Artikel teilen

Künstliche Intelligenz verändert Geschäftsmodelle, Prozesse und Produkte, und sie bringt eine eigene Fachsprache mit. Dieses Glossar erklärt 91 Begriffe von Algorithmus bis Zustandsraum, kurz und verständlich, für alle, die KI-Technik nicht nur nutzen, sondern durchschauen wollen.

Ein Klick · kostenlosDr. Web bei Google bevorzugenMarkieren Sie drweb.de als bevorzugte Quelle. Dann sehen Sie unsere Artikel öfter unter den Top-Meldungen.Jetzt hinzufügen
Inhalt 4 Abschnitte
  1. Was ist Künstliche Intelligenz?
  2. Warum ist KI ein beherrschendes Thema?
  3. Glossar Künstliche Intelligenz
  4. Die wichtigsten Fragen zur Künstlichen Intelligenz

Die Einträge geben den Stand vom Juli 2025 wieder.

Was ist Künstliche Intelligenz?

Buch mit blauem Lesezeichen, das ein Leiterplattenmuster und den Text „Von A bis Z“ trägt
Künstliche Intelligenz löst Aufgaben wie Lernen, Planung und Sprachverständnis. Maschinen treffen dabei Entscheidungen basierend auf Daten, ohne vorgegebene Regeln

Künstliche Intelligenz (KI) bezeichnet Systeme, die Aufgaben lösen, für die sonst menschliche Intelligenz nötig ist: lernen, planen, Sprache verstehen oder Probleme analysieren.

Im engeren Sinn spricht man von KI, wenn Maschinen auf Basis von Daten entscheiden, ohne dass jemand jede einzelne Regel von Hand vorgibt. Grundlage sind meist Algorithmen, die mit großen Datenmengen trainiert wurden, etwa in der Bilderkennung, bei Sprachmodellen oder in autonomen Systemen.

Von KI bis Sprachmodell
So hängen die wichtigsten Begriffe zusammen
KI
Künstliche Intelligenz

Systeme lösen Aufgaben, für die sonst menschliche Intelligenz nötig ist.

ML
Maschinelles Lernen

Computer lernen aus Daten, ohne für jede Regel programmiert zu werden.

DL
Deep Learning

Mehrschichtige neuronale Netze erkennen komplexe Muster.

Neu
Generative KI

Modelle erzeugen Texte, Bilder, Musik oder Programmcode.

GPT
Sprachmodell

Es erfasst den Kontext einer Eingabe und erzeugt plausible Antworten.

Warum ist KI ein beherrschendes Thema?

Waage im Gleichgewicht mit blauem Zahnrad links und Fragezeichen rechts vor weißem Hintergrund
KI bringt Chancen und wirft Fragen nach Kontrolle und Verantwortung auf.

KI greift in Branchen, Arbeitsabläufe und die Art ein, wie Unternehmen entscheiden. Ob in der Medizin, der Industrie, der Verwaltung oder im Marketing: KI automatisiert Arbeitsschritte, erkennt Muster und ermöglicht neue Produkte, die sich leicht skalieren lassen.

Zugleich wirft sie Fragen nach Kontrolle, Ethik und gesellschaftlicher Verantwortung auf. Wer die wichtigsten Begriffe versteht, kann Chancen besser nutzen und Risiken besser einschätzen.

Glossar Künstliche Intelligenz

Weiße Karteibox mit hellblauen Registern und Beschriftung
Das Glossar erklärt die Fachsprache der Künstlichen Intelligenz von A bis Z.

Algorithmus

Ein KI-Algorithmus ist eine Schritt-für-Schritt-Anleitung, mit der ein Computer ein Problem löst. In der Künstlichen Intelligenz bilden Algorithmen das technische Fundament für maschinelles Lernen, Bildverarbeitung und Sprachverarbeitung.

Algorithmen können einfach oder hochkomplex sein, etwa bei neuronalen Netzen. In jedem Fall analysieren sie Eingabedaten systematisch und erzeugen daraus eine passende Ausgabe.

Anomalieerkennung

Anomalieerkennung ist ein KI-Verfahren, das ungewöhnliche Muster oder Ausreißer in Daten findet. Banken setzen es zur Betrugserkennung ein, die Industrie zur Früherkennung von Maschinenschäden.

Die KI lernt, was „normal“ ist, und schlägt Alarm, sobald etwas davon abweicht. Echte Anomalien von harmlosen Ausreißern zu unterscheiden, bleibt schwierig.

Aufmerksamkeitsmechanismus

Ein Aufmerksamkeitsmechanismus ist ein Verfahren, das relevante Informationen innerhalb großer Datenmengen gewichtet. In Sprachmodellen, wie sie etwa ChatGPT nutzt, sorgt er dafür, dass bestimmte Wörter, Sätze oder Kontextinformationen stärker ins Gewicht fallen als andere.

Der Mechanismus ist ein Kernbestandteil moderner Transformer-Modelle.

Autonomes System

Ein autonomes System ist ein technisches System, das ohne direkten menschlichen Eingriff entscheidet und handelt. In der KI meint der Begriff etwa autonome Fahrzeuge, Roboter oder Drohnen.

Die Software analysiert fortlaufend Umgebungsdaten, bewertet Situationen und wählt eine Handlung aus. Solche Systeme stellen hohe Anforderungen an Sicherheit, Ethik und Nachvollziehbarkeit.

Backpropagation

Backpropagation ist ein mathematisches Verfahren, mit dem ein neuronales Netz seine Fehler korrigiert. Es gehört zum Standardwerkzeug des maschinellen Lernens.

Das Netz berechnet zunächst ein Ergebnis und vergleicht es mit dem Sollwert. Danach passt das Verfahren die Gewichte der Neuronen rückwärts an, sodass das Netz mit jedem Durchlauf besser wird. Ohne Backpropagation ließen sich tiefe Netze kaum trainieren.

Bias

Bias bezeichnet eine systematische Verzerrung in KI-Systemen, die zu unfairen oder falschen Ergebnissen führen kann. Sie entsteht oft durch einseitige Trainingsdaten oder durch menschliche Vorurteile, die sich in der Datenbasis spiegeln.

Bias zählt zu den großen ethischen Problemen der Künstlichen Intelligenz, etwa bei Bewerberauswahl, Kreditvergabe oder Gesichtserkennung. Entwickler versuchen deshalb, ihn früh zu erkennen und zu verringern.

