A
AI (Artificial Intelligence)
Englischsprachige Abkürzung für Künstliche Intelligenz. Ein Bereich der Informatik, der sich mit der Entwicklung von Systemen und Maschinen befasst, die Aufgaben ausführen können, die normalerweise menschliche Intelligenz erfordern.
Algorithmus
Ein Algorithmus stellt eine festgelegte Sequenz von Anweisungen dar, die einem Computer dabei helfen, spezifische Aufgaben oder Probleme zu lösen. Innerhalb des Bereichs künstlicher Intelligenz und maschinellen Lernens fungiert ein Algorithmus als mathematische Methode oder Verfahren, wodurch ein KI-Modell aus den vorliegenden Daten Muster erkennt und Entscheidungen trifft. Es existieren diverse Algorithmen, die abhängig von der Art des Lernens (überwacht, unüberwacht, verstärkt) und der spezifischen Aufgabe eingesetzt werden, um effektive und präzise Ergebnisse zu erzielen.
Autonome Systeme
Autonome Systeme sind in der Lage, komplexe Aufgaben in verschiedenen Situationen zu lösen, indem sie eigenständig einen Handlungsplan zur Problemlösung entwickeln und ausführen, ohne auf externe Hilfe angewiesen zu sein. Sollte ein Teil des Handlungsplans fehlschlagen, so kann das autonome System mithilfe von Methoden der künstlichen Intelligenz den Vorfall analysieren und Schlussfolgerungen ziehen, die zu einer Anpassung seines Verhaltens in zukünftigen Situationen führen können.
B
Barrierefreiheit
Die Gestaltung von Produkten, Dienstleistungen und Umgebungen, die für alle Menschen, unabhängig von ihren individuellen Fähigkeiten oder Einschränkungen, zugänglich sind. In Bezug auf KI kann Barrierefreiheit bedeuten, dass bei KI-Systemen eine Vielzahl von Interaktionsmöglichkeiten implementiert werden. Diese Interaktionen können durch Techniken wie Spracherkennung oder Visualisierung unterstützt werden, um die Kommunikation zu erleichtern.
Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren
Big Data
Eine große Menge von Daten, die aufgrund ihrer Größe, Komplexität und Geschwindigkeit mit herkömmlichen Methoden schwierig zu verarbeiten sind. Diese Daten können unterschiedliche Formate aufweisen – strukturiert, unstrukturiert oder halb-strukturiert – und stammen aus einer Vielzahl von Quellen wie sozialen Medien, Sensoren und Online-Transaktionen. Big Data wird oft in Verbindung mit KI verwendet, um Muster, Trends und Erkenntnisse aus den Daten zu extrahieren.
Bias
In Bezug auf künstliche Intelligenz bezeichnet Bias eine systematische Verzerrung in den Vorhersagen oder Entscheidungen eines KI-Modells. Dies kann auftreten, wenn die Trainingsdaten unzureichend oder nicht repräsentativ sind. Ein Modell mit Bias kann fehlerhafte oder ungerechte Ergebnisse liefern. Es ist von entscheidender Bedeutung, Bias in KI-Systemen zu identifizieren und zu reduzieren, um sicherzustellen, dass Anwendungen fair und ethisch verantwortungsbewusst sind.
Büroklammern
Die Theorie des Büroklammer-Maximierers, die von dem Philosophen Nick Boström von der Universität Oxford geprägt wurde, ist ein hypothetisches Szenario, in dem ein KI-System so viele buchstäbliche Büroklammern wie möglich erzeugt. In seinem Bestreben, so viele Büroklammern wie möglich zu produzieren, würde ein KI-System hypothetisch alle Materialien verbrauchen oder umwandeln, um sein Ziel zu erreichen. Dazu könnte auch gehören, dass andere Maschinen demontiert werden, um mehr Büroklammern zu produzieren, Maschinen, die für den Menschen von Nutzen sein könnten. Die unbeabsichtigte Folge dieses KI-Systems ist, dass es bei seinem Ziel, Büroklammern herzustellen, die Menschheit zerstören könnte.
C
Chatbot
Ein Computerprogramm, das entwickelt wurde, um menschenähnliche Konversationen mit Benutzern über Text oder Sprache zu führen. Mithilfe von Machine-Learning-Methoden werden die Bots so trainiert, dass sie in der Lage sind, adäquat auf die Anforderungen der zukünftigen Bedienenden einzugehen. Chatbots werden oft in Kundenservice, Unterhaltung oder anderen Anwendungen eingesetzt.
