Glossar Künstliche Intelligenz

Was ist Künstliche Intelligenz (KI)?

Künstliche Intelligenz (KI) ist der Überbegriff für Computersysteme, die Aufgaben ausführen können, für die normalerweise menschliche Intelligenz nötig ist. Dazu gehören das Verstehen von Sprache, das Erkennen von Mustern in Bildern oder das Treffen von Entscheidungen. Stellen Sie sich KI wie einen digitalen Werkzeugkasten vor, der von einfachen regelbasierten Systemen bis hin zu komplexen, selbstlernenden neuronalen Netzen reicht.

Was versteht man unter Maschinellem Lernen (ML)?

Maschinelles Lernen (ML) ist ein Kerngebiet der KI, bei dem Algorithmen aus Daten lernen, anstatt für jede Aufgabe explizit programmiert zu werden. Ein ML-Modell erkennt Muster und Gesetzmäßigkeiten in den Trainingsdaten und kann so Vorhersagen für neue, unbekannte Daten treffen. Es ist vergleichbar damit, wie ein Mensch durch Erfahrung lernt, nicht durch das Auswendiglernen von Regeln.

Was ist der Unterschied zwischen KI und ML?

Ganz einfach: KI ist das Ziel, ML ist ein Weg dorthin. KI (Künstliche Intelligenz) ist das weite Feld, das sich mit der Schaffung intelligenter Maschinen befasst. ML (Maschinelles Lernen) ist die aktuell wichtigste Methode, um KI zu realisieren, indem man Maschinen befähigt, aus Daten zu lernen. Eine gute Analogie: KI ist das Konzept eines selbstfahrenden Autos, während ML der Motor ist, der durch das Analysieren von Millionen von Straßenkilometern lernt, wie man fährt.

Was ist Deep Learning?

Deep Learning ist eine spezialisierte Methode des Maschinellen Lernens, die künstliche neuronale Netze mit vielen tiefen Schichten (daher "Deep") verwendet. Jede Schicht extrahiert schrittweise komplexere Merkmale aus den Daten – ähnlich wie das menschliche Gehirn Informationen verarbeitet. Diese Technik ist der Motor hinter den komplexesten KI-Anwendungen wie der Bilderkennung oder großen Sprachmodellen.

Was sind Large Language Models (LLMs)?

Large Language Models (LLMs) sind extrem leistungsfähige neuronale Netze, meist basierend auf Deep Learning, die mit gigantischen Mengen an Textdaten trainiert wurden. Sie besitzen Milliarden von Parametern und haben dadurch die Fähigkeit entwickelt, menschenähnliche Texte zu erzeugen und komplexe Anweisungen zu verstehen. Im Kern sind sie hochentwickelte "Wort-Vorhersage-Maschinen". Bekannte Beispiele sind die GPT-Serie (OpenAI), Llama (Meta) oder Claude (Anthropic).

Was bedeutet Natural Language Processing (NLP)?

Natural Language Processing (NLP) verleiht Maschinen die Fähigkeit, menschliche Sprache auf einer strukturellen Ebene zu verarbeiten. Es ist die technische Grundlage, um Text in seine Bestandteile zu zerlegen (Wörter, Sätze, Wortarten). Man kann es sich wie die Grammatik-Engine einer KI vorstellen, die den Satzbau versteht, aber nicht zwangsläufig die tiefere Absicht.

Was versteht man unter Natural Language Understanding (NLU)?

Natural Language Understanding (NLU) ist ein Teilbereich von NLP, der sich auf das Verstehen der Bedeutung und Absicht hinter der Sprache konzentriert. Während NLP die Struktur eines Satzes analysiert, interpretiert NLU, was der Nutzer wirklich meint. Es erkennt Absichten, Emotionen und den Kontext.

Worin unterscheiden sich NLP und NLU?

Kurz gesagt: NLP hört, was gesagt wird – NLU versteht, was gemeint ist. Ein Beispiel: Bei der Eingabe "Buche mir morgen einen Flug nach Berlin" würde NLP die strukturellen Teile erkennen, während NLU die Absicht dahinter interpretiert: Der Nutzer will eine Flugbuchung durchführen.

Was ist Prompt Engineering?

