KI-Glossar: Fachbegriffe einfach erklärt
Von Algorithmus bis Zero-Shot Learning: Alle wichtigen Begriffe der Künstlichen Intelligenz verständlich erklärt – speziell für deutsche Unternehmen und den Mittelstand.
A
Eine definierte Abfolge von Anweisungen zur Lösung eines Problems. In der KI bilden Algorithmen die Grundlage für maschinelles Lernen und automatisierte Entscheidungsprozesse.
Für Unternehmen: KI-Algorithmen ermöglichen die Automatisierung von Geschäftsprozessen wie Kundenservice, Recruiting und Vertrieb.
Eine Programmierschnittstelle für den Datenaustausch zwischen Softwareanwendungen. KI-APIs erlauben die Integration von KI in bestehende Unternehmenssysteme.
Für Unternehmen: Über APIs lassen sich KI-Funktionen wie Spracherkennung oder Textanalyse in CRM-Systeme und Websites einbinden.
Der Einsatz von Technologie zur selbstständigen Ausführung von Aufgaben. KI-gestützte Automatisierung ermöglicht adaptive, lernfähige Prozesse.
Für Unternehmen: Kundenservice durch Chatbots, Recruiting durch Bewerbervorauswahl, Vertrieb durch Lead-Qualifizierung.
Ein autonomes KI-System, das eigenständig Aufgaben ausführt, Entscheidungen trifft und mit seiner Umgebung interagiert.
Für Unternehmen: KI-Agenten können komplexe Workflows automatisieren und als virtuelle Assistenten agieren.
Kernkomponente moderner Sprachmodelle, die relevante Textteile gewichtet und Zusammenhänge über lange Distanzen erfasst.
Für Unternehmen: Ermöglicht präzisere Sprachverarbeitung und besseres Kontextverständnis in Chatbots.
B
Extrem große Datenmengen, charakterisiert durch Volume (Menge), Velocity (Geschwindigkeit) und Variety (Vielfalt).
Für Unternehmen: KI-Systeme können Big Data analysieren und geschäftsrelevante Erkenntnisse ableiten. DSGVO-konforme Verarbeitung ist entscheidend.
Ein Softwareprogramm, das automatisiert Aufgaben ausführt. Arten: Chatbots, Voice Bots, RPA-Bots.
Für Unternehmen: Im Unternehmenskontext sind besonders Chatbots relevant, die Kundenanfragen selbstständig beantworten.
Systematische Verzerrungen in KI-Systemen, die durch einseitige Trainingsdaten oder fehlerhafte Algorithmen entstehen.
Für Unternehmen: Wichtig für faire Recruiting-KI und unvoreingenommene Entscheidungssysteme.
Bidirectional Encoder Representations from Transformers - ein Sprachmodell von Google für Textverständnis.
Für Unternehmen: Grundlage für semantische Suche, Textklassifizierung und Fragebeantwortung in Unternehmen.
C
KI-Systeme für natürliche, menschenähnliche Gespräche. Kombiniert Spracherkennung, NLP und Dialogmanagement.
Für Unternehmen: Einsatz für Kundenservice-Hotlines, virtuelle Assistenten, FAQ-Systeme, Terminbuchung.
D
Systematische Analyse großer Datenbestände zur Erkennung von Mustern, Zusammenhängen und Trends.
Für Unternehmen: Kundenverhalten analysieren, Verkaufsprognosen erstellen, Markttrends identifizieren.
Teilbereich des ML mit künstlichen neuronalen Netzen mit vielen Schichten. Ermöglicht komplexe Bild- und Spracherkennung.
Für Unternehmen: Dokumentenanalyse, Voice AI, Qualitätskontrolle durch Bilderkennung, Predictive Maintenance.
E
Numerische Darstellungen von Daten (Text, Bilder, Audio), die semantische Ähnlichkeiten erfassen.
Für Unternehmen: Ermöglicht semantische Suche in Dokumenten und intelligente FAQ-Systeme.
KI-Verarbeitung direkt auf lokalen Geräten statt in der Cloud. Ermöglicht schnelle Reaktionszeiten und Datenschutz.
Für Unternehmen: Ideal für IoT-Anwendungen, Qualitätskontrolle in der Produktion und Echtzeit-Analysen.
Künstliche Intelligenz, deren Entscheidungen für Menschen nachvollziehbar und erklärbar sind.
Für Unternehmen: Wichtig für regulierte Branchen und DSGVO-Konformität bei automatisierten Entscheidungen.
