A

Activation function: Eine Funktion, die den Aktivierungsgrad eines Neurons in ein Ausgangssignal umwandelt.

AI Act: siehe EU AI Act.

AI Ethics: Prinzipien und Leitlinien, die sicherstellen sollen, dass KI-Systeme Menschen nicht schaden.

AI Safety: Forschungsfeld, das Strategien entwickelt, um die langfristigen Risiken leistungsfähiger KI zu minimieren.

AI agents / Autonome Agenten: Digitale Systeme, die eigenständig Entscheidungen treffen und Aufgaben ausführen, z. B. ein selbstfahrendes Auto.

Agentive: Systeme, die ohne ständiges menschliches Eingreifen eigenständig Ziele verfolgen.

Algorithmen: Schritt-für-Schritt-Anweisungen, mit denen Programme Daten verarbeiten und aus ihnen lernen können.

Allgemeine Zweck-KI (General-Purpose AI): Modelle oder Systeme, die für viele verschiedene Anwendungen einsetzbar sind.

Anbieter (Provider): Juristische oder natürliche Person, die ein KI-System entwickelt oder unter eigenem Namen in Verkehr bringt.

Alignment: Verfahren, um sicherzustellen, dass ein KI-System die gewünschten Ergebnisse produziert.

Amara’s law: Beobachtung, dass kurzfristige Technologie-Auswirkungen überschätzt und langfristige unterschätzt werden.

Anthropomorphismus: Zuschreibung menschlicher Eigenschaften an nicht-menschliche Objekte oder Systeme.

Artificial General Intelligence (AGI): Hypothetische KI, die Aufgaben aller Art auf oder über menschlichem Niveau lösen kann.

Artificial Intelligence (AI, KI): Technologien, die menschliche Intelligenzfunktionen wie Lernen und Problemlösen simulieren.

Artificial Narrow Intelligence (ANI): Heutige KI, die nur eng umrissene Aufgaben erledigen kann.

Auditing von KI-Systemen: Unabhängige Prüfung, ob ein KI-System technische, rechtliche und ethische Vorgaben erfüllt.

B

Backpropagation: Lernverfahren, bei dem Fehler rückwärts durchs Netzwerk propagiert werden, um Gewichte anzupassen.

Bayesian learning: Methode, bei der Wahrscheinlichkeiten kontinuierlich an neue Daten angepasst werden.

Benchmark: Standardisierter Test, um die Leistung von Modellen zu vergleichen.

Bias: Verzerrungen in Vorhersagen eines KI-Systems aufgrund voreingenommener Trainingsdaten.

Bias-Monitoring: Kontinuierliche Kontrolle von KI-Systemen auf diskriminierende Verzerrungen.

Binary classification problems: Aufgaben, bei denen Eingaben in genau zwei Klassen eingeteilt werden.

Binet-Simon scale: Frühes Intelligenz­messinstrument für Kinder.

Bodily-kinaesthetic intelligence: Fähigkeit, Körperbewegungen präzise zu steuern.

Broad AI: KI-Systeme, die mehrere verwandte Aufgaben bewältigen können.

C

Centaur approach: Zusammenarbeit von Mensch und KI, bei der KI unterstützt statt ersetzt.

Chatbot: Programm, das über Textnachrichten menschenähnlich kommuniziert.

ChatGPT: Von OpenAI entwickelter Chatbot auf Basis großer Sprachmodelle.

Chinese room experiment: Gedankenexperiment von John Searle, das fehlendes Maschinen­verständnis illustriert.

Classification: Zuordnen von Daten­punkten zu vorgegebenen Kategorien.

Clustering: Unüberwachtes Gruppieren ähnlicher Datenpunkte.

Cognition: Verarbeitung, Speicherung und Nutzung sensorischer Informationen.

Complements: Zusätzliche Komponenten wie Daten und Infrastruktur, die KI erst nutzbar machen.

Complexity barrier: Vorstellung, dass hoher System­komplexität exponentielle Lösungs­schwierigkeit folgt.

