Glossar

Kurze Erklärungen zu Begriffen wie LLM, Agenten und Training.

Deep Learning (tiefes Lernen)

Mehrlagige neuronale Netze mit Training auf gestapelten Zwischendarstellungen („representation learning“).

Fine-Tuning (Feineinstellung)

Weiteres Training eines bestehenden Modells: meist weniger Daten und spezielleres Ziel als beim Pretraining.

Inference (Inferenz)

Einsatz eines trainierten Modells auf neue Eingaben: nach abgeschlossenem Training (Vorwärtslauf, Deployment).

KI-Agent

Ein System, das Ziele verfolgt, indem es eine Umgebung beobachtet, plant und Aktionen ausführt (oft über Werkzeuge), und nicht nur statischen Text erzeugt.
KI-Winter (AI Winter)

Zeit(en), in denen Forschungsförderung und Zuversicht in der KI nach überzogener Hoffnung stark einbrachen.
Künstliches neuronales Netz (ANN)

Berechnungsmodelle, lose inspiriert von Neuronenschichten; Parameter werden aus Daten geschätzt.

Large Language Model (LLM)

Ein statistisches Sprachmodell, trainiert auf großen Textkorpora, meist mit Transformer-Architektur, für Generierung und Verstehen.

Maschinelles Lernen (Machine Learning)

Algorithmen, die aus Daten Muster übernehmen, um vorherzusagen oder zu entscheiden, ohne vollständig handgeschriebene Regelwerke.

Prompt

Texteingabe bzw. Anweisung an ein KI-Modell, die Aufgabe, Stil, Umfang und Ausgabe steuert.

RAG (Retrieval-Augmented Generation)

Retriever über Dokumente kombiniert mit einem Generator-LLM: für aktuellere oder interne Faktenbasis.
Reasoning

Schrittweises Schlussfolgern, bei dem aus Kontext, Regeln oder Zwischenresultaten eine Antwort abgeleitet wird.
Reinforcement Learning (RL)

Lernen durch Belohnungen aus Interaktion: Spiele, Robotik und Teile vom LLM-Alignment.

Symbolische KI (GOFAI)

Ansätze mit expliziten Symbolen, Logik und Wissensbasen: häufig gegenüber datengetriebenem ML/Lernen abgegrenzt.

Token

Kleinste Texteinheit, die ein Sprachmodell verarbeitet (oft Wortteile statt ganzer Wörter).
Training (Modelltraining)

Phase, in der Modellparameter vor dem Einsatz aus Daten oder Feedback optimiert werden: zu unterscheiden von Inference zur Laufzeit.
Transformer (Architektur)

Neuromodell für Folgen, stark auf Attention basierend; Basis moderner Großmodelle („Attention Is All You Need“, 2017).
Turing-Test (Imitationsspiel)

Turing-Vorschlag zur Prüfung: lässt sich maschineller Dialog von menschlichem unterscheiden?

D