Glossar

Welche Begriffe zum Thema Künstliche Intelligenz müssen Sie kennen? Die rasante Entwicklung von KI-Technologien hat zu einer immer größer werdenden Menge an Fachbegriffen und Akronymen geführt, die für Nicht-Expertinnen und -Experten oft verwirrend sein können. Dieses Glossar soll helfen, diese Begriffe zu erklären und ein besseres Verständnis für die Terminologie rund um KI zu vermitteln.

A

Artificial General Intelligence (AGI)

Unter Artificial General Intelligence versteht man eine Form von Künstlicher Intelligenz, die wie Menschen denken, lernen, planen, argumentieren, kontextualisieren und verallgemeinern könnte. Was Artificial General Intelligence (kurz: AGI) genau bedeutet, hängt aber davon ab, was man überhaupt unter menschlicher Intelligenz versteht. 

Autonome Systeme

Systeme oder Roboter, die in der Lage sind, Aufgaben ohne menschliche Intervention durchzuführen, indem sie Entscheidungen auf der Grundlage von Daten und Algorithmen treffen.

B

Bard

Bard ist Googles Pendant und Konkurrent zu ChatGPT. Im Gegensatz zu ChatGPT soll der Chatbot Bard in der Lage sein, das Internet zu durchsuchen und in seinen Antworten aktuelle Informationen zu liefern. Bard kann in drei Sprachen (Englisch, Japanisch und Koreanisch) genutzt werden und ist derzeit bereits in 180 Ländern verfügbar – die EU-Staaten gehören nicht dazu.

C

ChatBot

Ein Chatbot ist ein Computerprogramm, das entwickelt wurde, um mit Menschen auf eine menschenähnliche Art und Weise zu kommunizieren. Chatbots können in verschiedenen Umgebungen eingesetzt werden, wie zum Beispiel auf Websites, in Messenger-Apps oder in Sprachassistenten wie Alexa oder Siri. Chatbots verwenden verschiedene Technologien, um mit Benutzern zu kommunizieren. Einige Chatbots verwenden vordefinierte Antworten auf Fragen oder Anweisungen, während andere künstliche Intelligenz (KI) und maschinelles Lernen einsetzen, um kontextbezogene Antworten zu generieren.

ChatGPT

ChatGPT ist ein Large Language Model (LLM), das von OpenAI entwickelt wurde, um menschenähnliche Konversationen zu führen und auf eine Vielzahl von Fragen und Anfragen zu reagieren. Es basiert auf dem Transformer-Modell, das für seine Fähigkeit bekannt ist, lange Texte zu verarbeiten und Muster in den Daten zu erkennen. ChatGPT wurde auf einer riesigen Menge von Textdaten trainiert, einschließlich Büchern, Artikeln, Webseiten und Foren. Durch das Lernen von Sprachmustern und -regeln ist ChatGPT in der Lage, kontextbezogene Antworten zu generieren und sogar einen Sinn für Humor zu zeigen.

D

Data Mining

Data Mining ist ein unter anderem auf statistischen Methoden basierender Prozess, mit dem interessante Muster innerhalb großer Datensätze identifiziert werden können. Data Mining ist damit für viele Bereiche interessant, z. B. im Vertrieb und Marketing zur Kundensegmentierung, für Banken zur Einschätzung der Kreditwürdigkeit eines Kunden bzw. einer Kundin oder auch zur Analyse von unstrukturiertem Text (Text
Mining). Im Gegensatz zum Machine Learning geht es beim Data Mining lediglich um das Aufdecken bisher unentdeckter Muster – und nicht darum, aus Mustern Prognosen abzuleiten. 

Deep Learning

Deep Learning ist eine Technologie des maschinellen Lernens, die auf der Verwendung von tiefen neuronalen Netzen mit vielen Schichten beruht, um komplexe Muster in großen Datenmengen zu identifizieren. Im Gegensatz zu traditionellen Maschine-Learning-Verfahren, die auf der Verwendung von linearen Modellen oder einfachen Entscheidungsbäumen beruhen, können tiefe neuronale Netze komplexe, nicht-lineare Zusammenhänge in den Daten modellieren und lernen, indem sie automatisch interne Darstellungen der Daten extrahieren.