ChatGPT
GPT steht für Generative Pretrained Transformer – generativer, also erzeugender, vortrainierter Transformator. ChatGPT ist ein leistungsfähiges Sprachmodell, das darauf ausgelegt ist, Benutzer in Dialogform zu interagieren. Es erzeugt kohärente und kontextuell relevante Antworten über mehrere Dialogschritte hinweg, was besonders nützlich ist, um Folgefragen zu beantworten. AutoGPT und BabyAGI sind Software-Systeme, die als KI-Agenten dienen und Aufgaben in natürlicher Sprache auf hohem Niveau automatisieren können. Sie nutzen umfangreiche Sprachmodelle wie ChatGPT, um komplexe Aufgaben in Teilprobleme zu zerlegen, die dann automatisch mit anderen Werkzeugen wie einem Taschenrechner oder einer Suchmaschine gelöst werden können.
Cluster
Eine Gruppe von ähnlichen Datenpunkten, die in einem Datensatz zusammengefasst werden. Clusteranalyse ist eine Technik im Data Mining und maschinellen Lernen, die verwendet wird, um Muster in den Daten zu identifizieren und zu gruppieren.
Computer Vision
Computer Vision ist ein Teilgebiet der künstlichen Intelligenz, das sich damit beschäftigt, wie Computer visuelle Informationen verarbeiten und interpretieren können. Das Hauptziel von Computer Vision besteht darin, Maschinen die Fähigkeit zu geben, visuelle Daten wie Bilder und Videos zu erkennen, zu verstehen und zu analysieren. Diese Technologie findet in verschiedenen Anwendungsgebieten Anwendung, darunter Bilderkennung, Objekterkennung, Gesichtserkennung, autonome Fahrzeuge und medizinische Bildverarbeitung.
D
Data Mining
Der Einsatz von statistischen Methoden oder maschinellem Lernen zielt darauf ab, neue Zusammenhänge und Muster in einem Datensatz zu identifizieren. Dies kann dazu verwendet werden, Empfehlungen für Entscheidungen zu geben oder Vorhersagen zu treffen. Zur Durchführung dieser Aufgaben kommen verschiedene Techniken zum Einsatz, darunter Clusteranalysen, Entscheidungsbäume sowie künstliche neuronale Netze.
Daten
Rohinformationen oder Fakten, die gesammelt, gespeichert und verarbeitet werden können. Daten sind die Grundlage für die Analyse und Entscheidungsfindung in vielen Bereichen, einschließlich der KI.
Datenschutz und Datensicherheit
Datenschutz bezieht sich auf den Schutz von Einzelpersonen vor der unangemessenen Verarbeitung ihrer personenbezogenen Daten, einschließlich indirekter personenbezogener Daten. Die rechtliche Behandlung personenbezogener Daten ist durch die Datenschutzgrundverordnung (DSGVO) und das Bundesdatenschutzgesetz (BDSG) geregelt.Im Kontext künstlicher Intelligenz entsteht ein Spannungsfeld. Die DSGVO betont die Minimierung der Datenerhebung, während die Qualität von KI-Systemen stark von der Menge der verfügbaren Trainingsdaten abhängt. Gemäß Artikel 9 Absatz 2 der DSGVO dürfen KI-Systeme personenbezogene Daten nur mit freiwilliger Einwilligung und nur für einen bestimmten, explizit angegebenen Zweck verarbeiten. Datenschutz und Datensicherheit sind besonders wichtig im Zusammenhang mit KI, da KI-Systeme oft auf großen Mengen von Daten basieren.
Delusion
Im Kontext von KI bezeichnet “Delusion” eine falsche oder irreführende Vorstellung, die von einem KI-Modell erzeugt wird, z. B. wenn das Modell falsche Annahmen über die Welt trifft oder ungenaue Vorhersagen macht, s. auch ‚Halluzinieren‘.
E
Entscheidungsfindung
KI trifft Entscheidungen auf der Grundlage von Daten und Algorithmen. Dabei nutzt sie verschiedene Techniken wie maschinelles Lernen und Predictive Analytics, um Muster in den Daten zu erkennen und Vorhersagen für die Zukunft zu treffen. Diese Entscheidungen können automatisch getroffen werden, basierend auf den programmierten Regeln und den analysierten Daten. Der Schlüssel zum Erfolg liegt darin, dass KI in einem menschlichen Bezugsrahmen steht und sowohl das Umfeld als auch die Bedürfnisse der Nutzer berücksichtigt, um präzise und vertrauenswürdige Entscheidungen zu treffen.
Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren
Ethik in KI
Ein Bereich, der sich mit den ethischen Fragen und Herausforderungen befasst, die durch den Einsatz von KI-Technologien entstehen können, wie Datenschutz, Privatsphäre, Gerechtigkeit und soziale Auswirkungen. Die Berücksichtigung ethischer Grundsätze ist entscheidend, um den verantwortungsvollen Einsatz von KI zu gewährleisten. Das Forschungsfeld der KI-Ethik beschäftigt sich mit der Entwicklung und Identifizierung von gesellschaftlich akzeptierten Werten, Prinzipien und Techniken als moralische Leitlinien für eine verantwortungsvolle Entwicklung und Nutzung von KI-Systemen. Zu den Teilbereichen der KI-Ethik gehören unter anderem die Maschinenethik, Datenethik sowie das moralische Verhalten von Menschen bei der Gestaltung, Programmierung, Nutzung und Behandlung von KI.
F
Finetuning
Das erneute Trainieren eines bereits vortrainierten KI-Modells mit eigenen Daten aus einer spezifischen Anwendungsdomäne wird als Finetuning bezeichnet. Beim Finetuning werden die Gewichte des ursprünglichen Modells aktualisiert, um die Eigenschaften der Domänendaten und die spezifische Aufgabe, die von Interesse ist, besser zu berücksichtigen. Da es bei zunehmender Modellgröße und Aufgabenbreite ineffizient wird, alle Gewichte allgemein zu aktualisieren, wurden sogenannte parameter-effiziente Varianten entwickelt, wie beispielsweise Adapter-Module, die zwischen den Schichten des Transformers eingefügt werden.
G
GAN (Generative Adversarial Network)
Ein Modell in der KI, das aus zwei neuralen Netzwerken besteht: einem Generator und einem Diskriminator. Das Ziel besteht darin, dass der Generator aus Trainingsdaten neue Daten erstellt, die vom Diskriminator nicht von den Trainingsdaten zu unterscheiden sind. Diese Architektur wird im Deep Learning verwendet, insbesondere wenn eine große Menge an Trainingsdaten erforderlich ist.
Generalisierung
Generalisierung bezeichnet die Fähigkeit eines KI-Modells, die Muster und Zusammenhänge, die es aus den Trainingsdaten gelernt hat, auf neue und unbekannte Daten anzuwenden. Ein gut generalisiertes Modell ist in der Lage, verlässliche Vorhersagen für neue Daten zu treffen, ohne sich übermäßig an die Trainingsdaten anzupassen. Das Erreichen einer guten Generalisierung ist ein zentrales Ziel im maschinellen Lernen, da dies sicherstellt, dass das Modell in realen Situationen gut und zuverlässig funktioniert.
Generative KI
Ein Typ von KI-Modellen, die in der Lage sind, neue Daten zu generieren, die ähnlich sind wie die Daten, auf denen sie trainiert wurden. Generative KI wird oft für Anwendungen wie Bildgenerierung, Textgenerierung und Musikkomposition eingesetzt. Generative KI-Systeme werden mit großen Datensätzen trainiert und können diverse Inhalte erzeugen, darunter Texte, Programmcode, Videos, Bilder, Proteinstrukturen und Bauteile. Sie basieren auf leistungsstarker Rechenleistung und speziellen Algorithmen, wie dem Transformer-Modell. Diese Systeme haben vielfältige Anwendungsbereiche, zu den bekanntesten gehören ChatGPT (OpenAI), BARD (Google) und LLaMA (Meta), die Ende 2022 veröffentlicht wurden.
Gesichtserkennung
Eine Technologie der Computer Vision, die darauf abzielt, Gesichter in Bildern oder Videos zu identifizieren und zu verifizieren. Gesichtserkennung wird für verschiedene Anwendungen verwendet, von Sicherheitssystemen bis hin zu sozialen Medien.
Ghost Work
Eine Form der Arbeit, bei der menschliche Arbeitskräfte im Hintergrund arbeiten, um KI-Systeme zu unterstützen oder zu verbessern, indem sie Aufgaben ausführen, die von KI allein noch nicht bewältigt werden können. Dazu gehören z.B. das Labeln von Daten, die Überprüfung von Vorhersagen oder das Training von Modellen.
Grokking
Grokking im Zusammenhang mit Künstlicher Intelligenz bezeichnet den Prozess, bei dem ein neuronales Netzwerk plötzlich ein Muster im Datensatz erlernt und von zufälliger Verallgemeinerung zu perfekter Verallgemeinerung übergeht. Es ist vergleichbar mit einem “Aha”-Moment für das Netzwerk, bei dem es plötzlich besser darin wird, Muster in den analysierten Daten zu erkennen. Dieser schnelle Fortschritt von Vermutungen zu Wissen führt zu deutlich verbesserten Ergebnissen. Grokking bedeutet nicht nur das bloße Memorieren von Daten, sondern das Entwickeln eines tieferen Verständnisses. Es ermöglicht dem KI-Modell, nicht nur Wörter zu lernen, sondern auch deren Anwendung zur Erzeugung von Bedeutung, Übersetzungen und kreativen Inhalten. Es ist ein Prozess, der es dem Modell schließlich ermöglicht, die zugrunde liegenden Prinzipien zu verstehen und sich kontinuierlich zu verbessern.
