Künstliche Intelligenz (KI):
KI ist ein Bereich der Computertechnik, der darauf abzielt, Maschinen Fähigkeiten zu geben, die sonst menschliches Denken erfordern würden.
Maschinelles Lernen (ML):
Maschinelles Lernen ist ein Ansatz, bei dem Computer aus Daten lernen und sich ohne explizite Programmierung verbessern können.
Natural Language Processing (NLP):
NLP ist die Technologie, die es Computern ermöglicht, menschliche Sprache zu verstehen und zu interpretieren.
Neuronale Netze:
Neuronale Netze sind Computermodelle, die nach dem Vorbild des menschlichen Gehirns gestaltet sind, um Muster in Daten zu erkennen.
Deep Learning:
Deep Learning ist eine fortgeschrittene Methode des maschinellen Lernens, die besonders tief geschichtete neuronale Netze verwendet, um komplexe Muster in großen Datenmengen zu identifizieren.
Generative Pre-trained Transformer (GPT):
GPT ist ein fortschrittliches KI-Modell, das darauf spezialisiert ist, menschenähnliche Texte zu generieren, indem es auf einer umfangreichen Menge von Sprachdaten vorab trainiert wurde.
Training und Feinabstimmung (Fine-Tuning):
Beim Training lernt ein KI-Modell aus allgemeinen Daten, und bei der Feinabstimmung passt es sich an spezielle Aufgaben oder spezifische Daten an, um bessere Ergebnisse zu liefern.
Ethik und Bias in KI:
Ethik betrachtet die moralischen Aspekte und Auswirkungen der KI, während Bias die unbeabsichtigten Vorurteile beschreibt, die in KI-Systemen auftreten können.
Prompt Engineering:
Prompt Engineering ist der Prozess des Entwerfens und Optimierens von Anweisungen (Prompts), um von einem KI- System spezifische und präzise Antworten oder Ergebnisse zu erhalten. Es ist entscheidend beim Einsatz von Modellen wie GPT, um die gewünschten Outputs zu erzielen.
Assistive Technologie:
Assistive Technologie umfasst Systeme und Werkzeuge, die entwickelt wurden, um Menschen mit verschiedenen Arten von Einschränkungen zu unterstützen. In der KI bezieht sich dies oft auf Systeme, die Spracherkennung, Text-to-Speech und andere interaktive Funktionen nutzen, um die Zugänglichkeit zu verbessern.
Transfer Learning:
Transfer Learning ist ein Ansatz im maschinellen Lernen, bei dem ein Modell, das für eine Aufgabe entwickelt wurde, angepasst und für eine andere, aber verwandte Aufgabe wiederverwendet wird. Dies beschleunigt den Lernprozess und verbessert die Effizienz des Modells bei neuen Aufgaben.
Data Mining:
Data Mining ist der Prozess der Analyse großer Datensätze, um Muster und Beziehungen zu entdecken. Es ist ein Schlüsselelement in vielen KI-Anwendungen, da es hilft, Einblicke und Informationen aus großen Datenmengen zu extrahieren.
Reinforcement Learning:
Beim Reinforcement Learning lernt ein Modell durch Belohnungen und Bestrafungen. Es wird oft in Situationen
eingesetzt, in denen ein Agent lernen muss, wie er durch Interaktion mit seiner Umgebung optimale Entscheidungen trifft.
Algorithmische Fairness:
Algorithmische Fairness bezieht sich auf die Bemühungen, sicherzustellen, dass KI-Systeme Ergebnisse liefern, die frei von Diskriminierung oder unfairen Verzerrungen gegenüber bestimmten Gruppen oder Individuen sind.
AI Governance:
AI Governance bezieht sich auf die Regeln, Richtlinien und Praktiken, die festlegen, wie KI-Systeme verantwortungsvoll und ethisch entwickelt, eingesetzt und überwacht werden.