Das ultimative generative AI-Glossar von AIPRM

Willkommen bei AIPRMs Online-Glossar für generative KI.

Von Studenten bis hin zu Fachleuten soll diese Ressource jedem Leser ein solides und klares Verständnis der kritischen Konzepte vermitteln, die die generative KI vorantreiben.

Von der Erforschung grundlegender Begriffe wie Neuronale Netze und Deep Learning bis hin zum Verständnis der Nuancen von GANs wurde dieses Glossar zusammengestellt, um einen strukturierten und umfassenden Weg zu bieten, die Sprache der generativen KI zu beherrschen.

Nutzen Sie dieses leicht verständliche Glossar, um sich in der dynamischen Welt der generativen KI sicher zu bewegen. Betrachten Sie jeden Begriff als ein Werkzeug, das Ihnen hilft, ein besseres Verständnis aufzubauen und sinnvolle Diskussionen in diesem schnelllebigen Bereich zu fördern. Entdecken Sie und übernehmen Sie das Kommando mit der unübertroffenen Anleitung dieser Ressource, die Sie sofort zur Hand haben.

Die Verwendung von AIPRM ist einfach, auch ohne technisches Hintergrundwissen. Machen Sie sich jedoch mit diesen Begriffen vertraut, um ein besseres Verständnis für die Technik hinter diesen Tools zu entwickeln. Installieren Sie AIPRM und starten Sie ChatGPT.

3D-Autokodierer #

Eine spezielle Form eines zweiteiligen neuronalen Netzes, das einen “Encoder” und einen “Decoder” umfasst. Der Encoder wandelt die Ausgangsdaten in eine kleinere Darstellung um. Der Decoder versucht, die ursprünglichen Daten aus der Abbildung zu rekonstruieren und sie in ihren ursprünglichen Zustand zurückzubringen.

3D-GAN #

Ein spezieller architektonischer Rahmen innerhalb des Generative Adversarial Network (GAN) Paradigmas, der auf die Erzeugung dreidimensionaler Formen spezialisiert ist.

Abschätzung der Tiefe #

Die Aufgabe, die Tiefe von Objekten in einem Bild vorherzusagen. Dies ist für verschiedene Computer Vision-Anwendungen wie selbstfahrende Fahrzeuge unerlässlich.

Adversarialer Angriff #

Ein Versuch, ein maschinelles Lernen-Modell zu schädigen, indem man ihm während der Trainingsphase irreführende oder betrügerische Daten gibt oder es später böswillig manipulierten Daten aussetzt, mit der Absicht, die Ausgabe des Modells zu verschlechtern oder zu manipulieren.

Agent #

Ein Softwareprogramm oder eine autonome Entität (z. B. ein Modell des maschinellen Lernens), das in der Lage ist, in Verfolgung bestimmter Ziele zu handeln oder Entscheidungen zu treffen.

Agenten-basierte Modellierung #

Eine Methode zur Simulation komplexer Systeme, die sich auf die Interaktionen zwischen einzelnen Agenten konzentriert, um Erkenntnisse über das emergente Systemverhalten zu gewinnen.

AI (Künstliche Intelligenz) #

Ein Bereich, der die Theorie und die Herstellung von Computersystemen umfasst, die in der Lage sind, Aufgaben auszuführen, die traditionell menschliche Intelligenz erfordern, wie Wahrnehmung, Sprachverständnis, Entscheidungsfindung und Sprachübersetzung. Dies kann sich auch auf ein individuelles maschinelles Lernen Modell beziehen.

AI-Autor #

Eine Softwareanwendung, die künstliche Intelligenz einsetzt, um schriftliche Inhalte zu erstellen und dabei eine menschenähnliche Texterstellung nachzuahmen. KI-Schreibwerkzeuge können für Unternehmen, die sich mit Content Marketing beschäftigen, von unschätzbarem Wert sein.

Akteur-kritisches Modell #

Eine zweiteilige algorithmische Struktur, die beim Reinforcement Learning verwendet wird. In diesem Modell bestimmt der “Actor” optimale Aktionen auf der Grundlage des Zustands seiner Umgebung. Gleichzeitig bewertet der “Critic” die Qualität der Zustands-Aktions-Paare und verbessert sie im Laufe der Zeit.

Aktives Lernen #

Eine Form des Reinforcement Learning from Human Feedback, bei der ein Algorithmus aktiv mit einem Benutzer zusammenarbeitet, um Kennzeichnungen für Daten zu erhalten. Er verfeinert seine Leistung, indem er Labels für die gewünschten Ausgaben erhält.

Aktivierungsfunktion #

Ein wichtiges Element in künstlichen neuronalen Netzen, das für die Veränderung von Eingangssignalen verantwortlich ist. Diese Funktion passt die Ausgangsgröße in Abhängigkeit von der Eingangsgröße an: Eingaben, die einen bestimmten Schwellenwert überschreiten, führen zu größeren Ausgaben. Sie wirkt wie ein Tor, das selektiv Werte über einem bestimmten Punkt zulässt.

ALBERT #

Eine Cloud-zentrierte künstliche Intelligenz-Plattform, die bei der Integration und Verwaltung eines bestehenden digitalen Marketing-Technologiestacks hilft.

Algorithmen für maschinelles Lernen #

Mathematische Modelle und Techniken, die eingesetzt werden, um inhärente Muster in Datensätzen zu erkennen und zu verstehen, und die zu Vorhersagen, Entscheidungen und Erkenntnissen beitragen.

AlphaGo Alpha Zero #

Ein spezielles Computerprogramm, das von Google DeepMind entwickelt wurde, um das komplizierte chinesische Strategiespiel Go zu spielen. Es zeigt das Potenzial von narrow AI, indem es ein strategisches Spiel ähnlich wie Schach spielt, jedoch mit einer weitaus größeren Bandbreite an möglichen Ergebnissen.

Analyse raum-zeitlicher Daten #

Untersuchung von Daten mit sowohl räumlicher als auch zeitlicher Dimension, die für das Verständnis dynamischer Prozesse entscheidend sind.

Angepasste Q-Iteration (FQI) #

Ein Algorithmus des reinforcement learning, der zur Annäherung an die Q-Funktion und zur Lösung optimaler Steuerungsprobleme verwendet wird.

Asynchroner Vorteils-Akteur-Kritiker (A3C) #

Ein robuster reinforcement learning Algorithmus, bei dem eine policy und eine Wertfunktion nebeneinander bestehen. A3C arbeitet innerhalb der Vorwärts-Trajektorie und nutzt mehrstufige Rückgaben für die Aktualisierung der Politik und der Wertfunktion, was ein Beispiel für hochentwickelte Lerntechniken ist.

AUC-ROC (Area Under the Receiver Operating Characteristic Curve) #

Eine quantitative Bewertungsmetrik für Klassifizierungsaufgaben, die die Leistungskurve verschiedener Schwellenwerteinstellungen aufzeigt. Der Bereich unter der Kurve (AUC) gibt den Grad der Trennbarkeit innerhalb des Klassifikationsmodells an.

Audio-Erzeugung #

Der Prozess der Erzeugung roher Audioinhalte wie Sprache oder KI-Musik durch den Einsatz von künstlicher Intelligenz.

Aufmerksamkeitskarte #

Eine visuelle Darstellung, die Abschnitte eines Bildes hervorhebt, die für ein bestimmtes Ziel relevant sind Klasse. Dies bietet interpretierbare Einblicke in das Innenleben von tiefen neuronalen Netzen.

Aufmerksamkeitsmechanismen #

Ein Aspekt von Modellen des maschinellen Lernens, der es ihnen ermöglicht, bestimmten Datensegmenten bei der Vorhersage Priorität einzuräumen. Dies ahmt den kognitiven Fokus des Menschen nach, indem verschiedenen Datenelementen unterschiedliche Gewichte zugewiesen werden, so dass das Modell diesen Elementen mehr Aufmerksamkeit schenken kann.

Aussteiger #

Eine Regularisierungs-Technik, die den vorübergehenden Ausschluss zufällig ausgewählter Knoten während des Trainings eines neuronalen Netzes beinhaltet.

Auswahl der Merkmale #

Die Aufgabe, die wichtigsten Merkmale in einem Datensatz zu identifizieren und beizubehalten, während weniger relevante Merkmale verworfen werden, um nur relevante Daten zu verwenden und Rauschen zu ignorieren.

Autoencoder #

Eine spezialisierte Variante von künstlichen neuronalen Netzen, die für unüberwachtes Lernen eingesetzt wird. Autoencoder beherrschen die Doppelfunktion der Datencodierung und -decodierung und ermöglichen eine effiziente Datendarstellung und -rekonstruktion.

Außerhalb des Vokabulars (OOV) #

Ein Begriff, der in den Trainingsdaten eines Sprachmodells fehlt, was das Verstehen neuer Sprache erschwert.

