🤖 KI-Glossar für Anfänger

Künstliche Intelligenz ist wie ein sehr schlauer Computer-Assistent, der ähnlich wie Menschen denken und lernen kann. KI kann Probleme lösen, Entscheidungen treffen und auch kreativ werden – genau wie ein menschlicher Assistent, nur eben viel schneller.

Maschinelles Lernen funktioniert wie das Lernen eines Kindes – durch viele Beispiele und Wiederholungen wird der Computer immer besser. Anstatt dass Programmierer jeden Schritt vorgeben, lernt die Maschine selbst aus Erfahrungen.

Deep Learning ist wie maschinelles Lernen, aber mit einem “super-intelligenten” Gehirn, das viele Schichten hat. Es kann sehr komplexe Muster erkennen, die für normale Computer zu schwierig wären.

Neuronale Netze sind vergleichbar mit einem simplifizierten Computer-Gehirn, das aus zahlreichen miteinander verbunden “Denkeinheiten” besteht und kooperiert, um Daten zu verarbeiten und Schlussfolgerungen zu ziehen.

Überwachtes Lernen ist wie Lernen mit einem Lehrer, der die richtigen Antworten kennt. Der Computer bekommt viele Beispiele mit den korrekten Lösungen gezeigt, bis er selbst die richtige Antwort finden kann.

Unüberwachtes Lernen ähnelt einem Detektiv ohne Hinweise; es decke Muster und Geheimnisse in Daten auf und erfordert eine eigenständige Entdeckung wichtiger Informationen durch den Computer.

Bestärkendes Lernen funktioniert wie das Training eines Hundes mit Leckerlis – der Computer bekommt Belohnungen für gute Entscheidungen und “Tadel” für schlechte. So lernt er, was richtig und falsch ist.

Ein Entscheidungsbaum funktioniert ähnlich wie ein Fragekatalog – er führt Sie Schritt für Schritt mit Ja-/Nein-Fragen zur richtigen Lösung.

Random Forest ist vergleichbar mit einer Versammlung von Expert*innen: Jede*r äußert seine Meinung und im Anschluss wird die am häufigsten genannte Antwort ausgewählt. Viele Entscheidungsbäume kooperieren miteinander für eine optimierte Entscheidungsfindung.

Support Vector Machine ist wie ein sehr präziser Grenzbeamter, der die beste Linie findet, um verschiedene Gruppen zu trennen. Er zieht eine unsichtbare Linie zwischen verschiedenen Kategorien.

Ein künstliches neuronales Netz funktioniert ähnlich wie eine Gruppe von Büromitarbeitern, bei der jeder eine spezielle Aufgabe übernimmt und die Ergebnisse an den nächsten weiterreicht – gemeinsam lösen sie komplexe Probleme.

Convolutional Neural Network funktioniert ähnlich wie ein erfahrener Ermittler für Bilder – es untersucht Fotos Schritt für Schritt und setzt aus kleinen Ausschnitten das gesamte Bild zusammen.

Ein Recurrentes Neural Network funktioniert ähnlich wie ein Computer mit einer guten Erinnerung – es nutzt vergangene Wörter als Referenzpunkt für das Verständnis des folgenden Satzes und kann somit Verbindungen innerhalb von Textpassagen oder Gesprächen erkennen.

Generative Adversarial Networks sind wie ein Kunstfälscher und ein Kunstexperte, die gegeneinander kämpfen. Der eine versucht gefälschte Bilder zu erstellen, der andere versucht sie zu entlarven – beide werden dabei immer besser.

Transformer ist vergleichbar mit einem äußerst einfühlsamen Zuhörer: Er versteht alle Wörter eines Satzes gleichzeitig und erkennt genau diejenigen von höchster Bedeutung.

Ein Datensatz ist wie eine riesige Sammlung von Beispielen, die ein Computer zum Lernen braucht. Es ist wie ein Lehrbuch voller Übungsaufgaben mit Lösungen.

Datenvorverarbeitung ist vergleichbar mit dem Aufräumen und Sortieren vor dem eigentlichen Lernprozess: Bevor der Computer beginnen kann zu lernen müssen die Daten entsprechend aufbereitet und strukturiert werden.

Feature Engineering ist vergleichbar mit dem Hervorheben der entscheidenden Informationen innerhalb eines Texts und der Auswahl desselben für den Computer zur Unterstützung fundierter Entscheidungsfindungen.

Trainingsdaten sind wie Übungsaufgaben zum Lernen, während Testdaten wie die finale Prüfung sind. Der Computer lernt mit den einen und wird mit den anderen getestet.

Overfitting kann man sich wie einen Schüler vorstellen – er paukt nur auswendig und steht bei neuen Fragen auf dem Schlauch; Underfitting dagegen ist wie ein untervorbereiteter Schüler: Selbst einfache Fragen kann er nicht beantwortet.

Kreuzvalidierung ähnelt mehreren kleinen Tests anstelle eines großen Tests und dient dazu sicherzustellen dass der Computer effektiv gelernt hat; indem man ihn mehrfach mit verschiedenen Aufgaben prüft.

Computer Vision ermöglicht es Computern zu sehen und visuelle Inhalte wie Bilder und Videos zu interpretieren.

Spracherkennung ermöglichen Computern zu hören und zu verstehen,wie Menschen kommunizieren.Der Computer transformiert gesprochene Worte in geschriebenen Text um.

Natural Language Processing bringt Computern bei, menschliche Sprache zu verstehen und zu sprechen. Es ist wie ein Übersetzer zwischen Mensch und Computer.

