KI-Glossar

Einsatz von KI zur Automatisierung wiederkehrender Geschäftsprozesse.

KI-Automatisierung nutzt Künstliche Intelligenz, um wiederkehrende, manuelle Prozesse in Unternehmen zu automatisieren. Dies umfasst E-Mail-Verarbeitung, Dokumentenanalyse, Kundensupport, Dateneingabe, Content-Erstellung und Workflow-Orchestrierung. Tools wie Make, Zapier, n8n und Microsoft Power Automate integrieren KI-Modelle in bestehende Arbeitsabläufe. KI-Automatisierung geht über regelbasierte RPA hinaus, da sie unstrukturierte Daten verarbeiten und Entscheidungen treffen kann.

Kernkomponente von Transformer-Modellen, die Beziehungen zwischen Textelementen erfasst.

Der Attention-Mechanismus (insbesondere Self-Attention) ist die zentrale Innovation der Transformer-Architektur. Er ermöglicht es dem Modell, bei der Verarbeitung eines Wortes alle anderen Wörter im Text zu 'beachten' und deren Relevanz zu gewichten. So versteht das Modell den Kontext: In 'Die Bank am Flussufer' erkennt Attention, dass 'Bank' hier ein Sitzmöbel meint. Multi-Head Attention erlaubt verschiedene Arten von Beziehungen gleichzeitig zu erfassen. Der Mechanismus ist der Grund, warum Transformer so erfolgreich sind.

Programmierschnittstelle für den Zugriff auf KI-Modelle und -Dienste.

Eine API (Application Programming Interface) im KI-Kontext ist eine Schnittstelle, über die Entwickler KI-Modelle in eigene Anwendungen integrieren können. Statt eigene Modelle zu trainieren, nutzen Unternehmen APIs von Anbietern wie OpenAI (GPT), Anthropic (Claude), Google (Gemini) oder Stability AI (Stable Diffusion). KI-APIs werden typischerweise per REST-API mit JSON aufgerufen und nach Token-Verbrauch abgerechnet. Sie ermöglichen Textgenerierung, Bildverarbeitung, Spracherkennung und Embedding-Erstellung ohne eigene ML-Infrastruktur.

KI-Chatbot von OpenAI, basierend auf GPT-Sprachmodellen.

ChatGPT ist ein KI-gestützter Chatbot von OpenAI, der auf der GPT-Modellfamilie basiert. Er kann Texte verfassen, Fragen beantworten, Code schreiben, Dokumente zusammenfassen und kreative Inhalte erstellen. ChatGPT wird in der kostenlosen Version (GPT-3.5/4o mini) und als ChatGPT Plus (GPT-4, GPT-4o) angeboten. Im Berufsalltag wird ChatGPT für E-Mails, Berichte, Recherche, Brainstorming und Automatisierung eingesetzt.

Prompting-Technik, die KI-Modelle zum schrittweisen Denken anleitet.

Chain-of-Thought (CoT) Prompting ist eine Technik, bei der das Sprachmodell aufgefordert wird, seinen Denkprozess Schritt fuer Schritt darzulegen. Statt direkt eine Antwort zu geben, durchlaeuft das Modell logische Zwischenschritte. CoT verbessert die Genauigkeit bei mathematischen, logischen und komplexen Reasoning-Aufgaben erheblich. Die Anweisung 'Denke Schritt fuer Schritt' oder die Vorgabe einer Schrittstruktur sind gaengige CoT-Ausloeser.

KI-Teilbereich, der Computern das Sehen und Verstehen von Bildern ermöglicht.

Computer Vision (CV) ist ein Bereich der KI, der es Computern ermöglicht, visuelle Informationen aus Bildern und Videos zu extrahieren und zu interpretieren. Aufgaben umfassen Objekterkennung, Gesichtserkennung, Bildklassifikation, Segmentierung und optische Zeichenerkennung (OCR). Moderne CV nutzt Deep Learning mit Convolutional Neural Networks (CNNs) und Vision Transformern. Anwendungen reichen von autonomem Fahren über medizinische Bildanalyse bis zu industrieller Qualitätskontrolle.