G

GPT-3

GPT-3 (Generative Pre-trained Transformer 3) ist ein leistungsstarkes Sprachmodell, das von OpenAI entwickelt wurde. Es ist ein Large Language Model (LLM), das auf der Transformer-Technologie basiert und aus 175 Milliarden Neuronen besteht. Das Modell wurde auf großen Textkorpora trainiert, um Sprachmuster und -regeln zu erkennen und zu verstehen. Es ist in der Lage, eine Vielzahl von Aufgaben zu erledigen, einschließlich Textgenerierung, Übersetzung, Zusammenfassung, Fragenbeantwortung und sogar der Erstellung von Inhalten wie Gedichten oder Geschichten. GPT-3 ist auch in der Lage, auf kontextbezogene Anfragen und Fragen zu reagieren, wodurch es ein sehr leistungsfähiges Tool für die natürliche Sprachverarbeitung ist.

GPT-4

GPT-4 ist das Nachfolgemodell von GPT-3 und verfügt über eine größere Anzahl von Parametern und umfangreichere Trainingsdaten, was zu verbesserten Leistungen in verschiedenen Sprachverstehens- und Erzeugungsaufgaben führt. GPT-4 kann für verschiedene Anwendungen eingesetzt werden, wie zum Beispiel Textübersetzung, Zusammenfassungen, Frage-Antwort-Systeme, Texterstellung und vieles mehr.

K

KI-Ethik

Ein Bereich, der sich mit den ethischen, moralischen und gesellschaftlichen Implikationen von KI befasst, einschließlich Themen wie Datenschutz, Diskriminierung, Verantwortlichkeit und Transparenz.

L

Large Language Models (LLM)

Ein Large Language Model ist ein Sprachmodell, das auf sogenannten neuronalen Netzen basiert. LLMs werden mit riesigen Textmengen trainiert und sind dann für Aufgaben wie das Beantworten von Fragen, Zusammenfassen, Übersetzen oder Erzeugen von Texten einsetzbar. Diese Sprachmodelle lösen mittlerweile auch Aufgaben, für die sie wenig oder nicht trainiert wurden – z. B. das Erstellen von Programmcode oder das Erkennen von Bildinformationen. Beispiele für bekannte Large Language Models sind die GPT-Sprachmodelle (von Open AI) oder BERT (Algorithmus von Google).

M

Machine Learning

Machine Learning ist ein Teilgebiet der KI, das sich mit der Entwicklung von Problemlösungen durch Bearbeitung großer Datenmengen beschäftigt. Ziel des maschinellen Lernens ist es, Informationen von KI-Systemen interpretieren und auf dieser Grundlage Vorhersagen treffen zu lassen – zum Beispiel, was Sie aufgrund Ihrer letzten Einkäufe bei Amazon als Nächstes kaufen werden. Es gibt verschiedene Methoden des maschinellen Lernens (siehe unüberwachtes und überwachtes Lernen und Reinforcement Learning).

N

Natural Language Processing (NLP)

Natural Language Processing (NLP) ist ein Bereich der KI, der sich mit der Verarbeitung und Analyse menschlicher Sprache befasst. NLP nutzt Algorithmen und Technologien, um menschliche Sprache in eine maschinenlesbare Form zu übersetzen und zu verstehen. Dies ermöglicht es Maschinen, menschliche Sprache zu interpretieren und auf sie zu reagieren, was zu einer Vielzahl von Anwendungen führt, wie z. B. Spracherkennung, Übersetzung, Chatbots und vieles mehr.

Neuronale Netze

Neuronale Netze sind eine Art von Künstlichen Intelligenz-Modellen, die von der Funktionsweise des menschlichen Gehirns inspiriert sind. Sie bestehen aus vielen miteinander verbundenen Einheiten, sogenannten Neuronen, die in verschiedenen Schichten organisiert sind. Neuronale Netze lernen durch den Prozess des Trainings, bei dem sie große Mengen an Daten verarbeiten und ihre internen Gewichte und Verbindungen anpassen, um die Leistung zu optimieren. 