Grounding
Grounding bezeichnet den Prozess, bei dem große Sprachmodelle (LLMs) mit spezifischen, relevanten Informationen versorgt werden, die nicht Teil ihres trainierten Wissens sind. Diese Informationen sind entscheidend, um sicherzustellen, dass die generierten Ausgaben qualitativ hochwertig, präzise und relevant sind. Da LLMs zwar über ein umfangreiches allgemeines Wissen verfügen, dieses jedoch nicht spezifisch auf bestimmte Anwendungsfälle zugeschnitten ist, ist das Grounding von entscheidender Bedeutung. Durch das Einbinden von kontextbezogenen Daten und Informationen werden die Modelle in die Lage versetzt, spezifische Aufgaben besser zu verstehen und relevante Ergebnisse zu liefern. Grounding ermöglicht somit eine Anpassung der LLMs an die spezifischen Anforderungen und Kontexte ihrer Verwendung, was wiederum zu einer verbesserten Leistung und Nützlichkeit führt.
H
Halluzinieren
Generative KI verwendet umfangreiche Datensätze, um Muster zu erkennen und neue Inhalte zu erstellen, sei es in Bild-, Audio- oder Textform. Diese Muster dienen als Grundlage für die Generierung neuer Antworten, die der vorherigen Datenbasis ähneln. Jedoch können trotz der Plausibilität der generierten Inhalte Fehler auftreten, die zu sogenannten “Halluzinationen” führen. Diese Ungenauigkeiten resultieren aus der Qualität der Trainingsdaten und können zu irreführenden Ergebnissen führen. Es ist wichtig zu betonen, dass die Qualität generativer KI stark von der Qualität der Trainingsdaten abhängt. Fehlerhafte oder irreführende Daten können zu ungenauen oder fehlerhaften Ergebnissen führen. Daher ist ein verantwortungsbewusster Umgang mit generativer KI unerlässlich, indem Datenquellen sorgfältig geprüft und die Ergebnisse kritisch hinterfragt werden, um potenzielle Fehlinformationen zu vermeiden.
Hyperparameter
Parameter, die die Struktur oder das Verhalten eines maschinellen Lernmodells beeinflussen, aber nicht während des Trainings aus den Daten gelernt werden. Hyperparameter müssen vor dem Training festgelegt werden und können die Leistung und das Verhalten des Modells erheblich beeinflussen.
I
Internet of Things (IoT)
Die steigende Vernetzung von Werkzeugen, Geräten, Sensoren, Fahrzeugen usw. durch integrierte Computersysteme sowie die Zuteilung eindeutiger digitaler Kennungen wie IP-Adressen führt zu einer zunehmenden Datenerhebung. Diese vernetzten Geräte sammeln Daten mithilfe ihrer Sensoren und tauschen sie untereinander sowie über das Internet aus. Dies resultiert in der Generierung enormer Datenmengen, die als Big Data bezeichnet werden und wiederum als Grundlage für lernende Systeme dienen können.
K
Klassifikation
Eine Aufgabe im maschinellen Lernen, bei der ein Modell Daten in vordefinierte Kategorien oder Klassen einteilen soll. Klassifikation wird oft für Anwendungen wie Spam-Erkennung, medizinische Diagnose oder Bilderkennung verwendet.
Konversationelle KI
KI-Systeme, die darauf ausgelegt sind, natürliche Sprache zu verstehen und zu erzeugen, um Konversationen mit Benutzer:innen zu führen. Konversationelle KI umfasst Chatbots, Sprachassistenten und andere Anwendungen, die natürliche Sprachverarbeitungstechnologien verwenden.
L
Large Language Models (LLM)
Large Language Models (kurz LLM) sind leistungsfähige künstliche Intelligenz-Modelle, die darauf ausgelegt sind, natürliche Sprache zu verstehen und zu generieren. Sie basieren auf tiefen neuronalen Netzwerken, die mittels maschinellem Lernen aus umfangreichen Datensätzen trainiert wurden. LLMs haben bedeutende Fortschritte in verschiedenen Anwendungen wie Sprachübersetzung, Textgenerierung, Textverständnis und Fragebeantwortung erzielt. Bekannte Beispiele für solche Modelle sind GPT-4 und BERT. Aufgrund ihrer Größe und Komplexität stellen LLMs jedoch auch Herausforderungen in Bezug auf Datenschutz, ethische Nutzung und Energieverbrauch dar.
