KI-Kompass

AI Ethics Committee: Gremien oder Organisationen, die sich mit ethischen Fragen im Zusammenhang mit Künstlicher Intelligenz befassen und Leitlinien für den verantwortungsbewussten Einsatz von KI entwickeln.

Algorithmic Bias: Die ungewollte Verzerrung oder Voreingenommenheit in einem Algorithmus, die zu unfairen oder diskriminierenden Ergebnissen führen kann.

Algorithmus: Ein Algorithmus ist eine präzise Anweisung oder eine Reihe von Anweisungen, die von einem Computer ausgeführt werden können, um eine bestimmte Aufgabe zu erledigen.

Autonomous Vehicles: Fahrzeuge, die mithilfe von KI und Sensortechnologien in der Lage sind, ohne menschliches Eingreifen zu navigieren und zu agieren.

Big Data: Big Data bezieht sich auf extrem große Mengen von Daten, die aufgrund ihrer Größe, Vielfalt und Geschwindigkeit schwer zu verarbeiten sind. Technologien, wie Hadoop und Spark, werden verwendet, um Erkenntnisse aus Big Data zu gewinnen.

Cognitive Computing: Eine Art von KI, die darauf abzielt, menschenähnliche Denkfähigkeiten, wie Lernen, Sprachverarbeitung und Problemlösung, nachzuahmen. IBM Watson ist ein Beispiel für ein Cognitive Computing-System.

Computer Vision: Computer Vision beschäftigt sich mit der Entwicklung von Algorithmen, die Computern das Verständnis visueller Informationen ermöglichen, ähnlich wie die menschliche Wahrnehmung.

Data Mining: Data Mining ist der Prozess, in dem Muster und Erkenntnisse aus großen Datensätzen extrahiert werden, um verborgene Zusammenhänge und Trends zu identifizieren. Dies wird oft für Vorhersagen und Entscheidungsunterstützung eingesetzt.

Datenanalyse: Datenanalyse bezieht sich auf die Untersuchung von Daten, um Muster, Trends und Erkenntnisse zu identifizieren. In der KI wird Datenanalyse häufig verwendet, um Modelle zu trainieren und Vorhersagen zu treffen.

Deep Learning: Deep Learning ist eine spezialisierte Form des maschinellen Lernens, die auf künstlichen neuronalen Netzwerken basiert. Diese Netzwerke haben viele Schichten (Layer), die komplexe Muster und Merkmale erkennen können.

Edge AI: Edge AI bezieht sich auf die Ausführung von KI-Algorithmen direkt auf den Endgeräten (Edge-Geräten) anstatt in der Cloud. Dies ermöglicht eine schnellere Verarbeitung von Daten und verringert die Notwendigkeit, Daten über das Netzwerk zu senden.

Edge Analytics: Edge Analytics bezieht sich auf die Analyse von Daten direkt auf der "Edge" oder nahe der Datenquelle, anstatt sie an zentrale Server oder Clouds zu senden. Dies ermöglicht Echtzeit-Entscheidungen und reduziert Latenzzeiten.

Edge Computing: Die Verarbeitung von Daten direkt auf Geräten oder in der Nähe von Datenquellen, anstatt sie an entfernte Server oder Clouds zu senden. In der KI ermöglicht Edge Computing schnelle Entscheidungen ohne Verzögerung.

Ensemble Learning: Eine Methode, bei der mehrere Modelle kombiniert werden, um bessere Vorhersagen zu erzielen als jedes einzelne Modell allein.

Ethik in der KI: Die Untersuchung und Umsetzung von Prinzipien und Werten, um sicherzustellen, dass KI-Systeme verantwortungsbewusst und im Einklang mit moralischen Standards arbeiten.

Evolutionäre Algorithmen: Eine Klasse von Algorithmen, die von der natürlichen Evolution inspiriert sind. Sie werden verwendet, um optimale Lösungen für komplexe Probleme zu finden, indem sie Populationen von Lösungskandidaten durch Mutation und Selektion verbessern.

Explainable AI (XAI): Der Ansatz, KI-Modelle transparenter und interpretierbarer zu gestalten, damit Menschen verstehen können, wie diese Modelle Entscheidungen treffen.

