Referenz

Glossar

Definitionen gängiger KI-Begriffe in einfacher Sprache, für Leser und Antwortmaschinen.

AI agent: Ein System, das mit einem Modell ein Ziel über mehrere Schritte verfolgt, selbst entscheidet, was als Nächstes zu tun ist, und häufig externe Werkzeuge wie Suche, Codeausführung oder eine interne API aufruft, bevor es ein Ergebnis meldet. Beispiel: ein Agent, der einen Fehlerbericht liest, das Repository öffnet, eine Datei ändert und die Tests ausführt. Nicht mit einem Chatbot oder einem Klassifikator für einen einzelnen Turn verwechseln: Diese antworten einmal, ohne zu planen oder auf andere Systeme einzuwirken.
Alignment: Das Bestreben, KI-Systeme im Einklang mit menschlichen Absichten und Werten handeln zu lassen.
Attention: Ein Mechanismus, mit dem ein Modell gewichtet, welche Teile der Eingabe für jede Ausgabe am wichtigsten sind.
Chain-of-thought: Ein Prompting- oder Trainingsansatz, bei dem ein Modell vor der Antwort Zwischenschritte des Schlussfolgerns durchläuft.
Citation: Eine Quellenangabe ist ein Verweis in einer Ausgabe, der zeigt, woher eine Aussage, ein Zitat oder eine Zahl stammt, und nennt meist ein Dokument, eine Seite oder eine Quelle, damit Leser sie prüfen können. Beispiel: eine Antwort, die eine Zahl nennt und auf den Absatz des Berichts verlinkt, aus dem sie stammt. Nicht mit Grounding oder mit Genauigkeit verwechseln: Eine Quellenangabe zeigt nur, welche Quelle ein System angehängt hat, und dasselbe System kann einer Behauptung, die die Quelle nicht stützt, eine plausibel wirkende Quellenangabe anhängen.
Commercial use: Kommerzielle Nutzung ist jede Nutzung eines Modells, Werkzeugs oder seiner Ausgabe, die darauf zielt, Einnahmen zu erzielen oder ein Geschäft zu stützen, etwa ein damit gebautes Produkt zu verkaufen, es in einen kostenpflichtigen Dienst einzubetten oder es für abrechenbare Kundenarbeit einzusetzen. Beispiel: Ein Studio erzeugt mit einem Modell Bilder und liefert sie an zahlende Kunden. Nicht mit kostenpflichtigem Zugang verwechseln: Der Kauf eines Abonnements verleiht nicht schon kommerzielle Rechte, und manche kostenlosen Bedingungen erlauben kommerzielle Arbeit durchaus.
Context window: Die maximale Textmenge, in Tokens gemessen, die ein Modell in einer einzelnen Anfrage berücksichtigen kann, einschließlich Anweisungen, bisherigem Gesprächsverlauf und mitgelieferten Dokumenten; was darüber hinausgeht, wird weggelassen oder abgeschnitten. Beispiel: Ein langer Vertrag, der das Fenster überschreitet, muss aufgeteilt oder zusammengefasst werden, bevor man Fragen zum gesamten Text stellen kann. Nicht mit einem Gedächtnis oder den Trainingsdaten verwechseln: Das Fenster ist eine Grenze pro Anfrage und speichert nicht alles, was das Modell je gesehen hat.
Diffusion model: Ein generatives Modell, das Bilder oder andere Medien erzeugt, indem es Rauschen schrittweise aus einem Zufallssignal entfernt.
Distillation: Das Trainieren eines kleineren Modells, ein größeres nachzuahmen, um einen Großteil von dessen Fähigkeiten zu geringeren Kosten zu erhalten.
