Glossar der AI-Begriffe
67 Begriffe, die Sie kennen sollten — von den Grundlagen bis zu fortgeschrittenen Konzepten
Künstliche Intelligenz (AI)
Die Fähigkeit von Maschinen, Aufgaben zu erledigen, die normalerweise menschliche Intelligenz erfordern — Spracherkennung, Entscheidungsfindung, Übersetzung.
Maschinelles Lernen (ML)
Teilgebiet der AI, in dem Modelle aus Daten lernen, ohne dass Regeln explizit programmiert werden.
Neuronales Netz
Ein vom menschlichen Gehirn inspiriertes Rechenmodell — es verarbeitet und transformiert Daten über Schichten miteinander verbundener Knoten.
Deep Learning (tiefes Lernen)
Maschinelles Lernen mit vielen Schichten eines neuronalen Netzes, das komplexe Muster in Daten erkennen kann.
Modelltraining
Der Prozess, bei dem ein Modell wiederholt die Trainingsdaten durchläuft und dabei seine Parameter anpasst.
Inferenz
Die Nutzung eines bereits trainierten Modells, um Antworten oder Vorhersagen zu generieren.
Modellparameter
Interne Werte des Modells, die während des Trainings eingestellt werden — GPT-4 hat ~1,8 Billionen Parameter.
Benchmark
Ein standardisierter Test zum Messen und Vergleichen der Leistung von AI-Modellen.
Open-Source-Modell
Ein Modell, dessen Gewichte öffentlich verfügbar sind — z. B. Llama, Mistral.
Proprietäres Modell
Ein Modell, dessen Gewichte nicht öffentlich sind — z. B. GPT-4, Claude, Gemini.
Bias
Die Tendenz eines Modells, bestimmte Antworten zu bevorzugen, basierend auf Mustern in den Trainingsdaten.
Datensatz (Dataset)
Eine Sammlung von Daten, mit der ein Modell trainiert oder getestet wird.
Label
Eine den Daten zugewiesene Kennzeichnung, damit das Modell weiß, was was ist. Die Grundlage von Supervised Learning.
GPU
Ein spezialisierter Chip, ursprünglich für Grafik gedacht, heute die zentrale Hardware für das Training von AI-Modellen.
Guardrails
In das Modell eingebaute Sicherheitsbeschränkungen, die schädliche oder unangemessene Ausgaben verhindern.
Turing-Test
Ein von Alan Turing entworfener Test — eine Maschine besteht ihn, wenn sich ihre Antworten nicht von menschlichen unterscheiden lassen.
LLM (Large Language Model)
Ein großes Sprachmodell, trainiert mit riesigen Textmengen, das Text generieren, übersetzen und analysieren kann.
Token
Die Grundeinheit von Text, die ein LLM verarbeitet. Ungefähr 1 Token = 0,75 Wörter. Die Kosten eines API-Aufrufs werden in Tokens berechnet.
Kontextfenster (Context Window)
Die maximale Textmenge, die das Modell auf einmal sieht. Je größer der Kontext, desto mehr Informationen kann das Modell verarbeiten.
Temperatur (Temperature)
Ein Parameter, der die Kreativität der Ausgaben beeinflusst. Niedrig (0–0.3) = präzise Antworten. Hoch (0.7–1) = kreativere Ausgaben.
Top-P (Nucleus Sampling)
Ein Parameter, der die Auswahl des nächsten Tokens auf die wahrscheinlichsten Möglichkeiten beschränkt. Eine Alternative zur Temperatur.
Halluzination (Hallucination)
Das Phänomen, dass ein Modell selbstsicher falsche oder erfundene Informationen als Fakten ausgibt.
System-Prompt
Eine Anweisung zu Beginn der Konversation, die Verhalten, Rolle und Grenzen des Modells festlegt.
Multimodales Modell
Ein Modell, das mehrere Datentypen gleichzeitig verarbeitet — Text, Bilder, Audio, Video.
GPT (Generative Pretrained Transformer)
Die Architektur großer Sprachmodelle von OpenAI. Grundlage von ChatGPT und weiteren Modellen.
AGI (Artificial General Intelligence)
Eine hypothetische AI, die wie ein Mensch beliebige Aufgaben lernen und lösen kann — existiert bisher nicht.
ASI (Artificial Superintelligence)
Eine hypothetische AI, die die besten menschlichen Fähigkeiten in jeder Hinsicht übertreffen würde.
NLP (Natural Language Processing)
Verarbeitung natürlicher Sprache — das Gebiet der AI, das Maschinen befähigt, menschlichen Text zu verstehen und zu generieren.
MCP (Model Context Protocol)
Ein offener Standard für die Kommunikation von AI-Modellen mit externen Tools, Datenbanken und Diensten.
Prompt
Die Eingabe-Anweisung oder Frage, die Sie einem AI-Modell geben.
Prompt Engineering
Die Disziplin, Prompts so zu entwerfen und zu optimieren, dass AI-Modelle die bestmöglichen Ausgaben liefern.
Zero-Shot-Prompting
Eine Aufgabe ohne jegliche Beispiele stellen. Das Modell antwortet ausschließlich auf Basis seines Trainings.
Few-Shot-Prompting
Eine Aufgabe zusammen mit einigen Eingabe/Ausgabe-Beispielen stellen. Verbessert die Genauigkeit der Antworten deutlich.
Chain-of-Thought (CoT)
Eine Technik, bei der das Modell vor der finalen Antwort Schritt für Schritt nachdenkt. Verbessert die Ergebnisse bei komplexen Aufgaben.