Chatbot

Ein Chatbot ist ein KI-gestütztes System, das automatisierte Gespräche mit Nutzern führt, meist per Text oder Sprache. Moderne Chatbots wie ChatGPT verwenden leistungsfähige Sprachmodelle, um Antworten zu erzeugen, die menschlich klingen.

Unternehmen setzen die Bots im Kundenservice, im Onlinehandel und in interaktiven Lernsystemen ein. Chatbots haben den Vorteil, dass sie jederzeit bereitstehen und viele Anfragen gleichzeitig bewältigen.

Computer Vision

Computer Vision ist ein Fachgebiet der KI, das Computern das Sehen und Verstehen von Bildern und Videos ermöglicht. Dazu zählen Objekterkennung, Bildklassifikation, Gesichtserkennung und Bewegungsanalyse.

Grundlage sind meist tiefe neuronale Netze, die mit riesigen Bilddatensätzen trainiert wurden. Computer Vision wird in der Industrie, im Gesundheitswesen und bei autonomen Fahrzeugen eingesetzt.

Corpus

Ein Corpus (deutsch: Korpus) ist eine strukturierte Sammlung von Texten oder Sprachdaten, die zur Analyse oder zum Training von KI-Systemen dient. Sprachmodelle wie GPT wurden mit riesigen Korpora trainiert, um Sprache statistisch zu erfassen.

Ein Korpus kann aus Zeitungsartikeln, Webseiten, wissenschaftlichen Texten oder Transkripten bestehen. Je vielfältiger es ist, desto leistungsfähiger wird die KI.

Clustering

Clustering ist eine Technik des maschinellen Lernens, die Daten automatisch in Gruppen (Cluster) einteilt, ohne dass vorher Kategorien festgelegt wurden. Das Verfahren erkennt Ähnlichkeiten zwischen Datenpunkten und ordnet diese Punkte entsprechend den Gruppen zu.

Clustering kommt bei Kundenanalysen, in der Bildverarbeitung und bei der Anomalieerkennung zum Einsatz. Es gehört zum unüberwachten Lernen.

Data Augmentation

Data Augmentation ist eine Technik im maschinellen Lernen, die künstlich neue Trainingsdaten erzeugt, um die Qualität eines Modells zu verbessern. In der Bilderkennung werden etwa Fotos gespiegelt, gedreht oder leicht verzerrt, damit der Datensatz vielfältiger wird.

Das Modell soll so robuster gegenüber Abweichungen werden. Das Verfahren ist besonders nützlich, wenn nur wenige Originaldaten vorliegen.

Datenannotation

Datenannotation bezeichnet den Arbeitsschritt, in dem Rohdaten mit Zusatzinformationen versehen werden, damit Modelle des maschinellen Lernens sie nutzen können. Bearbeiter markieren etwa relevante Begriffe in einem Text oder umranden bestimmte Objekte in einem Bild.

Beim überwachten Lernen braucht ein Modell solche Angaben, um aussagekräftige Muster zu erlernen. Je präziser die Annotation, desto besser arbeitet das Modell später.

Decision Tree

Ein Decision Tree (Entscheidungsbaum) ist ein baumartiges Modell, das auf Basis von Wenn-dann-Regeln entscheidet. KI-Systeme nutzen es häufig für die Klassifikation oder die Regression.

Jeder Knoten stellt eine Entscheidungsregel dar, jeder Ast führt zur nächsten Frage, bis ein Ergebnis feststeht. Entscheidungsbäume sind leicht zu interpretieren und lassen sich zu komplexeren Modellen wie Random Forests kombinieren.

Deepfake

Ein Deepfake ist ein künstlich erzeugter oder manipulierter Medieninhalt, der mithilfe von KI täuschend echt wirkt, etwa ein Video mit veränderter Mimik oder Stimme. Dahinter stehen neuronale Netze, meist aus dem Bereich Deep Learning.

Deepfakes werfen ernste ethische Fragen auf, weil sie sich zur Täuschung, Manipulation oder Rufschädigung nutzen lassen. Zugleich eröffnen sie Film und Kunst neue kreative Möglichkeiten.

Deep Learning

Deep Learning ist ein Teilbereich des maschinellen Lernens, in dem mehrschichtige neuronale Netze komplexe Muster erkennen. Diese tiefen Netze bestehen aus vielen verborgenen Schichten, die Eingabedaten schrittweise verarbeiten, etwa beim Erkennen von Sprache, Text oder Bildern.

Deep Learning steckt hinter vielen modernen KI-Anwendungen und braucht zum Training meist sehr große Datenmengen.

Domänenspezifisches Wissen

Domänenspezifisches Wissen bezeichnet Fachwissen, das für ein bestimmtes Anwendungsfeld der KI nötig ist, etwa medizinische Leitlinien bei Diagnosesystemen oder juristische Regeln bei Legal Tech.

Ohne dieses Vorwissen bleiben viele KI-Systeme oberflächlich oder unbrauchbar. Wenn es einfließt, werden KI-Lösungen deutlich brauchbarer, genauer und vertrauenswürdiger.

Edge Computing

Edge Computing ist ein Konzept, bei dem Daten direkt dort verarbeitet werden, wo sie entstehen, etwa in einem Sensor, Fahrzeug oder Smartphone. KI kann dadurch schnell reagieren, ohne auf eine zentrale Cloud angewiesen zu sein.

Bildanalysen laufen so auch bei instabiler Internetverbindung in Echtzeit. Edge Computing ist besonders für vernetzte Geräte (IoT) und autonome Systeme wichtig.

Explainable AI

Explainable AI (XAI) ist ein Teilbereich der Künstlichen Intelligenz, der sich mit der Verständlichkeit und Nachvollziehbarkeit von KI-Entscheidungen befasst. Nutzer sollen erkennen können, warum ein System eine bestimmte Entscheidung getroffen hat.

Nachvollziehbare Entscheidungen sind besonders bei heiklen Anwendungen wichtig, etwa in Medizin, Justiz oder Finanzwesen. Erklärbare KI schafft Vertrauen und ermöglicht Aufsichtsbehörden, sie zu kontrollieren.

Feature Engineering

Feature Engineering ist der Arbeitsschritt, in dem relevante Merkmale (Features) aus Rohdaten gewonnen oder konstruiert werden, um das Training von KI-Modellen zu verbessern. Gute Merkmale erhöhen die Aussagekraft eines Modells erheblich.

Aus einem Datum lässt sich etwa der Wochentag als Merkmal ableiten. Dieser Arbeitsschritt verlangt Kreativität und prägt das Ergebnis des maschinellen Lernens stark.