KI-Modelltyp für die Generierung von Bildern und Videos.

Diffusion Models sind generative KI-Modelle, die Bilder, Videos und Audio erzeugen, indem sie einen schrittweisen Entrauschungsprozess durchführen. Ausgehend von zufälligem Rauschen wird in vielen kleinen Schritten ein kohärentes Bild rekonstruiert. Bekannte Diffusion-basierte Systeme sind DALL-E 3, Stable Diffusion, Midjourney und Flux. Im Vergleich zu GANs (Generative Adversarial Networks) bieten Diffusion Models höhere Bildqualität und stabileres Training.

Fortgeschrittene Form des Machine Learning mit mehrschichtigen neuronalen Netzen.

Deep Learning ist ein Teilbereich des Machine Learning, der auf künstlichen neuronalen Netzen mit vielen Schichten (daher 'deep') basiert. Diese tiefen Netze können komplexe Muster in großen Datenmengen erkennen – von Bildern über Sprache bis zu Texten. Deep Learning ermöglicht Durchbrüche in Bilderkennung (CNNs), Sprachverarbeitung (Transformer) und generativer KI. Die Methode erfordert große Datenmengen und Rechenleistung, liefert aber oft überlegene Ergebnisse gegenüber klassischem ML.

Datenschutzrechtliche Anforderungen beim Einsatz von KI-Systemen in der EU.

Die Datenschutz-Grundverordnung (DSGVO) stellt spezifische Anforderungen an den Einsatz von KI-Systemen in der EU. Unternehmen müssen sicherstellen, dass KI-Anwendungen personenbezogene Daten rechtmäßig verarbeiten, transparent agieren und die Rechte Betroffener wahren. Besonders relevant: Datenschutz-Folgenabschätzungen bei KI-Verarbeitung, das Recht auf Erklärung bei automatisierten Entscheidungen, Datenminimierung beim Training und die Klärung der Verantwortlichkeit bei Cloud-KI-Diensten. Der EU AI Act ergänzt die DSGVO um KI-spezifische Regelungen.

Numerische Darstellung von Text, die semantische Bedeutung erfasst.

Embeddings sind hochdimensionale Zahlenvektoren, die die semantische Bedeutung von Texten, Bildern oder anderen Daten codieren. Ähnliche Konzepte werden im Vektorraum nah beieinander platziert. Embeddings sind die Grundlage für semantische Suche, RAG-Systeme, Empfehlungsalgorithmen und Clustering. OpenAI, Cohere und lokale Modelle bieten Embedding-APIs an. In RAG-Pipelines werden Dokumente als Embeddings in Vektordatenbanken gespeichert und bei Anfragen semantisch durchsucht.

Europäische Verordnung zur Regulierung von Künstlicher Intelligenz.

Der EU AI Act (Verordnung über Künstliche Intelligenz) ist das weltweit erste umfassende KI-Gesetz. Es klassifiziert KI-Systeme nach Risikoklassen: unannehmbares Risiko (verboten), hohes Risiko (strenge Auflagen), begrenztes Risiko (Transparenzpflichten) und minimales Risiko (kaum Regulierung). Unternehmen müssen KI-Systeme dokumentieren, testen und überwachen. Der EU AI Act betrifft alle Organisationen, die KI in der EU einsetzen oder anbieten, und tritt schrittweise ab 2024 in Kraft.

Nachtraining eines KI-Modells auf spezifische Aufgaben oder Daten.

Fine-Tuning ist der Prozess, bei dem ein vortrainiertes KI-Modell mit zusätzlichen, spezifischen Daten weiter trainiert wird. Dadurch passt sich das Modell an bestimmte Branchen, Schreibstile oder Aufgaben an. Im Gegensatz zu RAG verändert Fine-Tuning die Modellgewichte dauerhaft. Es eignet sich für wiederkehrende, spezialisierte Aufgaben wie Klassifizierung, Tonalitätsanpassung oder domänenspezifische Sprache. Fine-Tuning erfordert Trainingsdaten und Rechenressourcen.