Role Prompting
Dem Modell eine Rolle zuweisen ("Du bist ein Senior Developer..."). Beeinflusst Ton, Stil und Tiefe der Antworten.
Instruktions-Prompt
Eine präzise Anweisung, was das Modell tun soll, wie es das tun soll und in welchem Ausgabeformat.
Meta-Prompt
Ein Prompt, der andere Prompts generiert. Wird zur Automatisierung von Prompt Engineering eingesetzt.
Prompt Injection
Ein Angriff, bei dem schädliche Inhalte in den Daten die Anweisungen des System-Prompts überschreiben.
Jailbreak
Der Versuch, die Sicherheitsbeschränkungen eines Modells mit speziell gestalteten Prompts zu umgehen.
RAG (Retrieval-Augmented Generation)
Eine Architektur, die vor dem Generieren einer Antwort relevante Dokumente sucht und sie dem Kontext hinzufügt. Löst das Problem veralteten Modellwissens.
Embedding
Eine numerische Darstellung von Text (Vektor), die dessen semantische Bedeutung erfasst. Ähnliche Texte haben ähnliche Vektoren.
Vektordatenbank
Eine Datenbank, die für das Speichern und Durchsuchen von Embeddings optimiert ist. Z. B. Pinecone, pgvector, Chroma.
Semantische Suche
Suche nach der Bedeutung eines Textes, nicht nach Schlüsselwörtern. Nutzt Embeddings.
Chunking
Das Aufteilen langer Dokumente in kleinere Abschnitte vor dem Speichern in einer Vektordatenbank. Die Chunking-Strategie beeinflusst die Qualität von RAG maßgeblich.
Reranking
Der zweite Schritt von RAG, bei dem die gefundenen Dokumente nach Relevanz sortiert werden, bevor sie an das Modell gehen.
Grounding
Das Verankern der Antworten eines Modells in konkreten Daten oder Dokumenten. Reduziert Halluzinationen.
AI-Agent
Ein AI-System, das mithilfe von Tools und eigenen Entscheidungen selbstständig Schritte plant und ausführt, um ein Ziel zu erreichen.
Agentic AI
Ein Ansatz, bei dem die AI autonom über die Abfolge von Aktionen entscheidet, ohne dass der Mensch bei jedem Schritt eingreift.
Tool Use
Die Fähigkeit eines Agenten, externe Tools aufzurufen — Suche, Taschenrechner, API, Datenbank.
Multi-Agent-System
Eine Architektur, in der mehrere spezialisierte Agenten an einer komplexen Aufgabe zusammenarbeiten.
Orchestrator
Ein Agent, der andere Agenten steuert — er verteilt Aufgaben, sammelt Ergebnisse und koordiniert den Workflow.
Memory (Gedächtnis des Agenten)
Ein Mechanismus zum Speichern von Kontext und Ergebnissen vorheriger Schritte. Kurzfristig (im Kontext) vs. langfristig (in der Datenbank).
ReAct
Eine Technik (Reasoning + Acting), bei der der Agent in einem iterativen Zyklus zwischen Nachdenken und Handeln wechselt.
Human-in-the-Loop
Ein Design, bei dem ein Mensch die Entscheidungen des Agenten in kritischen Momenten freigibt oder korrigiert.
Supervised Learning
Lernen aus Daten, die die richtigen Antworten als Vorlage enthalten. Das Modell lernt, Eingaben auf Ausgaben abzubilden.
Unsupervised Learning
Lernen aus rohen Daten ohne Labels. Das Modell findet Muster und Strukturen selbst.
Reinforcement Learning
Lernen nach dem Prinzip Versuch/Belohnung/Bestrafung. Der Agent lernt optimale Aktionen durch Interaktion mit seiner Umgebung.
Computer Vision
Das Gebiet der AI, das Maschinen befähigt, Bilder, Videos und visuelle Daten zu erkennen und zu analysieren.
Fine-Tuning
Das Nachtrainieren eines bestehenden Modells mit spezifischen Daten für einen konkreten Use Case.
RLHF (Reinforcement Learning from Human Feedback)
Eine Technik, bei der Menschen die Ausgaben des Modells bewerten und ihm so bessere Antworten beibringen.
LoRA (Low-Rank Adaptation)
Eine effiziente Fine-Tuning-Methode, die nur einen kleinen Teil der Parameter verändert. Günstiger und schneller als vollständiges Fine-Tuning.
Synthetische Daten
Mithilfe von AI künstlich erzeugte Trainingsdaten. Lösen das Problem fehlender realer Daten.
Overfitting
Eine Situation, in der ein Modell auf den Trainingsdaten hervorragend funktioniert, auf neuen Daten aber schlecht. Es hat die Daten auswendig gelernt.
GEO (Generative Engine Optimization)
Die Optimierung von Inhalten für Sichtbarkeit in AI-Modellen wie ChatGPT, Perplexity, Gemini. Der Nachfolger des klassischen SEO.
AI-Zitation
Ein Verweis, den ein AI-Modell beim Generieren einer Antwort als Quelle angibt. Das Hauptziel einer GEO-Strategie.
Share of Voice in AI
Der Anteil der Antworten, in denen ein AI-Modell bei relevanten Anfragen Ihre Marke oder Website erwähnt.
Autoritativer Inhalt
Inhalte, die so strukturiert sind, dass AI-Modelle sie als verlässliche Quelle betrachten und zitieren.