Embedding: Ein numerischer Vektor, der ein Stück Text, ein Bild oder einen anderen Gegenstand repräsentiert, sodass ähnlich bedeutende Gegenstände in einem hochdimensionalen Raum nahe beieinander liegen; das ermöglicht semantische Suche und Clustering. Beispiel: Ein Hilfecenter speichert einen Vektor pro Artikel, damit die Frage eines Nutzers den nächstgelegenen Artikeln zugeordnet werden kann. Nicht mit einem Prompt oder einer Zusammenfassung verwechseln: Ein Embedding ist kein lesbarer Text, und seine Zahlen lassen sich nicht durch Lesen deuten.
Few-shot learning: Ein Modell mit wenigen Beispielen im Prompt anleiten, statt es neu zu trainieren.
Fine-tuning: Zusätzliches Training eines bereits vortrainierten Modells auf einem engeren Datensatz, damit es eine bestimmte Aufgabe, einen Ton oder eine Domäne genauer befolgt. Beispiel: Ein Unternehmen trainiert ein Basismodell mit eigenen kuratierten Frage-Antwort-Paaren weiter, damit die Antworten seinem Hausstil entsprechen. Nicht mit Retrieval-Augmented Generation verwechseln, die die Gewichte unberührt lässt und beim Antworten Dokumente hinzufügt, und auch nicht mit Prompt-Engineering, das nur die Anweisungen umschreibt.
Foundation model: Ein großes, auf breiten Daten trainiertes Modell, das an viele nachgelagerte Aufgaben angepasst werden kann.
Free tier: Ein kostenloser Tarif ist eine unentgeltliche Zugangsebene, die ein Dienst neben seinen bezahlten Tarifen anbietet, meist begrenzt durch Nutzungskontingente, verfügbare Funktionen, Arbeitsplätze oder Zeit, damit man das Produkt ausprobieren oder eine leichte Nutzung kostenfrei halten kann. Beispiel: eine Oberfläche, die eine bestimmte Zahl von Anfragen pro Monat erlaubt, bevor ein bezahlter Tarif nötig wird. Nicht mit freier Software oder Open Source verwechseln: Es ist ein kommerzielles Angebot, das geändert oder eingestellt werden kann, und es sagt nichts über die Lizenz des dahinterliegenden Modells.
Function calling: Eine Modellfähigkeit, die strukturierte Aufrufe an vom Entwickler definierte Funktionen statt reinen Text zurückgibt.
Grounding: Das Verknüpfen der Antworten eines Modells mit überprüfbaren externen Quellen wie Dokumenten oder Suchergebnissen.
Guardrails: Regeln und Filter, die die Ausgaben eines KI-Systems einschränken, damit sie sicher, korrekt und themenbezogen bleiben.
Hallucination: Eine Ausgabe, in der ein Modell etwas Falsches oder Unbelegtes behauptet oder ein Detail wie eine Quellenangabe, eine Zahl oder einen Funktionsnamen erfindet und dabei so flüssig und sicher schreibt wie bei einer korrekten Antwort. Beispiel: eine Zusammenfassung, die einen Abschnitt eines Dokuments zitiert, in dem die zitierte Aussage nicht steht. Nicht mit einer Lüge oder mit Bias verwechseln: Halluzination entsteht daraus, wie das Modell Text erzeugt, nicht aus einer Täuschungsabsicht oder einer bestimmten Sichtweise.
Inference: Das Ausführen eines bereits trainierten Modells auf neue Eingaben, um eine Ausgabe zu erzeugen, etwa eine Vorhersage, eine Übersetzung oder ein generiertes Bild. Dies ist der Schritt, in dem ein Dienst pro Anfrage Rechenleistung verbraucht, und er ist getrennt vom Training, das vorher stattgefunden hat. Beispiel: Eine App schickt ein hochgeladenes Foto an ein Modell und erhält binnen einer Sekunde eine Bildbeschreibung. Nicht mit Training oder Fine-Tuning verwechseln: Diese passen die Parameter des Modells über einen Datensatz an und sind pro Durchlauf meist deutlich teurer.