Backdoor-Angriff #

Eine Strategie, die eingesetzt wird, um böswillig auf Computersysteme oder verschlüsselte Daten zuzugreifen, indem verdeckte Wege genutzt werden, um herkömmliche Sicherheitsmaßnahmen zu umgehen.

Backpropagation #

Die Abkürzung steht für “Rückwärtsfortpflanzung von Fehlern” und ist eine algorithmische Grundlage des überwachten Lernens für künstliche neuronale Netze. Backpropagation berechnet Gewichtsanpassungen auf der Grundlage des Gradienten einer Fehlerfunktion, um ein Modell zu verfeinern.

Bayessche Optimierung #

Eine Methode, die probabilistische Modellierung zur Auswahl von Hyperparametern verwendet, um die Effizienz von Optimierungsverfahren beim maschinellen Lernen zu erhöhen.

Bellman-Gleichung #

Eine zentrale Gleichung der dynamischen Programmierung, die in zeitdiskrete Optimierungsprobleme integriert ist und die optimale Entscheidungsfindung in sequentiellen Kontexten erleichtert.

Belohnungsgestaltung #

Anpassung von Belohnungsfunktionen in Reinforcement Learning, um Agenten zu gewünschtem Verhalten zu führen.

Bewegungsvorhersage #

Die Vorhersage zukünftiger Flugbahnen oder Aktionen von Objekten, die häufig in autonomen Systemen verwendet wird.

Bidirektionale Encoder-Darstellungen aus Transformatoren (BERT) #

Ein einflussreicher Ansatz des deep learning, der in der natural-language-processing-nlp eingesetzt wird und es Programmen der künstlichen Intelligenz ermöglicht, kontextuelle Nuancen in mehrdeutigen Texten zu entschlüsseln.

Bild-zu-Bild-Übersetzung #

Eine fortgeschrittene Computer-Vision Technik, die Bilder von einem Bereich in einen anderen transformiert, um die Zuordnung zwischen Eingabe- und Ausgabebildern zu lernen.

Bild-zu-Text-Generierung #

Eine anspruchsvolle natural language processing-Aufgabe, bei der ein Modell Textbeschreibungen von Eingabebildern erzeugt.

Bildsegmentierung #

Eine Computer-Vision-Aufgabe, bei der ein Bild in verschiedene Segmente aufgeteilt wird, um die Objekterkennung und Lokalisierung zu ermöglichen.

Bildsynthese #

Der Prozess der Generierung neuer Bilder aus vorhandenen Bildern mit Hilfe von Modellen des maschinellen Lernens, der für kreative Anwendungen unerlässlich ist.

BLEU-Score #

Eine Metrik zur automatischen Bewertung von maschinell übersetztem Text. Der BLEU-Score misst die Ähnlichkeit zwischen maschinell erstelltem Text und einer Reihe von qualitativ hochwertigen Referenzübersetzungen und ergibt einen Wert zwischen null und eins.

Böswillige Beispiele #

Die Bausteine eines adversarischen Angriffs: Absichtlich konstruierte Eingaben, um Fehler in maschinelles Lernen Modellen zu provozieren. Dabei handelt es sich in der Regel um Abweichungen von den gültigen Eingaben im Datensatz, die subtile Änderungen beinhalten, die ein Angreifer einführt, um Schwachstellen im Modell auszunutzen.

Chatbot #

Eine interaktive Softwareanwendung, die eine menschliche Konversation über Text- oder Sprachinteraktionen imitiert und häufig in Online-Umgebungen zu finden ist.

Computer Vision #

Ein Teilgebiet der Künstlichen Intelligenz (KI) und der Informatik, das sich damit beschäftigt, wie Computer visuelle Informationen aus der Welt interpretieren, verstehen und verarbeiten können. Es gibt eine breite Palette von Anwendungen wie Objekterkennung, Bildklassifizierung, Gesichtserkennung und autonome Fahrzeuge.

Computergestützte Kreativität #

Ein multidisziplinäres Gebiet, das darauf abzielt, die menschliche Kreativität durch Computermethoden nachzubilden, indem Ansätze aus Bereichen wie Künstliche Intelligenz, Philosophie, kognitive Psychologie und Kunst kombiniert werden.

CycleGAN #

Eine Bild-zu-Bild-Übersetzung Methodik, die ungepaarte Datensätze verwendet, um Zuordnungen zwischen Eingabe- und Ausgabebildern zu lernen.

Daten-Anmerkung #

Der Prozess des Labeling und der Annotation von Daten zur Erleichterung des überwachten Lernens, wodurch das Verständnis eines Modells für die Eingaben verbessert wird.

Daten-Vergiftung #

Eine Art von adversarial attack, bei der Trainingsdaten manipuliert werden, indem absichtlich verunreinigte Proben eingeführt werden, um das Modellverhalten und die Ergebnisse zu verzerren.

Datenerweiterung #

Eine Technik, bei der die Benutzer den Trainingssatz künstlich anreichern, indem sie modifizierte Kopien derselben Daten hinzufügen.

Datenlecks #

Ein Phänomen, bei dem externe Informationen unbeabsichtigt die Modellausbildung beeinflussen und deren Integrität beeinträchtigen.

Datenschutz in der KI #

Die Praxis, bei der Nutzung von AI-Technologien Überlegungen zum Schutz von Nutzerdaten und zur Wahrung der Privatsphäre anzustellen.

Deepfake #

Synthetische Medien (in der Regel Bilder oder Videos), die durch digitale Manipulation hergestellt werden, indem das Abbild einer Person überzeugend durch das einer anderen ersetzt wird.

Differenzierbare neuronale Computer #

Fortgeschrittene und typische rekurrente neuronale Netze-Architekturen, die mit Speichermodulen für komplexe Lern- und Schlussfolgerungsaufgaben erweitert wurden.

Differenzierbares Rendering #

Ein Verfahren, mit dem Gradienten von 3D-Objekten berechnet und in 2D-Bilder übertragen werden können.

Dimensionalitätsreduktion #

Eine Technik zur Vereinfachung von Datensätzen durch Verringerung ihrer Merkmalsdimensionen unter Beibehaltung wichtiger Informationen.

Doppel-DQN #

Eine DQN-Technik, die doppeltes Q-learning verwendet, um Überschätzungsfehler abzuschwächen und die Q-value-Näherungen zu verbessern.

Doppelt verzögertes DDPG (TD3) #

Eine fortschrittliche KI-Technik, die das tiefe Reinforcement-Learning durch die Integration mehrerer innovativer Strategien verbessert, darunter policy-gradient, actor-critics und erweitertes tiefes Q-learning.

Duell DQN #

Ein reinforcement learning Algorithmus, der sowohl Wert- als auch Vorteilsfunktionen für eine verbesserte Q-Wert Schätzung beinhaltet.

Dynamisches Time Warping (DTW) #

Eine Methode zur Messung der Ähnlichkeit zwischen Zeitreihendaten, die häufig in der Zeitreihenanalyse und Mustererkennung verwendet wird.

Einbau #

Der Prozess der Anpassung der Parameter eines Modells zur bestmöglichen Anpassung an die beobachteten Daten. Bei der Anpassung wird die Differenz zwischen den Vorhersagen des Modells und den tatsächlichen Datenpunkten minimiert, was in der Regel durch Optimierungstechniken wie Gradientenabstieg erreicht wird. Dieser Prozess ermöglicht es dem Modell, sich zu verallgemeinern und genaue Vorhersagen für neue, ungesehene Daten zu treffen.

Einbettungen aus Sprachmodellen (ELMo) #

Eine Technik zur Worteinbettung, die kontextabhängige Wortrepräsentationen unter Berücksichtigung von Token auf Zeichenebene erzeugt.

Eingeschränkte Boltzmann-Maschinen (RBMs) #

Unüberwachte neuronale Netze, die zur Merkmalsextraktion und Datendarstellung verwendet werden.

Einheitliche Mannigfaltigkeitsanpassung und -projektion (UMAP) #

Ein Verfahren zur Dimensionalitätsreduktion, das die Riemannsche Geometrie und die algebraische Topologie nutzt, um die Visualisierung komplexer Daten in niedrigeren Dimensionen zu ermöglichen.

Einmaliges Lernen #

Die Praxis, Modelle mit begrenzten Beispielen zu trainieren, um neue Objekte oder Konzepte zu erkennen. Dies ist nützlich, wenn die verfügbaren Daten begrenzt sind.

Einsicht Erfahrung Replay #

Eine Technik des reinforcement learning, bei der fehlgeschlagene Erfahrungen mit alternativen Zielen wiederholt werden, um die Lerneffizienz zu verbessern.

