KI-Glossar: Die wichtigsten Begriffe aus der Welt der Künstlichen Intelligenz – einfach erklärt

Die Welt der Künstlichen Intelligenz hat ihre eigene Sprache. Begriffe wie LLM, RAG, Halluzination oder Fine-Tuning begegnen dir in fast jedem Gespräch über KI – aber was bedeuten sie wirklich? In diesem Glossar erklären wir die wichtigsten KI-Begriffe so, dass auch Nicht-Entwickler sie verstehen und sicher anwenden können.

Agent / KI-Agent

Ein KI-Agent ist ein System, das nicht nur auf Eingaben reagiert, sondern selbstständig Ziele verfolgt, Entscheidungen trifft und Aktionen ausführt – zum Beispiel das Durchsuchen von Webseiten, das Ausführen von Code oder das Buchen von Terminen. KI-Agenten können mehrere Tools kombinieren und komplexe Aufgaben ohne ständige menschliche Eingriffe abarbeiten.

API (Application Programming Interface)

Eine Schnittstelle, über die verschiedene Softwaresysteme miteinander kommunizieren können. Im KI-Kontext ermöglicht eine API die Anbindung von Sprachmodellen (wie GPT oder Claude) an eigene Anwendungen, Websites oder interne Tools – ohne dass das Modell selbst lokal betrieben werden muss.

Artificial Intelligence (AI)

Der englische Begriff für Künstliche Intelligenz (KI). Bezeichnet Computersysteme, die Aufgaben ausführen, die sonst menschliche Intelligenz erfordern würden: Sprachverständnis, Bilderkennung, Entscheidungsfindung, Lernen aus Erfahrung.

Benchmark

Ein standardisierter Test, mit dem die Leistung verschiedener KI-Modelle verglichen wird. Bekannte Benchmarks sind MMLU (Allgemeinwissen), HumanEval (Codegeneration) oder GSM8K (mathematisches Denken). Benchmarks helfen dabei, Modelle objektiv zu vergleichen – sollten aber nicht als einziges Entscheidungskriterium dienen.

Chatbot

Ein Softwareprogramm, das automatisch auf Texteingaben von Nutzern antwortet. Moderne KI-Chatbots basieren auf Large Language Models und können natürliche Gespräche führen, Fragen beantworten, Probleme lösen und komplexe Informationen aufbereiten. Sie unterscheiden sich von älteren regelbasierten Chatbots durch ihre Flexibilität und Sprachkompetenz.

Context Window (Kontextfenster)

Die maximale Menge an Text, die ein Sprachmodell in einer einzigen Anfrage verarbeiten kann – sowohl Eingabe als auch Ausgabe zusammen. Ein größeres Kontextfenster bedeutet, dass das Modell längere Dokumente verarbeiten oder längere Gesprächshistorien berücksichtigen kann. Claude 3, zum Beispiel, hat ein Kontextfenster von bis zu 200.000 Tokens.

Deep Learning

Ein Teilbereich des maschinellen Lernens, der auf künstlichen neuronalen Netzwerken basiert. Deep Learning ist die Grundlage der meisten modernen KI-Systeme, darunter Sprachmodelle, Bilderkennungssysteme und Empfehlungsalgorithmen.

DSGVO (Datenschutz-Grundverordnung)

Die europäische Verordnung zum Schutz personenbezogener Daten. Für den KI-Einsatz in Unternehmen bedeutet dies: Verarbeitungen personenbezogener Daten durch KI-Systeme müssen rechtmäßig, zweckgebunden und transparent erfolgen. Besonders relevant bei der Verarbeitung von Kundendaten durch KI-Chatbots oder Analysesysteme.

Embedding

Eine mathematische Darstellung von Texten, Bildern oder anderen Daten als Vektor (eine Zahlenreihe). Embeddings ermöglichen es KI-Systemen, Ähnlichkeiten zwischen Inhalten zu erkennen. Sie sind die Grundlage für Vektordatenbanken und RAG-Systeme (siehe dort).

