KI-Glossar
Die Begriffe der künstlichen Intelligenz einfach erklärt: Machine Learning, Deep Learning, LLM, NLP, RAG, Embeddings, Fine-Tuning, MCP…
Die Grundlagen
- Künstliche Intelligenz (KI)
- Die Gesamtheit der Techniken, mit denen eine Maschine sogenannte intelligente Aufgaben erledigt: einen Text verstehen, ein Bild erkennen, eine Entscheidung treffen.
- Machine Learning (maschinelles Lernen)
- Ein Teilgebiet der KI, in dem die Maschine aus Beispielen lernt, statt Regel für Regel programmiert zu werden. Aus Tausenden E-Mails mit der Markierung „Spam“ oder „normal“ lernt sie zum Beispiel, sie selbst zu sortieren. Klassische Verfahren (Regression, Entscheidungsbäume) werden vor allem auf Tabellendaten eingesetzt.
- Deep Learning
- Ein Teilgebiet des Machine Learning, das neuronale Netze mit vielen Schichten nutzt. Es braucht viele Daten und viel Rechenleistung, ist aber stark bei Text, Bild und Ton. Alle aktuellen Modelle (LLM, Bildgeneratoren, Spracherkennung) beruhen auf Deep Learning.
- Neuronales Netz
- Ein vom Gehirn inspiriertes mathematisches Modell aus miteinander verbundenen Schichten von „Neuronen“. Indem es die Gewichte dieser Verbindungen beim Training anpasst, lernt das Netz, eine Eingabe (Text, Bild) in eine Ausgabe (eine Antwort, eine Kategorie) umzuwandeln.
- Modell
- Das Ergebnis eines Trainings: eine Datei mit Parametern (den Gewichten), die eine Aufgabe beherrscht. Man lädt sie herunter, ruft sie über eine API auf oder betreibt sie selbst. Zum Leitfaden →
Die großen Bereiche
- NLP (Verarbeitung natürlicher Sprache)
- Alles rund um Text: schreiben, zusammenfassen, übersetzen, klassifizieren, Informationen extrahieren, Fragen beantworten.
- Computer Vision (maschinelles Sehen)
- Alles rund um Bild und Video: Objekte erkennen, ein Foto einordnen, Gesichter erkennen, Bilder erzeugen.
- Multimodal
- Ein Modell, das mehrere Datenarten zugleich verarbeitet: ein Bild in Text beschreiben, eine Frage zu einem Foto beantworten, aus einem Text ein Video erzeugen.
- Generative KI
- Modelle, die neue Inhalte (Text, Bild, Video, Ton, Code) erzeugen, statt nur zu klassifizieren oder vorherzusagen.
Sprachmodelle
- LLM (großes Sprachmodell)
- Ein Deep-Learning-Modell, das mit riesigen Textmengen trainiert wurde, um vorherzusagen, wie ein Text weitergeht. Es treibt Claude, GPT, Mistral oder Llama an. Zum Leitfaden →
- Transformer
- Die Architektur neuronaler Netze hinter fast allen heutigen Sprachmodellen. Ihr Aufmerksamkeitsmechanismus betrachtet alle Wörter eines Textes gleichzeitig und setzt jedes mit den anderen in Beziehung, statt sie einzeln zu lesen.
- Klassifikator
- Ein Modell, das eine Eingabe einer Kategorie zuordnet: Spam oder nicht, positive oder negative Bewertung, Art einer Kundenanfrage. Es schreibt keinen Text, sondern wählt ein Label aus einer Liste.
- Encoder
- Ein Modell (oder Teil eines Modells), das einen ganzen Text liest und in Zahlen umwandelt, die seine Bedeutung zusammenfassen. Embedding-Modelle und viele Klassifikatoren sind Encoder, etwa BERT. Zum Leitfaden →
- Decoder
- Ein Modell (oder Teil eines Modells), das einen Text Token für Token schreibt und jedes Mal das nächste Token vorhersagt. LLM wie Claude, GPT, Mistral oder Llama sind Decoder. Zum Leitfaden →
- Token
- Das Textstück, das ein LLM liest, oft ein Wortteil. Grenzen (Kontextgröße) und Preise von Modellen werden in Tokens gezählt.