KI-Technik, bei der wenige Beispiele ausreichen, um eine Aufgabe zu lernen.

Few-Shot Learning ist eine Prompt-Technik, bei der dem KI-Modell einige Beispiele (Shots) im Prompt mitgegeben werden, um das gewünschte Ausgabeformat oder Verhalten zu demonstrieren. Im Gegensatz zu Zero-Shot (keine Beispiele) und One-Shot (ein Beispiel) liefert Few-Shot oft präzisere und konsistentere Ergebnisse. Die Technik ist besonders nützlich für Klassifizierung, Formatierung, Übersetzung und Tonalitätsanpassung ohne eigenes Modell-Training.

KI-Systeme, die neue Inhalte wie Texte, Bilder oder Code erzeugen.

Generative AI (Generative Künstliche Intelligenz) beschreibt KI-Modelle, die neue, originelle Inhalte erstellen können – darunter Texte, Bilder, Audio, Video und Code. Im Gegensatz zu analytischer KI, die Daten klassifiziert oder vorhersagt, erzeugt generative KI etwas Neues. Beispiele sind ChatGPT (Text), DALL-E/Midjourney (Bilder), Suno (Musik) und GitHub Copilot (Code). Generative AI revolutioniert Content-Erstellung, Marketing, Softwareentwicklung und kreative Berufe.

Generative Pre-trained Transformer – die Modellfamilie hinter ChatGPT.

GPT (Generative Pre-trained Transformer) ist eine Familie von Sprachmodellen, entwickelt von OpenAI. Die Modelle werden in zwei Phasen erstellt: Pre-Training auf großen Textmengen und anschließendes Fine-Tuning bzw. RLHF (Reinforcement Learning from Human Feedback). GPT-4 und GPT-4o sind die aktuellen Flaggschiff-Modelle mit multimodalen Fähigkeiten (Text, Bild, Audio). GPT-Modelle sind die Basis von ChatGPT und der OpenAI-API.

Wenn ein KI-Modell plausibel klingende, aber falsche Informationen generiert.

Halluzination bezeichnet das Phänomen, dass KI-Sprachmodelle Antworten generieren, die zwar sprachlich korrekt und überzeugend klingen, aber inhaltlich falsch, erfunden oder irreführend sind. LLMs erzeugen Text basierend auf Wahrscheinlichkeiten und haben kein echtes Verständnis von Wahrheit. Gegenmaßnahmen umfassen RAG, Faktenprüfung, spezifische Prompts und Temperatur-Einstellungen. Das Bewusstsein für Halluzinationen ist eine wichtige Kompetenz im Umgang mit KI.

Oberbegriff für Systeme, die menschenähnliche Intelligenzleistungen erbringen.

Künstliche Intelligenz (KI) – auch Artificial Intelligence (AI) – bezeichnet Computersysteme, die Aufgaben ausführen, die normalerweise menschliche Intelligenz erfordern. Dazu gehören Sprachverständnis, Bilderkennung, Entscheidungsfindung und Problemlösung. KI-Systeme lernen aus Daten und verbessern sich kontinuierlich. Im Unternehmenskontext wird KI für Automatisierung, Datenanalyse, Kundenkommunikation und kreative Prozesse eingesetzt.

Autonome KI-Systeme, die eigenständig Aufgaben planen und ausführen.

KI-Agenten (AI Agents) sind autonome Systeme, die eigenständig Aufgaben planen, Entscheidungen treffen und Aktionen ausführen können. Im Gegensatz zu einfachen Chatbots können Agenten mehrstufige Aufgaben bewältigen, Tools und APIs nutzen und iterativ arbeiten. Beispiele sind AutoGPT, Custom GPTs mit Actions und Unternehmenslösungen, die Workflows automatisieren. KI-Agenten gelten als nächste Evolutionsstufe der KI-Anwendung im Geschäftskontext.

Maximale Textmenge, die ein Sprachmodell gleichzeitig verarbeiten kann.