Enge AI #

Ein AI-Modell, das eine bestimmte Aufgabe ausführen kann und seine Erfahrungen nicht auf andere Aufgaben übertragen kann.

Epoche #

Eine Iteration im Trainingsprozess, bei der der gesamte Datensatz einem maschinelles Lernen Modell präsentiert wird.

Erkennung von benannten Entitäten (NER) #

Eine natural language processing-Aufgabe, die die Identifizierung und Kategorisierung von benannten Entitäten in Texten beinhaltet.

Faltungsneuronales Netz (CNN) #

Eine Art von neuronalem Netz, das eine mathematische Operation namens Faltung verwendet, um Muster zu erkennen und Objekte in Bildern zu erkennen. Seine Anwendungen reichen von der Bilderkennung bis zur Merkmalsextraktion.

FastText #

Eine Technik zur Worteinbettung, die Wörter als Säcke von Zeichen- N-Grammen darstellt und eine effiziente Sprachverarbeitung ermöglicht.

Feinabstimmung #

Der Prozess der Anpassung eines vortrainierten Modells an eine neue Aufgabe durch die Anpassung seiner Parameter anhand aufgabenspezifischer Daten.

Few-Shot Learning #

Ein Lernparadigma, bei dem Modelle an begrenzten Beispielen trainiert werden und von denen erwartet wird, dass sie ihre Fähigkeiten auf unbekannte, aber verwandte Aufgaben verallgemeinern.

Föderiertes Lernen #

Ein kollaboratives maschinelles Lernen Paradigma, bei dem Modelle über verteilte Geräte hinweg unter Wahrung des Datenschutzes trainiert werden.

Gated Recurrent Units (GRU) #

Ein Gating-Mechanismus in rekurrenten neuronalen Netzen, der das Problem des verschwindenden Gradienten lösen soll und das Lernen in Sequenzen verbessert.

Gefälle #

Die Änderungsrate einer Funktion in Bezug auf ihre Eingangsvariablen, die die Richtung und Größe der Änderung angibt. Dies ist bei Optimierungsalgorithmen wie gradient descent nützlich, um Modellparameter iterativ anzupassen und Fehler zu minimieren.

Generation Musik #

Der Prozess der Erstellung neuer KI-Musik-Kompositionen mithilfe von Modellen des maschinellen Lernens.

Generative 3D-Modellierung #

Eine Technik zur Darstellung dreidimensionaler Formen als eine Reihe von Verarbeitungsschritten unter Verwendung generativer Algorithmen, die den Entwurfs- und Herstellungsprozess vereinfachen.

Generative Gestaltung #

Ein KI-gesteuerter Entwurfsansatz, bei dem Algorithmen auf der Grundlage definierter Einschränkungen und Ziele mehrere Entwurfsoptionen generieren.

Generative Modellierung #

Ein Zweig des maschinellen Lernens, der sich mit dem Einsatz von KI zur Modellierung und Vorhersage der Ergebnisse hypothetischer Phänomene befasst (z. B. wie ein Auto bei einem Unfall zusammenklappen könnte).

Generative Pretrained Transformer (GPT) #

Ein Sprachmodell mit Transformatoren für eine Vielzahl von Texterzeugung und natural language-processing Aufgaben.

Generatives Adversariales Netzwerk (GAN) #

Ein maschinelles Lernen Framework, das die Erzeugung realistischer Daten ermöglicht, indem ein generatives Modell gegen ein diskriminatives Modell ausgespielt wird.

Generatives Modell #

Ein Modell des maschinellen Lernens, das zur Erzeugung von Daten Instanzen entwickelt wurde und zu einem breiten Spektrum von Anwendungen beiträgt.

Generierung natürlicher Sprache (NLG) #

Der Prozess der Generierung von menschenähnlichem Text aus strukturierten Daten oder anderen Informationsquellen.

Genetischer Algorithmus #

Ein heuristisches Optimierungsverfahren, das von der natürlichen Selektion und genetischen Prozessen inspiriert ist, um komplexe Optimierungsprobleme zu lösen.

Gittersuche #

Ein Hyperparameter-Tuning-Verfahren, bei dem ein vordefinierter Hyperparameter-Raum systematisch erforscht wird, um die Modellleistung zu optimieren.

Globale KI-Strategien #

Koordinierte KI-Politik und -Regulierung zwischen Regierungen zur Förderung von Fortschritten und Kooperationen in der Künstliche-Intelligenz-Forschung und -Entwicklung.

Globale Vektoren für die Wortdarstellung (GLoVe) #

Ein word-embedding-Verfahren, das semantische Beziehungen zwischen Wörtern auf der Grundlage globaler Co-Occurrence-Statistiken erfasst.

GPT (Gizmo) #

GPTs sind eine Kombination aus einer Eingabeaufforderungsvorlage, Dokumenten und API-Anweisungen als Funktion in ChatGPT. GPTs sind Basis-Setups, wie Zeichen. AIPRM verwaltet aufgabenspezifische Prompts für jedes GPT.

Gradienter Abstieg #

Ein grundlegender Optimierungsalgorithmus, der Gradienten verwendet, um Fehler in machine-learning-Modellen durch iterative Anpassung der Parameter zu minimieren.

Graph-basiertes Modell #

Ein Modell für maschinelles Lernen, das Graphenstrukturen zur Darstellung und Analyse von Beziehungen zwischen Datenpunkten verwendet.

Große Sprachmodelle (LLMs) #

Eine Art von Sprachmodell, das sich durch seine umfassende Fähigkeit auszeichnet, menschliche Sprache zu verstehen und zu erzeugen.

Hauptkomponentenanalyse (PCA) #

Eine Technik zur Dimensionalitätsreduzierung, die die Visualisierung und Analyse komplexer Datensätze erleichtert.

Hierarchische RL #

Ein Paradigma des reinforcement learning, das sich darauf konzentriert, große Prozesse in einfache Teilaufgaben zu zerlegen, um die Entscheidungsfindung über mehrere Abstraktions- oder Hierarchieebenen hinweg zu verbessern.

Human-in-the-Loop-KI #

Ein Paradigma, bei dem menschliche Eingaben in KI-Prozesse integriert werden, um die Modellleistung und die Verantwortlichkeit zu verbessern.

Hyperparameter #

Eine konfigurierbare Einstellung in machine-learning Modellen, die das Trainingsverhalten und die Leistung beeinflusst.

Hyperparameter-Abstimmung #

Der Prozess der Optimierung von Hyperparametern zur Verbesserung der Leistung und Generalisierung von Modellen des maschinellen Lernens.

Instanz #

Ein einzelner Datenpunkt in einem Datensatz, der durch eine Reihe von Merkmalen charakterisiert und beim überwachten Lernen mit einem Label verbunden ist.

Instanz-Segmentierung #

Eine Computer-Vision-Aufgabe, bei der es darum geht, einzelne Objekte innerhalb eines Bildes zu identifizieren und zu kategorisieren, was für die Objekterkennung entscheidend ist.

Interpretierbarkeit #

Das Studium der Erklärung und des Verständnisses der Entscheidungsprozesse von Modellen des maschinellen Lernens und der Gestaltung von Systemen, deren Entscheidungen leicht zu verstehen sind. Auch bekannt als Erklärbarkeit.

Intrinsische Motivation #

Ein Mechanismus des reinforcement learning, bei dem Modelle dazu gebracht werden, von Natur aus belohnende Verhaltensweisen wie Erkundung und Neugier zu zeigen. In Anlehnung an das gleichnamige psychologische Konzept.

Intrinsisches Neugiermodul (ICM) #

Eine Art von intrinsischer Motivation beim reinforcement-learning, bei dem Agenten durch interne Neugier-Signale angetrieben werden, ihre Umgebung zu erkunden.

Inverses Reinforcement Learning #

Eine Technik, bei der Agenten eine zugrunde liegende Belohnungsfunktion aus dem beobachteten menschlichen Verhalten lernen.

Kapsel-Netzwerk #

Eine Form von künstlichen neuronalen Netzen, die komplizierte hierarchische Beziehungen modellieren. Sie sind von der biologischen neuronalen Organisation inspiriert und sollen die Struktur der menschlichen neuronalen Verbindungen besser nachahmen.

Katastrophisches Vergessen #

Ein Problem, das auftritt, wenn zwei ähnliche Spielzustände zu dramatisch unterschiedlichen Ergebnissen führen, was den Lernprozess der Q-function durcheinanderbringt.

Kennzeichnung #

Der Prozess der Annotation von Daten mit Klasse-Bezeichnungen, der [überwachtes maschinelles Lernen](#überwachtes Lernen) ermöglicht.

KI-Musik #

Eine Musikkomposition, die von oder mit KI-basierter Audiogenerierung erstellt wurde.

