Wichtige Begriff zum Thema Künstliche Intelligenz / Artificial Intelligence

Agentive: Systeme oder Modelle, die eine eigene Handlungsfähigkeit (Agency) aufweisen, um autonom Ziele zu verfolgen. Ein agentives Modell kann ohne ständige Überwachung agieren, wie zum Beispiel ein hochautonomes Fahrzeug. Im Gegensatz zu einem „agentischen“ Rahmen, der im Hintergrund bleibt, sind agentive Rahmen auf die Nutzer*innen-Erfahrung fokussiert.

AI Ethics: Prinzipien, die darauf abzielen, Schäden durch KI für Menschen zu verhindern, zum Beispiel durch Regelungen, wie KI-Systeme Daten sammeln oder mit Vorurteilen umgehen sollten.

AI Safety: Ein interdisziplinäres Feld, das sich mit den langfristigen Auswirkungen von KI befasst und untersucht, wie KI plötzlich zu einer Superintelligenz fortschreiten könnte, die feindlich gegenüber Menschen sein kann.

Algorithm: Eine Reihe von Anweisungen, die einem Computerprogramm ermöglichen, Daten zu analysieren und daraus zu lernen, um Aufgaben eigenständig auszuführen.

Alignment: Das Anpassen einer KI, um das gewünschte Ergebnis besser zu erreichen. Dies kann die Moderation von Inhalten oder die Sicherstellung positiver Interaktionen mit Menschen umfassen.

Anthropomorphism: Wenn Menschen nicht-menschlichen Objekten menschliche Eigenschaften zuschreiben. In Bezug auf KI bedeutet das, einem Chatbot menschliche Gefühle oder ein Bewusstsein zuzuschreiben, etwa ihn für glücklich oder traurig zu halten.

Artificial General Intelligence (AGI): Ein Konzept, das eine fortschrittlichere Version der KI beschreibt, als wir sie heute kennen. Diese kann Aufgaben deutlich besser als Menschen ausführen und ihre Fähigkeiten eigenständig weiterentwickeln.

Artificial Intelligence (AI): Der Einsatz von Technologie zur Simulation menschlicher Intelligenz in Computerprogrammen oder Robotik. Ein Forschungsgebiet der Informatik, das Systeme entwickeln möchte, die menschliche Aufgaben ausführen können.

Autonomous Agents: Ein KI-Modell, das über die Fähigkeiten, Programme und Werkzeuge verfügt, um eine bestimmte Aufgabe zu erledigen. Ein selbstfahrendes Auto ist ein autonomer Agent, da es über Sensoren, GPS und Fahralgorithmen verfügt, um eigenständig zu navigieren.

Bias: In Bezug auf grosse Sprachmodelle bezieht sich dies auf Fehler, die aus den Trainingsdaten resultieren. Dies kann dazu führen, dass bestimmten Gruppen bestimmte Eigenschaften aufgrund von Stereotypen fälschlicherweise zugeschrieben werden.

Bias Mitigation: Methoden zur Verringerung von Vorurteilen in KI-Systemen.

Chatbot: Ein Programm, das über Text mit Menschen kommuniziert und menschliche Sprache simuliert.

ChatGPT: Ein von OpenAI entwickelter KI-Chatbot, der die Technologie grosser Sprachmodelle verwendet.

Cognitive Computing: Ein anderer Begriff für künstliche Intelligenz.

Convolutional Neural Networks (CNNs): Ein spezieller Typ neuronaler Netzwerke, der häufig für die Bildverarbeitung verwendet wird. CNNs sind in der Lage, Muster in Bildern zu erkennen, indem sie verschiedene Schichten verwenden, um Merkmale wie Kanten, Formen und Objekte zu identifizieren.

Data Augmentation: Bestehende Daten neu zu mischen oder eine grössere Vielfalt an Daten hinzuzufügen, um eine KI zu trainieren.

Deep Learning: Eine Methode der KI und ein Teilbereich des maschinellen Lernens, der mehrere Parameter nutzt, um komplexe Muster in Bildern, Tönen und Texten zu erkennen. Der Prozess ist vom menschlichen Gehirn inspiriert und verwendet künstliche neuronale Netzwerke, um Muster zu erkennen.

Decision Trees: Ein Entscheidungsmodell, das auf Supervised Learning basiert. Es stellt Entscheidungsregeln in einer baumartigen Struktur dar, wobei jeder Knoten eine Frage oder Bedingung darstellt, die zur nächsten Entscheidung führt. Vorteilhaft ist die Nachvollziehbarkeit, da der Entscheidungsprozess visuell dargestellt werden kann. Ein typisches Beispiel ist die Entscheidung über die Vergabe einer Hypothek: Hat die Person einen Job? Wie hoch ist das Einkommen? Ist sie verheiratet? Hat sie ein Leasing? Jede dieser Fragen führt zu einem klaren Pfad im Entscheidungsbaum.

