Dieses Glossar bietet einen soliden Ausgangspunkt für das Verständnis verschiedener KI-bezogener Begriffe. Bedenken Sie, dass KI ein sich schnell entwickelndes Feld ist und im Laufe der Zeit neue Begriffe und Konzepte entstehen können. Es ist wichtig, auf dem Laufenden zu bleiben, indem Sie auf seriöse Quellen und Branchenpublikationen zurückgreifen.
Dieses Glossar bietet einen soliden Ausgangspunkt für das Verständnis verschiedener KI-bezogener Begriffe. Bedenken Sie, dass KI ein sich schnell entwickelndes Feld ist und im Laufe der Zeit neue Begriffe und Konzepte entstehen können. Es ist wichtig, auf dem Laufenden zu bleiben, indem Sie auf seriöse Quellen und Branchenpublikationen zurückgreifen.
Gen-KI-Prompt „Brian Beeler mit einer futuristischen Festplatte“
Wir haben das AI Top-Glossar der KI-Begriffe (Künstliche Intelligenz) mit ihren Definitionen zusammengestellt:
- Algorithmus: Eine Reihe von Anweisungen oder Regeln, denen Maschinen folgen, um ein Problem zu lösen oder eine Aufgabe zu erfüllen.
- Künstliche Intelligenz (KI): Die Simulation menschlicher Intelligenzprozesse durch Maschinen, insbesondere Computersysteme, um Aufgaben auszuführen, die typischerweise menschliche Intelligenz erfordern, wie z. B. visuelle Wahrnehmung, Spracherkennung, Entscheidungsfindung und Problemlösung.
- Maschinelles Lernen (ML): Eine Teilmenge der KI, die es Computersystemen ermöglicht, aus Erfahrungen zu lernen und sich zu verbessern, ohne explizit programmiert zu werden. ML-Algorithmen ermöglichen es Maschinen, Muster zu erkennen, Vorhersagen zu treffen und ihre Leistung im Laufe der Zeit zu verbessern.
- Tiefes Lernen: Ein spezifischer Teilbereich des maschinellen Lernens, der neuronale Netze mit mehreren Schichten verwendet, um Daten hierarchisch zu verarbeiten und komplexe Merkmale zu extrahieren. Es ist besonders effektiv bei Aufgaben wie der Bild- und Spracherkennung.
- Föderiertes Lernen: Ein Ansatz, bei dem mehrere Geräte oder Server zusammenarbeiten, um ein Modell zu trainieren und gleichzeitig die Daten dezentral und privat zu halten, der häufig in Szenarien wie mobilen Geräten verwendet wird.
- Quanten-Computing: Ein hochmoderner Berechnungsansatz, der Quantenbits (Qubits) nutzt, um bestimmte Arten von Berechnungen deutlich schneller als klassische Computer durchzuführen.
- Neurales Netzwerk: Ein Rechenmodell, das von der Struktur und Funktion des menschlichen Gehirns inspiriert ist. Es besteht aus miteinander verbundenen Knoten (Neuronen), die in Schichten organisiert sind, um Daten zu verarbeiten und umzuwandeln.
- Neuroevolution: Eine Technik, die neuronale Netze mit evolutionären Algorithmen kombiniert und zur Entwicklung neuronaler Netzarchitekturen oder -parameter verwendet wird.
- Großes Sprachmodell (LLM): Ein maschinelles Lernmodell, das mithilfe von überwachtem Lernen auf riesigen Datenmengen trainiert wird, um das nächste Token in einem bestimmten Kontext zu erstellen und sinnvolle, kontextbezogene Antworten auf Benutzereingaben zu erzeugen. Groß bezieht sich auf die Verwendung umfangreicher Parameter durch Sprachmodelle. GPT-3 verfügt beispielsweise über 175 Milliarden Parameter und ist damit eines der bedeutendsten Sprachmodelle, die zum Zeitpunkt seiner Entstehung verfügbar waren.