Exponential Technologies: Technologien, die exponentiell wachsen und sich entwickeln, wie KI, Nanotechnologie, Quantencomputing und Biotechnologie. Diese Technologien haben das Potenzial, grundlegende Veränderungen in verschiedenen Branchen zu bewirken.

Federated Learning: Eine verteilte Lernmethode, bei der Modelle auf dezentralen Geräten trainiert werden, ohne dass die Rohdaten an einen zentralen Ort übertragen werden.

Fine Tuning: Fine Tuning bezieht sich auf den Prozess des Feinabstimmens eines bereits trainierten Modells, um seine Leistung auf einer spezifischen Aufgabe zu verbessern. Dies wird oft mit relativ kleinen Datensätzen durchgeführt.

Foundation Models: Foundation Models sind umfassende KI-Modelle, die auf großen und vielfältigen Datensätzen trainiert werden. Diese Modelle dienen oft als Ausgangspunkt für spezifischere Anwendungen und können durch Feinabstimmung angepasst werden.

Generative Modelle: Modelle in der KI, die darauf abzielen, neue Daten zu generieren, die ähnlich wie die Trainingsdaten aussehen. Beispiele sind Generative Adversarial Networks (GANs).

Hybride KI (Hybrid AI): Hybride KI kombiniert unterschiedliche Ansätze und Techniken aus verschiedenen Zweigen der künstlichen Intelligenz, wie symbolische KI und maschinelles Lernen, um die Stärken verschiedener Methoden zu nutzen.

Hyperparameter: Parameter, die vor dem Training eines Modells festgelegt werden und die dessen Struktur und Verhalten beeinflussen, wie z.B. Lernrate und Batch-Größe.

Internet of Things (IoT): Das Internet der Dinge bezieht sich auf die Vernetzung von physischen Geräten (wie Haushaltsgeräten, Fahrzeugen oder Sensoren) mit dem Internet, um Daten zu sammeln, zu übertragen und zu verarbeiten.

Künstliche Intelligenz (KI): KI bezieht sich auf die Schaffung von Algorithmen und Computersystemen, die menschenähnliche Intelligenzfunktionen ausführen können, wie z.B. Lernen, Problemlösung und Spracherkennung.

Künstliche Neuronale Netzwerke (KNN): Künstliche Neuronale Netzwerke sind Modelle, die von der Struktur und Funktionsweise des menschlichen Gehirns inspiriert sind. Sie bestehen aus miteinander verbundenen künstlichen Neuronen und werden für verschiedene Aufgaben im maschinellen Lernen eingesetzt.

Maschinelles Lernen (ML): ML ist ein Teilgebiet der KI, das sich auf die Entwicklung von Algorithmen konzentriert, die es Computern ermöglichen, aus Erfahrungen zu lernen, ohne explizit programmiert zu werden.

Model Evaluation: Der Prozess der Bewertung der Leistung eines KI-Modells anhand von Metriken wie Genauigkeit, Präzision, Rückruf und F1-Score, um seine Zuverlässigkeit und Effektivität zu beurteilen.

Multimodale KI (Multimodal AI): Multimodale KI bezieht sich auf Systeme, die mehrere Modalitäten von Daten, wie Text, Bild und Ton, verarbeiten können. Diese Systeme integrieren Informationen aus verschiedenen Quellen, um ein umfassenderes Verständnis zu ermöglichen.

Natural Language Generation (NLG): Ein Bereich von KI, der sich darauf konzentriert, maschinell generierte Texte zu erstellen, die für Menschen natürlicher Sprache ähneln.

Natural Language Processing (NLP): NLP befasst sich mit der Interaktion zwischen Computern und menschlicher Sprache. Es ermöglicht Computern, menschliche Sprache zu verstehen, zu interpretieren und darauf zu reagieren.

Neuronales Netzwerk: Ein neuronales Netzwerk ist ein System von miteinander verbundenen Neuronen, das auf die Struktur des menschlichen Gehirns abzielt. Es wird verwendet, um komplexe Muster in Daten zu identifizieren.

One-Shot Learning: Eine Technik im maschinellen Lernen, bei der ein Modell in der Lage ist, eine neue Aufgabe oder Klasse mit nur einer oder sehr wenigen Trainingsinstanzen zu lernen.