- Kontextfenster
- Die Textmenge (in Tokens), die ein Modell auf einmal lesen kann: Frage, Anweisungen, Dokumente und Antwort.
- Halluzination
- Eine falsche Antwort, die ein Modell selbstsicher gibt, weil es etwas erfindet, statt zu sagen, dass es etwas nicht weiß. RAG und Leitplanken verringern sie.
- Inferenz
- Die Nutzung eines bereits trainierten Modells, um eine Antwort zu erhalten, im Gegensatz zum Training. Zum Leitfaden →
- Quantisierung
- Die Genauigkeit der Zahlen eines Modells verringern (zum Beispiel von 16 auf 4 Bit), damit es weniger Speicher braucht und auf schwächerer Hardware läuft, bei leichtem Qualitätsverlust. Zum Leitfaden →
- Tokenizer
- Das Werkzeug, das einen Text in Tokens zerlegt, bevor er an das Modell geht. Jede Modellfamilie hat ihren eigenen: Derselbe Text ergibt nicht überall dieselbe Anzahl Tokens.
- Basismodell
- Ein Modell direkt nach dem Vortraining: Es kann einen Text fortsetzen, folgt Anweisungen aber noch schlecht. Danach wird es zu einem Instruct-Modell angepasst. Zum Leitfaden →
- Instruct-Modell
- Ein Modell, das darauf abgestimmt ist, Anweisungen zu befolgen und Dialoge zu führen. Diese Version steckt in einem Assistenten. Zum Leitfaden →
- Offene Gewichte (Open Weights)
- Ein Modell, dessen Parameterdateien herunterladbar sind: Man kann es selbst betreiben und anpassen. Seine Lizenz legt fest, was man damit tun darf. Zum Leitfaden →
- Latenz
- Die Wartezeit bis zur Antwort des Modells, vor allem bis das erste Token erscheint. Zum Leitfaden →
- Durchsatz (Tokens pro Sekunde)
- Die Geschwindigkeit, mit der ein Modell seine Antwort schreibt. Sie hängt vom Modell, von der Hardware und von der Zahl gleichzeitig bedienter Anfragen ab. Zum Leitfaden →
Ein Modell nutzen
- Prompt
- Der Text, den man an das Modell schickt, um etwas zu erbitten. Ein wiederverwendbarer Prompt enthält Variablen wie {{produkt}}. Zum Leitfaden →
- Kontext (Systemanweisung)
- Anweisungen und Beispiele, die das Modell vor der Frage erhält, um seine Rolle, seinen Ton und seine Regeln festzulegen, ohne es neu zu trainieren. Zum Leitfaden →
- Few-Shot
- Einige Beispiele (Eingabe und erwartete Ausgabe) in den Kontext geben, um dem Modell zu zeigen, was erwartet wird. Zum Leitfaden →
- RAG (abrufgestützte Generierung)
- Ein Modell auf Grundlage eigener Dokumente antworten lassen: Die passenden Abschnitte werden gesucht und ihm zusammen mit der Frage gegeben. Zum Leitfaden →
- Embeddings
- Zahlenlisten (Vektoren), die die Bedeutung eines Textes darstellen. Texte mit ähnlicher Bedeutung haben nahe Vektoren: die Grundlage der semantischen Suche und von RAG. Zum Leitfaden →
- Strukturierte Ausgabe
- Das Modell zwingen, in einem genauen Format zu antworten, meist JSON nach einem Schema. Zum Leitfaden →
- Temperatur
- Die Einstellung, die den Zufall in den Antworten dosiert: niedrig antwortet das Modell stabil und vorhersehbar, hoch variiert es stärker. Zum Leitfaden →
- Zero-Shot
- Dem Modell eine Aufgabe ohne Beispiel stellen, nur mit der Anweisung. Zum Leitfaden →
- Gedankenkette (Chain-of-Thought)