KI-Politik und Regulierung #

Die Formulierung von Rahmenbedingungen und rechtlichen Maßnahmen des öffentlichen Sektors, die darauf abzielen, Künstliche Intelligenz Technologien zu steuern und zu überwachen. Diese Facette der Regulierung erstreckt sich auf den breiteren Bereich der algorithmischen Governance.

KI-Schreiben #

Text, der von einem KI-Schreiber oder mit dessen Hilfe geschrieben wurde.

Klasse #

Eine bestimmte Kategorie oder Gruppe, in die Objekte, Entitäten oder Datenpunkte auf der Grundlage gemeinsamer Merkmale oder Eigenschaften eingeordnet werden können. Sie werden bei verschiedenen Aufgaben des maschinellen Lernens und der Mustererkennung verwendet, z. B. bei der Klassifizierung von Bildern oder der Kategorisierung von Texten, bei der Algorithmen lernen, Eingabedaten zu unterscheiden und zu sortieren.

Konfusionsmatrix #

Ein zentrales Instrument zur Bewertung der Modellleistung durch Identifizierung falsch klassifizierter Objekte, das Aufschluss über die Modellgenauigkeit gibt.

Kontextuelles Bandit #

Eine Erweiterung des Multi-Armed-Bandit-Ansatzes, der kontextuelle Informationen berücksichtigt, um die Entscheidungsfindung in Szenarien mit mehreren Aktionen zu optimieren.

Kontinuierliches Lernen #

Ein Ansatz, der es Modellen des maschinellen Lernens ermöglicht, Wissen aus einer Abfolge von nicht zusammenhängenden Aufgaben zu akkumulieren, wobei zuvor erworbene Erkenntnisse erhalten bleiben und auf neue Herausforderungen angewendet werden. Auch bekannt als inkrementelles Lernen oder lebenslanges Lernen.

Konvergenz #

Konvergenz beim maschinellen Lernen bezieht sich auf den Zustand während des Trainings, in dem sich der Verlust eines Modells innerhalb eines bestimmten Fehlerbereichs um seinen Endwert stabilisiert. Dies bedeutet, dass ein weiteres Training die Leistung des Modells nicht wesentlich verbessern wird.

Korpus #

Der gesamte Datensatz, der zum Trainieren eines Künstliche Intelligenz-Modells verwendet wird. Es überprüft diese Daten, um etwas über einen bestimmten Bereich zu lernen.

Kreuzvalidierung #

Eine robuste Technik zur Bewertung von Modellen des maschinellen Lernens, indem sie nur auf einer Teilmenge der Daten trainiert und auf einer anderen Teilmenge evaluiert werden.

Künstliches Neuronales Netzwerk (ANN) #

Ein Schlüsselelement des maschinellen Lernens, das als Eckpfeiler des tiefen Lernens dient. Es verwendet eine komplizierte Netzwerkstruktur, die die neuronalen Verbindungen des menschlichen Gehirns widerspiegelt.

Langes Kurzzeitgedächtnis (LSTM) #

Eine Art von rekurrentes neuronales Netz Architektur, die entwickelt wurde, um das Problem des verschwindenden Gradienten zu lösen, das für die Verarbeitung von sequentiellen Daten entscheidend ist.

Lebenslanges Lernen #

Ein Ansatz, bei dem maschinelles Lernen Modelle kontinuierlich aus neuen Daten lernen und sich an neue Herausforderungen anpassen. Auch bekannt als kontinuierliches Lernen.

Lehrplan Lernen #

Ein Ansatz im maschinellen Lernen, der die klassische menschliche Ausbildung nachahmt, indem schrittweise komplexere Aspekte eines Problems eingeführt werden. Dadurch wird die Lernkurve eines Modells verbessert, indem sichergestellt wird, dass es optimal herausgefordert bleibt.

Lemmatisierung #

Eine Textnormalisierungstechnik in der natürlichen Sprachverarbeitung, die Wörter in ihre Grund- oder Stammform umwandelt und so die Effizienz der Sprachverarbeitung erhöht.

Lernen am Rande #

Ein dezentraler Ansatz für maschinelles Lernen, bei dem die Verarbeitung auf den Geräten der Nutzer erfolgt, was den Datenschutz und die Effizienz erhöht. Aufgrund der Komplexität von KI-Programmen war hierfür eine Modellkomprimierung erforderlich.

Lernen auf politischer Ebene #

Eine Methode des reinforcement learning zur Verbesserung von Handlungen durch Bewertung und Verfeinerung derselben policy während der Interaktion mit der Umwelt.

Lernen durch Nachahmung #

Ein Ansatz des maschinellen Lernens, bei dem Modelle lernen, indem sie menschliches Verhalten imitieren, und der häufig zum Training autonomer Systeme verwendet wird.

Lernen mit mehreren Instanzen #

Ein Paradigma des maschinellen Lernens, bei dem jedes Beispiel in einem Datensatz mehrere Instanzen umfasst, was das Lernen aus Datengruppen ermöglicht.

Lernen übertragen #

Eine Strategie, bei der ein zuvor trainiertes Modell auf Probleme angewandt wird, mit denen es nicht vertraut ist, so dass es das Wissen, das es aus einer früheren Aufgabe gewonnen hat, verallgemeinern kann.

Lernrate #

Ein Hyperparameter, der die Schrittgröße während des Modelltrainings in Gradient-basierten Optimierungsalgorithmen bestimmt.

Lokale interpretierbare Modell-Agnostik-Erklärungen (LIME) #

Eine Technik der Interpretierbarkeit, bei der ein lokales, interpretierbares Modell verwendet wird, um die Vorhersagen eines black box-Modells für den Menschen verständlich zu machen.

Markov-Entscheidungsprozess (MDP) #

Ein mathematischer Rahmen zur Modellierung der Entscheidungsfindung in Szenarien mit sequenziellen Aktionen und ungewissem Ausgang.

Maschinelle Übersetzung #

Übersetzen von Texten von einer Sprache in eine andere mit Hilfe von Modellen des maschinellen Lernens.

Maschinelles Lernen (ML) #

Eine fortgeschrittene Disziplin der [künstlichen Intelligenz] (#ai-artificial-intelligence), bei der Algorithmen aus Daten lernen, um fundierte Entscheidungen oder Vorhersagen zu treffen.

Mehrarmiger Bandit #

Ein klassisches Optimierungsproblem, bei dem ein Agent zwischen mehreren Aktionen (“Armen”) wählt, um den kumulativen Nutzen zu maximieren.

Mehrdimensionale Skalierung (MDS) #

Eine Technik zur Visualisierung hochdimensionaler Daten durch Projektion auf einen niedrigdimensionalen Raum, wobei die Ähnlichkeit der Daten erhalten bleibt.

Mehrsprachige Modelle #

Modelle des maschinellen Lernens, die in der Lage sind, Texte in mehreren Sprachen zu verstehen und zu erzeugen.

Mensch-AI-Kollaboration #

Zusammenarbeit zwischen Menschen und künstlicher Intelligenz zur gemeinsamen Bewältigung von Aufgaben durch Nutzung ihrer jeweiligen Stärken.

Menschenzentriertes maschinelles Lernen #

Ein Ansatz für maschinelles Lernen, der die menschlichen Bedürfnisse, die Ethik und die Benutzererfahrung bei der Modellentwicklung betont.

Merkmalsextraktion #

Der Prozess des Herausfilterns relevanter Informationen aus Rohdaten, um aussagekräftige Merkmale für maschinelles Lernen zu erstellen.

Meta-Lernen #

Ein Ansatz, bei dem Modelle des maschinellen Lernens lernen zu lernen, indem sie Wissen erwerben, das ihnen hilft, sich schnell an neue Aufgaben anzupassen. Beim Meta-Lernen werden maschinelle Lernalgorithmen eingesetzt, um Vorhersagen von anderen maschinellen Lernmodellen effektiv zu integrieren.

Meta-Verstärkungslernen #

Ein übergeordnetes Reinforcement-Learning-Paradigma, bei dem Agenten lernen, ihre Fähigkeiten an verschiedene Aufgaben anzupassen und zu verallgemeinern.

Modell Kompression #

Der Prozess der Optimierung von deep-learning-Modellen für den Einsatz auf ressourcenbeschränkten Geräten ohne Leistungseinbußen, um edge-learning zu ermöglichen.

Modell-Einsatz #

Die Operationalisierung von Modellen des maschinellen Lernens, um sie für reale Anwendungen und Interaktionen zugänglich zu machen.

Modell-Quantisierung #

Eine Technik zur Modellkomprimierung, die den Speicher- und Rechenbedarf des Modells reduziert, indem Parameter mit weniger Bits dargestellt werden.

Modell-Validierung #

Der Prozess der Bewertung der Leistung und der Verallgemeinerungsfähigkeiten eines maschinellen Lernmodells auf ungesehenen Daten.

