Glossary
Ein autonomes System, das Entscheidungen trifft und Aktionen ausführt, um bestimmte Ziele zu erreichen. Beispiel: Chatbots oder autonome Fahrzeuge.
Ein Prozess, bei dem Agenten Aufgaben sequenziell oder parallel ausführen, oft mit Entscheidungslogiken.
Eine Reihe von Anweisungen, die ein Computer ausführt, um ein Problem zu lösen.
Eine Form von KI, die menschenähnliches Denken in unterschiedlichen Kontexten nachahmt.
KI, die sich auf spezifische Aufgaben spezialisiert, wie Bilderkennung oder Sprachverarbeitung.
Ein Algorithmus zum Trainieren neuronaler Netze, der Fehler rückwärts durch das Netzwerk propagiert.
Systematische Fehler oder Verzerrungen in Daten oder Algorithmen, die zu unfairen Ergebnissen führen können.
Große, komplexe Datensätze, die mit traditionellen Methoden schwer zu verarbeiten sind.
Ein KI-gestütztes Programm, das menschliche Konversation simuliert.
Ein Teilgebiet der KI, das Maschinen beibringt, visuelle Informationen zu verstehen und zu interpretieren.
Eine Sammlung von Texten, die für das Training von KI-Modellen verwendet wird.
Eine Sammlung von Daten, die für das Training und Testen von KI-Modellen verwendet wird.
Eine Unterkategorie des maschinellen Lernens, die auf tiefen neuronalen Netzwerken basiert.
Die Fähigkeit eines Modells, von einer Domäne (z. B. Bildern) auf eine andere zu generalisieren.
Verarbeitung von Daten an dezentralen Standorten, nahe am Ort ihrer Entstehung.
Eine Methode, um Daten wie Wörter oder Bilder in Vektoren umzuwandeln, die von Maschinen verstanden werden können.
Ansätze, um die Entscheidungen von KI-Modellen nachvollziehbar und transparent zu machen.
Der Prozess, relevante Merkmale aus Rohdaten zu extrahieren.
Ein Lernparadigma, bei dem Modelle mit wenigen Beispielen trainiert werden.
Der Prozess, ein vortrainiertes Modell an eine spezifische Aufgabe anzupassen.
KI, die neue Inhalte wie Texte, Bilder oder Videos erstellt, z. B. durch GANs.
Ein Optimierungsalgorithmus, der verwendet wird, um die Parameter eines Modells anzupassen.
Ein neuronales Netz, das mit Graphenstrukturen arbeitet.
Ein Ansatz, bei dem menschliche Eingaben in den KI-Prozess integriert werden.
Kombination von verschiedenen KI-Technologien wie Symbolischer KI und Maschinellem Lernen.
Parameter, die den Lernprozess eines Modells steuern und nicht durch das Training selbst gelernt werden.
Der Prozess, bei dem ein trainiertes KI-Modell Vorhersagen oder Entscheidungen trifft.
Ein System, das autonom agieren kann, um Ziele zu erreichen.
Die Fähigkeit, ein Modell und seine Vorhersagen zu erklären.
Ein Ansatz, bei dem verschiedene Datenmodalitäten in denselben Raum eingebettet werden.
Eine Datenstruktur, die Wissen durch Entitäten und deren Beziehungen darstellt.
Ein Modell, das darauf trainiert ist, Texte zu generieren oder zu analysieren, z. B. GPT.
Ein multidimensionaler Raum, in dem Daten durch Abstraktionen dargestellt werden.
Eine Funktion, die die Fehler eines Modells misst.
Ein Teilgebiet der KI, das es Maschinen ermöglicht, aus Daten zu lernen.
Ein Lernansatz, bei dem Modelle lernen, wie sie lernen k�nnen.
Wenn ein Modell im Laufe der Zeit an Genauigkeit verliert, da sich die zugrunde liegenden Daten ändern.
Die Verarbeitung und Analyse von natürlicher Sprache durch Maschinen.
Ein Modell, das von der Struktur des menschlichen Gehirns inspiriert ist.
Der Prozess, ein Modell so anzupassen, dass es besser wird.
Wenn ein Modell zu sehr an den Trainingsdaten hängt und schlecht auf neuen Daten generalisiert.
Der Prozess, ein Modell mit gro�en Datenmengen auf allgemeinen Aufgaben vorzutrainieren.
KI, die Unsicherheiten in Entscheidungen berücksichtigt.
Ein Input, der eine KI wie GPT zu einer bestimmten Aktion oder Antwort anleitet.
Ein auf Quantenphysik basierender Ansatz, der das Potenzial hat, KI zu beschleunigen.
Eine Methode, bei der externe Datenquellen genutzt werden, um KI-Antworten zu verbessern.
Ein Lernansatz, bei dem ein Agent durch Belohnungen und Strafen trainiert wird.
Die Fähigkeit eines Modells, unter verschiedenen Bedingungen stabil zu bleiben.
Ein Lernparadigma, bei dem Modelle ohne explizite Labels trainiert werden.
Eine Suche, die den Bedeutungsgehalt von Texten versteht.
Ein Lernansatz, bei dem Modelle mit gelabelten Daten trainiert werden.
Der Prozess, Wissen von einem Modell auf eine neue Aufgabe zu übertragen.
Ein neuronales Netz, das für NLP-Aufgaben optimiert ist.
Ein Lernansatz, bei dem Modelle ohne gelabelte Daten trainiert werden.
Eine Funktion, die den Erfolg eines Modells bewertet.
Der Prozess, Daten in numerische Vektoren umzuwandeln.
Modelle, die Text- und Bilddaten gleichzeitig verarbeiten.
Ein Parameter in einem neuronalen Netz, der während des Trainings angepasst wird.
Ein Ansatz, bei dem ein Modell Aufgaben löst, die es nie explizit trainiert hat.