- Das Modell vor seiner endgültigen Antwort Schritt für Schritt nachdenken lassen, was Rechen- und Logikaufgaben verbessert. Zum Leitfaden →
- Funktionsaufruf (Function Calling)
- Die Fähigkeit eines Modells, die Ausführung einer Funktion (suchen, rechnen, eine Datenbank abfragen) mit strukturierten Parametern anzufordern und dann das Ergebnis zu nutzen. Zum Leitfaden →
- Chunking (Aufteilung)
- Dokumente vor der Indexierung für RAG in Stücke schneiden. Größe und Überlappung der Stücke verändern die Qualität der Antworten. Zum Leitfaden →
- Vektordatenbank
- Eine Datenbank, die Embeddings speichert und die Texte findet, die einer Frage am nächsten sind. Sie ist die Suchmaschine von RAG. Zum Leitfaden →
- Reranker
- Ein Modell, das die von der Suche gefundenen Abschnitte neu ordnet, um nur die relevantesten an das LLM weiterzugeben. Zum Leitfaden →
Handeln und Werkzeuge
- Agent
- Ein KI-Assistent, der mehrere Schritte verkettet und Werkzeuge nutzt, um ein Ziel zu erreichen, statt in einem Zug zu antworten. Zum Leitfaden →
- MCP (Model Context Protocol)
- Ein offener Standard, um Werkzeuge und Daten (Dateien, Datenbanken, Software) an einen KI-Assistenten anzuschließen, kompatibel mit Claude, Cursor und anderen. Zum Leitfaden →
- Workflow
- Eine automatisierte Abfolge von Schritten, an der KI beteiligt ist, gebaut mit einem Werkzeug wie n8n oder LangGraph. Zum Leitfaden →
Trainieren und anpassen
- Datensatz (Dataset)
- Eine Sammlung von Beispielen, mit der ein Modell trainiert, angepasst oder bewertet wird. Zum Leitfaden →
- Vortraining
- Die erste Trainingsphase eines Sprachmodells: Es liest riesige Textmengen und lernt, das nächste Wort vorherzusagen. Sie ist sehr teuer und nur Modellanbieter führen sie durch; danach geht man von diesem vortrainierten Modell aus, um es zu spezialisieren. Zum Leitfaden →
- Fine-Tuning (Feinabstimmung)
- Ein bestehendes Modell mit eigenen Beispielen nachtrainieren, um es auf ein Fachgebiet zu spezialisieren. Zum Leitfaden →
- LoRA
- Eine günstige Methode des Fine-Tunings, die nur einen kleinen Teil des Modells trainiert. QLoRA wendet sie auf ein quantisiertes Modell an. Zum Leitfaden →
- Evaluierung (Benchmark)
- Eine Reihe von Tests, um die Qualität eines Modells, eines Prompts oder eines Agenten zu messen. Zum Leitfaden →
- SFT (überwachtes Fine-Tuning)
- Die häufigste Form des Fine-Tunings: Dem Modell werden Fragen und die erwarteten Antworten gezeigt, damit es lernt, ebenso zu antworten. Zum Leitfaden →
- QLoRA
- Eine Variante von LoRA, die das Modell beim Training auf 4 Bit quantisiert lädt, um ein großes Modell auf einer einzigen Grafikkarte zu trainieren. Zum Leitfaden →
- Epoche (Epoch)
- Ein vollständiger Durchlauf durch alle Beispiele des Datensatzes beim Training. Zu viele Epochen führen zu Überanpassung. Zum Leitfaden →
- Synthetische Daten
- Trainingsbeispiele, die ein Modell erzeugt hat, statt dass Menschen sie geschrieben haben. Sie sind schnell zu bekommen, müssen aber geprüft und gefiltert werden. Zum Leitfaden →
- Destillation