- Verarbeitung natürlicher Sprache (NLP): Ein Teilgebiet des NLP konzentriert sich auf die Generierung von für Menschen lesbarem Text, der häufig in Anwendungen wie der automatisierten Inhaltserstellung verwendet wird.
- Computer Vision: Der Bereich der KI, der es Maschinen ermöglicht, visuelle Informationen aus der Welt, wie Bilder und Videos, zu interpretieren und zu verstehen.
- Verstärkungslernen: Eine Art maschinelles Lernen, bei dem ein Agent lernt, Entscheidungen durch Interaktion mit einer Umgebung zu treffen. Es erhält Rückmeldungen in Form von Belohnungen oder Strafen, die es dabei unterstützen, seine Entscheidungsfähigkeiten zu verbessern.
- Überwachtes Lernen: Eine Art maschinelles Lernen, bei dem ein Modell anhand gekennzeichneter Daten trainiert wird, was bedeutet, dass für jede Eingabe die richtige Ausgabe bereitgestellt wird. Ziel ist es, dass das Modell lernt, Informationen genau den richtigen Ergebnissen zuzuordnen.
- Unbeaufsichtigtes Lernen: Eine Art maschinelles Lernen, bei dem das Modell anhand unbeschrifteter Daten trainiert wird und ohne spezifische Anleitung Muster oder Strukturen in den Daten finden muss.
- Halbüberwachtes Lernen: Eine Kombination aus überwachtem und unbeaufsichtigtem Lernen, bei der ein Modell anhand einer Mischung aus gekennzeichneten und unbeschrifteten Daten trainiert wird.
- Transferlernen: Eine Technik, bei der ein vorab trainiertes Modell als Ausgangspunkt für eine neue Aufgabe verwendet wird, was ein schnelleres und effizienteres Training auf begrenzten Daten ermöglicht.
- Wissensgraph: Eine strukturierte Darstellung von Wissen, die Entitäten, ihre Attribute und Beziehungen erfasst und so eine anspruchsvolle Informationsbeschaffung und Argumentation ermöglicht.
- Faltungs-Neuronales Netzwerk (CNN): Eine Art neuronales Netzwerk, das für die Verarbeitung gitterartiger Daten wie Bilder entwickelt wurde. CNNs sind besonders effektiv für Computer-Vision-Aufgaben.
- Wiederkehrendes neuronales Netzwerk (RNN): Eine Art neuronales Netzwerk, das sich gut für sequentielle Daten wie Text oder Zeitreihen eignet. RNNs behalten die Erinnerung an vergangene Eingaben bei, um sequentielle Informationen effektiv zu verarbeiten.
- Generatives gegnerisches Netzwerk (GAN): Eine Art neuronale Netzwerkarchitektur, die aus zwei Netzwerken, einem Generator und einem Diskriminator, besteht, die miteinander konkurrieren, um realistische Daten wie Bilder oder Audio zu generieren.
- Voreingenommenheit in der KI: Bezieht sich auf das Vorhandensein unfairer oder diskriminierender Ergebnisse in KI-Systemen, die häufig auf voreingenommene Trainingsdaten oder Designentscheidungen zurückzuführen sind.
- Ethik in der KI: Die Berücksichtigung moralischer Grundsätze und Richtlinien bei der Entwicklung und dem Einsatz von KI-Systemen, um sicherzustellen, dass sie verantwortungsvoll eingesetzt werden und weder dem Einzelnen noch der Gesellschaft schaden.
- Erklärbare KI (XAI): Das Konzept, KI-Systeme zu entwerfen, die transparente Erklärungen für ihre Entscheidungen liefern können, sodass Menschen die Gründe für KI-generierte Ergebnisse verstehen können.
- Edge-KI: Der Einsatz von KI-Algorithmen direkt auf Edge-Geräten (z. B. Smartphones, IoT-Geräten), anstatt sich auf eine cloudbasierte Verarbeitung zu verlassen, ermöglicht schnellere und datenschutzbewusstere KI-Anwendungen.