Fine Tuning

Fine Tuning bezeichnet das gezielte Nachtrainieren eines bestehenden KI-Modells auf eine spezielle Aufgabe oder ein Fachgebiet. Ein großes Sprachmodell wie GPT lässt sich etwa auf juristische Fachsprache abstimmen, um dort bessere Ergebnisse zu erzielen.

Fine Tuning spart Ressourcen, weil niemand das ganze Modell von Grund auf neu trainieren muss. Zugleich arbeitet das Modell in der jeweiligen Anwendung genauer.

Generative KI

Generative KI bezeichnet Systeme, die auf Basis von Trainingsdaten neue Inhalte erzeugen, etwa Texte, Bilder, Musik oder Programmcode. Klassische KI-Modelle analysieren oder sortieren nur, generative Modelle bringen neue Inhalte hervor.

Bekannte Beispiele sind Bildgeneratoren wie Midjourney und Textmodelle wie GPT. Die Anwendungen reichen von kreativen Projekten bis zur Automatisierung in der Industrie.

Gezieltes Prompting

Gezieltes Prompting ist die Technik, Eingaben für Sprachmodelle so zu gestalten, dass die Modelle präzise und nützliche Ergebnisse liefern. Der Prompt dient als Steuerbefehl für die KI, und schon kleine Änderungen daran können die Qualität der Antwort stark beeinflussen.

Gezieltes Prompting setzt im Alltag ein gutes Verständnis dafür voraus, wie das Modell auf Sprache reagiert.

GPT

GPT steht für „Generative Pretrained Transformer“, ein großes Sprachmodell, das mit riesigen Textmengen vortrainiert wurde. GPT-Modelle, auf denen etwa ChatGPT beruht, analysieren den Kontext einer Eingabe und erzeugen daraus plausible Antworten.

Die Architektur der Modelle stützt sich auf sogenannte Transformer, die den Kontext mithilfe von Aufmerksamkeitsmechanismen erfassen. GPT gilt als Meilenstein der maschinellen Sprachverarbeitung.

Halluzinieren

Halluzinieren bezeichnet das Phänomen, dass ein KI-Modell inhaltlich falsche oder erfundene Aussagen erzeugt, die sprachlich korrekt und überzeugend klingen. Besonders Sprachmodelle wie GPT neigen dazu, Quellen, Zitate oder Fakten zu erfinden, wenn ihnen passende Informationen fehlen.

Das stellt die Verlässlichkeit von KI-Systemen ernsthaft infrage. Quellenprüfung oder menschliche Kontrolle helfen als Gegenmaßnahmen.

Heuristik

Eine Heuristik ist eine vereinfachte Entscheidungsregel, mit der die Künstliche Intelligenz Probleme effizient löst. Sie beruht nicht auf vollständigem Wissen, sondern auf Näherungen oder Erfahrungswerten.

Heuristiken helfen besonders dort, wo eine exakte Lösung zu aufwendig wäre, etwa bei der Suche nach guten Zügen in Spielen oder bei der Routenplanung.

Human in the Loop

Human in the Loop bezeichnet ein KI-System, in dem der Mensch aktiv in Entscheidungen eingebunden bleibt. Er kann kritische Entscheidungen überprüfen, anpassen oder ablehnen.

Das erhöht Transparenz und Kontrolle, vor allem in Bereichen mit hohen Risiken wie Medizin oder Recht. Das Konzept gilt als wichtige Voraussetzung für verantwortungsvolle KI-Anwendungen.

Hyperparameter

Hyperparameter sind Einstellungen, die vor dem Training feststehen und das Verhalten sowie die Struktur eines KI-Modells beeinflussen. Dazu zählen etwa die Lernrate, die Anzahl der Schichten oder die Größe der Datenpakete (Batches).

Die Wahl der Hyperparameter wirkt sich stark auf die Leistung des Modells aus. Entwickler bestimmen sie meist durch systematische Tests oder automatisierte Optimierungsverfahren.

Hybridmodell

Ein Hybridmodell kombiniert mehrere KI-Techniken oder verschiedene Datenquellen, um komplexe Aufgaben besser zu lösen. Ein Beispiel ist die Verbindung regelbasierter Systeme mit neuronalen Netzen.

Hybridmodelle sind flexibler und oft genauer als reine Modelle. Gerade in sicherheitskritischen Bereichen verbinden sie die Stärken beider Ansätze: Transparenz auf der einen, Lernfähigkeit auf der anderen Seite.

Hallmark Task

Eine Hallmark Task (Referenzaufgabe) ist eine repräsentative, anspruchsvolle Standardaufgabe, an der sich die Leistungsfähigkeit eines KI-Modells messen lässt. In der Sprachverarbeitung zählen dazu etwa das Lösen logischer Rätsel oder das Verstehen komplexer Texte.

Solche Aufgaben sind wichtig für Benchmarks, weil sie unterschiedliche Fähigkeiten wie logisches Schließen, Kontextverständnis oder Faktenwissen abprüfen.

Hebb’sches Lernen

Hebb’sches Lernen ist ein biologisch inspiriertes Lernprinzip, das die Verbindung zweier Neuronen stärkt, wenn beide gleichzeitig aktiv sind. Der Leitsatz lautet: „Neurons that fire together, wire together.“ Sinngemäß: Neuronen, die gemeinsam feuern, verknüpfen sich.

In der Künstlichen Intelligenz wurde dieses Prinzip früh für einfache neuronale Netze übernommen. Es liegt vielen Lernmechanismen zugrunde, auch wenn moderne Netze komplexere Verfahren wie Backpropagation nutzen.

Inferenz

Inferenz bezeichnet den Vorgang, in dem ein trainiertes KI-Modell neue Eingabedaten verarbeitet, um daraus Vorhersagen oder Entscheidungen abzuleiten. Das Training ist die Lernphase, mit der Inferenz beginnt die Anwendung.

Bei Sprachmodellen wie GPT bedeutet Inferenz, dass das Modell auf eine Texteingabe eine möglichst passende Antwort erzeugt. Für den Praxiseinsatz zählen dabei vor allem Geschwindigkeit und Effizienz.

Instanzbasiertes Lernen

Instanzbasiertes Lernen ist eine Methode, die neue Eingaben mit gespeicherten Beispielen vergleicht, statt ein abstrahiertes Modell zu verwenden. Das bekannteste Verfahren ist der K-Nächste-Nachbarn-Algorithmus.

