Künstliche Intelligenz (KI) ist längst keine Zukunftsmusik mehr, sondern spielt schon heute in vielen Bereichen die erste Geige – von Chatbots über Bilderkennung bis zur automatisierten Textgenerierung. Doch wer sich einliest, stolpert schnell über Fachbegriffe, Buzzwords und Abkürzungen.
Deshalb gibt’s hier das große KI Glossar – alphabetisch sortiert, mit kurzen und verständlichen Erklärungen. Ein praktischer Wegweiser durch den KI-Dschungel – ideal für alle, die mitreden oder einfach nur verstehen wollen, was da technisch eigentlich passiert.
A bis Z: Das große KI Glossar
A
- Algorithmus – Eine feste Abfolge von Rechenregeln, die ein Problem löst.
- Annotation – Manuelle Markierung von Daten zur Vorbereitung für das KI-Training.
- API (Application Programming Interface) – Schnittstelle, über die Programme miteinander kommunizieren.
- Artificial Intelligence (AI) – Der Oberbegriff für alle Systeme, die intelligent wirken.
- Artificial General Intelligence (AGI) – Eine hypothetische KI, die so flexibel denkt wie ein Mensch.
- AutoML – Automatisierung von Prozessen zur Erstellung von KI-Modellen.
- Anomalieerkennung – Identifikation ungewöhnlicher Muster oder Ausreißer in Daten.
B
- Big Data – Große Datenmengen, die zu komplex für herkömmliche Software sind.
- Bias (Verzerrung) – Systematische Fehler in Daten, die zu unfairen Ergebnissen führen können.
- Backpropagation – Trainingsmethode für neuronale Netze durch Fehlerrückmeldung.
- Bot – Ein automatisiertes Programm, das Aufgaben selbstständig erledigt.
- Batch Learning – Lernen auf Basis gesammelter Datenblöcke.
- Bayes’scher Klassifikator – Ein einfacher, aber effektiver Wahrscheinlichkeitsklassifikator.
C
- Chatbot – Ein Programm, das schriftlich oder per Sprache mit Menschen kommuniziert.
- Classifier – Ein Modell, das Daten in vordefinierte Kategorien einteilt.
- Clustering – Gruppierung von Datenpunkten ohne vorgegebene Klassen.
- Computer Vision – KI, die Bilder oder Videos analysieren kann.
- Convolutional Neural Network (CNN) – Spezielles neuronales Netz für Bildverarbeitung.
- Cross Validation – Methode zur Bewertung von Modellgüte auf verschiedenen Datenaufteilungen.
D
- Data Lake – Zentraler Speicherort für strukturierte und unstrukturierte Daten.
- Data Mining – Extraktion von Mustern aus großen Datenmengen.
- Data Scientist – Fachkraft für Datenanalyse, Statistik und KI-Modelle.
- Deep Learning – Teilbereich des Machine Learning mit vielen Schichten neuronaler Netze.
- Decision Tree – Ein Entscheidungsbaum zur Klassifikation oder Regression.
- Dimensionality Reduction – Technik zur Vereinfachung großer Datenmengen.
- Domain Adaptation – Anpassung von Modellen auf neue Datenbereiche.
E
- Embedding – Zahlenbasierte Repräsentation von Text, Bildern oder Sprache.
- Ethik in der KI – Auseinandersetzung mit fairer, transparenter und verantwortungsvoller KI.
- Epoch – Ein vollständiger Durchlauf aller Trainingsdaten durch ein Modell.
- Explainable AI (XAI) – Nachvollziehbare und transparente Entscheidungen durch KI.
- Ensemble Learning – Kombination mehrerer Modelle zur Leistungssteigerung.
F
- Feature – Ein Datenmerkmal, das eine KI analysiert.
- Feature Engineering – Auswahl und Umwandlung relevanter Merkmale für ein Modell.
- Few-Shot Learning – Modelltraining mit nur wenigen Beispielen.
- Fine-Tuning – Anpassung eines bereits trainierten Modells an neue Daten.