- Big Data: Datensätze, die als zu groß oder komplex gelten, um sie mit herkömmlichen Methoden zu verarbeiten. Dabei werden umfangreiche Informationsmengen analysiert, um wertvolle Erkenntnisse und Muster zu gewinnen, die die Entscheidungsfindung verbessern.
- Internet der Dinge (IoT): Ein Netzwerk miteinander verbundener Geräte, die mit Sensoren und Software ausgestattet sind, die es ihnen ermöglichen, Daten zu sammeln und auszutauschen.
- AIaaS (KI als Service): Die Bereitstellung von KI-Tools und -Diensten über die Cloud ermöglicht es Unternehmen und Entwicklern, auf KI-Funktionen zuzugreifen und diese zu nutzen, ohne die zugrunde liegende Infrastruktur verwalten zu müssen.
- Chatbot: Ein Computerprogramm, das NLP und KI nutzt, um menschenähnliche Gespräche mit Benutzern zu simulieren, typischerweise eingesetzt im Kundensupport, bei virtuellen Assistenten und in Messaging-Anwendungen.
- Kognitives Computing: Eine Teilmenge der KI, die darauf abzielt, menschliche kognitive Fähigkeiten wie Lernen, Sprachverständnis, Argumentation und Problemlösung nachzuahmen.
- KI-Modell: Eine mathematische Darstellung eines KI-Systems, das während des Trainingsprozesses aus Daten gelernt wird und bei Vorlage neuer Eingaben Vorhersagen oder Entscheidungen treffen kann.
- Datenbeschriftung: Der Prozess der manuellen Kommentierung von Daten, um die korrekte Ausgabe für überwachte maschinelle Lernaufgaben anzugeben.
- Voreingenommenheitsminderung: Techniken und Strategien zur Reduzierung oder Beseitigung von Vorurteilen in KI-Systemen, um Fairness und gerechte Ergebnisse sicherzustellen.
- Hyperparameter: Vom Benutzer festgelegte Parameter zur Steuerung des Verhaltens und der Leistung von Algorithmen für maschinelles Lernen, z. B. Lernrate, Anzahl verborgener Schichten oder Stapelgröße.
- Überanpassung: Ein Zustand beim maschinellen Lernen, bei dem ein Modell bei den Trainingsdaten außergewöhnlich gut abschneidet, sich jedoch nicht auf neue, unsichtbare Daten verallgemeinern lässt, da es sich eher an den Trainingssatz als an Lernmuster erinnert.
- Unterausstattung: Ein Zustand beim maschinellen Lernen, bei dem ein Modell die Muster in den Trainingsdaten nicht erfassen kann und sowohl bei den Trainingsdaten als auch bei neuen, unsichtbaren Daten eine schlechte Leistung erbringt.
- Anomalieerkennung: Der Prozess der Identifizierung von Mustern in Daten, die nicht dem erwarteten Verhalten entsprechen, wird häufig zur Betrugserkennung und Cybersicherheit eingesetzt.
- Ensemble-Lernen: Eine Technik, bei der mehrere Modelle kombiniert werden, um eine endgültige Vorhersage zu treffen, was häufig zu einer besseren Gesamtleistung führt als die Verwendung einzelner Modelle.
- TensorFlow: Eine von Google entwickelte Open-Source-Bibliothek für maschinelles Lernen, die ein Framework für den Aufbau und das Training verschiedener Arten neuronaler Netze bietet.
- PyTorch: Eine von Facebook entwickelte Open-Source-Bibliothek für maschinelles Lernen, die besonders für Deep-Learning- und Forschungszwecke beliebt ist.
- Reinforcement Learning Agent: Die lernende Einheit in einem verstärkenden Lernsystem, die mit der Umgebung interagiert, Belohnungen erhält und Entscheidungen trifft, um die kumulativen Belohnungen zu maximieren.