Instanzbasiertes Lernen funktioniert besonders gut bei klar strukturierten Daten mit wenig Rauschen, etwa in der Bilderkennung oder bei einfachen Klassifikationsaufgaben.

Intelligente Agenten

Intelligente Agenten sind autonome Systeme, die ihre Umgebung wahrnehmen, analysieren und darauf reagieren, um ein festgelegtes Ziel zu erreichen. Sie arbeiten oft in sich wandelnden Umgebungen, etwa als virtuelle Assistenten, Robotersysteme oder Entscheidungshilfen in Software.

Das Agenten-Konzept gilt in der Künstlichen Intelligenz als Grundlage für anpassungsfähiges Verhalten und strategisches Handeln.

Interaktives Lernen

Interaktives Lernen bezeichnet ein Verfahren, in dem ein KI-System gezielt Rückmeldungen von Menschen einholt, um sein Modell zu verbessern. Der Mensch korrigiert etwa falsch klassifizierte Beispiele oder markiert besonders schwierige Fälle.

Das Training wird dadurch effizienter, denn Bearbeiter müssen nicht alles vorab annotieren, sondern nur das, was das System gerade am meisten weiterbringt.

Interpretierbarkeit

Interpretierbarkeit meint die Fähigkeit, die Entscheidungen eines KI-Modells nachzuvollziehen, vor allem, warum es zu einem bestimmten Ergebnis gekommen ist. Einfache Modelle wie Entscheidungsbäume lassen sich oft leicht erklären, neuronale Netze gelten dagegen als Blackbox.

In der KI-Ethik nimmt das Thema breiten Raum ein, besonders bei heiklen Anwendungen in Medizin oder Justiz.

Kausalität

Kausalität bezeichnet Ursache-Wirkungs-Zusammenhänge, also das, was passiert, weil etwas anderes passiert ist. Für die Künstliche Intelligenz ist Kausalität schwerer zu erfassen als Korrelation, denn viele Modelle erkennen nur Zusammenhänge und keine tatsächlichen Ursachen.

Für belastbare, verlässliche Entscheidungen müssen KI-Systeme jedoch genau diese Ursachen erkennen.

KI-Agenten

KI-Agenten sind autonome Systeme, die komplexe Aufgaben eigenständig planen, ausführen und überwachen, ohne dass Sie jeden Teilschritt vorgeben müssen. Reaktive Werkzeuge wie Chatbots warten auf Ihre Eingaben und liefern einzelne Antworten.

Agenten analysieren dagegen Ihre Zielvorgabe, entwickeln eine Lösungsstrategie, nutzen externe Werkzeuge und passen ihr Vorgehen laufend an. Diese Selbstständigkeit macht sie besonders interessant für die Automatisierung mehrstufiger Geschäftsprozesse.

Klassifikation

Klassifikation ist ein grundlegendes Verfahren in der KI, das Daten in vorab festgelegte Kategorien einordnet. Beispiele sind die Spam-Erkennung bei E-Mails oder die Unterscheidung von Krankheitsbildern in der Medizin.

Trainierte Modelle entscheiden dabei anhand von Merkmalen. Die Kategorien müssen vorher eindeutig definiert sein.

Knoten

Ein Knoten ist ein elementarer Bestandteil eines neuronalen Netzes und führt eine bestimmte Berechnung aus. Knoten empfangen Signale, gewichten sie und geben das Ergebnis an die nächste Schicht weiter.

In der bildlichen Darstellung sieht ein neuronales Netz aus wie ein Geflecht aus vielen Knoten, daher der Begriff „Netz“. Jeder Knoten trägt zur Gesamtleistung des Modells bei.

Kontextverständnis

Kontextverständnis bezeichnet die Fähigkeit eines KI-Modells, Bedeutung im Zusammenhang zu erfassen, etwa bei mehrdeutigen Wörtern oder komplexen Textbezügen. Ein Beispiel: „Bank“ kann ein Finanzinstitut oder eine Sitzgelegenheit sein, erst der Kontext klärt die Bedeutung.

Modelle mit gutem Kontextverständnis liefern passendere, widerspruchsfreiere und „menschlichere“ Antworten.

Konfidenzintervall

Ein Konfidenzintervall ist ein statistischer Bereich, der einen unbekannten Wert mit einer festgelegten Wahrscheinlichkeit einschließen soll. In der Künstlichen Intelligenz hilft es, die Unsicherheit von Vorhersagen in Zahlen zu fassen, etwa bei medizinischen Diagnosen oder Risikoabschätzungen.

Das Intervall ist ein wichtiges Werkzeug, um die Güte eines Modells und die Verlässlichkeit seiner Entscheidungen zu bewerten.

Label

Ein Label ist eine zugeordnete Kategorie oder Zielvariable, die beim überwachten Lernen als Referenz dient. Ein Bild kann etwa das Label „Hund“ oder „Katze“ tragen.

Das KI-Modell lernt, diese Zuordnung anhand von Merkmalen selbst vorzunehmen. Labels sind unverzichtbar für überwachtes Lernen und bestimmen mit, wie genau ein System später klassifiziert.

Lernrate

Die Lernrate ist ein Hyperparameter, der bestimmt, wie stark ein KI-Modell seine Gewichte pro Trainingsschritt anpasst. Wenn sie zu hoch ist, findet das Modell möglicherweise keinen stabilen Zustand. Bei einer zu niedrigen Lernrate dauert das Training sehr lange.

Ob das Lernen effizient und stabil verläuft, hängt gerade bei tiefen neuronalen Netzen von der richtigen Lernrate ab.

Lineare Regression

Lineare Regression ist ein klassisches statistisches Prognoseverfahren, das eine kontinuierliche Zielgröße anhand linearer Zusammenhänge zwischen Variablen schätzt. In der KI dient sie oft als Basisverfahren, etwa zur Einschätzung von Preisen oder Nachfrageverläufen.

Trotz ihrer Einfachheit liefert die lineare Regression bei klaren Datenstrukturen oft solide Ergebnisse.

Lokales Minimum

Ein lokales Minimum ist ein Punkt im Optimierungsprozess, an dem die Fehlerfunktion zwar kleiner ist als in der unmittelbaren Umgebung, aber nicht unbedingt den global niedrigsten Wert erreicht.

Beim Training neuronaler Netze kann ein Modell in einem solchen Minimum „stecken bleiben“ und schlechter abschneiden, als es könnte. Techniken wie Momentum, das die bisherige Lernrichtung einbezieht, helfen, dieses Problem zu vermeiden.

