Definitionen Künstliche Intelligenz – KI Glossar, Lexikon & Begriffe

Einfach erklärt F1 sagt, wie gut ein Modell gleichzeitig bei Trefferquote (Recall) und Genauigkeit der Treffer (Precision) ist. Der F1‑Wert ist der harmonische Mittelwert aus Precision und Recall. Er ist hoch, wenn beides hoch ist; fällt stark, sobald eins von beiden schwach ist. Kurz: F1 belohnt Balance zwischen „richtig gefunden“ und „sauber getroffen“. Ganz einfache…

Einfach erklärt Fairness (KI/ML) bedeutet: Ein automatisches System soll Menschen gerecht behandeln – unabhängig von Merkmalen wie Geschlecht, Herkunft, Alter oder Behinderung. Ganz einfache Beispiele: • Kreditvergabe: Zwei Personen mit gleicher Zahlungsfähigkeit sollen ähnliche Chancen auf einen Kredit haben – egal, aus welcher Gruppe sie stammen.• Bewerbungen: Bewerbungen mit gleicher Eignung sollen gleich bewertet werden…

1) Einfach erklärt Föderiertes Lernen bedeutet: Viele Geräte/Organisationen lernen gemeinsam ein KI‑Modell, aber die Rohdaten bleiben dort, wo sie entstanden sind. Nur Modell‑Änderungen (Gewichte/Gradienten) werden geteilt und zusammengeführt. So läuft es ab (vereinfacht): Beispiele: Vorteile: Datenschutz, geringere Bandbreite, Lernen aus verteilten Daten.Herausforderungen: Nicht‑IID‑Daten (sehr unterschiedlich verteilt), Kommunikationsaufwand, Sicherheit/Privatsphäre (z. B. Rückschlüsse aus Gradienten), Heterogenität der Geräte.…

(Large Language Model): Ein Few-shot Prompt für ein Large Language Model ist eine kurze Abfolge von Beispielen oder Anweisungen, die dem Modell gegeben werden, um es bei der Erstellung oder Generierung von Inhalten zu lenken. Dies hilft dem Modell, spezifische Aufgaben oder Anfragen besser zu verstehen und genauer darauf zu reagieren, indem es aus den…

Einfach erklärt Few‑shot – Beim Lernen mit wenigen Beispielen bekommt ein Modell nur sehr wenige gekennzeichnete Beispiele (z. B. 2–5 pro neue Klasse) und soll daraus schnell etwas Allgemeines ableiten. Warum ist das nützlich? Ganz einfache Bilder: Professionelle Definition Few‑shot‑Lernen bezeichnet Lern‑/Schätzverfahren, die aus einer kleinen Stützmenge (Support‑Set) mit (K) Klassen und (N) Beispielen pro Klasse…

Einfach erklärt Feinabstimmung bedeutet: Ein bereits vortrainiertes Modell wird mit neuen, passenden Beispielen nachtrainiert, damit es besser zu einer konkreten Aufgabe passt (z. B. Fachsprache, neue Klassen, eigener Stil). Statt alles von Grund auf zu lernen, nutzt das Modell sein Vorwissen und wird gezielt angepasst. Warum ist das nützlich? Einfache Beispiele: Professionelle Definition Feinabstimmung (Fine‑Tuning) ist…

1) Einfach erklärt (Feinabstimmung von KI‑Modellen) Finetuning bedeutet: Ein fertig vortrainiertes KI‑Modell wird mit zusätzlichen, passenden Beispielen nachtrainiert, damit es deine Aufgabe besser kann. Warum? Ein großes Grundmodell kann vieles allgemein. Mit Finetuning lernt es dein Fachvokabular, dein Format oder deine Daten. Beispiele: Wann reicht auch Prompting/RAG? Wenn du keine eigenen Labels hast oder Quellenbindung…

Einfach erklärt Basismodelle (engl. Foundation Models) sind sehr große KI‑Modelle, die mit riesigen Mengen an Daten vortrainiert werden. Danach kann man sie für viele Aufgaben anpassen (z. B. Fragen beantworten, Bilder beschreiben, Code vorschlagen) – oft mit wenig Zusatztraining. Wie funktioniert das grob? Beispiele: Vorteile: Wiederverwendbar, vielseitig, spart Zeit/Daten bei neuen Aufgaben.Herausforderungen: Kosten/CO₂, Bias/Fehler, Urheberrecht/Datenschutz, Erklärbarkeit.…