Modellbasiertes RL #

Ein reinforcement learning-Ansatz, bei dem Agenten ein Modell der Umgebung lernen, um Entscheidungen zu treffen und Aktionen zu planen.

Modellfreie RL #

Ein Algorithmus im Reinforcement Learning, der die Dynamik der Umgebung oder die Übergangswahrscheinlichkeiten nicht explizit modelliert.

Modellfreies RL (Reinforcement Learning) #

Eine Methode des Reinforcement Learning, die sich nicht auf die Wahrscheinlichkeitsverteilung oder die Belohnungsfunktion des Entscheidungsprozesses des Problems, allgemein als “Modell” bezeichnet, stützt. Stattdessen wird nach dem Prinzip “Versuch und Irrtum” gearbeitet, wobei verschiedene Lösungen untersucht werden, um das günstigste Ergebnis zu optimieren und zu erreichen.

Modellierung von Sequenzen #

Die Anwendung von neuronalen Netzen zur Modellierung von sequentiellen Daten.

Momentum #

Eine Technik in Gradient-basierten Optimierungsalgorithmen, die die Konvergenz durch Einbeziehung vergangener Gradienten beschleunigt.

Monte-Carlo-Baumsuche (MCTS) #

Ein Entscheidungsfindungsalgorithmus, der häufig in Spielen eingesetzt wird AI. Er eignet sich hervorragend für die Verwaltung komplizierter und strategischer Videospiele mit riesigen Suchräumen, eine Herausforderung, bei der herkömmliche Algorithmen aufgrund der überwältigenden Anzahl möglicher Aktionen ins Stocken geraten könnten.

Monte-Carlo-Methode #

Ein stochastischer Algorithmus, der mathematische Werte durch die Erzeugung von Zufallsstichproben oder Simulationen schätzt.

Multi-Agent RL #

Ein Teilgebiet des Reinforcement Learning, bei dem mehrere Agenten in einer gemeinsamen Umgebung interagieren und lernen.

Multi-Head Aufmerksamkeit #

Ein Aufmerksamkeitsmechanismus, der es einem Modell ermöglicht, sich gleichzeitig auf verschiedene Aspekte der Eingabedaten zu konzentrieren.

Multi-Label-Klassifizierung #

Eine Klassifizierungsaufgabe, bei der jeder Daten- Instanz mehrere Klasse-Labels zugeordnet werden können.

Multi-Objektiv RL #

Ein Reinforcement-Learning-Szenario, in dem Agenten mehrere Ziele gleichzeitig optimieren, was oft zu Kompromissen führt.

Multimodales Lernen #

Ein Trainingsansatz, der Daten aus verschiedenen Modalitäten (z. B. Text, Bild, Audio) nutzt, um die Modellleistung zu verbessern.

Multitasking-Lernen #

Ein Ansatz, bei dem ein einziges maschinelles Lernen Modell trainiert wird, um mehrere zusammenhängende Aufgaben gleichzeitig zu erfüllen.

N-Gramm #

Eine zusammenhängende Folge von n Elementen (in der Regel Wörtern) innerhalb eines Textblocks, die häufig bei der Sprachmodellierung und der Textanalyse verwendet wird.

Natürliche Sprachverarbeitung (NLP) #

Ein Teilbereich der Künstlichen Intelligenz (KI), der sich darauf konzentriert, Computer in die Lage zu versetzen, mit Text zu interagieren, ihn zu verarbeiten und Text oder Sprache wie Menschen zu erzeugen. Dazu gehören Algorithmen und Modelle, die dabei helfen, menschliche Sprache so zu verstehen, zu interpretieren und zu erzeugen, dass sie sowohl sinnvoll als auch kontextbezogen ist.

Neuromorphes Rechnen #

Computerarchitektur, die mit Hilfe elektronischer Schaltungen die Struktur des menschlichen Gehirns nachahmt und Aufgaben wie Mustererkennung und kognitive Prozesse unterstützt.

Neuronale Architektursuche (NAS) #

Ein automatisiertes Verfahren, das optimale neuronale Netze-Architekturen für bestimmte Aufgaben erforscht und entdeckt.

Neuronale Stilübertragung #

Eine transformative Technik, die den Inhalt eines Bildes mit dem künstlerischen Stil eines anderen kombiniert und so einzigartige visuelle Effekte erzielt.

Neuronale Strahlungsfelder (NeRF) #

Eine Technik zur Erstellung detaillierter 3D-Rekonstruktionen von Objekten und Szenen aus 2D-Bildern.

Neuronale Turing-Maschine (NTM) #

Ein neuronales Netz-Controller mit differenzierbaren Interaktionen mit externem Speicher, mit dem er über Aufmerksamkeitsmechanismen interagiert, was eine Optimierung durch gradient descent ermöglicht.

Neuronales Netz #

Ein Modell der künstlichen Intelligenz, das vom menschlichen Gehirn inspiriert ist und zur Analyse und Interpretation komplexer Datenmuster verwendet wird.

Neuronales Netzwerk Pruning #

Der Prozess der Verkleinerung eines neuronalen Netzes durch das Entfernen unnötiger Verbindungen.

Neuronales Rendering #

Eine Technik der Computergrafik, die neuronale Netze verwendet, um durch Simulation des Lichttransports realistische Bilder auf der Grundlage vorhandener Szenen zu erzeugen.

Neurosymbolische KI #

Ein Modell, das statistische AI und symbolisches Denken miteinander verbindet, um durch die Kombination von datengesteuerten und logikbasierten Ansätzen allgemeine AI-Fähigkeiten zu erreichen.

Objekt-Erkennung #

Eine Computer-Vision-Technik, die Instanz-Segmentierung verwendet, um Objekte in Bildern oder Videos zu identifizieren, was für Anwendungen wie autonomes Fahren und Überwachung entscheidend ist.

Off-Policy Learning #

Eine reinforcement learning-Strategie, die Handlungen auf der Grundlage früherer Erfahrungen aktualisiert und das Lernen aus zuvor gesammelten Daten ermöglicht.

One-Hot-Codierung #

Eine Transformation von kategorialen Daten in binäre Vektoren, eine gängige Technik zur Darstellung kategorialer Variablen beim maschinellen Lernen.

Open-Source-KI #

Die Praxis des offenen Austauschs von AI-Projekt-Quellcode für die gemeinsame Entwicklung, die Beiträge der Gemeinschaft und Innovationen ermöglicht.

OpenAI Codex #

Ein AI System, das menschliche Sprache in Code übersetzt und Programmieraufgaben durch die Generierung von Codeschnipseln vereinfacht.

OpenAI DALL-E #

Ein Deep Learning-Modell, das Bilder aus Textbeschreibungen generiert und damit das Potenzial von KI bei der Erstellung von Inhalten verdeutlicht.

OpenAI GPT-3 #

Ein Sprachmodell, das menschenähnlichen Text erzeugt, anwendbar in Chatbots, bei der Erstellung von Inhalten und mehr.

OpenAI GPT-4 #

Der Nachfolger von GPT-3, der die Fähigkeiten zum Verstehen natürlicher Sprache (#natural-language-understanding-nlu) und zur Generierung verbessert.

OpenAIs CLIP #

Ein Modell, das Sehen und Sprachverständnis vereint, um Bilder mit Textbeschreibungen zu verknüpfen.

Operatives maschinelles Lernen (MLOps) #

Die Praxis der Rationalisierung der Bereitstellung, Verwaltung und Überwachung von maschinellen Lern--Modellen in realen Anwendungen.

Optimierung der Vertrauensregionenpolitik (TRPO) #

Ein Reinforcement-Learning-Algorithmus, der Policies unter Berücksichtigung von Policy-Beschränkungen optimiert.

Optionskritische Architektur #

Ein reinforcement learning Rahmenwerk, das “Optionen” beinhaltet, um die Entscheidungsflexibilität von Agenten zu erhöhen.

Optischer Fluss #

Eine Computer-Vision-Technik zur Schätzung der Bewegung und Geschwindigkeit von Objekten in Bildern oder Videos, die bei der Verfolgung und Bewegungsanalyse nützlich ist.

Out-of-Distribution-Erkennung #

Die Aufgabe, Daten Instanzen beim maschinellen Lernen zu identifizieren, die signifikant von der Eingabeverteilung des trainierten Modells abweichen. Dies ist nützlich, um sich gegen adversarische Angriffe zu verteidigen.

Panoptische Segmentierung #

Eine fortgeschrittene computer vision Aufgabe, die Instanz und semantische Segmentierung kombiniert und es dem Modell ermöglicht, eine ganze Szene zu erfassen.

Part of Speech-Tagging #

Kennzeichnung von Wörtern im Text mit ihren grammatikalischen Rollen (z. B. Substantiv, Verb). Dies ist wichtig für Aufgaben zum Sprachverständnis.