Leitplanke
Sogenannte Leitplanken (engl.: guardrails) für KI-Modelle sorgen dafür, dass die Systeme sicher, fair und effizient arbeiten. Sie umfassen Datenkontrollen, die sicherstellen, dass Modelle keine sensiblen oder unangemessenen Informationen verarbeiten, sowie Ethik- und Fairness-Mechanismen, die Diskriminierung in der Ausgabe vermeiden. Eingeschränkte Anwendungsbereiche verhindern, dass KI-Modelle außerhalb ihres vorgesehenen Kontextes eingesetzt werden, während Transparenzmaßnahmen den Entscheidungsprozess nachvollziehbar machen. Auch Nutzer:innenverhalten kann überwacht werden, um Missbrauch zu verhindern, und Output-Kontrollen prüfen, dass generierte Inhalte keine schädlichen Informationen enthalten. Abschließend helfen Feedback- und Eskalationsmechanismen, Unsicherheiten zu erkennen und menschliche Überprüfung hinzuzuziehen, was die Verlässlichkeit der Modelle erhöht.
ChatGPT ist nicht die einzige KI, die Sie in Ihrem Unternehmen unterstützen kann – erfahren Sie in unserem Beitrag, welche weiteren KI-Tools Ihnen im Arbeitsalltag nützlich sein könnten.
M
Machine Learning
Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz, der es Computern ermöglicht, aus Erfahrungen zu lernen, Muster zu erkennen und Entscheidungen zu treffen, ohne explizit programmiert zu werden. Es verwendet Algorithmen, um aus Daten zu lernen und sich automatisch zu verbessern. Es gibt verschiedene Arten des maschinellen Lernens, wie überwachtes, unüberwachtes und verstärkendes Lernen, die je nach Art und Umfang der verfügbaren Daten angewendet werden.
Modell
Ein künstliches Intelligenzmodell ist eine vereinfachte Repräsentation eines Systems, das auf Trainingsdaten und Algorithmen basiert. Es bildet die Struktur und Funktionsweise der künstlichen Intelligenz ab. Ein KI-Modell kann aus mehreren Schichten oder Neuronen bestehen, je nach seiner Art (z. B. neuronales Netzwerk). Ein gut trainiertes Modell ist in der Lage, Muster effizient zu erkennen und Vorhersagen zu treffen.
N
Neuronales Netzwerk
Ein neuronales Netzwerk ist ein computerbasiertes Modell, das sich vom menschlichen Gehirn inspirieren lässt. Es besteht aus zahlreichen künstlichen Neuronen, die in Schichten angeordnet und miteinander verbunden sind. Jedes Neuron empfängt Informationen, verarbeitet sie und leitet 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 bewältigen.
O
Open-Source Modelle
KI-Modelle oder -Algorithmen, deren Quellcode öffentlich zugänglich ist und von der Gemeinschaft frei verwendet, modifiziert und verbessert werden kann. Open-Source-Modelle fördern die Zusammenarbeit und den Wissensaustausch in der KI-Forschung und -Entwicklung.
P
Poltergeist-Attacke
Poltergeist-Attacken in Bezug auf künstliche Intelligenz beziehen sich auf die Verwendung von hochfrequenten Geräuschen, um die maschinellen Lernalgorithmen, die von selbstfahrenden Autos verwendet werden, dazu zu bringen, Fehler bei der Identifizierung von Personen, Objekten und anderen Fahrzeugen zu machen, was Unfälle verursachen könnte.
Im Gegensatz zu traditionellen Cyber-Bedrohungen wie Hacking oder Jamming erzeugen Poltergeist-Attacken täuschende visuelle Realitäten, ähnlich optischen Illusionen, für Maschinen, die maschinelles Lernen für Entscheidungsprozesse einsetzen.
PlugIn
Eine Softwarekomponente, die in ein bestehendes System integriert werden kann, um zusätzliche Funktionen oder Fähigkeiten hinzuzufügen. In Bezug auf KI könnten Plug-Ins dazu verwendet werden, um KI-Modelle in andere Anwendungen oder Plattformen zu integrieren.
Prädiktive Analytik
Prädiktive Analytik ist ein Bereich der künstlichen Intelligenz, der sich darauf konzentriert, zukünftige Ereignisse oder Trends vorherzusagen, indem er vorhandene Daten und spezielle Techniken nutzt. Durch die Analyse vergangener Daten identifiziert es Muster und trifft dann Prognosen über kommende Entwicklungen. Dieser Ansatz findet in verschiedenen Bereichen wie Marketing, Finanzen, Gesundheitswesen und Logistik Anwendung und ermöglicht es, intelligente Entscheidungen zu treffen und Risiken zu minimieren.
Privatsphäre
Der Schutz persönlicher Informationen vor unbefugtem Zugriff, Missbrauch oder Offenlegung. Privatsphäre ist ein wichtiger Aspekt bei der Entwicklung und Nutzung von KI-Systemen, um sicherzustellen, dass die Privatsphäre der Benutzer respektiert und geschützt wird.