Objekterkennung funktioniert ähnlich wie ein virtueller Spürhund im Computeruniversum – er spürt verschiedene Objekte auf Bildern auf und benutzt sein Wissen zu identifizieren; so könnte er beispielsweise feststellen “Hier steht ein Auto”, oder “Dort ist eine Person” oder noch “Da läuft ein Hund herum”.

Textklassifikation ähnelt einem virtuellen Bibliothekar für Computer,das automatisch Texte entsprechend kategorisiert.Er kann feststellen ob ein Text positiv oder negativ ist und zu welchem Thema er gehört.

Automatisierung bedeutet, dass Computer alltägliche Aufgaben selbstständig erledigen können, ohne dass Menschen eingreifen müssen. Es ist wie ein sehr effizienter Assistent.

Ein Chatbot Ein Chatbot funktioniert ähnlich wie ein Computer-Mitarbeiter: Er steht jederzeit bereit Fragen zu beantwortet und Gespräche zu führen Es ermöglicht Menschen mit ihm zu chatten und erhalten Unterstützung.

Ein Algorithmus ähnelt einem Kochrezept für Computer – eine detaillierte Anleitung Schritt für Schritt darlegt wie ein Problem angegangem werden soll Computersysteme folgen diesen Anleitungen sehr präzise und führen jeden Schritt ordnungsgemäß aus.

Ein Modell ist wie ein trainierter Experte, der aus vielen Beispielen gelernt hat und jetzt Vorhersagen treffen kann. Es ist das Ergebnis des Lernprozesses – wie ein Arzt, der durch jahrelange Erfahrung Diagnosen stellen kann.

Training ist wie das Üben für eine Prüfung – der Computer lernt aus vielen Beispielen, bis er die Aufgabe gut beherrscht. Wie ein Sportler, der täglich trainiert, wird das KI-System durch wiederholtes Üben immer besser.

Inferenz ist vergleichbar mit dem Zeitpunkt eines Schülers nach dem Lernen einer Prüfung gegenübersteht – ein Moment der Anwendung des erworbenenen Wissens auf neue Herausforderungen durch das System.

Eine Aktivierungsfunktion agiert ähnlich wie ein Türsteher und entscheidet darüber, ob eine Information als bedeutsam genug erachtet wird, um weitergeleitet zu werden. Sie beeinflusst die Reaktion eines “Neurons” im Computer-Gehirn.

Eine Verlustfunktion kann man sich vorstellen wie einen Lehrer: Wenn die Antworten falsch sind, werden Punkte abgezogen. Die Funktion bewertet die Distanz zwischen der Künstlichen Intelligenz und der korrekten Antwort und unterstützt sie dabei sich zu verbessern.

Ein Optimierer fungiert ähnlich wie ein individuelles Trainingsprogramm für Künstliche Intelligenz und unterstützt sie dabei zu lernen und sich kontinulich zu verbessern.

Backpropagation ist vergleichbar mit der Suche nach dem Ursprung eines Fehlers durch Rückverfolgungsschritte im System; es geht Schritt für Schritt zurück und analysiert dabei das Geschehen genauer.

Bias bedeutet, dass eine KI unfair oder voreingenommen ist – wie ein Richter, der manche Menschen bevorzugt. Das passiert, wenn die KI mit einseitigen Beispielen trainiert wurde oder falsche Annahmen macht.

Transparenz beinhaltet die Möglichkeit für Menschen zu verstehen wie Künstliche Intelligenzen arbeiten und Entscheidungen treffen – ähnlich wie bei einem Glashaus: Man kann hineinschauen und verfolgen was vor sich geht.

Erklärbarkeit bedeutet, dass eine KI ihre Entscheidungen in verständlicher Sprache erklären kann. Es ist wie ein Arzt, der seine Diagnose nicht nur stellt, sondern auch erklärt, warum er zu diesem Schluss gekommen ist.

Fairness bedeutet für mich als Künstliche Intelligenz die gleichberechtigte und gerechte Behandlung aller Menschen ohne Unterschied von Geschlecht, Alter oder Herkunft sowie anderer individueller Merkmale. Man könnte es vergleichen mit einem objektiven Schiedsrichter im Sport.

Datenschutz bedeutet, dass persönliche Informationen sicher und privat bleiben, wenn KI-Systeme sie verwenden. Es ist wie ein Tresor für Ihre persönlichen Daten.

Automatisierte Entscheidungsfindung beinhaltet den Prozess der Computernutzung zur eigenständigen Herbeiführung wichtiger Entscheidungen bezüglich von Individuen ohne menschliches Zutun – vergleichbar mit einem Roboter-Richter beim Fällen von Urteilen.

GPU/TPU sind wie superschnelle Rechner, die speziell für KI-Aufgaben gebaut wurden. Eine GPU war ursprünglich für Videospiele gedacht, aber sie ist auch perfekt für KI-Berechnungen.

Cloud Computing bezieht sich darauf, dass Künstliche Intelligenz-Anwendungen nicht auf Ihrem eigenen Computer ausgeführt werden, sondern auf leistungsstarkem Server im Internet. Es ist vergleichbar mit dem Anmieten eines Hochleistungsrechners, wenn Sie ihn benötigen.

Edge AI bedeutet, dass KI direkt auf Ihrem Gerät läuft, ohne Internet zu brauchen. Es ist wie ein kleiner KI-Experte, der immer in Ihrer Tasche ist.

Open Source bezieht sich darauf, dass Programme der Künstlichen Intelligenz für jeden frei zugänglich sind und kostenlos genutzt werden können. Man könnte es mit einem Kochbuch vergleichen, das gratis ist und von jedermann genutzt oder optimiert werden kann.