- Fuzzy Logic – Logik, die mit Unschärfe und Wahrscheinlichkeiten arbeitet.
- Feedforward Neural Network – Einfache Netzarchitektur ohne Rückkopplung.
G
- GAN (Generative Adversarial Network) – KI-Modell zur Erstellung realistischer Inhalte.
- Generalisierung – Fähigkeit eines Modells, auf unbekannte Daten zu reagieren.
- Gradient Descent – Optimierungsverfahren zum Trainieren von KI-Modellen.
- GPU (Graphics Processing Unit) – Leistungsstarke Hardware zur KI-Berechnung.
- Ground Truth – „Wahre“ Datenbasis zum Vergleichen und Bewerten von Modellen.
H
- Halluzination (KI) – Wenn ein KI-Modell Inhalte erfindet, die nicht stimmen.
- Heuristik – Vereinfachte Entscheidungsregeln für schnelle Problemlösung.
- Human-in-the-Loop – Menschliche Einbindung in KI-gesteuerte Prozesse.
- Hyperparameter – Einstellungen, die das Lernen eines Modells beeinflussen.
- Hybridmodell – Kombination aus regelbasierten und lernenden KI-Systemen.
I
- Image Recognition – Fähigkeit, Objekte in Bildern zu erkennen.
- Inference – Anwendung eines trainierten Modells auf neue Eingaben.
- Intent Recognition – Erkennung von Absichten in Nutzeranfragen.
- Input Layer – Erste Schicht in einem neuronalen Netz.
- Imbalanced Data – Ungleich verteilte Trainingsdaten zwischen Klassen.
J
- JavaScript – Häufig verwendete Sprache für Web-KI-Anwendungen.
- JSON (JavaScript Object Notation) – Format zum Datenaustausch zwischen Systemen.
- Joint Learning – Gleichzeitiges Lernen mehrerer Aufgaben durch ein Modell.
K
- KI (Künstliche Intelligenz) – Intelligentes Verhalten durch Maschinen.
- Klassifikation – Zuordnung von Daten zu Klassen durch ein Modell.
- K-Means – Clustering-Methode zur Gruppierung von Daten.
- Knowledge Graph – Netzwerk aus Informationen und Beziehungen zwischen Begriffen.
- Korrelation – Zusammenhang zwischen zwei Merkmalen in den Daten.
L
- Labeling – Beschriftung von Trainingsdaten mit korrekten Ergebnissen.
- Large Language Model (LLM) – Großes KI-Sprachmodell wie GPT oder BERT.
- Latente Variable – Nicht direkt sichtbares Merkmal, das Einfluss nimmt.
- Learning Rate – Geschwindigkeit, mit der ein Modell lernt.
- Logistische Regression – Modell zur Wahrscheinlichkeitsvorhersage für Klassifikation.
M
- Machine Learning (ML) – Lernen aus Daten, ohne explizite Programmierung.
- Modell – Repräsentation eines gelernten Zusammenhangs.
- Multimodale KI – KI, die mit mehreren Eingabetypen gleichzeitig umgehen kann.
- Monte-Carlo-Simulation – Statistikmethode zur Modellbewertung.
- Missing Data – Fehlende Werte in einem Datensatz.
N
- Neuronales Netz – Aufbau aus Knoten (Neuronen), die Daten verarbeiten.
- Natural Language Processing (NLP) – Verarbeitung natürlicher Sprache durch KI.
- Named Entity Recognition (NER) – Erkennung von Namen, Orten und Marken in Text.
- Normalisierung – Vereinheitlichung von Datenwerten.
- Noise – Störende oder zufällige Information in Daten.
O
- Overfitting – Wenn ein Modell zu stark auf Trainingsdaten spezialisiert ist.
- Open Source – Quelloffene Software, auch für viele KI-Bibliotheken.
- Object Detection – Lokalisierung und Klassifizierung von Objekten in Bildern.
- Outlier – Ausreißer oder ungewöhnliche Werte im Datensatz.
P
- Prompt – Eingabeaufforderung an ein Sprachmodell.