Loss Function

Die Loss Function, auf Deutsch Verlustfunktion, misst die Abweichung zwischen vorhergesagtem und tatsächlichem Ergebnis eines KI-Modells. Sie steuert das Training.

Je höher der Verlust, desto schlechter die Leistung und desto stärker passt das Training die Modellparameter an. Unterschiedliche Aufgaben brauchen unterschiedliche Verlustfunktionen, etwa die Kreuzentropie bei der Klassifikation oder den mittleren quadratischen Fehler bei der Regression.

Machine Vision

Machine Vision ist ein KI-Anwendungsfeld, in dem Computer visuelle Informationen verarbeiten, analysieren und interpretieren, ähnlich wie beim menschlichen Sehen. Typische Einsatzfelder sind die Qualitätskontrolle in der Produktion, die Verkehrsüberwachung und die medizinische Bildanalyse.

Machine Vision verbindet Bildverarbeitung mit maschinellem Lernen und entscheidet automatisiert auf Basis von Bildern oder Videos.

Maschinelles Lernen

Maschinelles Lernen ist ein Teilbereich der Künstlichen Intelligenz, in dem Computer aus Daten lernen, ohne für jede Regel eigens programmiert zu werden. Statt starrer Regeln entsteht durch Training ein Modell, das Muster erkennt, Vorhersagen liefert oder Entscheidungen trifft.

Maschinelles Lernen bildet die Grundlage vieler moderner KI-Systeme, etwa in der Bilderkennung, der Sprachverarbeitung und bei Prognosen.

Meta Learning

Meta Learning, oft als „das Lernen lernen“ bezeichnet, ist ein Ansatz, bei dem ein KI-System Strategien erwirbt, um neue Aufgaben schneller zu bewältigen. Es fängt nicht jedes Mal bei null an, sondern nutzt Erfahrung aus früheren Lernvorgängen.

Der Ansatz hilft besonders, wenn nur wenige Trainingsdaten vorliegen oder sich Aufgaben schnell ändern, etwa in der personalisierten Medizin oder in der Robotik.

Metrik

Eine Metrik ist ein quantitatives Maß zur Bewertung der Leistung eines KI-Modells. Je nach Anwendung kommen unterschiedliche Metriken zum Einsatz, etwa Genauigkeit, Präzision, F1-Wert oder ROC-AUC.

Welche passt, hängt vom Einsatz ab: In der medizinischen Diagnose ist eine hohe Sensitivität oft wichtiger als die reine Genauigkeit. Metriken machen KI-Ergebnisse messbar und vergleichbar.

Modellkomplexität

Modellkomplexität bezeichnet den Umfang von Struktur, Tiefe und Parametern in einem KI-Modell. Ein komplexes Modell kann viele Details erfassen, läuft aber Gefahr, sich zu stark an die Trainingsdaten anzupassen (Overfitting).

Ein zu einfaches Modell übersieht dagegen womöglich wichtige Zusammenhänge. Entwickler suchen ein gutes Gleichgewicht zwischen Komplexität und der Fähigkeit, Gelerntes auf neue Daten zu übertragen.

Neuronales Netz

Ein neuronales Netz ist ein mathematisches Modell, das grob an die Struktur des menschlichen Gehirns angelehnt ist. Es besteht aus Schichten von Knoten (Neuronen), die Eingaben verarbeiten, gewichten und an andere Knoten weitergeben.

Neuronale Netze lernen aus Beispielen, indem sie ihre Verbindungsstärken (Gewichte) anpassen. Sie bilden das Fundament vieler KI-Anwendungen, von der Spracherkennung bis zur Bildanalyse.

NLP (Natural Language Processing)

Natural Language Processing (NLP), die maschinelle Sprachverarbeitung, ist der Bereich der KI, der sich mit der Analyse, Verarbeitung und Erzeugung natürlicher Sprache befasst. Dazu gehören Textklassifikation, maschinelle Übersetzung, Eigennamenerkennung und Stimmungsanalyse.

Auch Sprachmodelle wie GPT zählen zu diesem Gebiet. NLP soll Maschinen in die Lage versetzen, Sprache so zu verstehen und zu erzeugen, dass sie Menschen nützt.

Overfitting

Overfitting (Überanpassung) bezeichnet ein Phänomen, bei dem ein KI-Modell die Trainingsdaten samt Rauschen und Ausnahmen zu genau lernt und dadurch bei neuen Daten versagt. Bei den Trainingsdaten liefert das Modell dann sehr gute Ergebnisse, verallgemeinert aber schlecht.

Regularisierung, Kreuzvalidierung oder einfachere Modelle helfen dagegen. Overfitting zählt zu den häufigsten Problemen des maschinellen Lernens.

Overparameterisierung

Overparameterisierung, auf Deutsch Überparametrisierung, tritt auf, wenn ein Modell mehr Parameter hat, als zur Lösung der Aufgabe nötig wären. Das kann die Rechenzeit verlängern, die Interpretierbarkeit verschlechtern und Overfitting begünstigen.

In Deep-Learning-Modellen schadet Überparametrisierung jedoch nicht immer, oft helfen zusätzliche Parameter, komplexe Muster zu erkennen. Modellgröße und Datenmenge müssen zueinander passen.

Pipeline

Eine Pipeline ist ein standardisierter Ablauf von Verarbeitungsschritten, mit dem Entwickler Daten vorbereiten, Modelle trainieren und Ergebnisse erzeugen. Typische Bestandteile sind Datenbereinigung, Feature Engineering, Modelltraining und Auswertung.

Eine gute Pipeline macht Ergebnisse wiederholbar, lässt sich skalieren und automatisiert den gesamten KI-Prozess effizient.

Der Weg einer KI-Pipeline
Fünf Stationen von den Rohdaten bis zur Anwendung
1
Preprocessing

Rohdaten werden bereinigt, normalisiert und tokenisiert.

2
Feature Engineering

Aus den Rohdaten entstehen aussagekräftige Merkmale.

3
Training

Das Modell passt seine Gewichte an, die Verlustfunktion misst den Fehler.

4
Validierung

Mit Daten, die das Modell nicht kennt, wird seine Leistung geprüft.

5
Inferenz

Das trainierte Modell verarbeitet neue Eingaben.

Preprocessing

Preprocessing bezeichnet die Vorverarbeitung von Rohdaten, bevor sie in ein KI-Modell gelangen. Aus unstrukturierten oder verrauschten Daten soll eine saubere, strukturierte Basis werden, etwa durch Normalisierung, Tokenisierung oder das Entfernen von Ausreißern.