 

P

Prompt

Ein Prompt ist der Input, auf den ein KISystem einen Output liefert. Damit KI-Systeme möglichst passende Ergebnisse liefern, sollten diese Anfragen möglichst umfassend und präzise sein. Das sogenannte Prompt Engineering beschäftigt sich deshalb mit der systematischen Entwicklung von Eingaben unter Berücksichtigung der Anforderungen der jeweiligen KI Systeme. Mit der Entwicklung von Prompts lässt sich auch Geld verdienen, denn auf Plattformen wie PromptBase können Prompts gehandelt werden.

R

Reinforcement Learning

Reinforcement Learning (bestärkendes Lernen) beschreibt eine der drei Methoden des Überwachtes und unüberwachtes Lernen sind neben dem Reinforcement Learning Verfahren des maschinellen Lernens. Überwachtes Lernen eignet sich vor allem für Klassifikationen, unüberwachtes Lernen für das Erkennen von neuen Mustern und Zusammenhängen in großen unbekannten Datenmengen. In der Praxis sieht das folgendermaßen aus:
Beim überwachten Lernen werden Datensätze mit einem Ergebnis versehen – zum Beispiel: Wenn eine E-Mail die Merkmale X, Y und Z enthält, ist sie Spam. Beim unüberwachten Lernen dagegen muss der Algorithmus die unmarkierten Daten selbst verstehen und nach Ähnlichkeiten gruppieren. Er kann dann auch versteckte
Strukturen und Muster erkennen, z. B: Wer gerne Handtaschen der Marke X kauft, kauft auch gerne Jeans der Marke Y. Im geschäftlichen Kontext ist dies vor allem für Kundenanalysen und Marketingzwecke interessant. maschinellen Lernens. Sie zielt darauf ab, dass ein Software Agent durch Belohnung oder Bestrafung seiner Umwelt (ähnlich wie Tiere und Menschen) eigenständig Lösungen entwickelt. Im Gegensatz zum überwachten Lernen (siehe Definition) wird ein Agent nicht mit Beispieldaten trainiert, sondern interagiert direkt mit seiner Umwelt. Dies ist vergleichbar mit dem Erlernen eines neuen Spiels ohne vorherige Erklärung der Spielregeln. In diesem Bereich hat die Methode beispielsweise Aufmerksamkeit erregt, als eine auf Reinforcement Learning basierende KI nach drei Tagen „eigenständigen Trainings“ Profispieler im komplexen chinesischen Brettspiel Go besiegte.

S

schwache/starke KI

Eine schwache KI ist auf die Ausführung bestimmter Aufgaben begrenzt. Eine starke KI (auch Artificial General Intelligence genannt) könnte hingegen universell intelligente Aktivitäten auf menschlicher Ebene durchführen und wäre nicht auf ein bestimmtes Einsatzgebiet – wie etwa autonomes Fahren – beschränkt. Alle uns bekannten KI-Systeme arbeiten derzeit mit einer schwachen KI.

U

überwachtes/unüberwachtes Lernen

Überwachtes und unüberwachtes Lernen sind neben dem Reinforcement Learning Verfahren des maschinellen Lernens. Überwachtes Lernen eignet sich vor allem für Klassifikationen, unüberwachtes Lernen für das Erkennen von neuen Mustern und Zusammenhängen in großen unbekannten Datenmengen. In der Praxis sieht das folgendermaßen aus: Beim überwachten Lernen werden Datensätze mit einem Ergebnis versehen – zum Beispiel:

Wenn eine E-Mail die Merkmale X, Y und Z enthält, ist sie Spam.

Beim unüberwachten Lernen dagegen muss der Algorithmus die unmarkierten Daten selbst verstehen und nach Ähnlichkeiten gruppieren. Er kann dann auch versteckte Strukturen und Muster erkennen, z. B: Wer gerne Handtaschen der Marke X kauft, kauft auch gerne Jeans der Marke Y. Im geschäftlichen Kontext ist dies vor allem für Kundenanalysen und Marketingzwecke interessant.

Sie sind gefragt!

Haben Sie ChatGPT auch schon bei sich in der Kanzlei eingesetzt und gute Erfahrungen gemacht? Haben Sie Lust, Ihr Wissen weiter zu geben? Melden Sie sich gerne bei uns.

Nach oben scrollen

Wie alt sind Sie?