KI-Glossar

Die wichtigsten KI-Begriffe einfach und verständlich erklärt.

In Phase 7.2 befüllt: Das vollständige Glossar mit ~50 Begriffen, alphabetischer Navigation und Live-Suche erscheint in Phase 7.2. Hier schon mal die 10 wichtigsten Einträge.

Large Language Model (LLM): Ein großes Sprachmodell, das auf riesigen Textmengen trainiert wurde und natürliche Sprache verstehen und erzeugen kann. Beispiele: GPT-4, Claude, Gemini.
Prompt: Die Eingabe (Text, Frage oder Anweisung), die du einem KI-Modell gibst. Die Qualität des Prompts beeinflusst direkt die Qualität der Antwort.
Token: Die kleinste Einheit, in die ein LLM Text aufteilt. Ungefähr 1,3 deutsche Wörter entsprechen einem Token. Tokens bestimmen die Kosten und den Kontextumfang.
RAG (Retrieval Augmented Generation): Eine Technik, bei der ein LLM relevante Dokumente aus einer Datenbank abruft (Retrieval) und diese Infos zur Antwortgenerierung nutzt — reduziert Halluzinationen.
Fine-Tuning: Das Nachtrainieren eines vortrainierten Modells auf spezifischen Daten, um es auf bestimmte Aufgaben oder Stile anzupassen.
Halluzination: Wenn ein KI-Modell sachlich falsche Informationen mit hoher Überzeugung präsentiert. Ein bekanntes Problem bei LLMs, das durch RAG und Fact-Checking reduziert wird.
Embedding: Eine numerische Vektordarstellung von Text, die semantische Ähnlichkeit messbar macht. Grundlage für Vektorsuche und RAG-Systeme.
Vektorsuche: Suche auf Basis von semantischer Ähnlichkeit statt exakter Stichwörter. Nutzt Embeddings und ermöglicht contextbewusstes Finden von Dokumenten.
Inferenz: Das Ausführen eines trainierten KI-Modells auf neuen Eingaben zur Erzeugung von Ausgaben. Im Gegensatz zum Training (Lernen) ist Inferenz der Produktiv-Betrieb.
DSGVO & KI: Die Datenschutz-Grundverordnung regelt den Umgang mit personenbezogenen Daten beim KI-Einsatz: Transparenz, Zweckbindung, Datenminimierung und Betroffenenrechte.