Home / Verschiedenes / Vokabular: Die Künstliche Intelligenz

Vokabular: Die Künstliche Intelligenz

mit Keine Kommentare

Tauchen Sie ein in die faszinierende Welt der Künstlichen Intelligenz mit diesem Glossar! Von Algorithmen bis zu neuronalen Netzen – wir entschlüsseln die Geheimnisse, die hinter den Schlagwörtern stecken. (Diese Webseite wird laufend mit den neuen Fachbegriffen erweitert.)

Informationen gemäss 11.1.2025

Künstliche Intelligenz

Glossar, Definition der Künstlichen Intelligenz

A      B      C      D      E      F      G      H      I      J      K      L      M      N      O      P     Q      R      S      T      U      V     W      Y      Z

  • Algorithmen
    Algorithmen sind eine Reihe von Anweisungen oder Regeln, die in einer bestimmten Reihenfolge ausgeführt werden, um eine Aufgabe zu erledigen oder ein Problem zu lösen. Sie können in verschiedenen Kontexten angewendet werden, einschliesslich Mathematik, Informatik und Datenanalyse. Algorithmen können einfach sein wie das Addieren von zwei Zahlen oder komplex wie das Analysieren von grossen Datensätzen. Sie sind die Grundlage für die meisten Computerprogramme und viele technologische Systeme.
  • Artificial General Intelligence (AGI)
    bezieht sich auf Maschinen, die die Fähigkeit besitzen, jede intellektuelle Aufgabe zu erledigen, die ein menschliches Wesen ausführen kann. Im Gegensatz zu spezialisierter künstlicher Intelligenz, die für bestimmte Aufgaben optimiert ist, kann AGI lernen, sich anpassen und in verschiedenen Domänen agieren. AGI würde theoretisch in der Lage sein, komplexe Probleme zu lösen, kreative Ideen zu entwickeln und sogar Emotionen zu verstehen. Bislang ist AGI jedoch ein Ziel, das bisher nicht erreicht wurde.
  • Artificial Superintelligence (ASI)
    Artificial Superintelligence (ASI) bezeichnet eine hypothetische Form der künstlichen Intelligenz, die die menschliche Intelligenz in sämtlichen Bereichen übertrifft. Dazu gehören nicht nur kognitive Fähigkeiten wie logisches Denken, Problemlösung oder Lernen, sondern auch kreative, soziale und emotionale Intelligenz.
    Eigenschaften von ASI:
    Überlegenheit: ASI wäre in der Lage, jede intellektuelle Aufgabe schneller und besser zu erledigen als der Mensch.
    Selbstverbesserung: Sie könnte sich selbst optimieren und weiterentwickeln, was zu einem exponentiellen Intelligenzanstieg führen könnte.
    Multidimensionalität: ASI könnte in verschiedenen Domänen gleichzeitig arbeiten, von Wissenschaft und Medizin bis zu Philosophie und Kunst.
    Unvorhersehbarkeit: Ihr Verhalten und ihre Ziele könnten schwer vorhersagbar sein, besonders wenn sie autonom agiert.
    Beispiele und mögliche Szenarien:
    Medizin: Entwicklung von Heilmethoden für Krankheiten, die derzeit als unheilbar gelten.
    Technologie: Entdeckung neuer Technologien, die über das menschliche Verständnis hinausgehen.
    Ethik und Gefahren: Eine unbegrenzte ASI könnte Ziele verfolgen, die mit menschlichen Werten nicht übereinstimmen, wenn ihre Programmierung nicht entsprechend kontrolliert wird.
    ASI ist bisher rein theoretisch und existiert nicht in der Praxis. Die Erforschung und Diskussion darüber sind jedoch zentrale Themen in der KI-Forschung und der Ethik, da ASI sowohl immense Chancen als auch erhebliche Risiken mit sich bringen könnte.

B

  • Big Data
    Big Data umfasst umfangreiche digitale Datenmengen, die oft schnell und in vielfältigen Formen entstehen. Nutzungsdaten im Internet, wie beim Scrollen durch Instagram, Einkaufen auf Amazon, Fahren eines Tesla oder beim Streamen auf Netflix, sind typische Beispiele. Technologieunternehmen analysieren diese Daten, um Produkte und Services zu verbessern, beispielsweise durch personalisierte Produktempfehlungen, Vorschläge für Serien oder die Entwicklung autonomer Fahrtechnologien. Zudem bildet Big Data die Grundlage für das Training grosser Sprachmodelle wie ChatGPT.