Prompt
In der künstlichen Intelligenz bezieht sich ein “Prompt” auf einen Text oder eine Anweisung, die einem Sprachmodell gegeben wird, um eine spezifische Aufgabe zu erfüllen oder eine Antwort zu generieren. Dies kann eine Frage, eine Beschreibung oder ein Satz sein. Das Modell wird daraufhin angewiesen, den fehlenden Teil des Textes zu vervollständigen. Die Qualität und Klarheit eines Prompts haben oft einen direkten Einfluss darauf, wie präzise und relevant die generierte Antwort des Modells ist.
Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren
R
Resilienz: Die Fähigkeit eines KI-Systems, robust und zuverlässig zu bleiben, auch wenn es mit unerwarteten Situationen, Störungen oder Angriffen konfrontiert wird. Resilienz ist ein wichtiges Merkmal für KI-Systeme, um ihre Leistung und Sicherheit in dynamischen Umgebungen aufrechtzuerhalten.
RLHF
Reinforcement Learning From Human Feedback (RLHF) ist ein fortgeschrittenes Verfahren zur Schulung von KI-Systemen, das Verstärkungslernen mit menschlichem Feedback kombiniert. Es ist eine Methode, um einen robusteren Lernprozess zu schaffen, indem die Weisheit und Erfahrung menschlicher Trainer in den Modelltrainingsprozess einbezogen werden.
Roboter/Robotik
Maschinen oder mechanische Geräte, die dazu entwickelt wurden, Aufgaben autonom oder halbautonom auszuführen. Robotik bezieht sich auf das Feld, das sich mit dem Design, der Konstruktion, dem Betrieb und der Anwendung von Robotern befasst. Ein Roboter ist ein System, das menschliche Arbeit übernimmt, wobei der Begriff normalerweise auf Maschinen angewendet wird, die physische Aufgaben ausführen. Immer häufiger werden Lernende Systeme zur Steuerung von Robotern eingesetzt. Die Robotik ist ein Forschungsbereich der KI, der darauf abzielt, autonome Roboter zu entwickeln, die mithilfe von Algorithmen eigenständig mit der physischen Welt interagieren können.
S
Schwache KI
Schwache KI, auch bekannt als Narrow AI oder Spezialisierte KI, ist eine spezifische Form der künstlichen Intelligenz, die darauf ausgerichtet ist, eine begrenzte Anzahl von Aufgaben zu erfüllen. Obwohl sie diese Aufgaben effizient erledigen kann, besitzt sie kein Bewusstsein und agiert nicht außerhalb ihres festgelegten Anwendungsbereichs. Typische Beispiele für schwache KI sind Systeme für Sprach- und Bilderkennung, Empfehlungssysteme und autonomes Fahren. Schwache KI wird gegenwärtig in einer Vielzahl von Anwendungen und Diensten eingesetzt und ist die am häufigsten verwendete Form künstlicher Intelligenz.
Wie auch Sie Künstliche Intelligenz für Ihr Unternehmen einsetzen können, erfahren Sie in unserem kompakten Flyer zur KI-Sprach- und Bilderkennung.
Selbstregulation
Die Fähigkeit eines KI-Systems, sein Verhalten zu überwachen, zu bewerten und gegebenenfalls anzupassen, um bestimmte Ziele zu erreichen oder Anforderungen zu erfüllen. Selbstregulation ist ein wichtiges Merkmal für autonome Systeme, um sicherzustellen, dass sie sicher, effizient und zuverlässig arbeiten.
Security- and Safety-by-Design
Safety-by-Design und Security-by-Design sind Prinzipien, die darauf abzielen, dass sowohl bei der Entwicklung von Software als auch bei der Hardware von (KI-)Systemen von Anfang an Sicherheitsanforderungen berücksichtigt werden. Dadurch sollen potenzielle Schwachstellen und Angriffsmöglichkeiten vermieden werden. Während Security-by-Design auf die Verhinderung von kriminellen Angriffen abzielt, konzentriert sich Safety-by-Design darauf, Unfälle und andere sicherheitsrelevante Risiken zu vermeiden.
Sprachassistenzsysteme
KI-Systeme, die entwickelt wurden, um Benutzer:innen bei der Interaktion mit Computern oder elektronischen Geräten über Sprache zu helfen. Sprachassistenzsysteme wie Siri, Alexa und Google Assistant können Fragen beantworten, Anweisungen ausführen und Informationen bereitstellen, indem sie natürlich gesprochene Sprache verarbeiten.