Prompt Engineering ist die Kunst, Eingaben (Prompts) für Sprachmodelle so präzise zu formulieren, dass das gewünschte Ergebnis entsteht. Es geht darum, einer KI die perfekte Frage zu stellen, um die perfekte Antwort zu erhalten. Dazu gehören klare Anweisungen, Rollen-Definitionen und Beispiele, um die Ausgabe gezielt zu steuern.

Was ist Fine-Tuning bei LLMs?

Fine-Tuning ist der Prozess, bei dem ein bereits trainiertes, allgemeines Sprachmodell (Basis-Modell) mit einem spezifischen, kleineren Datensatz nachtrainiert wird. Man kann es sich so vorstellen: Ein Allround-Mediziner (Basis-Modell) macht eine gezielte Weiterbildung zum Herz-Spezialisten (Fine-Tuned-Modell). Das Ergebnis ist ein maßgeschneidertes Modell, das die Sprache und den Kontext einer bestimmten Domäne versteht.

Was ist Zero-Shot vs. Few-Shot Learning?

Beide Begriffe beschreiben, wie man einem KI-Modell eine Aufgabe stellt:

• Zero-Shot Learning: Sie geben dem Modell eine Anweisung, ohne ihm ein einziges Beispiel zu zeigen. Es muss die Aufgabe allein auf Basis seines allgemeinen Trainingswissens lösen.
• Few-Shot Learning: Sie geben dem Modell die Anweisung und zusätzlich einige wenige Beispiele (Shots), wie das Ergebnis aussehen soll, um den Kontext besser zu vermitteln.

Was ist Retrieval-Augmented Generation (RAG)?

Retrieval-Augmented Generation (RAG) ist eine Technik, die einem Sprachmodell vor der Antwortgenerierung Zugriff auf eine externe Wissensdatenbank gibt. Anstatt sich nur auf sein internes, statisches Wissen zu verlassen, kann das Modell gezielt relevante Informationen "nachschlagen". Dieser Ansatz ist wie eine Prüfung mit einem offenen Buch: Er reduziert das Risiko von Halluzinationen erheblich und ermöglicht faktenbasierte, aktuelle Antworten mit Quellenangabe.

Was ist ein KI-Agent?

Ein KI-Agent ist ein autonomes System, das über die reine Beantwortung von Fragen hinausgeht. Er kann selbstständig Ziele verfolgen, Entscheidungen treffen und Aktionen ausführen, indem er verschiedene Werkzeuge (z.B. APIs, Datenbanken) nutzt. Man kann ihn sich wie einen digitalen persönlichen Assistenten vorstellen, der nicht nur informiert, sondern aktiv Aufgaben erledigt.

Was ist Agentic AI?

Agentic AI ist der Überbegriff für KI-Systeme, die eigenständig komplexe, mehrstufige Aufgaben lösen können. Anstatt nur auf einen einzelnen Befehl zu reagieren, können diese Systeme eine Aufgabe in Teilziele zerlegen, die notwendigen Werkzeuge auswählen und ihren Plan bei Bedarf anpassen. Sie agieren wie ein autonomer Projektmanager.

Worin unterscheiden sich Agenten und Workflows?

Der Unterschied liegt in der Flexibilität: Ein Workflow ist wie ein festes Rezept (eine starre Abfolge von Schritten), während ein Agent wie ein kreativer Koch ist, der dynamisch entscheidet, welche Werkzeuge er zur Erreichung seines Ziels einsetzt. Workflows sind vorhersagbar, Agenten sind anpassungsfähig.

Was ist ein Multi-Agent-System?

Ein Multi-Agent-System ist eine Architektur, bei der mehrere spezialisierte KI-Agenten zusammenarbeiten. Jeder Agent hat eine bestimmte Rolle (z.B. Recherche, Analyse, Texterstellung). Man kann es sich wie ein hochqualifiziertes Team von Experten vorstellen, in dem jeder seine Stärken einbringt, um eine komplexe Aufgabe effizient zu bewältigen.

Was sind Embeddings?

Embeddings sind numerische Repräsentationen von Inhalten (z.B. Text) in einem Vektorraum. Sie funktionieren wie GPS-Koordinaten für Bedeutung: Begriffe mit ähnlichem Kontext wie "König" und "Königin" liegen nahe beieinander. Dies ermöglicht eine intelligente, semantische Suche, die auf Bedeutung statt auf Keywords basiert.