Dieser Arbeitsschritt beeinflusst Qualität und Leistung eines KI-Modells maßgeblich.

Predictive Analytics

Predictive Analytics ist ein KI-gestützter Ansatz zur Vorhersage künftiger Ereignisse auf Basis historischer Daten. Unternehmen nutzen ihn etwa zur Absatzprognose, zur Wartungsplanung oder zur Bewertung von Kreditrisiken.

Dahinter stehen meist statistische Modelle, maschinelles Lernen oder Deep Learning. Wie gut die Vorhersage ausfällt, hängt stark von der Datenbasis und der Wahl des Modells ab.

Prompt Engineering

Prompt Engineering ist die gezielte Gestaltung von Eingabeaufforderungen (Prompts), um mit generativen Sprachmodellen die besten Ergebnisse zu erzielen. Der Prompt wirkt wie eine Aufgabenbeschreibung: Je klarer und präziser er ist, desto besser fällt die Antwort aus.

Prompt Engineering hat sich zu einem eigenen Kompetenzfeld entwickelt, besonders im Umgang mit Modellen wie GPT, Claude oder Gemini.

Ein geschliffener Prompt verhindert kein Halluzinieren, ein Mensch prüft am Ende immer noch die Quellen.

Markus Seyfferth, Chefredakteur Dr. Web
Zitat teilen

Prognosemodell

Ein Prognosemodell ist ein KI-Modell, das künftige Entwicklungen vorhersagen soll, etwa Umsatzkurven, Kundennachfrage oder Maschinenverschleiß. Je nach Fragestellung kommen Regressionsverfahren, Zeitreihenanalysen oder neuronale Netze zum Einsatz.

Ein gutes Prognosemodell untermauert Entscheidungen mit Daten und macht Risiken früh erkennbar.

Prompt Tuning

Prompt Tuning ist eine Technik, bei der Prompts durch Training optimiert werden, um ein vortrainiertes Sprachmodell auf eine spezielle Aufgabe oder ein Fachgebiet abzustimmen, ohne das Modell selbst zu verändern.

Prompt Tuning braucht weniger Ressourcen als Fine Tuning und eignet sich besonders, wenn ein Modell mit geringem Aufwand an viele Aufgaben angepasst werden soll.

Quantisierung

Quantisierung ist ein Verfahren, das die Genauigkeit von Modellparametern verringert, um Rechenleistung und Speicherplatz zu sparen. Statt mit 32-Bit-Gleitkommazahlen arbeiten quantisierte Modelle etwa mit 8-Bit-Zahlen.

So laufen komplexe Modelle auch auf Mobilgeräten oder Mikrocontrollern, oft mit nur geringen Qualitätseinbußen.

Reinforcement Learning

Reinforcement Learning (bestärkendes Lernen) ist eine Lernmethode, bei der ein Agent durch Versuch und Irrtum lernt, in einer Umgebung möglichst gute Entscheidungen zu treffen. Belohnungen oder Bestrafungen steuern den Lernvorgang.

Typische Anwendungen finden sich in der Robotik, bei Spielstrategien und beim autonomen Fahren. Reinforcement Learning eignet sich besonders gut für Probleme mit vielen Handlungsoptionen und langfristiger Planung.

Regularisierung

Regularisierung ist eine Technik zur Vermeidung von Overfitting, die komplexe Modelle während des Trainings mit einem Strafterm belegt. Dadurch bleiben übermäßige Gewichtungen im Modell aus.

Bekannte Verfahren sind die L1- und die L2-Regularisierung. Das Modell soll so nicht nur die Trainingsdaten, sondern auch unbekannte Eingaben gut verarbeiten, also besser verallgemeinern.

Retrieval-Augmented Generation

Retrieval-Augmented Generation (RAG) kombiniert Textgenerierung mit gezielter Informationssuche. Bevor die KI antwortet, fragt das System eine externe Quelle ab, etwa Dokumente, Webseiten oder Wissensdatenbanken.

Die Ergebnisse fließen in die Antwort ein. RAG macht die Antworten generativer Modelle aktueller, besser belegt und passender, besonders im professionellen Einsatz.

Robustheit

Robustheit bezeichnet die Fähigkeit eines KI-Systems, auch unter schwierigen Bedingungen verlässliche Ergebnisse zu liefern, etwa bei verrauschten Daten, leichten Störungen oder ungewöhnlichen Eingaben.

Ein robustes Modell lässt sich nicht leicht durch minimale Veränderungen aus dem Tritt bringen. Robustheit ist besonders in sicherheitskritischen oder sich schnell ändernden Umgebungen wichtig.

Schwellenwert

Ein Schwellenwert ist ein fester Grenzwert, bei dessen Über- oder Unterschreiten eine Entscheidung fällt. In Klassifikationsmodellen legt er etwa fest, ob ein Ergebnis als positiv oder negativ gilt.

Der Schwellenwert beeinflusst Metriken wie Präzision oder Sensitivität und muss je nach Anwendung sorgfältig gewählt werden.

Selbstüberwachtes Lernen

Selbstüberwachtes Lernen (Self-Supervised Learning) ist ein Ansatz, bei dem ein KI-Modell aus Rohdaten lernt, ohne dass Menschen Labels vergeben müssen. Das System stellt sich eigene Aufgaben, füllt etwa Lücken in Texten oder rekonstruiert Bildteile, und lernt daraus.

Das Verfahren gilt als Grundlage für maschinelles Lernen in großem Umfang, weil es große, unstrukturierte Datenmengen effizient nutzbar macht.

Sensitivität

Sensitivität ist eine Metrik, die die Trefferquote eines KI-Modells bei positiven Fällen bewertet, etwa: „Wie viele tatsächlich Kranke erkennt ein Diagnosesystem?“ Eine hohe Sensitivität bedeutet, dass wenige relevante Fälle übersehen werden.

Die Sensitivität ist besonders in Bereichen mit hohem Risiko wie der Medizin oder der Betrugserkennung wichtig.

Stochastik

Stochastik ist das mathematische Teilgebiet, das Wahrscheinlichkeitsrechnung und Statistik umfasst, und damit ein wichtiger Baustein vieler KI-Verfahren. Zufall spielt beim Training, bei der Datenaufteilung und bei Modellentscheidungen eine große Rolle.

Ohne solide Stochastik-Kenntnisse lassen sich viele KI-Modelle weder entwickeln noch zuverlässig interpretieren.

