Definitionen Künstliche Intelligenz – KI Glossar, Lexikon & Begriffe

Einfach erklärt LAION‑Korpora sind sehr große Datensammlungen aus Bild–Text‑Paaren aus dem Web. Sie werden für die Forschung an KI‑Bildmodellen genutzt. Statt alle Bilder zu speichern, stellt LAION meist Index‑Dateien/URLs mit Metadaten bereit (die Bilder liegen weiter im Web). Warum wichtig? Mit Millionen bis Milliarden Paaren können Modelle lernen, wie Text und Bild zusammenhängen – Grundlage…

Einfach erklärt LAION ist eine sehr große Sammlung von Bild‑Text‑Paaren aus dem Web (für KI‑Forschung/Bildmodelle). Weil Milliarden Bilder zu viel auf einmal sind, stellt LAION „Teilmengen“ (Subsets) bereit – kleinere, gefilterte Ausschnitte für bestimmte Zwecke. Für praktische Einstiege und Übungen siehe den Kurs‑ & Schulungs‑Hub. Beispiele für Teilmengen: Professionelle Definition LAION‑Teilmengen sind abgeleitete, kuratierte oder…

ChatGPT ist ein Beispiel für ein Large Language Model (LLM), das auf umfangreichen Textdatensätzen trainiert wurde, um natürliche Sprache zu verstehen und zu generieren. Es nutzt Millionen bis Milliarden von Parametern, um sprachliche Muster zu erfassen und darauf basierend kohärente und kontextbezogene Antworten zu liefern. Philipp: Schweizer KI AkademieBleiben Sie in Kontakt und folgen Sie…

Innere Darstellungen eines Modells Einfach erklärt Latent Space / Latente Repräsentationen Eine latente Repräsentation ist eine versteckte Zahlenbeschreibung (Vektor) eines Datenpunkts, die ein Modell intern verwendet. Statt jedes Pixel/Word zu speichern, komprimiert das Modell die wesentlichen Faktoren (z. B. Form, Stil, Pose) in wenigen Merkmalen im Latentraum. In diesem Raum liegen ähnliche Inhalte nahe beieinander; kleine…

Einfach erklärt Latentes Diffusionsmodell (LDM) Ein latentes Diffusionsmodell (LDM) ist eine Bild‑KI, die Schritt für Schritt Rauschen entfernt, bis ein Bild entsteht. Der Trick: Das passiert nicht direkt im Pixelbild, sondern in einer kompakten „latenten“ Darstellung (eine Art komprimierter Bild‑Zwischenraum). Dadurch ist das Modell schneller und braucht weniger Speicher. Was kann man damit machen? Warum…

Einfach erklärt Layer‑Normalisierung macht die Werte einer Schicht pro einzelnes Beispiel vergleichbar. Vor jedem weiteren Rechenschritt werden sie auf eine gemeinsame Basis gebracht: Warum hilft das? Ganz einfache Bilder: Professionelle Definition Für Aktivierungen (x\in\mathbb{R}^D) einer Schicht wird pro Datenbeispiel (\mu=\tfrac1D\sum_{i=1}^D x_i) und (\sigma^2=\tfrac1D\sum_{i=1}^D(x_i-\mu)^2) berechnet. Die Normalisierung lautet[\hat x_i=\frac{x_i-\mu}{\sqrt{\sigma^2+\varepsilon}},\quad y_i=\gamma_i,\hat x_i+\beta_i,]wobei (\gamma,\beta) lernbar sind. Im Unterschied…

Einfach erklärt Learning Rate Scheduling – Plan für die Lernrate beim Training. Learning Rate Scheduling ist ein Zeitplan für die Lernrate deines Modells. Am Anfang darf das Lernen größer und schneller sein, später wird es feiner und vorsichtiger. So findet das Training schneller einen guten Bereich und stabilisiert sich am Ende. Kurz: Große Schritte zum…

Einfach erklärt Llama ist die große KI-Modellfamilie von Meta. Diese Modelle sind sogenannte Large Language Models (LLMs), die Text verstehen, Texte schreiben, Code analysieren und lange Dokumente zusammenfassen können. Neuere Versionen wie Llama 3.1 kommen in unterschiedlichen Größen (8B, 70B, 405B Parameter) und unterstützen mehrere Sprachen, darunter Deutsch. :contentReference[oaicite:0]{index=0} Kurz: Llama = eine frei einsetzbare KI-Familie…

ChatGPT ist zum Beispiel ein LLM (Large Language Model) aber es gibt noch andere. Large Language Models sind große neuronale Netzwerke, die auf umfangreichen Textmengen trainiert wurden, um natürliche Sprache zu verstehen und zu generieren. Hier sind einige wesentliche Punkte, die das Konzept verdeutlichen: Was ist ein Large Language Model (LLM)? Philipp: Schweizer KI AkademieBleiben…

Einfach erklärt Eine Verlustfunktion sagt dem Lernverfahren, wie «schlecht» eine Vorhersage ist. Für jeden Datenpunkt berechnet sie einen Fehlerwert. Das Ziel beim Trainieren ist, die durchschnittliche Verlustsumme möglichst klein zu machen. So lernt das Modell, bessere Vorhersagen zu machen. Warum ist das wichtig? Die Wahl der Verlustfunktion legt fest, was als Fehler gilt. Je nach…