Das Kontextfenster (Context Window) definiert die maximale Anzahl an Token, die ein Sprachmodell in einer einzelnen Anfrage verarbeiten kann – inklusive Eingabe und Ausgabe. GPT-4o bietet 128.000 Token, Claude 3.5 bis zu 200.000 Token. Ein größeres Kontextfenster ermöglicht die Verarbeitung längerer Dokumente, komplexerer Gespräche und umfangreicherer Codebasen. Bei Überschreitung des Kontextfensters 'vergisst' das Modell frühere Inhalte. Techniken wie RAG und Zusammenfassung helfen, diese Begrenzung zu umgehen.

Rahmenwerk für den verantwortungsvollen Einsatz von KI in Organisationen.

KI-Governance umfasst Richtlinien, Prozesse und Strukturen, die den verantwortungsvollen Einsatz von Künstlicher Intelligenz in Organisationen sicherstellen. Ein KI-Governance-Framework definiert: Wer darf welche KI-Tools nutzen? Welche Daten dürfen verarbeitet werden? Wie werden KI-Ergebnisse überprüft? Wie wird Bias vermieden? Wie wird Compliance mit EU AI Act und DSGVO sichergestellt? Elemente umfassen KI-Nutzungsrichtlinien, Risikobewertungen, Schulungsprogramme, Audit-Prozesse und Verantwortlichkeiten. Gute KI-Governance ermöglicht Innovation bei gleichzeitiger Risikominimierung.

Große Sprachmodelle, die natürliche Sprache verstehen und generieren können.

Large Language Models (LLMs) sind KI-Modelle mit Milliarden von Parametern, die auf riesigen Textmengen trainiert wurden. Sie können natürliche Sprache verstehen, generieren, übersetzen und zusammenfassen. Bekannte Beispiele sind GPT-4 (OpenAI), Claude (Anthropic), Gemini (Google) und LLaMA (Meta). LLMs bilden die Grundlage für Anwendungen wie ChatGPT und Microsoft Copilot.

KI-Assistent von Microsoft, integriert in Microsoft 365 Apps.

Microsoft Copilot ist ein KI-gestützter Produktivitätsassistent, der direkt in Microsoft 365-Anwendungen (Word, Excel, PowerPoint, Outlook, Teams) integriert ist. Er basiert auf GPT-4 und kann Dokumente zusammenfassen, E-Mails verfassen, Präsentationen erstellen, Excel-Formeln generieren und Meeting-Protokolle anfertigen. Copilot greift dabei auf Unternehmensdaten in Microsoft Graph zu und arbeitet DSGVO-konform innerhalb des Microsoft-Ökosystems.

Teilbereich der KI, bei dem Systeme aus Daten lernen, ohne explizit programmiert zu werden.

Machine Learning (ML) ist ein Teilbereich der Künstlichen Intelligenz, bei dem Algorithmen Muster in Daten erkennen und daraus Vorhersagen oder Entscheidungen ableiten. Statt feste Regeln zu programmieren, lernt das System selbstständig aus Trainingsdaten. Zu den Hauptkategorien gehören überwachtes Lernen (mit gelabelten Daten), unüberwachtes Lernen (Mustererkennung ohne Labels) und bestärkendes Lernen (Lernen durch Belohnung). ML ist die Grundlage für Empfehlungssysteme, Spam-Filter, Spracherkennung und viele weitere Anwendungen.

Fähigkeit von KI-Modellen, verschiedene Datentypen wie Text, Bild und Audio zu verarbeiten.

Multimodalität bezeichnet die Fähigkeit eines KI-Modells, mehrere Datentypen (Modalitäten) gleichzeitig zu verstehen und zu generieren. Multimodale Modelle wie GPT-4o, Gemini und Claude können Text, Bilder, Audio und Video verarbeiten. Dies ermöglicht Anwendungen wie Bildbeschreibung, visuelle Frage-Antwort-Systeme und die Generierung von Bildern aus Text. Multimodalität gilt als wichtiger Schritt hin zu allgemeinerer Künstlicher Intelligenz.

Von biologischen Nervenzellen inspiriertes Rechenmodell für maschinelles Lernen.