Starke KI
Auch bekannt als künstliche starke Intelligenz oder allgemeine KI, bezieht sich auf KI-Systeme, die eine breite Palette von kognitiven Fähigkeiten besitzen, die denen des Menschen ähnlich sind. Starke KI hätte die Fähigkeit, komplexe Probleme zu lösen, kreativ zu denken, Emotionen zu verstehen und sich selbst zu verbessern. Eine Künstliche Superintelligenz würde den intelligentesten Menschen bei weitem übertreffen und wird daher als ein wesentliches Element für die Realisierung der technologischen Singularität betrachtet.
Stochastischer Papagei
Der Begriff “stochastischer Papagei” beschreibt eine Kritik an großen Sprachmodellen und verweist auf die Art und Weise, wie sie Texte generieren: Sie imitieren menschliche Sprache, indem sie auf Wahrscheinlichkeiten beruhen und Muster in riesigen Datensätzen erkennen, ohne dabei ein echtes Verständnis für die Inhalte zu haben. Die Analogie zeigt, dass solche Modelle, ähnlich wie ein Papagei, sinnvolle und überzeugende Sätze wiedergeben können, aber keine tatsächliche Bedeutung oder kontextuelles Verständnis besitzen. Der Begriff hebt damit die Grenzen rein statistischer Modelle in der semantischen Tiefe und im kritischen Denken hervor.
Superalignment
Ein Konzept in der KI-Ethik, das darauf abzielt, KI-Systeme so zu gestalten, dass sie nicht nur die beabsichtigten Ziele erreichen, sondern auch im Einklang mit den Werten, Zielen und Präferenzen der Menschen handeln. Superalignment fordert eine umfassende Ausrichtung von KI-Systemen auf die menschlichen Interessen und Werte.
T
Token
Eine digitale Einheit, die als Repräsentation eines Vermögenswerts, einer Einheit von Wert oder eines Zugriffsrechts auf eine Ressource fungiert. In Bezug auf KI könnten Token verwendet werden, um Zugriff auf KI-Dienste, Daten oder Anwendungen zu erhalten, oder als Belohnung für die Teilnahme an KI-gestützten Plattformen – ein Token kann beispielsweise einer Wortsilbe entsprechen.
Training
Training bezeichnet den Prozess, bei dem ein KI-Modell durch maschinelles Lernen aus vorhandenen Daten lernt. Während dieses Vorgangs passt sich das Modell schrittweise an die gegebenen Daten an und optimiert seine internen Parameter, um spezifische Aufgaben effektiver zu bewältigen. Die Dauer des Trainings hängt von der Komplexität des Modells und der Größe des Datensatzes ab und kann von wenigen Minuten bis zu mehreren Wochen oder länger dauern. Nach erfolgreichem Training kann das Modell verwendet werden, um Vorhersagen für neue und bisher unbekannte Daten zu treffen.
Transparenz
Ein KI-System ist transparent, wenn ein externer Beobachter aufgrund seiner begrenzten Komplexität ein Verständnis für die internen Vorgänge entwickeln kann, was eine vollständige Nachvollziehbarkeit des Verhaltens der Anwendung ermöglicht. Die Systemumgebung sollte ebenfalls transparent gestaltet sein, indem Nutzer:innen klar darüber informiert werden, dass sie mit einem KI-System interagieren. Zudem sollten die Zwecke und der Umfang der Datenerfassung und -verarbeitung im Zusammenhang mit der beschriebenen Interaktion deutlich gemacht werden.
Trolley-Problem
Das klassische Trolley-Problem ist besonders relevant im Bereich des autonomen Fahrens. Dabei handelt es sich um ein philosophisches Gedankenexperiment, das eine Dilemmasituation darstellt, in der beide Handlungsoptionen zu unerwünschten Ergebnissen führen. In diesem Szenario rast eine führerlose Straßenbahn unaufhaltsam auf fünf am Gleis festgekettete Menschen zu. Durch das aktive Umstellen einer Weiche könnte die Bahn auf ein anderes Gleis umgeleitet werden, an dem jedoch eine Person angekettet ist. Die Entscheidung, ob die Weiche umgelegt werden soll, stellt die Beteiligten vor ein moralisches Dilemma, das ethische Fragen zur Abwägung von Handlungen und ihren Konsequenzen aufwirft. Das Ziel dieses Gedankenexperiments ist es, zum Nachdenken über komplexe ethische Entscheidungen und die Moral hinter solchen Situationen anzuregen. Dieses Gedankenexperiment wird für die KI immer wieder als moralischer Kompass eingesetzt.