Supervised Learning

Supervised Learning (überwachtes Lernen) ist eine Lernmethode, bei der ein KI-Modell mit annotierten Daten trainiert wird: Zu jeder Eingabe ist das gewünschte Ergebnis bekannt. Das Modell lernt, Eingaben mit den richtigen Ausgaben zu verknüpfen.

Überwachtes Lernen ist die meistgenutzte Methode im maschinellen Lernen und kommt in der Bilderkennung, der Betrugserkennung und der Spracherkennung zum Einsatz.

Tokenisierung

Tokenisierung ist der Vorgang, bei dem Text in kleinere Einheiten, sogenannte Tokens, zerlegt wird, damit ein KI-Modell ihn verarbeiten kann. Ein Token kann je nach Modellarchitektur ein Wort, eine Silbe oder sogar nur ein Zeichen sein.

In der Sprachverarbeitung ist das ein grundlegender Schritt, denn er bestimmt, wie ein Modell Sprache „liest“.

Trainingsdaten

Trainingsdaten sind die Datenbasis, mit der ein KI-Modell trainiert wird. Sie enthalten Eingaben und, je nach Lernmethode, auch die passenden Ausgaben oder Labels.

Qualität, Vielfalt und Relevanz der Trainingsdaten bestimmen maßgeblich, was ein Modell später leistet. Fehlerhafte oder einseitige Daten führen oft zu Bias oder unzuverlässigen Ergebnissen.

Transferlernen

Transferlernen ist ein Verfahren, das ein bereits trainiertes Modell an eine neue, verwandte Aufgabe anpasst. So beginnt das System nicht bei null, sondern nutzt vorhandenes Wissen weiter.

Transferlernen spart Rechenleistung und ermöglicht gute Ergebnisse mit vergleichsweise wenig neuen Daten, etwa wenn ein Sprachmodell an juristische Fachsprache angepasst wird.

Transformermodell

Ein Transformermodell ist eine KI-Architektur, die Sequenzen wie Text besonders effektiv verarbeitet. Es gewichtet relevante Kontextinformationen mit Aufmerksamkeitsmechanismen, unabhängig von ihrer Position.

Transformermodelle wie GPT, BERT oder T5 haben die maschinelle Sprachverarbeitung grundlegend verändert und waren im Juli 2025 Standard in vielen KI-Anwendungen.

Transparenz

Transparenz bedeutet in der Künstlichen Intelligenz, dass die Entscheidungen, Abläufe und Grundlagen eines KI-Systems nachvollziehbar sind, für Entwickler wie für Nutzer. Transparente Systeme zeigen, wie ein Ergebnis zustande kam, welche Daten verwendet wurden und welche Regeln im Spiel sind.

In heiklen Bereichen wie Justiz oder Medizin ist Transparenz eine Grundvoraussetzung für Vertrauen.

Turing-Test

Der Turing-Test ist ein klassisches Verfahren zur Beurteilung, ob eine Maschine menschenähnliches Verhalten zeigt. Wenn eine KI den Test besteht, lässt sie sich im Textdialog nicht mehr eindeutig von einem Menschen unterscheiden.

Alan Turing schlug den Test 1950 vor. Der Test hat inzwischen vor allem symbolische Bedeutung, denn Systeme wie ChatGPT überzeugten schon im Juli 2025 in vielen Situationen als Gesprächspartner.

Unüberwachtes Lernen

Unüberwachtes Lernen ist ein KI-Ansatz, bei dem Modelle ohne vorgegebene Zielwerte Muster oder Strukturen in Daten erkennen. Sie arbeiten ohne Labels und erkunden die Daten selbst, etwa bei der Clusterbildung, der Dimensionsreduktion oder der Anomalieerkennung.

Der Ansatz eignet sich besonders für große, unstrukturierte Datenmengen, zu denen es keine klare Zielvorgabe gibt.

Validierung

Validierung ist ein Prüfverfahren, das die Leistung eines KI-Modells während oder nach dem Training bewertet, meist mit Daten, die das Modell zuvor nicht kannte. So zeigt sich, ob es Gelerntes auf neue Daten übertragen kann oder sich überanpasst.

Bei der Optimierung eines Modells hilft die Validierung, objektiv zwischen verschiedenen Varianten zu entscheiden.

Varianz

Varianz bezeichnet in der KI die Empfindlichkeit eines Modells gegenüber Veränderungen in den Trainingsdaten. Ein Modell mit hoher Varianz passt sich sehr genau an die Trainingsdaten an und ist anfällig für Overfitting.

Niedrige Varianz deutet auf ein eher „stures“ Modell hin, das wenig aus den Daten lernt. Robuste Modelle brauchen die richtige Balance zwischen Varianz und Verzerrung (Bias).

Verallgemeinerung

Verallgemeinerung ist die Fähigkeit eines KI-Modells, auch für unbekannte Daten treffende Vorhersagen zu liefern. Ein Modell, das nur bei Trainingsdaten gut funktioniert und bei neuen Daten versagt, verallgemeinert schlecht.

Maschinelles Lernen zielt genau auf diese Fähigkeit, denn nur so lassen sich Abläufe sinnvoll automatisieren und skalieren.

Wahrnehmungsmodell

Ein Wahrnehmungsmodell ist ein KI-System, das Sinneseindrücke analysiert und interpretiert, meist visuelle oder akustische Signale. In der Robotik und bei autonomen Fahrzeugen erkennen solche Modelle etwa Objekte, Bewegungen oder Hindernisse.

Damit eine Maschine in Echtzeit und unter unsicheren Bedingungen intelligent reagieren kann, muss sie ihre Umwelt präzise erfassen.

Weights

Weights (Gewichte) sind die Verbindungsstärken zwischen Neuronen in einem neuronalen Netz. Sie bestimmen, wie stark ein Eingangssignal in die Berechnung der nächsten Schicht einfließt.

Während des Trainings werden die Gewichte so angepasst, dass das Modell immer bessere Vorhersagen liefert. Die Gewichte sind das „Gedächtnis“ des Modells und speichern, was das System gelernt hat.

Wissensgraph

Ein Wissensgraph ist eine strukturierte Darstellung von Wissen in Form von Knoten und Kanten, die Dinge und ihre Beziehungen abbilden. Suchmaschinen und Chatbots verknüpfen damit etwa Kontextinformationen.

Ein Wissensgraph macht Fakten maschinenlesbar, außerdem unterstützt er logisches Schließen und Abfragen auf der Ebene der Bedeutung.

