Glossar

Um Ihnen zu helfen, ein Ökosystem zu verstehen, das auf den ersten Blick übermäßig technisch und komplex erscheinen mag, haben wir eine nicht erschöpfende Liste kurzer und klarer Definitionen der im Bereich der generativen künstlichen Intelligenz verwendeten Begriffe zusammengestellt.

KI-Industrielle Revolution

Die KI-Industrielle Revolution bezieht sich auf die bedeutende Transformation von Industrien und Volkswirtschaften, die durch die Einführung und Integration von Technologien der künstlichen Intelligenz hervorgerufen wird. Diese Revolution zeichnet sich durch den umfassenden Einsatz von KI zur Automatisierung von Aufgaben, Verbesserung der Produktivität und Förderung von Innovationen in verschiedenen Sektoren aus, ähnlich wie die Auswirkungen früherer industrieller Revolutionen.

Künstliche Allgemeine Intelligenz (AGI)

AGI oder Künstliche Allgemeine Intelligenz bezieht sich auf eine theoretische Form der künstlichen Intelligenz, die die Fähigkeit hat, zu verstehen, zu lernen und ihre Intelligenz auf breite und flexible Weise anzuwenden, ähnlich wie ein Mensch. Im Gegensatz zu spezialisierten KI-Systemen, die für bestimmte Aufgaben entwickelt wurden (wie Sprachübersetzung, Schachspielen oder Bilderkennung), hätte AGI die Fähigkeit, in einem breiten Spektrum kognitiver Aufgaben zu lernen und zu brillieren, sich an neue Umgebungen anzupassen, Probleme zu lösen und für einige - obwohl dies stark umstritten ist - sogar Selbstbewusstsein und emotionales Verständnis zu besitzen.

Computer Vision

Computer Vision ist ein Bereich der künstlichen Intelligenz, der Computer trainiert, die visuelle Welt zu interpretieren und zu verstehen. Durch die Verwendung digitaler Bilder von Kameras und Videos sowie Deep-Learning-Modellen können Maschinen Objekte genau identifizieren und klassifizieren - und dann auf das, was sie "sehen", reagieren.

Daten-Vektorisierung und KI-Augmentierung

Daten-Vektorisierung bezieht sich auf den Prozess der Umwandlung von Rohdaten in eine numerische Darstellung, die von maschinellen Lernalgorithmen verarbeitet werden kann. Diese Daten können dann genutzt werden, um viel zuverlässigere Ergebnisse zu produzieren und eine transparente Angabe der Quellen der von der KI produzierten Informationen zu liefern. Wir nennen dies ein augmentiertes KI-Modell.

Deep Learning

Deep Learning ist eine Unterkategorie des maschinellen Lernens, die auf künstlichen neuronalen Netzen basiert. Diese Lernmethode ahmt die Funktionsweise des menschlichen Gehirns bei der Verarbeitung von Daten und der Erstellung von Mustern für die Entscheidungsfindung nach. Deep Learning ist besonders nützlich für die Erkennung von Merkmalen aus rohen und unstrukturierten Daten.

Digitale Disruption

Digitale Disruption bezieht sich auf die Veränderungen, die auftreten, wenn neue digitale Technologien und Geschäftsmodelle die Wertschöpfung bestehender Waren und Dienstleistungen beeinflussen. Sie wird oft beobachtet, wenn eine innovative Technologie die traditionellen Methoden in einer Branche schnell und signifikant verändert und möglicherweise etablierte Unternehmen verdrängt.

Digitale Transformation

Digitale Transformation ist der Prozess der Nutzung digitaler Technologien zur Schaffung neuer - oder zur Modifizierung bestehender - Geschäftsprozesse, Kulturen und Kundenerfahrungen, um den sich ändernden Geschäfts- und Marktanforderungen gerecht zu werden. Diese Neuerfindung des Geschäfts im digitalen Zeitalter ist die digitale Transformation.

Fine-Tuning

Fine-Tuning in der KI bedeutet, ein KI-Modell zu nehmen, das bereits viel aus einem allgemeinen Datensatz gelernt hat, und es weiter über ein spezifisches Thema oder einen spezifischen Datentyp zu unterrichten. Es ist, als hätte man einen Schüler, der in vielen Fächern gut ist, und gibt ihm dann zusätzlichen Unterricht in einem Fach, wie Mathematik, um ihn noch besser zu machen. Dies hilft der KI, Aufgaben im Zusammenhang mit diesem spezifischen Thema viel genauer zu verstehen und auszuführen.