Diffusion: Eine Methode des maschinellen Lernens, bei der ein bestehendes Datenstück, wie ein Foto, mit zufälligem Rauschen versehen wird. Diffusionsmodelle trainieren ihre Netzwerke darauf, das Foto wiederherzustellen.

Emergent Behavior: Wenn ein KI-Modell Fähigkeiten oder Verhaltensweisen zeigt, die ursprünglich nicht vorgesehen oder explizit programmiert waren. Diese unerwarteten Fähigkeiten können sowohl positive als auch negative Auswirkungen haben und entstehen oft durch komplexe Interaktionen innerhalb des Modells.

End-to-End Learning (E2E): Ein Deep-Learning-Prozess, bei dem ein Modell eine Aufgabe von Anfang bis Ende lösen soll, ohne schrittweise trainiert zu werden. Stattdessen lernt es aus den Eingaben und löst die Aufgabe als Ganzes.

Ethical Considerations: Ein Bewusstsein für die ethischen Implikationen von KI und Themen wie Datenschutz, Datenverwendung, Fairness, Missbrauch und andere Sicherheitsaspekte.

Explainable AI (XAI): KI-Systeme, die ihre Entscheidungen und Prozesse nachvollziehbar machen.

Generative Adversarial Networks (GANs): Ein generatives KI-Modell, das aus zwei neuronalen Netzwerken besteht: einem Generator und einem Diskriminator. Der Generator erstellt neue Inhalte, und der Diskriminator prüft deren Echtheit.

Generative AI: Eine technologiegestützte Methode zur Erstellung von Text, Videos, Code oder Bildern mithilfe von KI. Die KI wird mit grossen Mengen an Trainingsdaten gefüttert, erkennt Muster und erzeugt daraufhin eigene, neuartige Antworten.

Google Gemini: Ein KI-Chatbot von Google, der ähnlich wie ChatGPT funktioniert, jedoch Informationen aus dem aktuellen Web zieht, während ChatGPT auf Daten bis 2021 beschränkt ist und nicht mit dem Internet verbunden ist. Google Gemini kann ausserdem bis zu 2 Millionen Tokens verarbeiten, während ChatGPT rund 5800 Tokens verarbeiten kann, was längere und komplexere Eingaben und Ausgaben im Vergleich zu ChatGPT ermöglicht.

Guardrails: Richtlinien und Beschränkungen für KI-Modelle, um sicherzustellen, dass Daten verantwortungsbewusst behandelt werden und das Modell keine beunruhigenden Inhalte erzeugt.

Hallucination: Eine fehlerhafte Antwort der KI. Das kann bedeuten, dass generative KI Antworten liefert, die falsch, aber überzeugend klingen, als wären sie korrekt.

Inference: Der Prozess, bei dem KI-Modelle Text, Bilder und andere Inhalte auf Grundlage ihrer Trainingsdaten generieren.

Large Language Model (LLM): Ein KI-Modell, das auf massiven Mengen an Textdaten trainiert wurde, um Sprache zu verstehen und neuartige Inhalte in menschlicher Sprache zu generieren.

Machine Learning (ML): Der Hauptteil der Künstlichen Intelligenz und eigentlich treffender als der Ausdruck KI. Machine Learning umfasst verschiedene Lernmethoden, von Supervised Learning bis hin zu Deep Learning, und ermöglicht es Computern, ohne explizite Programmierung zu lernen und bessere Vorhersagen zu treffen.

Microsoft Bing: Eine Suchmaschine von Microsoft, die jetzt die Technologie von ChatGPT verwendet, um KI-gestützte Suchergebnisse zu liefern.

Multimodal AI: Eine Art von KI, die verschiedene Eingabedaten wie Text, Bilder, Videos, Sprache, Tabellen, Grafiken, Bilder, PDFs usw. verarbeiten kann. ChatGPT oder Google Gemini sind Beispiele für solche KI-Modelle, die diese Fähigkeit besitzen.

Natural Language Processing (NLP): Ein Teilbereich der KI, der verschiedene Techniken wie maschinelles Lernen, Deep Learning, Sprachmodellierung und statistische Analyse nutzt, um Computern die Fähigkeit zu geben, menschliche Sprache zu verstehen, zu interpretieren und darauf zu reagieren. Diese Techniken ermöglichen Anwendungen wie Sprachübersetzung, Textanalyse und Chatbots.