F
Anpassung eines vortrainierten KI-Modells an spezifische Anforderungen durch Training mit unternehmenseigenen Daten.
Für Unternehmen: Höhere Genauigkeit, Anpassung an Unternehmenssprache, bessere Ergebnisse mit weniger Daten.
Großes, auf vielfältigen Daten trainiertes KI-Modell, das als Basis für verschiedene Anwendungen dient.
Für Unternehmen: GPT, Claude und Llama sind Foundation Models, die für spezifische Unternehmensanwendungen angepasst werden.
Fähigkeit eines KI-Modells, aus wenigen Beispielen zu lernen und neue Aufgaben zu lösen.
Für Unternehmen: Ermöglicht schnelle Anpassung von KI-Systemen ohne aufwändiges Training.
G
KI-Systeme, die neue Inhalte erstellen: Texte, Bilder, Code, Musik. Beispiele: ChatGPT, Claude, DALL-E.
Für Unternehmen: Content-Erstellung, Berichtsgenerierung, Code-Assistenz, personalisierte Kundenansprache.
Architektur für große Sprachmodelle von OpenAI. Kann Texte verstehen, generieren und transformieren.
Für Unternehmen: Grundlage für Chatbots, Textassistenten und automatisierte Kommunikation.
H
Phänomen, wenn ein Sprachmodell plausibel klingende, aber faktisch falsche Informationen generiert.
Für Unternehmen: Gegenmaßnahmen: RAG mit verifizierten Quellen, menschliche Überprüfung, Einschränkung auf Unternehmenswissen.
Ansatz, bei dem Menschen in KI-Prozesse eingebunden bleiben, um Ergebnisse zu überprüfen und zu korrigieren.
Für Unternehmen: Kritisch für qualitätssensible Anwendungen und regulierte Branchen.
Einstellungen, die vor dem Training eines KI-Modells festgelegt werden und den Lernprozess steuern.
Für Unternehmen: Optimierung von Hyperparametern verbessert die Leistung von ML-Modellen.
I
Fähigkeit eines KI-Systems, die Absicht hinter einer Benutzeranfrage zu verstehen.
Für Unternehmen: Zentral für Chatbots und Sprachassistenten. Klassifiziert Anfragen wie 'Stornierung' automatisch.
Die Anwendung eines trainierten KI-Modells auf neue Daten, um Vorhersagen oder Ausgaben zu generieren.
Für Unternehmen: Die Inference-Zeit bestimmt, wie schnell ein Chatbot oder Voice Bot antworten kann.
Kombination von RPA mit KI-Technologien für die Automatisierung komplexer, unstrukturierter Prozesse.
Für Unternehmen: Ermöglicht die Automatisierung von Aufgaben, die Urteilsvermögen und Kontextverständnis erfordern.
K
L
KI-Modell, trainiert auf großen Textmengen, für Sprachverständnis und -generierung. Beispiele: GPT-4, Claude, Llama, Mistral.
Für Unternehmen: LLMs können on-premise oder Private Cloud gehostet werden für DSGVO-Konformität.
Die Verzögerungszeit zwischen einer Anfrage an ein KI-System und der Antwort.
Für Unternehmen: Niedrige Latenz ist entscheidend für Echtzeit-Chatbots und Voice AI im Kundenservice.
Das Annotieren von Daten mit korrekten Antworten für das Training überwachter ML-Modelle.
Für Unternehmen: Qualitativ hochwertige Labels sind entscheidend für präzise KI-Ergebnisse.
M
Teilbereich der KI, bei dem Systeme aus Daten lernen. Arten: Supervised, Unsupervised, Reinforcement Learning.
Für Unternehmen: Algorithmen erkennen Muster und treffen Vorhersagen ohne explizite Programmierung.
Standard zur Integration von KI-Modellen mit externen Datenquellen und Tools.
Für Unternehmen: Standardisierte Integration, sichere Datenanbindung, erweiterbare Funktionalität.
N
Technologie zur maschinellen Verarbeitung natürlicher Sprache für Verstehen, Interpretieren und Generieren.
Für Unternehmen: Chatbots, Sentimentanalyse, Textzusammenfassung, Übersetzung, E-Mail-Klassifizierung.
Rechenmodell inspiriert von biologischen Nervensystemen mit verbundenen Knoten (Neuronen).
Für Unternehmen: Aufbau: Eingabeschicht, verdeckte Schichten, Ausgabeschicht.
O
Wenn ein KI-Modell zu stark an Trainingsdaten angepasst ist und bei neuen Daten schlecht abschneidet.