Large language model (LLM): Ein neuronales Netz, das mit großen Textmengen trainiert wurde, um Sprache vorherzusagen und zu erzeugen.
License: Eine Lizenz ist die rechtliche Erlaubnis des Rechteinhabers, wie ein Modell, seine Gewichte oder eine Software verwendet, kopiert, verändert und weitergegeben werden dürfen; sie legt die Bedingungen dieser Rechte fest, statt die Technik zu beschreiben. Beispiel: Ein Modell kann nur für Forschung freigegeben sein, während ein anderes kommerzielle Produkte erlaubt, aber verlangt, dass geänderte Versionen dieselben Bedingungen behalten. Nicht mit offenen Gewichten oder Open Source verwechseln: Gewichte können unter Bedingungen herunterladbar sein, die kommerzielle Nutzung verbieten, und eine permissive Code-Lizenz sagt nichts über die Trainingsdaten.
Mixture of experts (MoE): Eine Modellarchitektur, die jede Eingabe an eine Teilmenge spezialisierter Teilnetze weiterleitet, um Rechenaufwand zu sparen.
Model Context Protocol (MCP): Ein offenes Protokoll, das standardisiert, wie Assistenten und andere modellgesteuerte Anwendungen sich mit externen Datenquellen und Werkzeugen verbinden, sodass ein Konnektor von mehreren Clients wiederverwendet werden kann, statt für jede Kombination aus Anwendung und Dienst neu geschrieben zu werden. Beispiel: Ein Server, der das Ticketsystem eines Unternehmens bereitstellt, lässt sich unverändert an einen Desktop-Assistenten und an ein Programmierwerkzeug anbinden. Nicht mit einem Modell oder der API eines einzelnen Anbieters verwechseln: Es beschreibt, wie Werkzeuge bereitgestellt und aufgerufen werden, und sagt nichts über die Qualität des Modells auf der anderen Seite.
Multimodal: Bezeichnet ein Modell, das mehr als eine Datenart verarbeiten oder erzeugen kann, etwa Text und Bilder.
Open weights: Modellparameter, die veröffentlicht werden, damit andere sie herunterladen, ausführen und oft verändern können, im Unterschied zu einem Modell, das nur über den gehosteten Dienst eines Anbieters erreichbar ist. Beispiel: Ein Team lädt die veröffentlichten Gewichte herunter und führt sie auf eigenen Rechnern aus, damit die Daten im eigenen Netz bleiben. Nicht mit Open Source verwechseln: Gewichte allein sagen nichts über Lizenz, Trainingsdaten oder Trainingscode aus; ein Modell mit offenen Gewichten ist also nicht automatisch Open Source.
Prompt: Der Text oder eine andere Eingabe, die einem Modell gegeben wird, um es anzuweisen oder eine Antwort hervorzurufen.
Prompt engineering: Die Praxis, Prompts zu entwerfen und zu verfeinern, um zuverlässigere oder nützlichere Modellausgaben zu erhalten.
Quantization: Das Verringern der numerischen Genauigkeit der Modellgewichte, damit das Modell schneller läuft und weniger Speicher benötigt.
Reasoning model: Ein Modell, das darauf trainiert ist, vor der Antwort zusätzliche Rechenzeit auf schrittweises Durchdenken eines Problems zu verwenden.
Red-teaming: Das gezielte Testen eines KI-Systems auf schädliches, unsicheres oder unbeabsichtigtes Verhalten vor und nach der Veröffentlichung.
Reinforcement learning from human feedback (RLHF): Eine Trainingsmethode, die menschliche Präferenzurteile nutzt, um ein Modell zu hilfreicherem Verhalten zu lenken.