Convolutional neural network (CNN): Netzwerk, in dem Neuronen nur lokale Eingabebereiche verarbeiten.

Cybersecurity: Schutz von KI-Systemen vor Cyberangriffen und Manipulation.

D

Data: Bekannte oder angenommene Fakten als Grundlage für Entscheidungen.

Datenqualitätsanforderungen: Vorgaben an Genauigkeit, Relevanz und Vollständigkeit von Daten.

Data Augmentation: Erweiterung vorhandener Daten, um vielfältigere Trainings­sätze zu erzeugen.

Decision-making: Auswahl einer Handlungs­option aus mehreren Alternativen.

Decision trees: Baumartige Modelle, die Daten mit if-then-Regeln aufteilen.

Deployer (Inverkehrbringer): Organisation oder Person, die ein KI-System in der Praxis einsetzt.

Deep Blue: IBM-Computer, der 1997 den Schachweltmeister besiegte.

Deepfake: KI-erzeugte, täuschend echte Bilder oder Videos.

DeepMind: Britisches KI-Unternehmen, bekannt für Fortschritte im Deep Learning.

Deep neural networks: Netzwerke mit mehreren verborgenen Schichten zur Merkmalsextraktion.

Deep learning: Methoden, die Modelle mit vielen Abstraktionsebenen trainieren.

Diffusion models: Modelle, die Bild­erzeugung durch Rausch­hinzu- und -entfernung simulieren.

Disruptive innovation: Technologie, die bestehende Märkte grundlegend verändert.

DSGVO: siehe GDPR.

E

Echtzeit-Fernbiometrische Identifizierung: Biometrische Erkennung von Personen in öffentlichen Räumen ohne Vorabregistrierung.

Emergent Behavior: Unerwartete Fähigkeiten von KI-Modellen, die nicht explizit trainiert wurden.

Emotional intelligence (EQ): Fähigkeit, eigene und fremde Emotionen zu erkennen und zu steuern.

Emotionserkennungssysteme: KI-Systeme, die aus Mimik oder Stimme Emotionen ableiten.

Encoder-decoder: Modelle, die Eingaben in latente Repräsentationen und zurück übersetzen.

End-to-end learning (E2E): Training eines Modells für eine Gesamtaufgabe ohne Zwischenschritte.

Error: Differenz zwischen Netzwerk­ausgaben und erwarteten Werten.

EU AI Act: EU-Regelwerk für KI-Systeme, dessen erster Teil 2024 in Kraft trat.

EU-KI-Datenbank: Öffentliche EU-Datenbank für registrierte Hochrisiko-KI-Systeme.

Evaluation: Messen der Modell­leistung anhand von Test­daten und Metriken.

Expert system: Computersystem, das Experten­wissen mittels Regeln nutzt.

F

False positive: Falschmeldung, dass ein Kriterium erfüllt sei.

False negative: Falschmeldung, dass ein Kriterium nicht erfüllt sei.

Feature extraction: Umwandeln roher Daten in aussagekräftige Merkmale.

Fine-tuning: Anpassung eines vortrainierten Netzwerks an eine spezifische Aufgabe.

Forecasting: Vorhersage zukünftiger Entwicklungen auf Basis historischer Daten.

Forward propagation: Berechnung des Outputs eines Netzwerks von Input zu Output-Schicht.

Foundation models: Große vortrainierte Modelle als Basis für viele Anwendungen.

Frontier AI: Forschung an KI-Systemen an der Grenze des technisch Machbaren.

Fuzzy logic: Logik, bei der Wahrheitswerte stufenweise zwischen 0 und 1 liegen.

G

GDPR / DSGVO: EU-Datenschutz­grundverordnung zum Schutz personenbezogener Daten.

General-purpose technology: Technologie, die breite wirtschaftliche und gesellschaftliche Auswirkungen hat.

Generative AI: KI, die neue Texte, Bilder oder andere Inhalte erzeugt.

Generative adversarial networks (GANs): Zwei Netze – Generator und Diskriminator – die gegeneinander trainieren.