Was sind Vektor-Datenbanken?

Vektor-Datenbanken sind spezialisierte Datenbanken zum Speichern und Abfragen von Embeddings. Statt nach exakten Schlüsselwörtern zu suchen, finden sie Datenpunkte basierend auf deren kontextueller Ähnlichkeit. Sie sind das technologische Herzstück von RAG-Systemen und funktionieren wie eine Bibliothek für Bedeutungen.

Was ist der Unterschied zwischen Retrieval und Embedding-Suche?

Retrieval ist der allgemeine Oberbegriff für das Abrufen von Informationen. Die Embedding-Suche (Vektor-Suche) ist eine spezifische, moderne Methode des Retrievals. Sie sucht nicht nach exakten Keywords, sondern nach kontextueller Ähnlichkeit. Klassisches Retrieval findet nur das Produkt mit dem exakten Namen, während die Embedding-Suche auch Produkte mit ähnlichen Eigenschaften vorschlägt.

Was bedeutet BM25?

BM25 ist ein bewährter Algorithmus zur Bewertung der Relevanz von Dokumenten bei einer Keyword-Suche. Er gewichtet Treffer intelligent (seltene Begriffe gelten als wichtiger). In modernen Systemen wird er oft mit Vektorsuche kombiniert, um deren Schwächen bei spezifischen Eigennamen auszugleichen. Siehe auch Hybrid Search.

Was ist Hybrid Search?

Hybrid Search kombiniert das Beste aus zwei Welten: die präzise Keyword-Suche (wie BM25) und die kontextbezogene Vektor-Suche (Embeddings). So werden sowohl exakte Begriffe als auch semantisch ähnliche Inhalte gefunden, was die Präzision deutlich erhöht.

Was ist ein Knowledge Graph?

Ein Knowledge Graph (Wissensgraph) stellt Informationen als Netzwerk von Entitäten (Knoten) und deren Beziehungen (Kanten) dar. Er funktioniert wie eine Mindmap für Daten und macht komplexe Zusammenhänge für Maschinen verständlich. Dies liefert wertvollen, strukturierten Kontext für KI-Systeme.

Was bedeutet GraphRAG?

GraphRAG ist eine Weiterentwicklung von RAG, die einen Knowledge Graphen als Wissensquelle nutzt. Anstatt nur nach textlicher Ähnlichkeit zu suchen, kann die KI gezielt Beziehungen und Pfade im Graphen verfolgen. Das ermöglicht präzisere Antworten auf komplexe Fragen, die das Verständnis von Zusammenhängen erfordern.

Was bedeutet Observability in KI-Systemen?

Observability (Beobachtbarkeit) ist die Fähigkeit, interne Prozesse von KI-Systemen transparent zu überwachen. Es ist wie das Armaturenbrett eines Autos, das nicht nur anzeigt, dass man fährt, sondern auch wie schnell, mit welcher Drehzahl und ob es Probleme gibt (Logging, Tracing, Metriken).

Was ist Langfuse?

Langfuse ist ein Open-Source-Tool für die Observability von LLM-Anwendungen. Es funktioniert wie ein Flugschreiber für KI-Interaktionen und hilft Entwicklern, jeden Schritt nachzuvollziehen: vom Prompt über die Antwort bis zum Nutzer-Feedback. Dies ist entscheidend, um Fehler zu finden und die Qualität zu verbessern.

Was ist Precision (Genauigkeit)?

Die Precision misst die Qualität der Suchergebnisse. Sie beantwortet die Frage: "Wie viele der vom System gelieferten Antworten waren tatsächlich relevant?" Eine Precision von 90 % bedeutet, dass 9 von 10 gelieferten Antworten korrekt waren. Siehe auch Recall und F1-Score.

Was ist Recall (Vollständigkeit)?

Der Recall misst die Vollständigkeit der Suchergebnisse. Er beantwortet die Frage: "Wie viele aller relevanten Antworten, die es insgesamt gibt, hat das System gefunden?" Ein hoher Recall-Wert ist wichtig, wenn es entscheidend ist, keine relevanten Informationen zu übersehen. Siehe auch Precision und F1-Score.