C

  • C2PA
    (Coalition for Content Provenance and Authenticity) ist ein offener technischer Standard, der entwickelt wurde, um die Authentizität digitaler Inhalte zu gewährleisten und die Verbreitung von manipulierten Medien zu bekämpfen. Wie funktioniert C2PA?
    1. Einbettung von Metadaten: C2PA ermöglicht das Hinzufügen detaillierter Metadaten zu digitalen Inhalten wie Bildern und Videos. Diese Metadaten enthalten Informationen über den Ursprung des Inhalts, den Ersteller, das Erstellungsdatum und jede nachträgliche Bearbeitung.
    2. Kryptografische Signaturen: Jeder Schritt in der Erstellung oder Bearbeitung eines Inhalts wird mit einer digitalen Signatur versehen. Diese Signaturen gewährleisten die Integrität der Informationen und verhindern unbemerkte Manipulationen.
    3. Transparenz bei Änderungen: Wenn ein Inhalt bearbeitet wird, werden die Änderungen in den Metadaten protokolliert. Dies ermöglicht es den Nutzern, den Bearbeitungsverlauf nachzuvollziehen und die Authentizität des Inhalts zu überprüfen.
    4. Verifizierung durch Nutzer: Mithilfe kompatibler Software oder Browser-Erweiterungen können Nutzer die eingebetteten Metadaten einsehen und die Herkunft sowie den Bearbeitungsverlauf des Inhalts überprüfen.
    5. Offener Standard für breite Akzeptanz: Als offener Standard fördert C2PA die Zusammenarbeit zwischen verschiedenen Unternehmen und Plattformen, um eine einheitliche Methode zur Verifizierung digitaler Inhalte zu etablieren.
    Zielsetzung von C2PA: Durch die Bereitstellung eines transparenten und überprüfbaren Systems zielt C2PA darauf ab, das Vertrauen in digitale Inhalte zu stärken. Es hilft dabei, die Verbreitung von Falschinformationen zu reduzieren, indem es den Nutzern ermöglicht, die Authentizität und den Bearbeitungsverlauf von Bildern und Videos zu überprüfen.
  • Chatbot
    Ein Chatbot ist ein Computerprogramm, das menschliche Kommunikation simuliert. Es kann in natürlicher Sprache Anfragen verstehen und darauf antworten, meist in Form von Textnachrichten. Chatbots werden in verschiedenen Bereichen eingesetzt, zum Beispiel im Kundenservice, für Marketingzwecke oder zur Automatisierung von Aufgaben. Sie basieren oft auf künstlicher Intelligenz und maschinellem Lernen, um immer bessere Antworten zu liefern und die Nutzererfahrung zu verbessern.
  • ChatGPT
    ist ein künstliches Intelligenz-Modell, das auf der GPT-Architektur (Generative Pretrained Transformer) basiert. Es wurde von OpenAI entwickelt und ist darauf trainiert, menschenähnliche Texte zu generieren. Das Modell kann Fragen beantworten, Diskussionen führen, Texte schreiben und viele andere textbasierte Aufgaben ausführen. Die GPT-Architektur verwendet Transformer-Netzwerke und ist ein Beispiel für Deep Learning. Das Modell wird zunächst auf einer grossen Menge von Textdaten vortrainiert, um die Struktur der Sprache zu verstehen. Anschliessend kann es für spezifische Aufgaben weiter trainiert oder direkt eingesetzt werden. ChatGPT findet Anwendung in verschiedenen Bereichen wie Kundenservice, Content-Erstellung, Sprachassistenten und mehr. Es ist eines der fortschrittlichsten Modelle seiner Art und wird kontinuierlich weiterentwickelt, um seine Leistung und Vielseitigkeit zu verbessern.
  • Computer Vision
    Computer Vision ist ein Fachgebiet der künstlichen Intelligenz, das Computern ermöglicht, einzelne Objekte in Bildern, Videos und anderen visuellen Daten zu erkennen. Es nutzt computergestützte Algorithmen, um Bilder und Videos zu analysieren und daraus bedeutsame Erkenntnisse zu gewinnen.
    Computer Vision findet Anwendung in Bereichen wie Gesichtserkennung, Objektverfolgung, Roboternavigation, medizinischer Bildanalyse und vielem mehr. Es ist zudem ein bedeutendes Werkzeug in verschiedenen Branchen, vom Gesundheitswesen bis zum Einzelhandel.