Partiell beobachtbarer Markov-Entscheidungsprozess (POMDP) #

Eine Verallgemeinerung des Markov-Entscheidungsprozesses (MDP) zur Modellierung der Entscheidungsfindung in unsicheren Umgebungen, in denen Agenten nicht über vollständige Informationen verfügen.

Perplexität #

Ein Sprachmodell misst, wie gut es Text vorhersagt, und gibt damit an, wie gut es den Kontext versteht. Je niedriger die Perplexität ist, desto weniger wahrscheinlich ist es, dass das Modell von einem neuen Text “überrascht” wird.

Pix2Pix #

Ein generatives adversariales Netzwerk (GAN), das Bilder von einem Format in ein anderes umwandelt, was für den Stiltransfer und die Bildverbesserung nützlich ist.

Politik #

Eine Reihe von Regeln, Strategien oder Anweisungen, die die Entscheidungsfindung innerhalb eines autonomen Agenten oder Systems steuern. Sie umreißen die Handlungsweise des Agenten auf der Grundlage seines aktuellen Zustands und der Umgebung. Strategien können durch Reinforcement Learning erlernt werden.

Politisches Gefälle #

Eine Gruppe von reinforcement learning Techniken, die policies durch gradient descent optimieren.

Priorisierte Erlebniswiedergabe #

Eine Technik des reinforcement learning, bei der Erfahrungen mit höherer Lernbedeutung wiederholt werden, um die Trainingseffizienz zu verbessern.

ProGAN #

Ein generatives adversariales Netzwerk, das progressives Wachstum verwendet, um hochauflösende Bilder zu erzeugen.

Progressives Wachstum der GANs #

Eine Trainingstechnik, die die GAN Bildauflösung schrittweise erhöht und so die Bildqualität und -vielfalt verbessert.

Prompt-Vorlagen #

Prompt-Vorlagen sind vordefinierte Rezepte zur Erzeugung von Prompts für ein Sprachmodell. AIPRM verwaltet Prompt-Templates vieler Typen, ergänzt diese mit benutzerdefinierten Variablen und Inhalten aus benutzerdefinierten Indizes (RAG).

Proximale Optimierung der Politik (PPO) #

Eine policy-gradient Methode für reinforcement-learning, die policies schrittweise optimiert, um stabiles Lernen zu gewährleisten.

Prozedurale Generierung #

Eine Art der algorithmischen Inhaltserstellung, die vor allem bei der Entwicklung von Videospielen zum Einsatz kommt und während des Spiels neue Gameplay-Elemente wie Charakterdesigns, Animationen und Umgebungen erzeugt.

Präzision, Wiedererkennungswert und F1-Score #

Metriken zur Bewertung der Leistung von Klassifizierungsmodellen auf der Grundlage von echten Positiven, falschen Positiven und falschen Negativen.

Punkt Cloud-basiertes Modell #

Ein Modell, das eine große Sammlung kleiner Datenpunkte verwendet, um 3D-Informationen zu verarbeiten und darzustellen; wichtig in verschiedenen Bereichen wie Robotik und Computergrafik.

Q-Funktion #

Eine Funktion, die den Q-Wert verwendet, um künftige Belohnungen für Handlungen in bestimmten Zuständen abzuschätzen, ein zentrales Element des reinforcement learning.

Q-Learning #

Eine Methode des modellfreien Verstärkungslernens, die die Q-Funktion verwendet, um durch Versuch und Irrtum optimale Handlungsoptionen zu finden.

Q-Wert #

Ein Schlüsselwert beim Reinforcement Learning, der die erwartete kumulative Belohnung quantifiziert, die sich aus der Durchführung einer bestimmten Aktion in einem bestimmten Zustand ergibt. Er spiegelt das gelernte Wissen des Modells über die möglichen Ergebnisse und Vorteile verschiedener Aktionen wider. Sie hilft dem Modell, optimale Entscheidungen zu treffen, indem sie die Wahl der Handlungen auf die Maximierung der langfristigen Belohnungen ausrichtet.

Quantum Machine Learning #

Integration von Quantencomputertechniken in maschinelles Lernen zur Steigerung der Rechenleistung.

RAG (Retrieval-Augmented Generation) #

RAG, oder Retrieval-Augmented Generation, ist ein fortschrittliches KI-Framework, das große Sprachmodelle verbessert, indem es aktuelle und präzise Informationen aus externen Datenbanken einholt. Dieser Prozess stellt sicher, dass die von diesen Modellen gelieferten Antworten nicht nur genau, sondern auch aktuell sind. Darüber hinaus bietet es den Nutzern ein besseres Verständnis dafür, wie diese Modelle ihre Antworten generieren.

Regenbogen DQN #

Die Integration mehrerer Reinforcement-Learning-Techniken zur Verbesserung der deep Q-network-Leistung.

Regularisierung #

Techniken zur Verhinderung von Modell- Overfitting durch Hinzufügen von Beschränkungen zum Lernprozess.

Reinforcement Learning #

Eine Lernmethode, bei der Agenten ihre Handlungen auf der Grundlage von Interaktionen mit einer Umgebung verbessern, um die Belohnungen zu maximieren.

Rektifizierte Lineareinheit (ReLU) #

Aktivierungsfunktion, die häufig in neuronalen Netzen, verwendet wird und Nichtlinearität einführt.

Rekurrentes Neuronales Netz (RNN) #

Eine Art neuronales Netz-Architektur, die für die Verarbeitung von sequentiellen Daten entwickelt wurde und Anwendungen wie language-modelling ermöglicht.

RL-Simulationsumgebungen #

Simulierte Einstellungen zum Trainieren und Testen von Reinforcement Learning Agenten, die sicheres und effizientes Lernen ermöglichen.

Robust optimierter BERT-Vorschulungsansatz (RoBERTa) #

Eine fortgeschrittene Pretrainingstechnik für natural language processing, die die Möglichkeiten von BERT erweitert.

Robustheit des Modells #

Die Fähigkeit eines Modells des maschinellen Lernens, über verschiedene Eingabedaten und Szenarien hinweg konsistent zu arbeiten.

Robustheit in der KI #

Die Fähigkeit von KI-Modellen, unter verschiedenen Bedingungen und Eingaben konsistent zu arbeiten.

Räumlich-zeitliche Sequenzprognose #

Der Prozess der Sammlung von Daten über Raum und Zeit und deren Verwendung zur Vorhersage künftiger Entwicklungen im Laufe der Zeit, der in Bereichen wie der Klimamodellierung eingesetzt wird.

Salienz-Karten #

Visualisierungen, die einflussreiche Regionen in den Eingabedaten hervorheben und bei der Interpretation von Modellentscheidungen helfen.

Schwarzer Kasten #

Ein System oder Modell, dessen interne Mechanismen oder Funktionsweise anhand seiner Eingaben und Ausgaben nicht transparent sind. Die inneren Prozesse sind verborgen, so dass es schwierig ist, zu erkennen, wie das System zu bestimmten Entscheidungen oder Vorhersagen kommt. Während Black-Box-Modelle wie tiefe neuronale Netze eine hohe Leistung erzielen können, kann ihr Mangel an Interpretierbarkeit das Verständnis und Vertrauen behindern.

Schätzung der Pose #

Eine Computer-Vision-Aufgabe, bei der Positionen und Ausrichtungen von Objekten oder menschlichen Körperteilen in Bildern oder Videos geschätzt werden.

Schätzung der Unsicherheit #

Die Quantifizierung der Vorhersageunsicherheit in Modellen für neuronale Netze. Dies ist hilfreich, da deep-learning-Netzwerke dazu neigen, übermäßig zuversichtliche Vorhersagen zu machen, und falsche Antworten, die mit großer Zuversicht gemacht werden, können in der realen Welt ernsthafte Probleme verursachen. Auch bekannt als Quantifizierung der Unsicherheit.

Selbstaufmerksamkeit #

Ein Aufmerksamkeits-Mechanismus, der es neuronalen Netzen ermöglicht, die Bedeutung verschiedener Positionen innerhalb einer Sequenz abzuwägen, um Beziehungen und Abhängigkeiten zu erfassen.

Selbstdarstellung im RL #

Eine Reinforcement-Learning-Technik, bei der sich Agenten durch selbst erstellte Herausforderungen verbessern, indem sie gegen frühere Versionen antreten.

Selbstüberwachtes Lernen #

Ein Lernansatz, bei dem AI-Systeme ihre eigenen Trainings- Labels aus den verfügbaren Daten generieren.

Semantische Segmentierung #

Eine Computer-Vision-Technik, die einzelne Pixel in Bildern kategorisiert und für eine detaillierte Szenenanalyse nützlich ist.

Semi-überwachtes Lernen #

Ein Lernparadigma, das gelabelte und nicht gelabelte Daten kombiniert, um das Modelltraining zu verbessern.