Ein künstliches neuronales Netz (KNN) ist ein Rechenmodell, das von der Struktur biologischer Gehirne inspiriert ist. Es besteht aus Schichten von 'Neuronen' (Knoten), die durch gewichtete Verbindungen miteinander verknüpft sind. Eingangsdaten werden durch die Schichten transformiert, wobei jede Schicht zunehmend abstrakte Merkmale extrahiert. Durch Training (Anpassung der Gewichte) lernt das Netz, Aufgaben wie Klassifikation, Regression oder Generierung zu lösen. Typen umfassen Feedforward-Netze, CNNs (für Bilder), RNNs (für Sequenzen) und Transformer (für Sprache).

KI-Teilbereich für die Verarbeitung und das Verständnis menschlicher Sprache.

Natural Language Processing (NLP) ist ein Bereich der KI, der sich mit der Interaktion zwischen Computern und menschlicher Sprache befasst. NLP umfasst Aufgaben wie Textklassifikation, Sentiment-Analyse, maschinelle Übersetzung, Zusammenfassung, Named Entity Recognition und Frage-Antwort-Systeme. Moderne NLP basiert fast ausschließlich auf Transformer-Modellen wie BERT, GPT und T5. NLP ist die Grundlage für Chatbots, Sprachassistenten, automatische Übersetzung und Suchmaschinen.

Die Kunst, KI-Modelle durch gezielte Anweisungen (Prompts) zu steuern.

Prompt Engineering ist die systematische Gestaltung von Eingabeaufforderungen (Prompts), um bestmögliche Ergebnisse von KI-Modellen zu erzielen. Techniken umfassen Zero-Shot Prompting (ohne Beispiele), Few-Shot Prompting (mit Beispielen), Chain-of-Thought (schrittweises Denken) und Role Prompting (Rollenzuweisung). Gute Prompts sind spezifisch, kontextreich und enthalten klare Formatvorgaben. Prompt Engineering ist eine Schlüsselkompetenz für den effektiven Einsatz von ChatGPT, Copilot und anderen KI-Tools.

Technik, die KI-Antworten durch Abruf externer Wissensquellen verbessert.

Retrieval-Augmented Generation (RAG) kombiniert die Textgenerierung eines LLM mit einer externen Wissensdatenbank. Statt sich ausschließlich auf trainierte Daten zu verlassen, sucht das System zunächst relevante Dokumente und nutzt diese als Kontext für die Antwortgenerierung. RAG reduziert Halluzinationen, ermöglicht aktuelle Antworten und erlaubt den Einsatz eigener Unternehmensdaten. Es ist die Basis für viele Enterprise-KI-Lösungen und Custom GPTs.

Trainingsmethode, bei der KI-Modelle durch menschliches Feedback verbessert werden.

RLHF (Reinforcement Learning from Human Feedback) ist eine Trainingsmethode, bei der ein KI-Modell durch menschliche Bewertungen optimiert wird. Nach dem Pre-Training bewertet ein Team von Menschen verschiedene Modellantworten. Aus diesen Bewertungen wird ein Belohnungsmodell trainiert, das anschließend per Reinforcement Learning die Antwortqualität des Hauptmodells verbessert. RLHF ist entscheidend dafür, dass Modelle wie ChatGPT hilfreiche, ehrliche und harmlose Antworten geben. Die Methode wurde durch OpenAIs InstructGPT populär.

Open-Source KI-Modell zur Generierung von Bildern aus Textbeschreibungen.

Stable Diffusion ist ein Open-Source Diffusion Model zur Bildgenerierung, entwickelt von Stability AI. Im Gegensatz zu DALL-E (OpenAI) und Midjourney kann Stable Diffusion lokal auf eigener Hardware betrieben werden, was volle Kontrolle über Daten und Ergebnisse bietet. Das Modell generiert Bilder aus Textbeschreibungen (Text-to-Image), kann bestehende Bilder verändern (Image-to-Image) und unterstützt Inpainting. Die Open-Source-Natur hat ein riesiges Ökosystem von Fine-Tuned-Modellen, LoRAs und Erweiterungen hervorgebracht.