D

  • DALL-E
    Dieses innovative KI-Programm erstellt auf Basis Ihrer Textbeschreibungen einzigartige Bilder. Ob surreale Kunstwerke oder fotorealistische Grafiken – Ihrer Kreativität sind mit DALL-E keine Grenzen gesetzt.
  • Deepfakes
    sind eine Technologie, die auf künstlicher Intelligenz und maschinellem Lernen basiert und es ermöglicht, realistisch wirkende gefälschte Videos oder Audios zu erstellen. Der Begriff setzt sich aus „Deep Learning“ und „Fake“ zusammen. Typischerweise werden Deepfakes erstellt, indem man ein neuronales Netzwerk mit umfangreichem Bild- oder Audiomaterial eines bestimmten Individuums trainiert. Das Netzwerk lernt, die Eigenschaften dieser Person zu imitieren und kann dann neue Inhalte generieren, die so aussehen oder klingen, als kämen sie von dieser Person. Dies kann beispielsweise genutzt werden, um jemandem in einem Video Dinge sagen oder erledigen zu lassen, die er oder sie niemals tatsächlich gesagt oder getan hat. Die Anwendungen von Deepfakes sind vielfältig und reichen von harmloser Unterhaltung, wie in Filmen oder Videospielen, bis zu potenziell schädlichen Einsätzen, wie in politischen Propagandavideos oder gefälschten Nachrichten. Aufgrund ihrer Täuschungskraft stellen Deepfakes eine ernsthafte Herausforderung für die Gesellschaft dar, insbesondere im Hinblick auf die Verbreitung von Desinformation und die Gefährdung der Privatsphäre.
  • Deep Learning
    ist ein Teilbereich des maschinellen Lernens, der sich auf Algorithmen stützt, die auf künstlichen neuronalen Netzen basieren. Hauptsächlich werden tief gestaffelte Netzwerke verwendet, daher der Name „Deep Learning“. Diese Technologie ist inspiriert von der Funktionsweise des menschlichen Gehirns und versucht, ähnliche Entscheidungsstrukturen nachzubilden. Im Deep Learning werden Daten durch mehrere Schichten eines neuronalen Netzwerks geführt, wobei jede Schicht spezifische Merkmale der Daten erkennt und extrahiert. Dies ermöglicht es dem Modell, komplexe Muster in den Daten zu erkennen und für vielfältige Anwendungen wie Bild- und Spracherkennung, natürliche Sprachverarbeitung und sogar autonomes Fahren zu nutzen. Die Leistungsfähigkeit von Deep Learning hat in den vergangenen Jahren zu bedeutenden Fortschritten in verschiedenen Technologiebereichen geführt.
  • Diffusionsmodelle
    verfolgen bei der KI-Bildgenerierung einen anderen Ansatz als GANs. 2021 stellten Forschende von OpenAI in ihrem Paper „Diffusion Models Beat GANs on Image Synthesis“ Diffusionsmodelle als überlegene Technik zur Bildgenerierung vor. Der entscheidende Unterschied liegt in den iterativen Schritten der Diffusionsmodelle, die Duplikate verhindern und eine höhere Detailgenauigkeit ermöglichen. Heute ist die Diffusionstechnik in allen gängigen Tools zur Bildgenerierung etabliert.

E

  • ELO-Score
    Der ELO-Score wurde von Arpad Elo entwickelt, um die Spielstärke von Schachspielenden objektiv zu bewerten. Der ELO-Score findet mittlerweile nicht nur im Schach Anwendung, sondern auch in Sportarten (etwa Leistungsklassen im Tennis) und in Online-Spielen. Er hilft dabei, Teilnehmende mit ähnlicher Stärke zu identifizieren und faire Wettbewerbe zu ermöglichen. Ein grosser Vorteil des ELO-Scores ist seine dynamische Anpassungsfähigkeit, weshalb er auch zur Bewertung von Large Language Modellen (LLMs) herangezogen wird. Im Gegensatz zu statischen Bewertungssystemen, die einmalige Ergebnisse liefern, passt sich der ELO-Score kontinuierlich der aktuellen Leistung an. Dies macht ihn besonders geeignet für Umgebungen, in denen sich die Fähigkeiten der Teilnehmenden ständig verändern, wie es derzeit bei LLMs der Fall ist.

