38 Begriffe
Künstliche Intelligenz (KI)
Oberbegriff für Systeme, die Aufgaben lösen, für die man bisher menschliche Intelligenz brauchte: Sprache verstehen, Bilder erkennen, Vorhersagen treffen, Inhalte erzeugen.
🧱 GrundlagenMaschinelles Lernen (ML)
Statt Regeln zu programmieren, lernt ein Algorithmus Muster aus Beispieldaten.
🧱 GrundlagenNeuronales Netz
Ein Rechenmodell aus vielen verknüpften „Neuronen“ in Schichten. Jede Verbindung hat ein Gewicht, das beim Training angepasst wird. Viele Schichten nennt man Deep Learning.
🧱 GrundlagenParameter (Gewichte)
Die gelernten Zahlen in einem neuronalen Netz. Große Sprachmodelle haben Milliarden davon.
⚙️ Unter der HaubeModellgröße
Wie groß ein Modell ist, gemessen an der Zahl seiner Parameter. Anbieter haben oft ganze Familien in mehreren Größen: klein und schnell, mittel als Allrounder, groß und besonders leistungsfähig.
🧱 GrundlagenTraining
Der Prozess, in dem ein Modell aus Daten lernt, indem seine Parameter Schritt für Schritt angepasst werden. Bei Sprachmodellen zuerst Pre-Training auf riesigen Textmengen, danach Feinschliff.
🧱 GrundlagenGenerative KI
KI, die neue Inhalte erzeugt: Text, Bilder, Code, Audio oder Video.
🧱 GrundlagenGroßes Sprachmodell (LLM)
Ein generatives Modell, trainiert auf riesigen Textmengen. Es erzeugt Text, indem es Token für Token vorhersagt, was als Nächstes am besten passt.
⚙️ Unter der HaubeToken
Die Einheiten, in die ein Sprachmodell Text zerlegt: ganze Wörter, Wortteile oder Satzzeichen. Modelle lesen, rechnen und kosten in Tokens.
⚙️ Unter der HaubeInferenz
Das Anwenden eines fertig trainierten Modells: Du gibst etwas ein, das Modell berechnet die Antwort. Jede einzelne Antwort ist Inferenz.
⚙️ Unter der HaubeKontextfenster
Die Textmenge (in Tokens), die ein Modell bei einer Antwort gleichzeitig berücksichtigen kann: Systemanweisungen, Chatverlauf, Dateien und deine Frage.
⚙️ Unter der HaubeTransformer
Die Architektur hinter fast allen modernen Sprachmodellen, 2017 vorgestellt. Kernidee ist Attention.
⚙️ Unter der HaubeAttention
Der Mechanismus, mit dem ein Modell für jedes Token gewichtet, welche anderen Tokens im Kontext gerade relevant sind.
⚙️ Unter der HaubeEmbedding
Eine Liste von Zahlen (ein Vektor), die die Bedeutung eines Wortes, Satzes oder Dokuments abbildet. Ähnliche Bedeutung liegt nah beieinander.
⚙️ Unter der HaubeTemperatur
Einstellung, wie zufällig ein Modell das nächste Token wählt. Niedrig heißt vorhersehbar, hoch heißt kreativ und fehleranfälliger.
⚙️ Unter der HaubeCNN (Convolutional Neural Network)
Ein neuronales Netz für Bilder: Kleine Filter gleiten über das Bild und erkennen erst Kanten, dann Formen, dann ganze Objekte.
⚙️ Unter der HaubeWissensstichtag
Das Datum, bis zu dem die Trainingsdaten reichen. Danach weiß das Modell nichts, außer ein Tool liefert aktuelle Infos nach.
⚙️ Unter der HaubeFine-Tuning
Ein vortrainiertes Modell wird mit zusätzlichen, gezielten Daten weitertrainiert, um Stil, Format oder Fachgebiet anzupassen.
⚙️ Unter der HaubeRLHF
Reinforcement Learning from Human Feedback: Menschen bewerten Antworten, und das Modell lernt daraus, hilfreicher und sicherer zu antworten.
🛠️ AnwendenPrompt
Deine Eingabe an ein Modell: Frage, Anweisung, Kontext, Beispiele.
🛠️ AnwendenRAG (Retrieval-Augmented Generation)
Vor der Antwort werden passende Dokumente gesucht und in den Kontext gelegt. Das Modell antwortet dann auf Basis dieser Quellen.
🛠️ AnwendenGrounding (Quellenbindung)
Eine KI stützt ihre Antwort auf konkrete, überprüfbare Quellen, etwa deine Dokumente, eine Datenbank oder Suchergebnisse, statt nur auf ihr Trainingsgedächtnis. Gut gegroundete Antworten zeigen, woher jede Aussage stammt.