Generative pre-trained transformer (GPT) models: Transformer-Modelle, die auf riesigen Text­mengen vortrainiert wurden.

Geringes Risiko KI (Minimal-Risk AI): KI-Systeme mit vernachlässigbarem Risiko und minimalen Pflichten.

Gewicht: Siehe Weight.

Graph neural network (GNN): Netzwerk, das direkt auf Graphen operiert.

Graphics processing unit (GPU): Hardware­beschleuniger für rechenintensive Aufgaben.

Grundrechtsfolgenabschätzung: Bewertung der Auswirkungen eines KI-Systems auf Grundrechte.

H

Halluzination: Falsche oder unsinnige KI-Ausgaben, die plausibel erscheinen.

Hebbian learning rule: Regel, nach der gleichzeitig aktive Neuronen ihre Verbindung stärken.

Hidden layer: Zwischenschicht eines Netzwerks, die komplexe Merkmale lernt.

Hochrisiko-KI-Systeme (High-Risk AI Systems): Anwendungen, die strengen Anforderungen des EU AI Act unterliegen.

Human in the loop (HITL): Einbindung menschlicher Experten in Trainings- oder Entscheidungsprozesse.

Hype cycle: Kurve, die den Erwartungsverlauf neuer Technologien darstellt.

I

Image processing: Mathematische Transformation von Bildern ohne höhere Analyse.

Incremental innovation: Schrittweise Verbesserung bestehender Produkte oder Prozesse.

Inference: Anwendung eines trainierten Modells zur Generierung neuer Ausgaben.

Intelligence: Fähigkeit, Probleme zu lösen oder wertvolle Produkte zu schaffen.

Interpersonal intelligence: Fähigkeit, Emotionen und Motive anderer zu erkennen.

Intrapersonal intelligence: Fähigkeit, eigene Gefühle zu verstehen und zu nutzen.

K

K-means: Unüberwachter Algorithmus, der Daten in k Cluster aufteilt.

Kennzeichnungspflicht: Pflicht, KI-generierte Inhalte klar als solche zu markieren.

K-nearest neighbour (KNN): Klassifikationsalgorithmus basierend auf Nachbar­ähnlichkeiten.

Knowledge-based AI: KI-Ansatz, der explizites Regelwissen nutzt.

Konformitätsbewertung: Verfahren, das die Erfüllung aller Anforderungen des EU AI Act prüft.

L

Large language model (LLM): Auf riesigen Textcorpora trainiertes Sprachmodell.

Large multimodal model (LMM): Modell, das Text, Bild, Audio usw. integriert.

LASSO: Regularisierungsmethode, die Koeffizienten durch L1-Strafe verkleinert.

Learning: Prozess, bei dem ein Agent seine Leistung durch Erfahrung verbessert.

Linear regression: Modellierung linearer Beziehungen zwischen Variablen.

Linguistic intelligence: Fähigkeit, Sprache umfassend zu nutzen und zu verstehen.

Logical-mathematical intelligence: Fähigkeit, logische und numerische Muster zu erkennen.

Logistic function: S-förmige Funktion, die Werte in den Bereich 0-1 abbildet.

Logistic regression: Statistik­verfahren für binäre Zielvariablen.

Long short-term memory (LSTM): Rekurrentes Netzwerk, das lange Abhängigkeiten erlernt.

M

Machine Learning (ML): Teilgebiet der KI, das Algorithmen entwickelt, die aus Daten lernen.

Machine learning operations (MLOps): Praktiken zum Betrieb und zur Wartung von KI-Modellen.

Menschliche Aufsichtspflicht: Erfordernis, dass qualifizierte Personen KI-Systeme überwachen.

Mixture of Experts (MoE): Architektur, bei der spezialisierte Modelle Aufgaben aufteilen.

Multiagent: Systeme mit mehreren interagierenden Agenten.

Multilayer perceptron (MLP): Feedforward-Netzwerk mit mehreren Schichten.

Multimodale AI: KI, die verschiedene Datenmodalitäten gemeinsam verarbeitet.