G

  • Generative Adversarial Networks (GAN)
    galten in den vergangenen Jahren als führende Technologie zur KI-Bildgenerierung. Dabei wird ein Bildgenerator, der auf dem Deep Learning Ansatz basiert, eingesetzt, um in einem Schritt ein Bild zu erzeugen. Eine Schwäche der GANs besteht darin, dass selbst bei unterschiedlichen Ausgangsbedingungen dasselbe Bild mehrfach generiert werden kann, da die Technik dies begünstigt.
  • Generative KI
    Der Begriff „Generative Künstliche Intelligenz“ bezieht sich auf KI-Systeme, die in der Lage sind, neue Daten zu erzeugen, die den Trainingsdaten ähnlich sind. Diese Art von KI wird häufig in Bereichen wie Bild- und Textgenerierung, Musikkomposition und sogar in der Erstellung von Videospielszenarien eingesetzt. Generative Modelle, wie Generative Adversarial Networks (GANs) oder Variational Autoencoders (VAEs), sind Beispiele für Technologien in diesem Bereich. GANs bestehen aus zwei Netzwerken: einem Generator, der neue Daten erzeugt, und einem Diskriminator, der versucht, echte von gefälschten Daten zu unterscheiden. Durch den Wettbewerb zwischen diesen beiden Netzwerken verbessert sich die Qualität der generierten Daten. Generative KI hat Anwendungen in vielen Bereichen, einschliesslich Kunst, Medizin und Automatisierung. Sie ermöglicht es, realistische Simulationen zu erstellen, personalisierte Inhalte zu generieren und komplexe Muster in Daten zu erkennen.

H

  • Halluzination
    Halluzinationen von KI-Systemen bezeichnen Situationen, in denen eine KI falsche Informationen liefert und diese als korrekt präsentiert. Besonders Sprachmodelle wie ChatGPT sind davon betroffen, da sie keine inhaltliche Bedeutung verstehen, sondern Antworten anhand der wahrscheinlichsten Muster in ihren Trainingsdaten generieren.

I

  • Inpainting
    bezeichnet eine Technik in der Bildbearbeitung, die darauf abzielt, beschädigte oder fehlende Bereiche eines Bildes wiederherzustellen. Das Hauptziel dieser Methode ist die Erstellung eines bearbeiteten Bildes, bei dem für den Betrachter nicht ersichtlich ist, dass Modifikationen durchgeführt wurden.

K

  • Künstliche neuronale Netze (KNN)
    sind Modelle des maschinellen Lernens, die von der Struktur und Funktion des menschlichen Gehirns inspiriert sind. Sie bestehen aus Knoten (Neuronen), die in Schichten organisiert sind. Diese Schichten sind typischerweise in Eingabe-, versteckte und Ausgabeschichten unterteilt. Die Neuronen sind durch Gewichtungen verbunden, die im Lernprozess angepasst werden. KNN werden für eine Vielzahl von Aufgaben eingesetzt, darunter Bild- und Spracherkennung, Textanalyse und sogar Spielstrategien. Sie sind besonders nützlich für komplexe Probleme, bei denen traditionelle Algorithmen versagen. Es gibt verschiedene Arten von KNN, einschliesslich Feedforward-Netzwerken, rekurrenten, neuronalen Netzen und Convolutional Neural Networks, die jeweils für spezifische Anwendungen optimiert sind.
  • Künstliche Intelligenz (KI) / Artificial Intelligence (AI)
    Kurz gefasst nutzen KI-Systeme eine der menschlichen Intelligenz ähnliche Fähigkeit, um komplexe Probleme zu lösen. Sie analysieren riesige Datenmengen, identifizieren Muster und treffen Entscheidungen. Technologien wie maschinelles Lernen, neuronale Netze und Deep Learning bilden das Fundament der KI. Sie haben sicherlich bemerkt, dass KI zahlreiche Aspekte unseres Alltags transformiert und sich stetig weiterentwickelt. Wöchentlich kommen innovative Tools, Methoden und Algorithmen hinzu. Interessanterweise existiert KI schon seit einiger Zeit; denken Sie nur an ELIZA, den 1966 am MIT kreierten Chatbot, der Psychotherapie-Gespräche nachahmen sollte. Bevor wir uns aktuelle Tools genauer ansehen, bieten wir Ihnen einen Überblick über gängige Definitionen, um Ihnen die Orientierung im Dickicht der Fachbegriffe zu erleichtern.

Das All-IN-ONE-TOOL


L

  • LLM
    Ein Large Multimodal Model (Grosses Multimodales Modell) ist ein KI-Modell, das in der Lage ist, mehrere Arten von Daten gleichzeitig zu verarbeiten, wie Text, Bilder und Ton. Durch die Kombination verschiedener Datenquellen kann das Modell komplexere Aufgaben lösen und bessere Vorhersagen treffen als Modelle, die nur auf eine einzige Datenart spezialisiert sind. Diese Modelle nutzen fortgeschrittene Algorithmen und Techniken aus dem Bereich des maschinellen Lernens und der künstlichen Intelligenz, um die verschiedenen Datenformate effizient zu integrieren und zu analysieren. Sie finden Anwendung in einer Vielzahl von Bereichen, von der Bild- und Spracherkennung bis zu komplexen Entscheidungsfindungsprozessen.

