Definitionen Künstliche Intelligenz – KI Glossar, Lexikon & Begriffe
-
Model Averaging
Einfach erklärt Model Averaging bedeutet: Mehrere Modelle geben jeweils eine Vorhersage ab, und wir bilden daraus einen Durchschnitt (z. B. Mittelwert oder gewichteten Mittelwert). So gleichen sich Zufallsschwankungen und einzelne Fehler aus – die Gesamtaussage wird stabiler und oft genauer. Ganz einfache Beispiele: • Preisvorhersage: Drei Modelle schätzen einen Preis. Der Durchschnitt ist oft näher am…
-
Model Collapse
Einfach erklärt Model Collapse bezeichnet einen degenerativen Prozess in generativen KI-Modellen, bei dem die Modellleistung nach und nach immer schlechter und einseitiger wird, wenn Modelle wiederholt auf von KI erzeugten Daten (synthetic data) trainiert werden – insbesondere auf ihren eigenen früheren Outputs. Mit jeder „Generation“ wird weniger echte Vielfalt aus der ursprünglichen Datenverteilung abgedeckt. Zuerst…
-
Model Compression
Einfach erklärt Model Compression bedeutet, ein KI‑Modell so kleiner, schneller und sparsamer zu machen, dass es weniger Speicher, weniger Rechenaufwand und weniger Energie braucht – bei möglichst gleicher Qualität. Das erreicht man durch Werte gröber speichern (Quantization), Überflüssiges entfernen (Pruning), Strukturen vereinfachen (Low‑Rank/Factorization) oder Wissen in kleinere Modelle übertragen (Distillation). Kurz: Überflüssiges weg → Zahlen…
-
Model Explainability
Einfach erklärt Model Explainability (Erklärbarkeit) bedeutet: Das Modell muss sagen können, warum es so entschieden hat. Nicht nur das Ergebnis („Kredit abgelehnt“), sondern die nachvollziehbaren Gründe dafür („zu hohes Ausfallrisiko wegen Einkommen X und Schulden Y“). Ziel: Entscheidungen für Menschen prüfbar machen statt „Black Box sagt so“. Kurz: Ergebnis + Begründung, in menschlich verständlicher Form.…
-
Model Interpretability
Einfach erklärt Model Interpretability (Modellinterpretierbarkeit) bedeutet: Nachvollziehbar machen, warum ein KI-/ML-Modell so entscheidet, wie es entscheidet. Wir wollen verstehen, welche Eingabefaktoren (Features) zu welcher Vorhersage geführt haben – statt nur blind der „Black Box“ zu vertrauen. Kurz: Welche Teile der Eingabe haben wie stark zur Entscheidung beigetragen – und kann ein Mensch das verstehen? Ganz…