Multiple intelligences theory: Theorie unabhängiger Intelligenzformen.

Musical intelligence: Fähigkeit, musikalische Elemente zu verstehen und zu gestalten.

MYCIN: Frühes Expertensystem zur Diagnose von Blutinfektionen.

N

Naïve Bayes model: Probabilistisches Modell mit Annahme bedingter Unabhängigkeit.

NAFTA: Akronym für Needs, Alignment, Finance, Test, Analyse in KI-Business-Cases.

Natural language processing (NLP): KI-Verfahren zum Verstehen menschlicher Sprache.

Neural radiance field (NeRF): Netzwerk, das aus 2D-Fotos 3D-Szenen rekonstruiert.

Neural networks: Modelle, die vom Gehirn inspirierte Neuronen­strukturen nutzen.

Neuron: Grundeinheit künstlicher neuronaler Netzwerke.

Non-linear regression: Modellierung nichtlinearer Beziehungen.

NP-complete: Probleme, die schwer lösbar, aber leicht verifizierbar sind.

NP-hard: Probleme, die mindestens so schwer wie NP-complete sind.

O

Oja’s learning rule: Hebb-Variante, die Gewichte normiert hält.

Output: Ergebnis, das ein Netzwerk nach Verarbeitung seines Inputs liefert.

Overfitting: Zu starke Anpassung an Trainingsdaten mit schlechter Generalisierung.

P

Parametric updating: Dynamisches Anpassen kritischer Modellparameter.

Perceptron: Einfacher Algorithmus zur binären Klassifikation.

Pervasive technology: Allgegenwärtige Technologie, die in Alltagsgeräte integriert ist.

Pixel: Kleinste Bildeinheit digitaler Darstellungen.

P-problem: Probleme, die in polynomieller Zeit lösbar und prüfbar sind.

Prediction: Vorhersage zukünftiger Ereignisse anhand von Daten.

Predictive policing: Datenbasierte Vorhersage potenzieller Verbrechensschauplätze.

Perplexity: KI-Chatbot und Suchmaschine, die LLMs und aktuelle Webdaten nutzt.

Prompt engineering: Kunst, Eingaben so zu formulieren, dass gewünschte KI-Ausgaben entstehen.

Prompt: Eingabeaufforderung an ein KI-System.

Prompt Chaining: Technik, bei der KI-Systeme frühere Antworten für spätere nutzen.

Q

Q-learning: Reinforcement-Learning-Verfahren, das Q-Werte für Aktionen erlernt.

Quantisierung: Reduktion der numerischen Präzision von Modellparametern.

R

Random decision forests: Ensemble vieler Decision Trees für robuste Vorhersagen.

Reasoning: Logisches Schließen zur Entscheidungs- oder Vorhersagefindung.

Recommendation engines: Systeme, die relevante Produkte oder Inhalte vorschlagen.

Recurrent neural network (RNN): Netzwerk mit Schleifen zur Modellierung von Sequenzen.

Recursive neural network: Netzwerk, das hierarchische Strukturen wie Bäume verarbeitet.

Regression: Statistische Methode zur Modellierung von Zusammenhängen.

Regularisation: Techniken gegen Überanpassung, z. B. Bestrafung großer Koeffizienten.

Reinforcement learning: Lernparadigma, bei dem Agenten durch Belohnungen lernen.

Reinforcement Learning from AI Feedback (RLAIF): Optimierung durch Feedback anderer KI-Modelle.

Reinforcement Learning from Human Feedback (RLHF): Training mit menschlichem Feedback.

Replication: Problem der mangelnden Reproduzierbarkeit von KI-Entscheidungen.

Retrieval-Augmented Generation (RAG): Kombination von LLMs mit Informationsabruf.

Ridge regression: Lineare Regression mit L2-Regularisierung.

Right to explanation: GDPR-Recht auf verständliche Erklärung automatisierter Entscheidungen.

Robo-advisor: Algorithmusbasierte Online-Finanzberatung.

Robotics: Technik zur Entwicklung programmierbarer Maschinen.

Robustheit und Genauigkeit: Anforderungen an zuverlässige und präzise KI-Systeme.

S

Sampling: Schlussfolgerung über eine Population anhand einer Stichprobe.

Schatten-IT: Nutzung nicht autorisierter IT-Systeme außerhalb der Kontrolle der IT-Abteilung.

Semi-supervised learning: Lernen mit gelabelten und ungelabelten Daten.

SHRDLU: Frühes KI-System, das Objekte in einer virtuellen Welt manipulierte.

Singularity: Hypothese einer KI, die menschliche Intelligenz übertrifft und sich selbst verbessert.

Sigmoid function: Siehe Logistic function.

Small language model (SLM): Kompaktes Sprachmodell für spezifische Aufgaben.

Small multimodal models (SMM): Kompakte Modelle, die mehrere Daten­typen integrieren.

Spatial intelligence: Fähigkeit, räumliche Beziehungen präzise wahrzunehmen.

Speech recognition: Automatisches Erkennen gesprochener Sprache.

STANLEY: Erstes autonomes Fahrzeug, das die DARPA-Challenge gewann.

Strong AI hypothesis: Annahme, dass Maschinen wirklich denken können.

Structured data: Daten in festem, relationalem Format.

Supervised learning: Lernen mit gelabelten Beispielen.

Support vector machine: Algorithmus, der Daten in hohem Raum trennt.

Stochastic Parrot: Metapher für LLMs, die ohne echtes Verständnis Texte imitieren.

Style Transfer: Übertragung eines Bildstils auf andere Inhalte durch KI.

T

Temperatur: Parameter, der die Zufälligkeit von Modell­ausgaben steuert.

Text-to-Image Generation: KI-Erstellung von Bildern aus Textbeschreibungen.

Tokens: Kleine Einheiten, in die Text für Modelle zerlegt wird.

Training Data: Datensätze, mit denen KI-Modelle trainiert werden.

Transformer Model: Netzwerkarchitektur mit Attention-Mechanismus.

Transparenzpflichten: Verpflichtung, Funktionsweise und Grenzen eines KI-Systems offenzulegen.

Tokenisation: Zerlegung von Text in Tokens.

Training error: Fehler während des Modelltrainings.

Training set: Gelabelter Datensatz für das Training.

Transformers: Netzwerke mit Attention, die Kontext in Sequenzen erfassen.

Travelling salesman problem: Optimierungsproblem der kürzesten Rundreise.

Turing Test: Test, ob eine Maschine menschliches Verhalten nachahmen kann.

U

Underfitting: Modell bildet weder Trainings- noch Testdaten gut ab.

Unstructured data: Daten ohne festes Schema, z. B. Texte oder Bilder.

Unsupervised learning: Lernen ohne gelabelte Daten.

V

Variational autoencoders (VAE): Probabilistische generative Modelle mit Encoder und Decoder.

Variable: Größe, die in Experimenten variieren kann.

Vector database: Datenbank, die Informationen als Vektoren speichert.

Vector embedding: Numerische Darstellung von Daten in kontinuierlichem Raum.

Video processing: Analyse und Transformation von Videodaten.

Verbotene KI-Praktiken (Unacceptable-Risk AI): KI-Anwendungen, die aufgrund unvertretbarer Risiken untersagt sind.

Vertrauenswürdige KI: KI-Systeme, die ethische, rechtliche und technische Anforderungen erfüllen.

Visionary (Microsoft Bing): Suchmaschine, die KI-Techniken für kontextbezogene Ergebnisse nutzt.

W

Watson: Von IBM entwickeltes KI-System, bekannt aus der Show „Jeopardy!“.

Weak AI, narrow AI: KI, die nur spezifische Aufgaben löst.

Weight: Numerischer Wert, der die Stärke einer Verbindung in Netzwerken bestimmt.

Z

Zero-Shot: Aufgabe, die ein Modell ohne spezielles Training löst.

Zertifizierungsverfahren: Formaler Prozess, der die Konformität eines KI-Systems bestätigt.