M

  • Maschinelles Lernen (Machine Learning)
    Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz, der es Computern ermöglicht, aus Daten zu lernen und Entscheidungen zu treffen, ohne explizit programmiert zu werden. In diesem Kontext werden Algorithmen verwendet, die Muster in Daten erkennen und darauf basierend Vorhersagen oder Entscheidungen treffen können. Es gibt verschiedene Arten des maschinellen Lernens, darunter überwachtes, unüberwachtes und bestärkendes Lernen, die jeweils für unterschiedliche Anwendungsfälle geeignet sind.
  • Multimodalität
    Das Modell kann gleichzeitig Text, Audio, Stimme, Video und Bilder verarbeiten. Dadurch wird eine nahtlose Integration verschiedener Kommunikationsformen ermöglicht, was die Vielseitigkeit des Modells erheblich steigert.

O

  • Outpainting
    ist ein Verfahren zur Bildgenerierung, das generative Künstliche Intelligenz nutzt, um ein existierendes Bild durch Hinzufügen von Elementen jenseits des ursprünglichen Bildrahmens zu vergrössern. Während Inpainting auf die Rekonstruktion fehlender Bildteile fokussiert ist, konzentriert sich Outpainting darauf, den Bildinhalt durch Ergänzung weiterer Umgebungs- oder Kontextelemente zu erweitern.

P

  • Photoshootings
    In einer entsprechenden Software laden Sie eine grössere Anzahl von sich hoch. Danach ist die KI in der Lage, beliebige professionelle weitere Fotos von Ihnen zu generieren. Sie wollen etwa ein Foto von sich in einer Pilotenuniform vor einem Flugzeug haben? Die KI arbeitet gerne für Sie. 🙂
  • Plug-ins
    Plug-ins sind Programmerweiterungen, die meistens durch Anwendungen von Drittanbietern betrieben werden und die Funktionen und Möglichkeiten eines Programms erweitern. So zum Beispiel in ChatGPT.
  • Prompts
    Ein Prompt ist im Grunde eine Aufforderung zur Eingabe. Im Kontext von ChatGPT bezieht es sich auf Fragen, Sätze oder Anweisungen, die Sie dem Chatbot stellen, um eine spezifische Antwort oder Aktion zu erhalten. Es gibt keine „falschen“ Prompts, jedoch sind manche effektiver als andere, um das gewünschte Ergebnis zu erzielen. Die Qualität der Antwort hängt oft vom bereitgestellten Kontext ab.

R

  • Reasoning Modelle
    Die Reasoning-Modelle sind Ansätze oder Systeme, die entwickelt wurden, um Schlussfolgerungen zu ziehen, Probleme zu lösen und logische Entscheidungen zu treffen. Sie basieren auf Algorithmen, Daten und manchmal auch künstlicher Intelligenz (KI), um komplexe Situationen zu analysieren und fundierte Entscheidungen vorzuschlagen.

T

  • Token
    Tokens sind die grundlegenden Einheiten, mit denen KI arbeitet. Anstatt Texte direkt anhand von Wörtern oder Buchstaben zu generieren, verwendet ein Chatbot Tokens. Tokens dienen auch dazu, die Wahrscheinlichkeit zu berechnen, welches Token als Nächstes folgen sollte. Dadurch entsteht ein zusammenhängender Text. Ein Token kann ein Wort, ein Buchstabe oder ein einzelnes Zeichen sein (z. B. ein Satzzeichen oder ein Emoji). Die genaue Art eines Tokens hängt vom jeweiligen Kontext ab und kann nicht allgemein bestimmt werden.
  • Turing-Test
    Der Turing-Test bleibt bis heute zentral für die Bewertung Künstlicher Intelligenz. Der britische Mathematiker Alan Turing entwickelte diesen Test Anfang der 1950er-Jahre. Dabei kommuniziert ein Mensch gleichzeitig über eine Chat-ähnliche Schnittstelle mit einer Maschine und mit anderen Menschen. Ziel ist es, herauszufinden, ob der Mensch die Maschine von den anderen Menschen unterscheiden kann.

Bitte klicken Sie auf verwandte Beiträge: