen priorisiert wird. Somit wird sichergestellt, dass eine solide Datengrundlage als Fundament für erfolgreiche KI-Initiativen vorhanden ist. Diese ermöglicht bessere Geschäftsentscheidungen durch datengestützte Erkenntnisse, erleichtert die Identifizierung wertvoller KI-Anwendungsfälle und gewährleistet Skalierbarkeit.

Deep Learning

Deep Learning ist ein Teilgebiet des maschinellen Lernens (ML), das mehrschichtige neuronale Netze verwendet, um aus Daten zu lernen, wie z. B. Deep-Learning-Modell, das Objekte in einem Bild erkennt, indem es das Bild durch mehrere Schichten neuronaler Netze laufen lässt.

Deterministisches Modell

Ein deterministisches Modell liefert unter den gleichen Eingabebedingungen immer das gleiche Ergebnis. Das bedeutet, dass die Ausgaben vollständig vorhersehbar und durch die Eingangsdaten festgelegt sind, ohne dass Zufallsfaktoren oder Unsicherheiten eine Rolle spielen. Deterministische Modelle sind nützlich, wenn die Beziehung zwischen den Eingabe- und Ausgabedaten exakt definiert ist und keine Variabilität durch Zufall oder äußere Einflüsse erwartet wird.

Diskriminierendes Modell

Dieses maschinelle Lernmodell ist darauf trainiert, die Wahrscheinlichkeit einer bestimmten Zielklasse für gegebene Eingabedaten vorherzusagen. Es unterscheidet zwischen verschiedenen Klassen, indem es versucht, eine Grenze zwischen ihnen zu ziehen, ohne die zugrunde liegende Verteilung der Eingabedaten zu modellieren.

Ensemble Learning

Bei diesem KI-Trainingsansatz werden verschiedene Fähigkeiten und Kenntnisse über mehrere Modelle hinweg genutzt, um eine leistungsfähigere und robustere Intelligenz zu erreichen.

Erweiterbarkeit

Erweiterbarkeit in der KI bezieht sich auf die Fähigkeit von KI-Systemen, ihre Fähigkeiten auf neue Bereiche, Aufgaben und Datensätze auszudehnen, ohne dass ein komplettes Neutraining oder größere architektonische Änderungen erforderlich sind.

Extraktion

Die Fähigkeit generativer Modelle, große Datensätze zu analysieren und Muster, Trends und bestimmte relevante Informationen zu extrahieren.

Feinabstimmung

Der Prozess der Anpassung eines zuvor trainierten Modells an eine bestimmte Aufgabe. Dabei wird es auf einem kleineren Datensatz trainiert. Zum Beispiel kann ein Bildklassifikationsmodell, das mit allen Fotos von Kreuzungen trainiert wurde, feinabgestimmt werden, um zu erkennen, wann ein Auto eine rote Ampel überfährt.

Generative antagonistische Netze

Generative adversarial oder antagonistische Netze sind ein leistungsstarkes Beispiel für neuronale Netze. Sie können neue, nie zuvor gesehene Informationen erzeugen, die den Trainingsdaten sehr ähnlich sind.

Generative KI (GenAI)

Generative KI-Modelle erzeugen neue Daten oder Inhalte, indem sie Muster in Eingabe- oder Trainingsdaten entdecken. Ein Beispiel ist die Erstellung einer originellen Kurzgeschichte auf der Grundlage einer Analyse bereits veröffentlichter Kurzgeschichten.

GPT-3

GPT-3 ist die dritte Version der GPT-n Modellreihe von OpenAI. Sie besitzt rund 175 Milliarden Parameter, die gewichtet werden können, um Vorhersagen zu treffen. Chat-GPT verwendet GPT-3.5, eine weitere Iteration dieses Modells.

GPT-4

GPT-4 ist das neueste GPT-Modell und stellt einen wichtigen Meilenstein in der Skalierbarkeit von Deep Learning dar. GPT-4 ist das erste große, multimodales Modell, d. h. es kann Bild- und Texteingaben akzeptieren und Textausgaben liefern. GPT-5 kommt bald auf den Markt.

Halluzination

Eine Situation, in der ein KI-System beginnt, insbesondere bei der Verarbeitung natürlicher Sprache, Ergebnisse zu generieren, die auf der Grundlage der Eingaben irrelevant, bedeutungslos oder falsch sind. Dies ist häufig der Fall, wenn das KI-System den Kontext nicht kennt, zu sehr auf seine Trainingsdaten zurückgreift oder die dargestellte Situation nicht ausreichend versteht.

Inductive Bias (Induktive Verzerrung)

Die induktive Verzerrung beschreibt die Annahmen, die ein ML über die zugrunde liegende Verteilung der Daten trifft, um Verallgemeinerungen aus Trainingsdaten zu ermöglichen. Sie bestimmt, wie ein Modell Muster erkennt und generalisiert, auch wenn es auf Daten trifft, die es zuvor nicht gesehen hat. Der Bias-Varianz-Kompromiss ist ein Konzept, das das Gleichgewicht zwischen diesen Annahmen (Bias) und der Sensitivität des Modells gegenüber den Trainingsdaten (Varianz) beschreibt. Zu viel Bias kann zu einer schlechten Anpassung (Underfitting) führen, während zu viel Varianz das Modell anfällig für Überanpassung (Overfitting) macht.

Inferenz

Der Prozess, bei dem ein KI-Modell Vorhersagen oder Entscheidungen auf Basis neuer Daten trifft, nachdem es trainiert wurde.

Instruktionstuning

Bei diesem Ansatz wird ein zuvor trainiertes Modell an die Ausführung bestimmter Aufgaben angepasst, indem ihm eine Reihe von Richtlinien oder Anweisungen gegeben werden, die den gewünschten Prozess beschreiben.

KI-Agent

Ein autonomes KI-System, das in der Lage ist, selbstständig seine Umgebung wahrzunehmen, Entscheidungen zu treffen und Aktionen auszuführen, um bestimmte Ziele zu erreichen. KI-Agenten können mit anderen Systemen interagieren, aus Erfahrungen lernen und sich an neue Situationen anpassen. Sie können auf verschiedene Weise gestaltet sein – von einfachen regelbasierten Systemen bis hin zu hochentwickelten, lernfähigen Modellen.

KI-Kontrollierbarkeit

Bezieht sich auf das Verstehen, Regulieren und Verwalten des Entscheidungsprozesses eines KI-Systems, um dessen Genauigkeit, Sicherheit und ethisches Verhalten zu gewährleisten und das Potenzial für unbeabsichtigte Folgen zu minimieren.

KI-Plugins

Das sind spezielle Softwarekomponenten, die es KI-Systemen ermöglichen, mit externen Anwendungen und Diensten zu interagieren.

Knowledge Distillation oder Teacher-Student-Learning

Bei diesem KI-Trainingsansatz werden weniger leistungsfähige Modelle verwendet, um leistungsfähigere Modelle zu trainieren und zu beschränken. Ziel ist es, eine bessere Generalisierung über begrenzte Trainingsdaten hinaus zu erreichen.

Konversationelle KI (ConAI)

Ein Zweig der KI, die menschliche Konversation simulieren kann. Möglich wird dies durch die Verarbeitung natürlicher Sprache (NLP), ein KI-Bereich, der es Computern ermöglicht, menschliche Sprache zu verstehen und zu verarbeiten, sowie durch die grundlegenden Modelle, die neue generative KI-Funktionen ermöglichen. Diese KI kann mündliche Konversationsaufgaben, wie als Chatbot beispielsweise rund-um-die-Uhr im Support, erfüllen.

Kreuzvalidierung

Eine Methode, um die Ergebnisse einer Analyse zu bewerten und die Genauigkeit der Vorhersagen von ML-Modellen zu gewährleisten.

Künstliche Intelligenz (KI)

Die Simulation menschlicher Intelligenz in Maschinen, die so programmiert sind, dass sie wie Menschen denken und lernen. Beispiel: ein selbstfahrendes (autonomes) Auto, das mithilfe von KI-Technologie selbstständig navigieren und Entscheidungen treffen kann.

KI und maschinelles Lernen (ML) verändern nicht nur unseren Alltag, sondern auch, wie wir grundlegend arbeiten. Unternehmen setzen KI ein, um neue Produkte, digitale Erlebnisse und Automatisierungen zu schaffen, die die Effizienz verbessern. KI erfordert die richtige Datenstrategie, doch Daten erweisen sich gleichzeitig als Herausforderung und als Chance. Erfahren Sie mehr über Datenstrategien für KI-fähige Unternehmen und lernen sie weitere KI-Begriffe in Teil 2 (L - Z).

Widerstand gegen die Datengravitation in New York City