Generative KI (Generative Künstliche Intelligenz)

Generative KI bezieht sich auf eine Kategorie von Algorithmen der künstlichen Intelligenz, die darauf ausgelegt sind, neue Datenproben zu generieren, die die Eigenschaften eines gegebenen Datensatzes nachahmen. Diese Algorithmen lernen die Muster und Strukturen aus bestehenden Daten und verwenden dieses Wissen dann, um neue, originelle Datenproben zu erstellen. Generative KI-Modelle sind in der Lage, verschiedene Arten von Inhalten zu generieren, einschließlich Bilder, Text, Musik und sogar Videos.

Halluzination in der KI

In der KI bezieht sich Halluzination auf eine Situation, in der ein Modell falsche, erfundene oder irrelevante Informationen generiert. Dies tritt häufig in komplexen Sprachmodellen oder Bildgenerierungsmodellen auf, bei denen die KI Ergebnisse produziert, die nicht auf den Eingabedaten oder der Realität basieren.

IoT (Internet der Dinge)

Das Internet der Dinge oder IoT bezieht sich auf das Netzwerk physischer Objekte - "Dinge" -, die mit Sensoren, Software und anderen Technologien ausgestattet sind, um sich mit anderen Geräten und Systemen über das Internet zu verbinden und Daten auszutauschen. Diese Objekte können von gewöhnlichen Haushaltsgegenständen bis hin zu ausgeklügelten industriellen Werkzeugen reichen.

Large Language Models (LLM)

Large Language Models (LLM) sind eine Art von künstlichem Intelligenzsystem, das auf riesigen Mengen von Textdaten trainiert wurde, um menschenähnliche Sprache zu verstehen und zu generieren. Diese Modelle sind darauf ausgelegt, natürliche Sprache zu verarbeiten und zu generieren. ChatGPT basiert auf einem LLM.

Low-Code

Low-Code ist ein moderner Ansatz zur Anwendungsentwicklung, der die Abhängigkeit von intensivem Coding minimiert. Mit Low-Code-Plattformen können Sie die Funktionalität von Anwendungen mithilfe visueller Schnittstellen und vorgefertigter Komponenten erstellen und anpassen, wodurch der Bedarf an intensivem manuellem Coding reduziert wird. Es ist wie der Bau eines Gebäudes mit vorgefertigten Modulen, bei dem Entwickler verschiedene Elemente zusammensetzen können, um die gewünschte Architektur der Anwendung zu bilden. Low-Code ist besonders vorteilhaft für Entwickler mit moderaten Coding-Fähigkeiten oder Fachwissen in einem bestimmten Bereich, die aber nicht unbedingt erfahrene Programmierer sind. Darüber hinaus schätzen erfahrene Entwickler oft Low-Code-Plattformen, um den iterativen Entwicklungsprozess zu rationalisieren und die Produktivität durch schnelle Prototypenerstellung und Bereitstellung zu verbessern.

Maschinelles Lernen

Maschinelles Lernen ist eine Unterkategorie der KI, die Systemen die Fähigkeit gibt, automatisch zu lernen und sich aus Erfahrungen zu verbessern, ohne explizit programmiert zu werden. Es konzentriert sich auf die Entwicklung von Computerprogrammen, die auf Daten zugreifen und diese nutzen können, um selbstständig zu lernen.

Multimodale KI

Multimodale KI bezieht sich auf KI-Modelle, die in der Lage sind, mehrere Arten von Daten wie Bilder, Text und Audio auf einheitliche Weise zu verarbeiten und zu verstehen. Diese Modelle kombinieren Techniken aus Computer Vision, natürlicher Sprachverarbeitung und Audioverarbeitung, um Inhalte aus verschiedenen Modalitäten zu analysieren und zu generieren.

Neuronale Netzwerkmodelle

Neuronale Netzwerkmodelle sind eine Klasse von maschinellen Lernalgorithmen, die von der Struktur und Funktion des menschlichen Gehirns inspiriert sind. Diese Modelle bestehen aus miteinander verbundenen Knoten, die als Neuronen bezeichnet werden und in Schichten organisiert sind. Jedes Neuron empfängt eine Eingabe, verarbeitet sie und produziert eine Ausgabe, die dann an die nächste Schicht weitergegeben wird. Neuronale Netzwerkmodelle sind in der Lage, komplexe Muster und Beziehungen in Daten zu lernen, ohne explizit programmiert zu werden. Sie wurden erfolgreich auf verschiedene Aufgaben angewendet, einschließlich Bilderkennung, Spracherkennung, natürliche Sprachverarbeitung und vieles mehr. Beispiele für neuronale Netzwerkmodelle sind Feed-Forward-Neuronale Netze, Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN) und Transformers.