Overfitting: Ein Problem im maschinellen Lernen, bei dem ein Modell zu stark an die Trainingsdaten angepasst ist und daher auf neuen Daten schlechte Vorhersagen macht.

Quantencomputer: Ein Quantencomputer nutzt Prinzipien der Quantenmechanik, wie Superposition und Verschränkung, um Berechnungen durchzuführen. Sie haben das Potenzial, bestimmte Probleme viel schneller zu lösen als herkömmliche Computer.

Quantum Computing: Eine auf Quantenmechanik basierende Form des Rechnens, die potenziell enorme Fortschritte in der Verarbeitung großer Datenmengen und komplexer Berechnungen ermöglicht.

Recommender System: Ein KI-System, das darauf abzielt, personalisierte Empfehlungen basierend auf dem Verhalten und den Vorlieben eines Benutzers zu geben. Sie werden oft in E-Commerce-Plattformen und Streaming-Diensten eingesetzt.

Reinforcement Learning: Eine Lernmethode, bei der ein Agent durch positive oder negative Rückmeldungen in einer Umgebung trainiert wird. Der Agent trifft Entscheidungen, um eine Belohnung zu maximieren.

Robotic Process Automation (RPA): RPA bezieht sich auf die Automatisierung von Geschäftsprozessen mithilfe von Software-Robotern. Diese Roboter können sich in Benutzerschnittstellen integrieren und Aufgaben automatisch ausführen.

Robotik: In Bezug auf KI bezieht sich Robotik auf den Einsatz von autonomen oder ferngesteuerten Robotern, die dazu in der Lage sind, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern.

Semi-Supervised Learning: Eine Lernmethode, die sowohl gelabelte als auch ungelabelte Daten verwendet, wodurch Modelle effizienter trainiert werden können, wenn nur ein Teil der Daten annotiert ist.

Starke/Schwache KI: Die starke Künstliche Intelligenz (Strong AI) bezieht sich auf Systeme mit vollständiger menschenähnlicher kognitiver Fähigkeit, während die schwache Künstliche Intelligenz (Weak AI) auf spezifische Aufgaben beschränkt ist und keine allgemeine kognitive Autonomie besitzt. Derzeit existiert nur schwache KI, während die Realisierung starker KI eine komplexe Herausforderung bleibt.

Supervised Learning: Eine Form des maschinellen Lernens, bei der ein Modell auf der Grundlage von gelabelten Trainingsdaten trainiert wird. Das Modell lernt durch das Vorhandensein von Eingabe- und Ausgabebeispielen.

Swarm Intelligence: Ein Konzept, das von der kollektiven Organisation und Koordination in sozialen Insekten abgeleitet ist. In der KI bezieht es sich auf Systeme, bei denen viele autonome Agenten zusammenarbeiten, um komplexe Probleme zu lösen.

Transfer Learning: Eine Technik im maschinellen Lernen, bei der ein bereits trainiertes Modell auf eine neue, ähnliche Aufgabe angewendet wird, um die Trainingszeit zu verkürzen und die Leistung zu verbessern.

Turing-Test: Der Turing-Test, vorgeschlagen von Alan Turing, ist ein Konzept in der KI, bei dem ein Mensch und ein Computer hinter einem Bildschirm Fragen beantworten. Wenn der menschliche Beobachter nicht unterscheiden kann, welcher Teilnehmer der Computer ist, gilt der Computer als "intelligent."

Underfitting: Das Gegenteil von Overfitting, bei dem ein Modell zu wenig an die Trainingsdaten angepasst ist und daher auch auf den Trainingsdaten schlechte Leistung zeigt.

Unsupervised Learning: Im Gegensatz zum überwachten Lernen erfolgt beim unüberwachten Lernen das Training ohne vorgegebene Ausgabe. Das Modell entdeckt selbständig Muster und Strukturen in den Daten.

Zero-Shot Learning: Zero-Shot Learning bezieht sich auf die Fähigkeit eines Modells, Aufgaben zu bewältigen, für die es während des Trainings keine spezifischen Beispiele gesehen hat.