Für Unternehmen: Vermeidung durch Regularisierung, Kreuzvalidierung und ausreichend diverse Trainingsdaten.
Technologie zur automatischen Texterkennung in Bildern und gescannten Dokumenten.
Für Unternehmen: Ermöglicht die Digitalisierung von Papierdokumenten und automatisierte Rechnungsverarbeitung.
P
Eingabeaufforderung an ein KI-System. Die Qualität beeinflusst maßgeblich die Ausgabequalität.
Für Unternehmen: Prompt Engineering: systematische Optimierung für bessere KI-Ergebnisse.
Nutzung von ML zur Vorhersage zukünftiger Ereignisse durch Analyse historischer Daten.
Für Unternehmen: Absatzprognosen, Churn Prediction, Predictive Maintenance, Bedarfsplanung.
R
Technik, die LLMs mit externen Wissensquellen verbindet für fundierte Antworten.
Für Unternehmen: Aktuellere Antworten, weniger Halluzinationen, Integration von Unternehmenswissen.
Automatisierung regelbasierter Prozesse durch Software-Roboter. Mit KI erweitert: Intelligent Automation.
Für Unternehmen: Ermöglicht Automatisierung auch komplexerer, nicht vollständig regelbasierter Prozesse.
S
NLP-Technik zur Erkennung von Stimmungen in Texten. Klassifiziert als positiv, negativ oder neutral.
Für Unternehmen: Kundenfeedback auswerten, Social-Media-Monitoring, Produktbewertungen, Markenwahrnehmung.
Automatische Umwandlung gesprochener Sprache in Text für Sprachassistenten und Transkription.
Für Unternehmen: Gesprächsprotokolle, Sprachsteuerung, barrierefreie Kommunikation, Voice Bots.
T
Umwandlung von Text in gesprochene Sprache. Moderne Systeme erzeugen natürlich klingende Stimmen.
Für Unternehmen: Voice Bots, barrierefreie Inhalte, automatisierte Durchsagen, E-Learning.
Kleinste Verarbeitungseinheit in Sprachmodellen - Wort, Wortteil oder Satzzeichen.
Für Unternehmen: Kosten werden pro Token berechnet. Token-Optimierung reduziert Betriebskosten.
Neuronale Netzwerkarchitektur (2017, Google). Grundlage für GPT, BERT, Claude.
Für Unternehmen: Attention-Mechanismus erfasst Zusammenhänge über lange Textpassagen.
Der Prozess, bei dem ein KI-Modell aus Daten lernt und seine Parameter anpasst.
Für Unternehmen: Pre-Training, Fine-Tuning und kontinuierliches Training sind verschiedene Trainingsarten.
Technik, bei der ein auf einer Aufgabe trainiertes Modell für eine verwandte Aufgabe wiederverwendet wird.
Für Unternehmen: Ermöglicht effizientes Training mit weniger Daten und Rechenleistung.
V
Suchtechnologie für semantische Ähnlichkeiten. Versteht Bedeutungen statt nur Stichwörter.
Für Unternehmen: Findet relevante Ergebnisse auch bei unterschiedlicher Formulierung, verbessert RAG-Systeme.
Prüfung der Leistung eines KI-Modells auf Daten, die nicht für das Training verwendet wurden.
Für Unternehmen: Essentiell zur Sicherstellung, dass ein Modell auch auf neuen Daten zuverlässig funktioniert.
KI-gestützter digitaler Assistent, der Nutzer bei verschiedenen Aufgaben unterstützt.
Für Unternehmen: Automatisiert Routineanfragen, plant Termine und beantwortet häufige Fragen.
W
Automatische Steuerung und Ausführung von Geschäftsprozessen, auch komplexe Abläufe mit KI.
Für Unternehmen: Rechnungsverarbeitung, Genehmigungsprozesse, Onboarding, Lead-Qualifizierung.
Strukturierte Erfassung, Organisation und Bereitstellung von Unternehmenswissen.
Für Unternehmen: KI kann Wissen automatisch kategorisieren und über Chatbots zugänglich machen.
Eine Software-Schicht, die eine komplexe API oder ein KI-Modell vereinfacht nutzbar macht.
Für Unternehmen: Ermöglicht schnellere Integration von KI in bestehende Unternehmenssysteme.
Z
Fähigkeit eines KI-Modells, Aufgaben ohne explizites Training zu lösen durch Generalisierung.
Für Unternehmen: Moderne LLMs können vielfältige Aufgaben ohne spezifisches Training übernehmen.