- GPT (Generative Pre-Trained Transformer): Eine Familie umfangreicher Sprachmodelle, die für ihre Fähigkeit bekannt sind, menschenähnlichen Text zu generieren. GPT-3 ist eine der bekanntesten Versionen, entwickelt von OpenAI.
- Turing-Test: Ein von Alan Turing vorgeschlagener Test, um festzustellen, ob eine Maschine ein intelligentes Verhalten zeigen kann, das nicht von dem eines Menschen zu unterscheiden ist.
- Singularität: Ein hypothetischer Zeitpunkt in der Zukunft, an dem KI und maschinelle Intelligenz die menschliche Intelligenz übertreffen und zu radikalen Veränderungen in Gesellschaft und Technologie führen.
- Schwarmintelligenz: Ein KI-Ansatz, der vom kollektiven Verhalten sozialer Organismen wie Ameisen oder Bienen inspiriert ist und bei dem einzelne Agenten zusammenarbeiten, um komplexe Probleme zu lösen.
- Robotik: Der Zweig der KI und Technik, der sich auf das Entwerfen, Konstruieren und Programmieren von Robotern konzentriert, die in der Lage sind, Aufgaben autonom oder halbautonom auszuführen.
- Autonome Fahrzeuge: Selbstfahrende Autos und Fahrzeuge, die KI, Computer Vision und Sensoren nutzen, um ohne menschliches Eingreifen zu navigieren und zu funktionieren.
- Gesichtserkennung: Die KI-gesteuerte Technologie dient zur Identifizierung und Verifizierung von Personen anhand ihrer Gesichtsmerkmale.
- Stimmungsanalyse: Der Prozess der Verwendung von NLP-Techniken zur Bestimmung der in einem Text ausgedrückten Stimmung oder Emotion, der häufig bei der Überwachung sozialer Medien und der Analyse von Kundenfeedback verwendet wird.
- Zero-Shot-Lernen: Eine Art von ML, bei der ein Modell mithilfe von Allgemeinwissen eine Aufgabe ausführen kann, ohne während des Trainings Beispiele dieser Aufgabe gesehen zu haben.
- One-Shot-Lernen: Eine Variante von ML, bei der ein Modell mit nur einem oder wenigen Beispielen pro Klasse trainiert wird, mit dem Ziel, aus begrenzten Daten zu lernen.
- Selbstüberwachtes Lernen: Ein Lernansatz, bei dem das Modell aus den Eingabedaten ein eigenes Überwachungssignal generiert, das häufig zum Vorabtraining von Modellen auf riesigen, unbeschrifteten Datensätzen verwendet wird.
- Zeitreihenanalyse: Techniken zur Analyse und Prognose von Datenpunkten, die in regelmäßigen Abständen im Laufe der Zeit gesammelt werden und in Bereichen wie Finanzen und Umweltwissenschaften von entscheidender Bedeutung sind.
- Gegnerische Angriffe: Techniken, bei denen böswillige Eingaben darauf abzielen, KI-Modelle in die Irre zu führen, werden häufig verwendet, um die Robustheit von Modellen gegenüber Herausforderungen in der realen Welt zu testen.
- Datenerweiterung: Eine Methode zur Erhöhung der Vielfalt von Trainingsdaten durch Anwendung verschiedener Transformationen wie Rotationen, Übersetzungen und Skalierung.
- Bayesianische Netzwerke: Grafische Modelle, die probabilistische Beziehungen zwischen einer Reihe von Variablen darstellen und zum Denken unter Unsicherheit verwendet werden.
- Hyperparameter-Tuning: Der Prozess, die optimalen Werte für Hyperparameter zu finden, um die beste Modellleistung zu erzielen.
Beteiligen Sie sich an StorageReview
Newsletter | YouTube | Podcast iTunes/Spotify | Instagram | Twitter | TikTok | RSS Feed