Die Modellarchitektur hinter ChatGPT, BERT und allen modernen LLMs.

Transformer ist eine neuronale Netzwerkarchitektur, die 2017 von Google in der Arbeit 'Attention Is All You Need' vorgestellt wurde. Der zentrale Mechanismus - Self-Attention - ermoeglicht es dem Modell, Beziehungen zwischen allen Woertern eines Textes gleichzeitig zu erfassen. Transformer sind die Grundlage aller modernen LLMs (GPT, Claude, Gemini, LLaMA) sowie von Bildmodellen (Vision Transformer). Die Architektur revolutionierte die KI-Forschung durch ihre Parallelisierbarkeit und Skalierbarkeit.

Kleinste Texteinheit, die ein Sprachmodell verarbeitet.

Ein Token ist die kleinste Einheit, in die ein Text von einem Sprachmodell zerlegt wird. Ein Token kann ein Wort, ein Wortteil oder ein Satzzeichen sein. Im Deutschen entspricht ein Wort durchschnittlich 1,3–1,5 Token. Die Kontextlänge eines Modells (z. B. 128.000 Token bei GPT-4o) bestimmt, wie viel Text gleichzeitig verarbeitet werden kann. Die Tokenanzahl beeinflusst auch die Kosten bei API-Nutzung. Tokenizer-Tools helfen bei der Schätzung.

Parameter, der die Kreativität/Zufälligkeit von KI-Antworten steuert.

Temperatur ist ein Parameter bei der Textgenerierung, der bestimmt, wie kreativ oder deterministisch ein Sprachmodell antwortet. Niedrige Temperatur (z. B. 0,1) erzeugt vorhersagbare, konsistente Antworten – ideal für Faktenantworten und Code. Hohe Temperatur (z. B. 0,9) führt zu kreativeren, vielfältigeren, aber auch unvorhersehbareren Antworten – geeignet für Brainstorming und kreatives Schreiben. Die optimale Temperatur hängt vom Anwendungsfall ab.

Technik, bei der ein vortrainiertes Modell für neue Aufgaben wiederverwendet wird.

Transfer Learning ist ein Machine-Learning-Ansatz, bei dem ein auf großen Datenmengen vortrainiertes Modell als Ausgangspunkt für eine neue, spezifischere Aufgabe verwendet wird. Statt ein Modell von Grund auf zu trainieren, werden die gelernten Repräsentationen übertragen und nur die letzten Schichten angepasst. Dies spart enorme Rechenressourcen und Trainingsdaten. Transfer Learning ist das Prinzip hinter Fine-Tuning von LLMs und der Grund, warum Modelle wie GPT für viele verschiedene Aufgaben eingesetzt werden können.

Datenbank, die für die Speicherung und Suche von Embeddings optimiert ist.

Eine Vektordatenbank ist eine spezialisierte Datenbank, die hochdimensionale Vektoren (Embeddings) effizient speichert und durchsucht. Sie ermöglicht semantische Ähnlichkeitssuche – also die Suche nach Bedeutung statt nach exakten Schlüsselwörtern. Populäre Vektordatenbanken sind Pinecone, Weaviate, Chroma, Qdrant und pgvector (PostgreSQL-Erweiterung). Vektordatenbanken sind ein zentraler Baustein für RAG-Systeme und KI-gestützte Suche.

KI-Fähigkeit, Aufgaben ohne vorherige Beispiele oder spezielles Training zu lösen.

Zero-Shot Learning ist die Fähigkeit eines KI-Modells, eine Aufgabe zu lösen, ohne dafür spezifische Trainingsbeispiele gesehen zu haben. Bei Zero-Shot Prompting wird dem Modell eine Anweisung gegeben, ohne Beispiele mitzuliefern – z.B. 'Klassifiziere diesen Text als positiv, negativ oder neutral'. Große Sprachmodelle beherrschen Zero-Shot dank ihres umfangreichen Pre-Trainings. Die Leistung kann durch Few-Shot Prompting (mit Beispielen) oft weiter verbessert werden.