- Ein kleines Modell darauf trainieren, die Antworten eines größeren nachzuahmen, um für eine bestimmte Aufgabe ein günstigeres und schnelleres Modell zu erhalten. Zum Leitfaden →
- RLHF
- Abstimmung durch menschliches Feedback: Menschen ordnen Antworten nach Qualität, und das Modell lernt, die bevorzugten zu erzeugen. Zum Leitfaden →
Zuverlässigkeit und Konformität
- Leitplanke (Guardrail)
- Eine Regel, die kontrolliert, was in einen KI-Assistenten hinein- oder aus ihm herausgeht: personenbezogene Daten blockieren, themenfremde Anfragen ablehnen. Zum Leitfaden →
- Prompt-Injection
- Ein Angriff, der Anweisungen in einer Nachricht oder einem Dokument versteckt, um das Modell gegen seine eigenen Regeln zu wenden. Zum Leitfaden →
- Red Teaming
- Ein KI-System absichtlich angreifen, um seine Schwachstellen vor den Nutzern zu finden. Zum Leitfaden →
- AI Act (KI-Verordnung)
- Die europäische Verordnung über künstliche Intelligenz: Sie legt je nach Risikostufe des Systems Pflichten zu Transparenz, Dokumentation und Aufsicht fest. Zum Leitfaden →
- DSGVO
- Die europäische Datenschutz-Grundverordnung, die auch für Daten gilt, die an eine KI geschickt oder zu ihrem Training verwendet werden.
- LLM als Richter (LLM-as-a-judge)
- Ein Modell, das die Antworten eines anderen Modells nach schriftlichen Kriterien bewertet, wenn ein exakter Vergleich nicht möglich ist. Zum Leitfaden →
Begriffe der Ressourcen
- JSONL
- Eine Textdatei mit einem Beispiel pro Zeile, wobei jede Zeile ein JSON-Objekt ist. Es ist das Standardformat für Fine-Tuning-Datensätze. Zum Leitfaden →
- Systemprompt
- Die Nachricht vor dem Gespräch, die Rolle, Ton und Regeln des Modells festlegt. In einem Chat-Datensatz ist es die Nachricht mit der Rolle „system“. Zum Leitfaden →
- Harness
- Der Rahmen um einen Coding-Assistenten (Claude Code, Codex, Cursor…): seine Anweisungen, was er ohne Rückfrage tun darf, was ihm verboten ist, und seine automatischen Prüfungen. Zum Leitfaden →
- Hook
- Ein Befehl, der an einem bestimmten Punkt der Arbeit eines Agenten automatisch läuft, zum Beispiel die Tests nach jeder Dateiänderung. Zum Leitfaden →
- GGUF
- Ein Dateiformat für quantisierte Modelle, das llama.cpp, Ollama und LM Studio lesen, um ein Modell auf einem Computer auszuführen. Zum Leitfaden →
- VRAM
- Der Speicher der Grafikkarte. Er begrenzt die Größe des Modells, das man ausführen kann: Ein für den VRAM zu großes Modell lädt nicht oder wird sehr langsam. Zum Leitfaden →
- DPO (direkte Präferenzoptimierung)
- Eine Abstimmungsmethode, die dem Modell zur selben Frage eine bevorzugte und eine abgelehnte Antwort zeigt, um es zum gewünschten Stil zu lenken. Zum Leitfaden →
- Überanpassung (Overfitting)
- Wenn ein Modell seine Beispiele auswendig lernt, statt die Regel daraus abzuleiten: hervorragend bei den Trainingsbeispielen, schwach bei neuen Fällen. Ein getrennter Testdatensatz macht es sichtbar. Zum Leitfaden →
- Testdatensatz
- Ein Teil der Beispiele, der beiseitegelegt und beim Training nie gezeigt wird, um zu messen, ob sich das Modell wirklich verbessert hat. Zum Leitfaden →