- Pretraining – Erste Trainingsphase eines Modells mit allgemeinen Daten.
- Predictive Analytics – Vorhersage zukünftiger Ereignisse auf Basis historischer Daten.
- Precision – Anteil korrekt vorhergesagter positiver Ergebnisse.
- Pipeline – Abfolge von Prozessen bei der Datenverarbeitung oder Modellierung.
Q
- Quantum Computing – Quantencomputer könnten KI revolutionieren.
- Query – Abfrage in Datenbanken oder an KI-Systeme.
- Quality Assurance – Qualitätssicherung bei Daten und Modellen.
R
- Reinforcement Learning – Lernen durch Belohnung und Bestrafung.
- Regularisierung – Technik gegen Overfitting bei der Modellbildung.
- Regression – Vorhersage eines kontinuierlichen Werts.
- Retraining – Neues Training eines bestehenden Modells mit frischen Daten.
- Robotic Process Automation (RPA) – Automatisierung regelbasierter Aufgaben mit „Softwarerobotern“.
S
- Supervised Learning – Lernen mit gelabelten Daten.
- Stemming – Reduktion von Wörtern auf ihren Wortstamm.
- Stichprobe – Kleiner, repräsentativer Ausschnitt eines Datensatzes.
- Semantic Search – Suche nach Bedeutung statt nur Schlüsselwörtern.
- Self-Supervised Learning – Lernmethode ohne explizite Beschriftung.
T
- Token – Einzelne Bedeutungseinheiten in Sprachmodellen.
- Transformer – Architektur moderner Sprachmodelle wie GPT.
- Training – Der Prozess, bei dem ein Modell Muster aus Daten lernt.
- Transfer Learning – Übertragung von gelerntem Wissen auf neue Aufgaben.
- Tuning – Feineinstellung eines Modells zur Leistungsverbesserung.
U
- Unsupervised Learning – Lernen ohne vordefinierte Kategorien.
- Underfitting – Wenn ein Modell zu wenig aus den Daten lernt.
- Use Case – Konkrete Anwendungsmöglichkeit für eine KI.
- Upsampling – Erhöhung der Datenanzahl für kleine Klassen.
V
- Validierung – Test eines Modells mit neuen Daten.
- Vector Embedding – Zahlenbasierte Repräsentation von Inhalten in einem Raum.
- Voice Recognition – Erkennung und Umwandlung von Sprache in Text.
- Variance – Streuung der Vorhersagen eines Modells.
W
- Weight – Gewichtung von Verbindungen in neuronalen Netzen.
- Weak AI – Auf eine Aufgabe spezialisierte, „enge“ KI.
- Word Embedding – Vektordarstellung von Wörtern in NLP-Systemen.
- Workflow – Arbeitsablauf bei der Erstellung eines KI-Modells.
X
- XAI (Explainable AI) – Erklärbare künstliche Intelligenz.
- XML – Datenformat für strukturierte Informationen.
- XOR-Problem – Klassisches Problem für einfache neuronale Netze.
Y
- YOLO (You Only Look Once) – Modell zur Echtzeit-Objekterkennung.
- Yield Prediction – Ertragsvorhersage, z. B. in Landwirtschaft oder Industrie.
Z
- Zero-Shot Learning – Aufgabenlösung ohne vorherige Beispieldaten.
- Zeitreihendaten – Chronologisch sortierte Daten, z. B. für Prognosen.
- Zielvariable – Das Ergebnis, das ein Modell vorhersagen soll.
Fehlt was?
Du hast noch so einen KI-Begriff, der dir „spanisch“ vorkommt? Einfach in die Kommentare damit, ich ergänze das Glossar gerne!
KI verstehen – ein Glossar als Türöffner
KI muss kein Buch mit sieben Siegeln sein. Mit ein bisschen Hintergrundwissen und den richtigen Begriffen wird klar: Vieles ist logisch, manches faszinierend – und alles ist im Wandel. Dieses Glossar ist ein guter Startpunkt für alle, die sich mitreden trauen – auch ohne Informatikstudium.