Fine-Tuning

Das Nachtrainieren eines vortrainierten Sprachmodells auf einem spezifischen Datensatz, um es für einen bestimmten Anwendungsfall zu optimieren. Durch Fine-Tuning kann ein allgemeines Modell auf die Sprache, den Ton und das Wissen einer bestimmten Branche oder eines Unternehmens angepasst werden.

Foundation Model

Ein großes, auf umfangreichen Datensätzen vortrainiertes KI-Modell, das als Basis für viele verschiedene Anwendungen genutzt werden kann. GPT-4, Claude 3 und Gemini Ultra sind Beispiele für Foundation Models.

Generative KI

KI-Systeme, die neue Inhalte erzeugen können – Text, Bilder, Audio, Video oder Code. Im Gegensatz zu klassischen KI-Systemen, die lediglich Muster erkennen oder klassifizieren, produziert Generative KI originale Ausgaben. Bekannte Beispiele sind ChatGPT (Text), DALL-E (Bilder) oder Sora (Video).

GPU (Graphics Processing Unit)

Grafikprozessor. GPUs sind für KI-Training und -Inferenz besonders geeignet, da sie viele Berechnungen parallel ausführen können. Das Training großer Sprachmodelle erfordert Hunderte oder Tausende von GPUs über Wochen oder Monate.

Halluzination

Ein Begriff für das Phänomen, dass KI-Sprachmodelle falsche Informationen mit großer Überzeugungskraft präsentieren. Das Modell "erfindet" Fakten, Zitate oder Quellen, die nicht existieren. Halluzinationen sind ein bekanntes Problem bei LLMs und ein wichtiger Grund, warum KI-Outputs immer von Menschen überprüft werden sollten.

Human-in-the-Loop

Ein Designprinzip, bei dem Menschen aktiv in KI-gestützte Entscheidungsprozesse eingebunden bleiben. Anstatt KI vollständig autonom handeln zu lassen, überprüfen und genehmigen Menschen kritische Schritte. Besonders wichtig in sicherheitskritischen oder rechtlich relevanten Bereichen.

Inferenz

Der Prozess, bei dem ein trainiertes KI-Modell auf neue Eingaben angewendet wird, um Ausgaben zu erzeugen. Im Gegensatz zum Training (dem Prozess, bei dem das Modell lernt) ist Inferenz der eigentliche Betrieb des Modells im Alltag.

KI-Readiness

Der Grad, zu dem ein Unternehmen technisch, organisatorisch und kulturell darauf vorbereitet ist, KI erfolgreich einzusetzen. Faktoren der KI-Readiness umfassen Datenqualität, vorhandene IT-Infrastruktur, Mitarbeiterkompetenz und die Offenheit der Unternehmenskultur gegenüber Veränderungen.

Large Language Model (LLM)

Ein auf riesigen Textmengen trainiertes KI-Modell, das menschliche Sprache verstehen und generieren kann. LLMs wie GPT-4, Claude 3 oder Gemini bilden die Grundlage für moderne KI-Assistenten, Chatbots und Textgeneratoren. Sie lernen statistische Muster in Sprache und können dadurch kohärente, kontextuell passende Antworten erzeugen.

Machine Learning (ML)

Maschinelles Lernen. Ein Teilbereich der KI, bei dem Systeme aus Daten lernen, ohne explizit programmiert zu werden. ML-Algorithmen identifizieren Muster in großen Datensätzen und verbessern ihre Leistung durch Erfahrung.

Multimodalität

Die Fähigkeit eines KI-Modells, verschiedene Arten von Eingaben zu verarbeiten – nicht nur Text, sondern auch Bilder, Audio, Video oder strukturierte Daten. Multimodale Modelle wie GPT-4o oder Gemini können zum Beispiel ein Bild beschreiben, aus einem Foto Informationen extrahieren oder gesprochene Sprache verstehen.

Neuronales Netzwerk

Ein Computersystem, das lose dem Aufbau des menschlichen Gehirns nachempfunden ist. Es besteht aus miteinander verbundenen Knoten (Neuronen), die Informationen verarbeiten und weitergeben. Neuronale Netzwerke sind die Grundlage von Deep Learning und modernen KI-Systemen.

NLP (Natural Language Processing)

Natürliche Sprachverarbeitung. Ein Bereich der KI, der sich mit dem Verständnis und der Generierung menschlicher Sprache beschäftigt. NLP ist die technische Grundlage aller Sprachmodelle und Chatbots.

Prompt

Die Eingabe, die du einem KI-Modell gibst – also die Frage, Aufgabe oder Anweisung, auf die das Modell reagieren soll. Die Qualität eines Prompts hat erheblichen Einfluss auf die Qualität der Antwort. Ein guter Prompt ist klar, spezifisch und gibt dem Modell ausreichend Kontext.

Prompt Engineering

Die Kunst und Wissenschaft, Prompts so zu formulieren, dass KI-Modelle optimale Antworten liefern. Prompt Engineering umfasst Techniken wie Chain-of-Thought (schrittweises Denken), Few-Shot-Prompting (Beispiele geben) oder Role Prompting (dem Modell eine Rolle zuweisen). Es ist eine der wichtigsten Kompetenzen im Umgang mit modernen KI-Systemen.

RAG (Retrieval-Augmented Generation)

Ein Ansatz, bei dem ein Sprachmodell bei der Beantwortung von Fragen auf eine externe Wissensdatenbank zugreift. Statt nur auf sein trainiertes Wissen zurückzugreifen, "sucht" das Modell zunächst relevante Dokumente und generiert dann eine Antwort auf dieser Basis. RAG reduziert Halluzinationen und ermöglicht es, KI-Systeme mit aktuellem oder proprietärem Unternehmenswissen zu betreiben.

ROI (Return on Investment)

Die Kennzahl, die den Gewinn oder Nutzen einer Investition ins Verhältnis zu den Kosten setzt. Im KI-Kontext misst der ROI, welchen messbaren Mehrwert ein KI-Projekt im Vergleich zu den Implementierungs- und Betriebskosten erzeugt – etwa durch Zeitersparnis, Fehlerreduktion oder höhere Conversion-Raten.

System Prompt

Eine versteckte Anweisung, die dem KI-Modell zu Beginn einer Konversation gegeben wird und sein Verhalten, seinen Ton und seine Rolle definiert. System Prompts werden typischerweise von Entwicklern gesetzt und sind für den Endnutzer nicht sichtbar.

Token

Die kleinste Einheit, in die ein Text für die Verarbeitung durch ein Sprachmodell aufgeteilt wird. Ein Token entspricht ungefähr 4 Zeichen oder 0,75 Wörtern im Englischen. Das Preismodell der meisten KI-APIs basiert auf der Anzahl verarbeiteter Tokens.

Training

Der Prozess, bei dem ein KI-Modell aus großen Datenmengen lernt. Beim Training werden die Parameter des Modells so angepasst, dass es bei vorgegebenen Aufgaben (z. B. Textvorhersage) möglichst gute Ergebnisse erzielt. Das Training großer Modelle dauert Wochen bis Monate und erfordert enorme Rechenkapazitäten.

Vektordatenbank

Eine spezialisierte Datenbank, die Informationen in Form von Embeddings (Vektoren) speichert und nach semantischer Ähnlichkeit suchen kann. Vektordatenbanken sind die Grundlage von RAG-Systemen und ermöglichen es, große Mengen an Dokumenten intelligent zu durchsuchen.

Workflow-Automatisierung

Die automatisierte Ausführung von Geschäftsprozessen ohne manuelle Eingriffe. Im KI-Kontext bezeichnet Workflow-Automatisierung die Verknüpfung von KI-Modellen mit anderen Tools und Systemen, um komplexe Aufgabenfolgen zu automatisieren – von der E-Mail-Klassifizierung über die Dokumentenverarbeitung bis zur automatischen Berichterstellung.