Wortvektor

Ein Wortvektor ist eine mathematische Darstellung eines Wortes als Punkt in einem mehrdimensionalen Raum. Bedeutungsähnliche Wörter liegen dabei automatisch näher beieinander.

Wortvektoren wie Word2Vec oder GloVe ermöglichen es Sprachmodellen, Bedeutung, Kontext und Beziehungen zwischen Begriffen zu erfassen, nicht als Definition, sondern als Muster in Zahlenform.

XAI (eXplainable Artificial Intelligence)

XAI steht für erklärbare Künstliche Intelligenz, also Systeme, deren Entscheidungen für Menschen nachvollziehbar sind. XAI soll Vertrauen schaffen, regulatorische Anforderungen erfüllen und Risiken besser kontrollierbar machen.

Entscheidungsbäume, die Visualisierung von Merkmalen oder Erklärmodelle für einzelne Entscheidungen helfen dabei, auch komplexe Modelle wie neuronale Netze besser zu verstehen.

YAML

YAML ist ein leicht lesbares Datenformat, das häufig zur Konfiguration von KI-Modellen, Datenpipelines oder Trainingsparametern dient. Anders als JSON oder XML setzt YAML auf Übersichtlichkeit und einfache Struktur.

YAML-Dateien legen etwa Hyperparameter, Datenpfade oder Modellvarianten fest, besonders in Umgebungen rund um Deep-Learning-Bibliotheken wie PyTorch oder TensorFlow.

Zielvariable

Die Zielvariable ist die Größe, die ein KI-Modell vorhersagen oder klassifizieren soll. Sie ist das „Ergebnis“, das beim Training als bekannt vorausgesetzt wird.

In einem Modell zur Kreditbewertung wäre das etwa „Kredit wird zurückgezahlt: ja oder nein“. Die Qualität der Zielvariable bestimmt maßgeblich die Güte des gesamten Modells, denn ungenaue Zielwerte führen zu schlechten Vorhersagen.

Zeitreihenanalyse

Zeitreihenanalyse ist ein Verfahren zur Modellierung und Prognose von Daten, die in zeitlicher Reihenfolge vorliegen, etwa Aktienkurse, Wetterdaten oder Messwerte von Maschinensensoren. KI-Modelle wie LSTM-Netze (Long Short-Term Memory) eignen sich besonders gut dafür.

Die Analyse erkennt Trends, saisonale Muster und Ausreißer, oft mit dem Ziel, künftige Entwicklungen vorherzusagen.

Zero-Shot Learning

Zero-Shot Learning ist die Fähigkeit eines KI-Modells, neue Aufgaben zu bewältigen, ohne eigens dafür trainiert worden zu sein. Es nutzt stattdessen vorhandenes Wissen über ähnliche Konzepte.

Ein Sprachmodell kann etwa Fragen zu einem neuen Thema beantworten, ohne im Training je auf dieses Thema gestoßen zu sein. Zero-Shot Learning ist besonders wertvoll, wenn keine annotierten Trainingsdaten vorliegen.

Zustandsraum

Ein Zustandsraum umfasst alle möglichen Konfigurationen oder Situationen, die ein KI-System annehmen oder durchlaufen kann. In der Robotik, der Spieltheorie und der Planung spielt er eine wichtige Rolle, etwa beim Navigieren durch eine Umgebung.

Größe und Struktur des Zustandsraums beeinflussen, wie komplex eine Aufgabe für die KI ist und wie effizient sie sich lösen lässt.

Die wichtigsten Fragen zur Künstlichen Intelligenz

Weißes Fragezeichen mit blauem Punkt und Anhänger „ANTWORTEN“ vor weißem Hintergrund
Hier beantwortet Dr. Web die wichtigsten Fragen zur Künstlichen Intelligenz.

Was ist Künstliche Intelligenz?

Künstliche Intelligenz bezeichnet Systeme, die Aufgaben lösen, für die sonst menschliche Intelligenz nötig ist, etwa lernen, planen, Sprache verstehen oder Probleme analysieren. Grundlage sind meist Algorithmen, die mit großen Datenmengen trainiert wurden.

Worin unterscheiden sich maschinelles Lernen und Deep Learning?

Maschinelles Lernen ist ein Teilbereich der KI, in dem Computer aus Daten lernen, ohne für jede Regel eigens programmiert zu werden. Deep Learning ist ein Teilbereich des maschinellen Lernens und arbeitet mit mehrschichtigen neuronalen Netzen, die komplexe Muster erkennen.

Was bedeutet Halluzinieren bei einem KI-Modell?

Ein KI-Modell halluziniert, wenn es inhaltlich falsche oder erfundene Aussagen erzeugt, die sprachlich korrekt und überzeugend klingen. Sprachmodelle erfinden dabei Quellen, Zitate oder Fakten, wenn ihnen passende Informationen fehlen. Quellenprüfung und menschliche Kontrolle wirken dem entgegen.

Was unterscheidet KI-Agenten von Chatbots?

Chatbots warten auf Eingaben und liefern einzelne Antworten. KI-Agenten analysieren eine Zielvorgabe, entwickeln eine Lösungsstrategie, nutzen externe Werkzeuge und passen ihr Vorgehen laufend an.

Was ist Retrieval-Augmented Generation (RAG)?

RAG kombiniert Textgenerierung mit gezielter Informationssuche. Bevor die KI antwortet, fragt das System eine externe Quelle ab, etwa Dokumente, Webseiten oder Wissensdatenbanken, und die Ergebnisse fließen in die Antwort ein.

Was ist Overfitting und wie lässt es sich vermeiden?

Beim Overfitting lernt ein KI-Modell die Trainingsdaten samt Rauschen und Ausnahmen zu genau und versagt dadurch bei neuen Daten. Regularisierung, Kreuzvalidierung oder einfachere Modelle helfen dagegen.

Worin unterscheiden sich Prompt Engineering, Prompt Tuning und Fine Tuning?

Prompt Engineering gestaltet Eingaben gezielt, um bessere Antworten zu erhalten. Prompt Tuning optimiert Prompts durch Training, ohne das Modell selbst zu verändern. Fine Tuning trainiert ein bestehendes Modell gezielt auf eine spezielle Aufgabe oder ein Fachgebiet nach.

4,7 296 Bewertungen

Wie hat Ihnen dieser Artikel gefallen?

Dr. Web Newsletter

Jede Woche ein bisschen klüger.

Der Dr. Web Newsletter: die besten Artikel, Anbieter-Tipps und neue Tools, kompakt zusammengefasst, jeden Donnerstag. Kostenlos und jederzeit abbestellbar.