Retrieval-augmented generation (RAG): Eine Technik, die in einem externen Korpus nach für eine Frage relevanten Textstellen sucht und diese einem Modell übergibt, sodass die Antwort auf den abgerufenen Quellen beruht und nicht allein auf dem im Modell gespeicherten Wissen. Beispiel: ein Support-Assistent, der die passende Stelle in einem Produkthandbuch findet und sie in seiner Antwort zitiert. Nicht mit Fine-Tuning verwechseln: Fine-Tuning verändert die Gewichte des Modells, während Retrieval-Augmented Generation die Gewichte unangetastet lässt und nur den Text ändert, den das Modell beim Antworten sieht.
Self-hosting: Self-Hosting bedeutet, ein Modell oder eine Anwendung auf einer selbst kontrollierten Infrastruktur zu betreiben, etwa eigenen Servern, einer privaten Cloud oder einem Laptop, statt über den gehosteten Dienst eines Anbieters darauf zuzugreifen. Beispiel: Ein Unternehmen installiert Modelle mit offenen Gewichten im eigenen Netz, damit Eingaben und Dokumente es nie verlassen. Nicht mit offenen Gewichten verwechseln: Ob man ein Modell selbst betreiben darf, hängt von seiner Lizenz ab, und ein Modell mit herunterladbaren Gewichten kann trotzdem vor allem als gehosteter Dienst angeboten werden.
Small language model (SLM): Ein kompaktes Sprachmodell, das effizient auf Geräten oder kostengünstig läuft und dabei wettbewerbsfähige Qualität bietet.
Speech recognition (ASR): Das automatische Umwandeln gesprochener Sprache in geschriebenen Text.
Synthetic data: Künstlich erzeugte Daten zum Trainieren oder Bewerten von Modellen, wenn echte Daten knapp oder sensibel sind.
System prompt: Eine verborgene Anweisung, die Rolle, Regeln und Verhalten eines Modells vor der Nutzereingabe festlegt.
Temperature: Eine Sampling-Einstellung, die steuert, wie zufällig oder vorhersehbar die Ausgaben eines Modells sind.
Text-to-image: Das Erzeugen von Bildern aus schriftlichen Beschreibungen mithilfe eines generativen Modells.
Text-to-video: Das Erzeugen von Videoclips aus natürlichsprachlichen Beschreibungen mit generativen Modellen.
Token: Eine Texteinheit, etwa ein Wort oder Wortteil, die ein Sprachmodell liest und erzeugt.
Tool use (function calling): Die Fähigkeit eines Modells, externe Funktionen, APIs oder Apps aufzurufen, um eine Aufgabe zu erledigen.
Transformer: Eine auf Attention basierende neuronale Netzarchitektur, die den meisten modernen Sprach- und multimodalen Modellen zugrunde liegt.
Vector database: Eine Datenbank, die Embeddings speichert und Einträge nach Ähnlichkeit findet, oft für Retrieval in KI-Anwendungen genutzt.
Vibe coding: Ein Softwareentwicklungsstil, bei dem Entwickler Ziele in natürlicher Sprache beschreiben und die KI den Code generieren lassen.
Voice cloning: Beim Voice Cloning wird aus Aufnahmen einer sprechenden Person eine synthetische Stimme aufgebaut, sodass neuer Text mit einer ihr ähnlichen Stimme vorgelesen werden kann; je nach Verfahren reicht eine kurze Stichprobe bis zu Stunden Material. Beispiel: Eine Sprecherin nimmt einmal wenige Minuten auf und lässt dann einen korrigierten Satz mit derselben Stimme lesen, ohne einen neuen Termin zu buchen. Nicht mit Spracherkennung verwechseln: Erkennung wandelt Audio in Text um, Cloning wandelt Text in Audio, das einen bestimmten Sprecher nachahmt.
World model: Ein KI-System, das eine interne Repräsentation einer Umgebung lernt, um deren Veränderung über die Zeit vorherzusagen.
Zero-shot learning: Die Fähigkeit eines Modells, eine Aufgabe auszuführen, ohne Beispiele dafür im Prompt gesehen zu haben.