🛠️ AnwendenMCP (Model Context Protocol)
Ein offener Standard, über den KI-Anwendungen einheitlich an Tools und Datenquellen angeschlossen werden, etwa Kalender, CRM, Datenbanken oder Dateien. 2024 von Anthropic veröffentlicht und inzwischen breit unterstützt.
🛠️ AnwendenKI-Agent
Ein KI-System, das nicht nur antwortet, sondern ein Ziel in mehreren Schritten verfolgt: Es plant, nutzt Tools, prüft Ergebnisse und macht weiter.
🛠️ AnwendenHarness (Agenten-Gerüst)
Die Software rund um ein Sprachmodell, die daraus einen arbeitenden Assistenten oder Agenten macht. Sie gibt dem Modell Kontext (Anweisungen, Dateien, Gedächtnis), stellt Tools bereit, führt die Schleife aus Denken, Handeln und Prüfen, setzt Rechte durch und zeigt alles in einer Oberfläche. Claude Code, ChatGPT oder Copilot sind solche Harnesses um ein Modell.
🛠️ AnwendenSkills (Agent Skills)
Verpacktes Know-how für KI-Agenten: ein Ordner mit Anweisungen und bei Bedarf Vorlagen, Beispielen oder Skripten. Der Agent kennt zuerst nur Name und Kurzbeschreibung jedes Skills und lädt den ganzen Inhalt erst, wenn eine Aufgabe ihn braucht.
🛠️ AnwendenMultimodal
Ein Modell, das mehrere Arten von Ein- und Ausgaben versteht: Text, Bilder, Audio, Video.
🛠️ AnwendenReasoning (Schlussfolgern)
Die Fähigkeit eines Modells, ein Problem in Zwischenschritten zu durchdenken, statt sofort zu antworten. Reasoning-Modelle erzeugen dafür vor der eigentlichen Antwort eigene „Denk-Tokens“ (Chain of Thought), prüfen Lösungswege und korrigieren sich.
🛠️ AnwendenModel Effort (Denkaufwand)
Eine Einstellung, wie viel ein Modell vor der Antwort nachdenken darf, meist in Stufen wie niedrig, mittel und hoch. Mehr Aufwand heißt mehr Denk-Tokens: oft bessere Ergebnisse bei schweren Aufgaben, aber längere Wartezeit und höhere Kosten.
🛠️ AnwendenOpen-Weight-Modelle
Modelle, deren Parameter veröffentlicht sind und die man selbst betreiben kann. Das Gegenstück sind geschlossene Modelle, die nur per Schnittstelle (API) nutzbar sind.
⚠️ Risiken & RechtHalluzination
Eine überzeugend formulierte, aber falsche oder erfundene Aussage eines Modells.
⚠️ Risiken & RechtSycophancy (Anbiederung)
Wenn eine KI dir nach dem Mund redet: Sie stimmt deiner Meinung zu, lobt schwache Ideen oder gibt eine richtige Antwort auf, sobald du widersprichst. Eine Nebenwirkung davon, dass Modelle auf menschliche Zustimmung trainiert werden.
⚠️ Risiken & RechtBias (Verzerrung)
Eine systematische Schieflage in Ergebnissen, oft übernommen aus einseitigen Trainingsdaten oder aus Designentscheidungen.
⚠️ Risiken & RechtPrompt Injection
Ein Angriff, bei dem versteckte Anweisungen in Inhalten wie Mails, Webseiten oder Dokumenten eine KI zu ungewollten Aktionen bringen.
⚠️ Risiken & RechtGuardrails
Schutzmechanismen rund um ein Modell: Filter, Regeln, Freigaben und Prüfungen, die unerwünschte Ein- und Ausgaben verhindern.
⚠️ Risiken & RechtHuman in the Loop
Ein Mensch prüft oder bestätigt KI-Ergebnisse, bevor sie wirksam werden.
⚠️ Risiken & RechtDatenverarbeitung (Verarbeitungsort)
Wo deine Eingaben tatsächlich verarbeitet werden. Inferenz kann in Rechenzentren fast überall auf der Welt laufen, je nach Modellanbieter meist in den USA oder in China. Für sensible Daten zählt, wo genau.
⚠️ Risiken & RechtEU AI Act
Die EU-Verordnung für KI. Seit August 2024 in Kraft und schrittweise anwendbar. Sie regelt KI nach Risiko, und Artikel 4 verlangt KI-Kompetenz bei Mitarbeitenden.