Turing-Test
Der Turing-Test ist ein von dem britischen Mathematiker Alan Turing entwickeltes Verfahren, um die Intelligenz einer Maschine zu beurteilen. Dabei kommuniziert ein menschlicher Fragesteller über eine Tastatur mit einem menschlichen Gesprächspartner und einer Maschine, ohne zu wissen, welcher der beiden sein menschlicher Gegenspieler ist. Wenn der Fragesteller am Ende nicht zuverlässig feststellen kann, welche der beiden Parteien die Maschine ist, wird diese als intelligent betrachtet. Der Turing-Test dient als Maßstab für die Fähigkeit einer Maschine, menschenähnliche Konversationen zu führen, und stellt eine grundlegende Herausforderung für die Entwicklung künstlicher Intelligenz dar.
U
Überanpassung
Überanpassung (Overfitting) bei KI-Modellen beschreibt den Zustand, in dem ein Modell die Trainingsdaten so genau erlernt, dass es deren spezifische Details und Zufälligkeiten „überanpasst“. Dadurch verliert es die Fähigkeit, allgemeine Muster zu erkennen und ist weniger leistungsfähig bei der Anwendung auf neue, unbekannte Daten. Das Modell wird also besonders gut in den Trainingsdaten, schneidet jedoch bei neuen Datensätzen schlecht ab. Um Überanpassung zu verhindern, werden Methoden wie die Verwendung zusätzlicher, diverser Datenquellen, Cross-Validation und Regularisierungsverfahren eingesetzt, die helfen, die Balance zwischen Präzision und Generalisierbarkeit zu wahren.
Überwachtes Lernen (Supervised Learning)
Ein Typ des maschinellen Lernens, bei dem das Modell mit gelabelten Daten trainiert wird, bei denen die richtigen Antworten bekannt sind. Wenn das trainierte Modell von den gewünschten Ergebnissen abweicht, beispielsweise indem es eine Tulpe als Rose identifiziert, passt der Algorithmus das Modell entsprechend an. Das Ziel besteht darin, dem Netzwerk durch verschiedene Eingaben und Ausgaben die Fähigkeit zu vermitteln, selbstständig Verbindungen herzustellen und Muster zu erkennen.
Unüberwachtes Lernen (Unsupervised Learning)
Ein Typ des maschinellen Lernens, bei dem das Modell mit ungelabelten Daten trainiert wird. Das Modell lernt, Muster oder Strukturen in den Daten zu erkennen, ohne dass die richtigen Antworten bekannt sind.
V
Vertrauensvolle und verantwortungsvolle KI (Responsible and trustworthy AI)
Verantwortungsvolle und vertrauenswürdige KI sind derzeit entscheidende Konzepte für die nachhaltige Entwicklung der künstlichen Intelligenz. Beide Konzepte umfassen weitgehend ähnliche Merkmale, die sicherstellen sollen, dass das Feld der künstlichen Intelligenz in Zukunft stets den grundlegenden Menschenrechten und Werten gerecht wird. Verantwortung kann nicht durch informationstechnische Mittel auf das System übertragen werden, sondern liegt in den Händen aller am Prozess der Entwicklung und Implementierung des Systems beteiligten Personen.
Zu den wichtigen Merkmalen gehören Barrierefreiheit, informationelle Selbstbestimmung, Robustheit, Widerstandsfähigkeit, Transparenz und Erklärbarkeit (erklärbare KI).
Voice Cloning
Die Technologie, die es ermöglicht, die Stimme einer Person zu analysieren und zu synthetisieren, um authentisch klingende Sprachausgaben zu generieren, die der Stimme der Person ähneln. Voice Cloning wird oft in Sprachassistenzsystemen, Synthesetechnologien und Unterhaltungsanwendungen eingesetzt.
Vorhersage
Im Kontext künstlicher Intelligenz bezieht sich eine Vorhersage auf das Ergebnis, das ein trainiertes Modell für neue und unbekannte Daten generiert. Nachdem das Modell während des Trainings Erfahrungen aus den vorhandenen Daten gesammelt hat, kann es ähnliche, jedoch bisher nicht gesehene Daten analysieren und Vorhersagen treffen. Die Qualität einer Vorhersage hängt von der Qualität des Trainings des Modells sowie der Repräsentativität der neuen Daten ab. KI-Vorhersagen finden in verschiedenen Bereichen Anwendung, wie z.B. bei der Krankheitsdiagnose, Verkehrssteuerung oder personalisierten Empfehlungssystemen.
Z
Zielzustand
Der gewünschte Endzustand oder das Ziel, das ein KI-System durch seine Handlungen erreichen soll. Dieser Begriff ist besonders relevant im Bereich der Planung und Entscheidungsfindung in der KI.
Zero-shot Learning
Eine Methode des maschinellen Lernens, bei der ein Modell in der Lage ist, Aufgaben zu bewältigen, ohne dass es zuvor explizit auf diese Aufgaben trainiert wurde. Es nutzt vorhandenes Wissen, um neue, unbekannte Aufgaben zu lösen.
Text: Angelika Grüttner