Sentiment-Analyse #

Die Fähigkeit eines Modells, die in einem Text ausgedrückte Stimmung zu bewerten; wird häufig bei der Analyse sozialer Medien verwendet.

Seq2Seq-Modelle (Sequenz-zu-Sequenz) #

Neuronale Architekturen, die Sequenzen von einer Domäne in eine andere übersetzen, die im Mittelpunkt der maschinellen Übersetzung stehen.

Sequentielle Daten #

Eine Art von Information, bei der die Reihenfolge und Anordnung der Elemente von Bedeutung ist, z. B. ein Text oder eine Ereignisreihe.

Sgapley Additive Erklärungen (SHAP) #

Methode zur Erklärung der Ergebnisse von Modellen des maschinellen Lernens, wobei die Vorhersagen den Eingangsmerkmalen zugeordnet werden.

Sigmoid Funktion #

Eine mathematische Funktion, die in künstlichen neuronalen Netzen verwendet wird, um Nichtlinearität in das Modell einzuführen. Sie ordnet die Eingabewerte einem Bereich zwischen 0 und 1 zu und sorgt für sanfte Übergänge, wenn die Eingaben variieren, was zu einer S-förmigen (oder sigmoiden) Kurve führt. Es ist besonders nützlich für binäre Klassifizierungsaufgaben mit Ausgaben in Form einer Wahrscheinlichkeitsbewertung.

Softmax-Funktion #

Eine mathematische Funktion, die Rohwerte in Wahrscheinlichkeitsverteilungen umwandelt, die zu Wahrscheinlichkeiten für jedes mögliche Ergebnis führen.

Speicher-Netzwerke #

Ein KI-Modell, das Denkfähigkeiten mit einer Langzeitgedächtniskomponente kombiniert und lernt, beides effektiv zu nutzen. Das Langzeitgedächtnis wird ausgelesen und beschrieben, um die Vorhersagefähigkeiten zu verbessern. Diese Netze werden insbesondere im Zusammenhang mit der Beantwortung von Fragen erforscht, wobei das Langzeitgedächtnis als dynamische Wissensbasis genutzt wird, um relevante Textantworten zu generieren.

Sprache-zu-Text-Konvertierung #

Die Umwandlung von gesprochener Sprache in geschriebenen Text, unerlässlich für die Transkription und Sprachassistenten.

Sprachmodell #

Ein Modell des maschinellen Lernens, das darauf trainiert ist, menschliche Sprache zu verstehen und zu generieren, und das häufig in der natürlichen Sprachverarbeitung eingesetzt wird.

Sprachsynthese #

Die KI-gesteuerte Erzeugung gesprochener Sprache, die für Anwendungen wie Text-zu-Sprache-Umwandlung von zentraler Bedeutung ist.

Stapelgröße #

Die Anzahl der Stichproben, die innerhalb einer einzigen Iteration des Modelltrainings verarbeitet werden. Die Stapelgröße bestimmt das Tempo der Modellaktualisierung und -optimierung.

Stellenmarkt #

Unser [KI-Statistikbericht] ( https://www.aiprm.com/ai-statistics/) bietet umfassende Informationen über die Entwicklung der Arbeitsmärkte aufgrund von KI.

Stemming #

Der Prozess der Reduktion von Wörtern auf ihre Grundform zur Vereinfachung der Analyse, der häufig in der natürlichen Sprachverarbeitung angewendet wird.

Stil-Transfer #

Eine Technik, bei der der künstlerische Stil eines Bildes mit dem Inhalt eines anderen Bildes verschmolzen wird, wodurch neuartige visuelle Eindrücke entstehen.

Stochastischer Gradientenabstieg (SGD) #

Eine Variante des Gradientenabstiegs, bei der in jeder Iteration nach dem Zufallsprinzip eine Teilmenge (oder “Mini-Batch”) der Daten abgetastet und nur diese Teilmenge zur Fehlerreduzierung verwendet wird. Dies kann zu einer schnelleren Konvergenz und geringeren Rechenanforderungen führen.

Stopp-Wörter #

Häufig verwendete Wörter wie Artikel, die bei der Textanalyse aufgrund ihres geringen Informationswerts nicht berücksichtigt werden.

StyleGAN #

Ein generatives adversariales Netzwerk, das auf die Erzeugung von Bildern mit bestimmten künstlerischen Stilen spezialisiert ist.

Symbolische KI #

Algorithmen, die Symbole verarbeiten, die reale Objekte, Ideen oder Verbindungen zwischen ihnen darstellen. um Symbole zu verarbeiten, die Objekte, Ideen und ihre Verbindungen innerhalb der Umgebung darstellen.

Synthetische Daten #

Künstlich erzeugte Daten, die zum Trainieren von maschinellen Lern--Modellen erstellt werden und häufig verwendet werden, wenn die realen Daten begrenzt sind.

Synthetische Medien #

Jede Art von KI-erstellten Medieninhalten wie Bilder, Videos, Text und Audio, die in kreativen und kommunikationsbezogenen Branchen nützlich sind.

Synthetische Minderheiten-Überstichprobenverfahren (SMOTE) #

Eine Technik zur Erzeugung synthetischer Stichproben, um ein Klasse-Ungleichgewicht in Datensätzen zu beheben.

Systeme zur Beantwortung von Fragen #

Ein AI-System, das in natürlicher Sprache gestellte Fragen verstehen und beantworten kann.

Szene Verstehen #

Die Fähigkeit einer AI, visuelle Szenen zu verstehen und zu interpretieren, was für computer vision Anwendungen wie autonomes Fahren entscheidend ist.

T-verteilte stochastische Nachbarschaftseinbettung (t-SNE) #

Eine Technik zur Dimensionalitätsreduktion, die hochdimensionale Daten in einem niedriger-dimensionalen Raum visualisiert.

Text-in-Sprache-Konvertierung #

Die Umwandlung von geschriebenem Text in gesprochene Sprache, die Anwendungen wie Sprachassistenten unterstützt. Manchmal auch “Vorlesetechnologie” genannt.

Text-Klassifizierung #

Die Kategorisierung von Text in vordefinierte Klassen oder Kategorien, die für die Organisation von Inhalten und die Sentiment-Analyse entscheidend ist.

Text-zu-Bild-Generierung #

Die Erstellung von Bildern auf der Grundlage von Textbeschreibungen.

Text-zu-Text-Transformator (T5) #

Ein Transformer-Modell, das für verschiedene Text-zu-Text-Aufgaben trainiert wurde und ein Beispiel für vielseitige Textverarbeitung ist.

Text-Zusammenfassung #

Die Erstellung prägnanter Zusammenfassungen aus langen Textdokumenten zur Unterstützung der Informationsextraktion.

Textgenerierung #

Ein Prozess, bei dem ein Agent neue textbasierte Inhalte produziert, anwendbar in Chatbots, kreativem Schreiben und mehr.

Tiefer deterministischer Politikgradient (DDPG) #

Ein reinforcement learning Algorithmus, der tiefe neuronale Netze einsetzt, um optimale policies in kontinuierlichen Aktionsräumen zu erlernen, um die erwartete langfristige Belohnung zu maximieren.

Tiefes Lernen (DL) #

Eine Art des maschinellen Lernens, die sich auf komplizierte neuronale Netze-Architekturen bezieht, die zur hierarchischen Merkmalsextraktion fähig sind.

Tiefes Q-Learning #

Ein zentraler Ansatz im Reinforcement-Learning, der tiefe neuronale Netze einsetzt, um die Q-Funktion zu approximieren, die er zur Bestimmung der optimalen Vorgehensweise verwendet.

Tiefes Q-Netz (DQN) #

Ein Rahmenwerk, das tiefe neuronale Netzwerke für Q-learning in reinforcement-learning Aufgaben einsetzt.

Tokenisierung #

Die Aufteilung eines Textes in kleinere Einheiten (Token) für die Analyse, in der Regel Wörter oder Teilwörter.

Transformator #

Die Neuronales Netz-Architektur nutzt self-attention, um allgemeine Modelle zu erstellen, die für die gewünschten Aufgaben angepasst werden können. Dies ermöglicht den Einsatz von Transfer-Lernen, bei dem die vortrainierten Modelle anstelle großer, schwerfälliger Datenmengen verwendet werden können.

Transformator Modell #

Eine Art von neuronalem Netz, das Selbstaufmerksamkeit verwendet, um Kontext zu lernen und Beziehungen in sequentiellen Daten zu verfolgen.

Trennscharfe Modelle #

Modelle für das überwachte maschinelle Lernen, die sich auf das Lernen von Klassen-Grenzen und Entscheidungsgrenzen konzentrieren.

Underfitting #

Ein Problem, das auftritt, wenn ein Modell zu einfach ist, so dass es die zugrunde liegenden Muster in den Daten nicht erfassen kann.