NLP (Verarbeitung natürlicher Sprache)

NLP oder Verarbeitung natürlicher Sprache ist ein Bereich der künstlichen Intelligenz (KI), der sich auf die Interaktion zwischen Computern und Menschen durch natürliche Sprache konzentriert. Das Ziel von NLP ist es, Computer in die Lage zu versetzen, menschliche Sprache auf sinnvolle und nützliche Weise zu verstehen, zu interpretieren und zu generieren. NLP-Techniken werden in verschiedenen Anwendungen eingesetzt, wie Sprachübersetzung, Stimmungsanalyse, Textzusammenfassung, Spracherkennung und vielem mehr.

No-Code

No-Code ist eine moderne Art, Anwendungen zu erstellen, ohne komplexes Coding zu benötigen. Mit No-Code können Sie die Funktionalität Ihrer Anwendung durch einfaches Verbinden verschiedener Elemente mit Klicks anstelle des Schreibens von Codezeilen entwerfen und erstellen. Es ist wie das Zusammensetzen von Blöcken auf einer digitalen Leinwand. No-Code ist besonders nützlich für Fachleute, die keine Experten im Programmieren sind, aber eine klare Vision der Anforderungen ihrer Anwendung haben. Darüber hinaus finden selbst erfahrene Programmierer, dass die Verwendung von No-Code das Ändern und Aktualisieren von Anwendungen schneller und effizienter macht.

On-Premises-Integration

On-Premises-Integration bezieht sich auf den Prozess der Integration verschiedener Software und Systeme innerhalb der physischen Räumlichkeiten einer Organisation, anstatt sich auf externe oder Cloud-basierte Lösungen zu verlassen. Dies beinhaltet oft die Einrichtung von Servern, Datenbanken und Anwendungen vor Ort und ermöglicht so eine größere Kontrolle über Daten und Infrastruktur.

Prompt Engineering

Prompt Engineering ist der Prozess der Strukturierung von Text, der von einem generativen KI-Modell interpretiert und verstanden werden kann. Je präziser die Anweisung (Prompt), desto besser wird die Ausgabe sein. Ein gut gestalteter Prompt kann die Qualität und Spezifität der KI-Ergebnisse erheblich verbessern, ähnlich wie klare und prägnante Anweisungen einer Person helfen, eine Aufgabe effektiver zu verstehen und auszuführen.

Retrieval-Augmented Generation (RAG)

Retrieval-Augmented Generation (RAG) ist eine Technik in der KI, insbesondere in Sprachmodellen, bei der das System seine Antwortgenerierung verbessert, indem es Informationen aus einer großen Datenbank oder Dokumentensammlung abruft. Dies ermöglicht es dem Modell, genauere, detailliertere und kontextuell relevantere Ausgaben zu liefern.

Spezialisierte KI-Agenten

Ein spezialisierter KI-Assistent besteht einfach aus einem Chatbot, der in einem vordefinierten Kontext (einer Website, einem Thema, einer spezifischen Situation) platziert ist und entsprechend antwortet, ohne dass der Benutzer eine komplexe Anweisung (Prompt) geben muss. Mit spezialisierten KI-Assistenten können Sie intuitiv interagieren und das benötigte Ergebnis in Sekunden erhalten. Die Antworten eines spezialisierten KI-Agenten sind weniger anfällig für Halluzinationen, können aber immer noch falsche Informationen produzieren, es sei denn, sie sind mit einem augmentierten KI-Modell verbunden.

Überwachtes Lernen

Überwachtes Lernen ist eine Art des maschinellen Lernens, bei der das Modell auf gekennzeichneten Daten trainiert wird. Die Trainingsdaten bestehen aus Eingabe-Ausgabe-Paaren, bei denen das Modell lernt, Vorhersagen oder Entscheidungen basierend auf diesen bekannten Daten zu treffen.

Unüberwachtes Lernen

Unüberwachtes Lernen ist eine Art des maschinellen Lernens, die Daten ohne gekennzeichnete Antworten verwendet. Das System versucht, Muster und Strukturen aus diesen Daten selbstständig zu lernen, oft um versteckte Muster oder Gruppierungen in den Daten zu entdecken.