Was bedeutet F1-Score?

Der F1-Score ist eine Metrik, die Precision und Recall zu einer einzigen Kennzahl kombiniert. Er ist das harmonische Mittel beider Werte und bietet eine ausgewogene Bewertung der Gesamtleistung eines Systems, um dessen Qualität fair zu vergleichen.

Was ist Negative Sampling in der RAG-Evaluierung?

Negative Sampling ist ein Testverfahren, bei dem einem RAG-System bewusst irrelevante Dokumente ("negative samples") untergeschoben werden. Das Ziel ist zu prüfen, ob das System robust genug ist, diese als unpassend zu erkennen und zu ignorieren. Es ist wie eine Qualitätskontrolle am Fließband.

Was sind Halluzinationen in KI?

Halluzinationen sind überzeugend klingende, aber faktisch falsche oder frei erfundene Aussagen, die ein KI-Modell generiert. Sie entstehen, wenn das Modell auf Wissenslücken stößt und diese mit statistisch wahrscheinlichen Informationen füllt. Das selbstbewusste Erfinden von Fakten gilt als eines der größten Risiken beim Einsatz von LLMs. Sie können durch Methoden wie RAG reduziert werden.

Was versteht man unter Guardrails für KI?

Guardrails sind programmatische Regeln, die sicherstellen, dass ein KI-System innerhalb definierter Grenzen agiert. Sie fungieren als Leitplanken und verhindern, dass die KI unerwünschte Aktionen ausführt, z.B. gegen Datenschutzrichtlinien verstößt, schädliche Inhalte generiert oder falsche Informationen verbreitet.

Was ist ein Audit-Trail in KI-Systemen?

Ein Audit-Trail ist ein lückenloses Protokoll, das automatisch alle Aktionen und Entscheidungen eines KI-Systems aufzeichnet. Er funktioniert wie ein Fahrtenschreiber für die KI und ist unerlässlich, um nachzuweisen, wie und auf welcher Grundlage die KI zu einem Ergebnis kam.

Was ist der EU AI Act?

Der EU AI Act ist das weltweit erste umfassende Gesetz, das die Spielregeln für den Einsatz von Künstlicher Intelligenz in Europa festlegt. Mithilfe eines risikobasierten Ansatzes stuft es KI-Systeme in Kategorien ein. Je höher das Risiko, desto strenger sind die Pflichten für Anbieter bezüglich Transparenz, Sicherheit und menschlicher Aufsicht.

Was ist DSGVO-konforme KI?

DSGVO-konforme KI bedeutet, dass ein KI-System unter Einhaltung der europäischen Datenschutz-Grundverordnung betrieben wird. Zentrale Prinzipien sind "Privacy by Design" und "Privacy by Default". Das heißt, der Schutz personenbezogener Daten ist von Anfang an in die Architektur eingebaut und umfasst Maßnahmen wie Datenminimierung und Zweckbindung.

Was ist ein Compliance-Dashboard für KI?

Ein Compliance-Dashboard ist eine zentrale Steuerungsoberfläche, die alle für die Einhaltung von Vorschriften relevanten Daten eines KI-Systems visualisiert. Es funktioniert wie ein Cockpit für die rechtliche und ethische Überwachung, um zu prüfen, ob das System im Einklang mit Gesetzen wie dem EU AI Act oder der DSGVO betrieben wird.

Was ist Weaviate?

Weaviate ist eine populäre, quelloffene (Open Source) Vektor-Datenbank, die für KI-Anwendungen wie semantische Suche oder RAG optimiert ist. Eine besondere Stärke ist die Fähigkeit zur hybriden Suche, bei der sowohl semantische Ähnlichkeit (Vektorsuche) als auch Keywords berücksichtigt werden.

Was ist Neo4j?

Neo4j ist die führende Graph-Datenbank auf dem Markt. Im Gegensatz zu tabellarischen Datenbanken ist sie darauf spezialisiert, komplexe Beziehungen zwischen Datenpunkten effizient zu speichern und abzufragen. In KI-Anwendungen wird sie hauptsächlich für den Aufbau von Knowledge Graphen verwendet.