Ungleichgewicht der Daten #

Eine ungleichmäßige Verteilung von Klassen innerhalb eines Datensatzes. Dies kann die Leistung und Genauigkeit des Modells beeinträchtigen.

Unüberwachte Bild-zu-Bild-Übersetzung #

Die Umwandlung von Bildern zwischen Bereichen ohne gepaarte Daten, was die kreative Bildbearbeitung fördert.

Überwachtes Lernen #

Ein Lernansatz, bei dem Modelle anhand von markierten Daten trainiert werden, um Vorhersagen oder Klassifizierungen zu treffen.

Unüberwachtes RL #

Ein Reinforcement-Learning-Ansatz ohne explizite externe Belohnungen, der sich häufig auf intrinsische Motivation stützt.

Überanpassung #

Wenn ein Modell des maschinellen Lernens aufgrund von übermäßiger Anpassung bei Trainingsdaten gut, aber bei neuen, unbekannten Daten schlecht abschneidet.

Unüberwachtes Lernen #

Die Praxis des Trainings von Modellen auf Daten ohne explizites Ziel labels, wodurch sie verborgene Muster in Daten entdecken können.

VAE-Entflechtung #

Wenn ein variationaler Autoencoder interpretierbare und unabhängige Merkmale in der Datendarstellung lernt.

Variationale Autoencoder (VAEs) #

Ein Autoencoder-Modell, das so trainiert wird, dass der Rekonstruktionsfehler zwischen den dekodierten Daten und den Originaldaten minimiert wird.

Verantwortungsvolle AI #

Entwicklung und Einsatz von KI-Systemen unter Berücksichtigung ethischer, gesellschaftlicher und transparenter Aspekte.

Verlustfunktion #

Eine mathematische Funktion zur Messung der Differenz zwischen vorhergesagten und tatsächlichen Werten in maschinellen Lernmodellen.

Verstehen natürlicher Sprache (NLU) #

Die Aufgabe, Maschinen in die Lage zu versetzen, die menschliche Sprache zu verstehen und zu interpretieren, was für verschiedene Anwendungen unerlässlich ist.

Verstärkungslernen aus menschlichem Feedback #

Die Praxis der Verbesserung von Reinforcement-Learning durch die Einbeziehung der Anleitung durch menschliches Feedback.

Verstärkungslernen in der realen Welt #

Die Anwendung von Reinforcement Learning auf reale Szenarien wie Robotik und autonome Systeme.

Verstärkungslernen mit Funktionsapproximation #

Der Prozess der Verwendung von neuronalen Netzen zur Annäherung von Wertfunktionen beim Reinforcement Learning zur Verbesserung der Entscheidungsfindung.

Vertrauenswürdige KI #

Ein KI-System, das unter ethischen Gesichtspunkten, auf transparente Weise und unter Berücksichtigung der gesellschaftlichen Auswirkungen entwickelt und eingesetzt wird.

Vision Transformer (ViT) #

Ein transformer-ähnliches Modell, das self-attention auf Bildklassifikationsaufgaben anwendet.

Vorteil-Akteur-Kritiker (A2C) #

Eine fortschrittliche Fusion von policy-gradient und gelernter Wertfunktion im Rahmen des reinforcement learning. Dieser hybride Algorithmus zeichnet sich durch zwei voneinander abhängige Komponenten aus: den “Actor”, der eine parametrisierte policy lernt, und den “Critic”, der eine Wertfunktion für die Bewertung von Zustands-Aktions-Paaren assimiliert. Diese Komponenten tragen gemeinsam zu einem verfeinerten Lernprozess bei.

Voxel-basiertes Modell #

Ein Modell, das den 3D-Raum mit kleinen Würfeln, den so genannten Voxeln, darstellt, die im Wesentlichen dreidimensionale Pixel sind. Dies ist entscheidend für das 3D- Szenenverständnis.

Wasserstein GAN #

Eine GAN-Variante, die für eine verbesserte Stabilität beim Training entwickelt wurde.

Weiche Akteur-Kritik (SAC) #

Ein reinforcement learning Algorithmus, der policies auf maximale Belohnung optimiert und gleichzeitig Entropie einbringt. Er versucht, die Aufgabe erfolgreich zu bewältigen und dabei so zufällig wie möglich zu handeln.

Weltmodell #

KI-Modelle, die die Dynamik der realen Welt simulieren, um Vorhersagen zu treffen und Entscheidungen zu treffen, die in Bereichen wie Robotik, Wettervorhersage und Computer-Vision von entscheidender Bedeutung sind.

Wert Iteration Netzwerke #

Neuronale Netze, die für die Wert-Iteration in Reinforcement-Learning Aufgaben eingesetzt werden.

Wissensdestillation #

Eine Technik, bei der ein komplexes Modell sein Wissen auf ein kleineres, einfacheres Modell überträgt, wodurch die Effizienz gesteigert wird, ohne dass es an Gültigkeit verliert.

Word2Vec #

Eine Methode zum Lernen von Worteinbettungen aus einem großen Text- Korpus, die das semantische Verständnis erleichtert.

Wort-Einbettung #

Die numerische Darstellung eines Wortes in natural language processing, die zur Erfassung semantischer Beziehungen zwischen Wörtern verwendet wird.

Zero-Shot Learning #

Eine Technik, die es den Modellen ermöglicht, unbekannte Objekte zu klassifizieren, ohne dass sie ein spezielles Training für diese Klassen erhalten. Dies zeigt übertragbares Wissen und ist entscheidend für Systeme, die autonom handeln sollen.

Zufällige Suche #

Eine Hyperparameter-Tuning-Strategie mit zufälliger Parameterauswahl, um optimale Konfigurationen zu finden.

Was Sie aus diesem AI-Glossar mitnehmen können #

Wir hoffen, dass dieses Glossar Ihnen ein tieferes Verständnis der zentralen Begriffe und Konzepte vermittelt, die die Welt der künstlichen Intelligenz bestimmen. Das Verständnis der komplexen Sprache der KI ist nicht nur eine Voraussetzung, sondern auch ein mächtiger Hebel, um Ihr Unternehmen auf einen Weg der Innovation und Effizienz zu führen, der durch fundierte Entscheidungen und strategische Implementierungen vorangetrieben wird.

Das maschinelle Lernen, ein Eckpfeiler der künstlichen Intelligenz, hat sich in den letzten Jahren stark verbreitet und eine Vielzahl von Anwendungen hervorgebracht, mit denen Daten und Muster analysiert werden können, um Vorhersagen zu treffen, Prozesse zu optimieren und sogar die Kreativität zu fördern. Dieses Glossar beleuchtet die verschiedenen Nuancen des maschinellen Lernens, vom überwachten Lernen bis zum Deep Learning, die jeweils unterschiedliche Tools und Perspektiven in den Vordergrund stellen.

Darüber hinaus haben wir uns mit der dynamischen Welt der großen Sprachmodelle (Large Language Models, LLMs) beschäftigt und sind tief in ihre Struktur, Funktion und immensen Fähigkeiten eingetaucht. Wenn Sie die verschiedenen LLMs verstehen, können Sie diejenige auswählen, die zu Ihren Geschäftszielen passt, und so einen maßgeschneiderten Ansatz für die Integration von KI in Ihre Abläufe gewährleisten.

Die technischen Erkenntnisse dieses Glossars versetzen Sie in eine Position, die es Ihnen ermöglicht, das Rauschen zu durchdringen und sich auf die wertorientierten Anwendungen von KI zu konzentrieren. Es ermutigt Sie, KI nicht als bloßes Werkzeug zu betrachten, sondern als Kooperationspartner, der die Produktivität steigert, Innovationen fördert und intelligente, datengestützte Entscheidungen ermöglicht.

Denken Sie daran, dass das Verständnis des komplexen Netzes der künstlichen Intelligenz der erste Schritt ist, um die weitreichenden Möglichkeiten für den Erfolg Ihres Unternehmens zu nutzen. Wir empfehlen Ihnen daher, AIPRM noch heute zu installieren. Diese Browsererweiterung verbessert die Fähigkeiten von LLMs und bietet Funktionen, die den Arbeitsablauf rationalisieren und die Zusammenarbeit im Team fördern, was eine effizientere, fundiertere und ausgefeiltere Nutzung von KI-Tools ermöglicht.

Vielen Dank, dass Sie Ihre Zeit investieren, um mit Hilfe unseres Glossars die Sprache der KI zu beherrschen. Wir stellen uns vor, dass diese Ressource als Sprungbrett dient und Ihr Unternehmen in eine Zukunft voller Möglichkeiten katapultiert, die von intelligenten Erkenntnissen geleitet und durch das leistungsstarke Rückgrat der KI-Technologien gestützt wird.