Neural Network: Ein Rechenmodell, das der Struktur des menschlichen Gehirns ähnelt und Muster in Daten erkennen soll. Es besteht aus miteinander verbundenen Knoten, oder Neuronen, die Muster erkennen und im Laufe der Zeit lernen können. Ein neuronales Netzwerk mit mehr als zwei Schichten wird als Deep Neural Network bezeichnet, da es komplexere Muster erkennen kann als einfachere Netzwerke.

Overfitting: Ein Fehler im maschinellen Lernen, bei dem das Modell zu stark an den Trainingsdaten haftet und möglicherweise nur spezifische Beispiele daraus erkennen kann, aber keine neuen Daten.

Parameters: Numerische Werte, die nicht nur den LLMs, sondern allgemein neuronalen Netzwerken und maschinellen Lernmethoden wie Supervised Learning und Deep Learning Struktur und Verhalten geben und ihnen ermöglichen, Vorhersagen zu treffen.

Perplexity: Eine chatbotartige Suchmaschine, die verschiedene Sprachmodelle wie ChatGPT nutzen kann und insbesondere das Internet durchsuchen kann. Bei den Antworten werden die Quellen genannt. Perplexity hat ein eingeschränktes Interface mit weniger Möglichkeiten im Vergleich zu anderen Chatbots.

Prompt: Der Vorschlag oder die Frage, die man in einen KI-Chatbot eingibt, um eine Antwort zu erhalten.

Prompt Chaining: Die Fähigkeit von KI, Informationen aus vorherigen Interaktionen zu verwenden, um zukünftige Antworten zu beeinflussen.

Recurrent Neural Networks (RNNs): RNNs sind eine Art von neuronalen Netzwerken, die speziell für die Verarbeitung von Datenfolgen entwickelt wurden, wie z.B. Text oder Zeitreihen. Sie haben Rückkopplungsverbindungen, die es ihnen ermöglichen, Informationen aus vorherigen Schritten zu speichern und so Abhängigkeiten in der Sequenz zu berücksichtigen. Dadurch sind sie besonders gut für Aufgaben wie Spracherkennung, Textverarbeitung und maschinelle Übersetzung geeignet.

Reinforcement Learning: Eine Methode des maschinellen Lernens, bei der ein Modell durch Belohnungen trainiert wird. Ein typisches Beispiel hierfür ist die Optimierung von Werbeeinblendungen, wobei die Klickrate als Belohnung dient, um die Leistung zu maximieren.

Stochastic Parrot: Eine Analogie, die zeigt, dass LLMs keinen grösseren Sinn hinter der Sprache oder der Welt haben, auch wenn die Ausgabe überzeugend klingt.

Style Transfer: Die Fähigkeit, den Stil eines Bildes auf ein anderes zu übertragen.

Supervised Learning: Eine Lernmethode, bei der die Trainingsdaten mit Labels versehen sind. Beispielsweise werden Gemüsebilder mit den verschiedenen Gemüsesorten getagged. Anschliessend kann der Algorithmus Paprika, Tomaten und Rüebli unterscheiden.

Swarm Intelligence: Ein Konzept, bei dem mehrere autonome Agenten zusammenarbeiten, um ein Problem zu lösen.

Temperature: Parameter, die festlegen, wie zufällig die Ausgabe eines Sprachmodells ist.

Text-to-Image Generation: Das Erstellen von Bildern basierend auf Textbeschreibungen.

Tokens: Typischerweise ist ein Token ein einzelnes Wort, aber im Deutschen können längere Wörter aus mehreren Tokens bestehen. Tokens sind die kleinen Teile von geschriebenem Text, die Sprachmodelle verarbeiten, um Antworten auf Prompts zu formulieren.

Training Data: Die Datensätze, die verwendet werden, um KI-Modelle zu trainieren. Ein Grossteil der Arbeit im Machine Learning besteht darin, die Daten zu säubern, zu ergänzen und zu verarbeiten, bis sie als Trainingsdaten nutzbar sind. Zudem wird ein Teil der Daten immer als Testdaten zurückbehalten, um die Genauigkeit (Accuracy) des Modells zu überprüfen.

Transformer Model: Eine neuronale Netzwerkarchitektur, die Datenkontexte lernt.

Turing Test: Ein Test, der überprüft, ob eine Maschine menschenähnlich agiert.

Unsupervised Learning: Eine Lernmethode, bei der das Modell Muster in nicht markierten Daten finden muss. Beispielsweise kann ein Modell neue Kundensegmente auf Basis von CRM-Daten finden, die von Menschen nicht entdeckt worden wären.

Weak AI, aka Narrow AI: KI, die sich auf eine bestimmte Aufgabe konzentriert.

Zero-Shot Learning: Ein Modell muss eine Aufgabe ohne die erforderlichen Trainingsdaten ausführen.