So sprichst du KI – Teil 3: Das Glossar für alle, die sich im KI-Dschungel zurechtfinden wollen
- Alexandra Uhr
- 23. Sept.
- 3 Min. Lesezeit
Ob Alltags-Apps, Business-Tools oder Services – Künstliche Intelligenz ist dabei, ein Standardbegleiter unseres Lebens zu werden. Damit man dabei nicht den Anschluss verliert oder sich zumindest im KI-Dschungel zurechtfindet, ist es wichtig, sich mit dem Thema auseinanderzusetzen. Unsere Glossar-Reihe versucht, genau dabei zu helfen.
In Teil 1 haben wir mit den Grundlagen angefangen, Teil 2 hat vertiefende Begriffe und Anwendungskonzepte beleuchtet und Teil 3 wird nun Begriffe aufgreifen, die gerade auf dem Vormarsch sind. Damit ihr noch besser mitreden könnt!
Autoencoder – Das KI-Talent fürs Komprimieren & Entpacken
Autoencoder sind ein spezielles neuronales Netzwerk, das Daten komprimiert und wiederherstellt. Sie helfen dabei, große Datenmengen zu reduzieren oder Muster zu erkennen (etwa in Bildern oder Videos).
Beispiel: Ein Autoencoder reduziert die Bildgröße für ein Fotoarchiv, ohne dass wichtige Daten verloren gehen.
Causal Inference – Wie Maschinen Ursachen statt Zufälle erkennen
Viele KI-Systeme sagen, was zusammenhängt („Korrelation“). Causal Inferences gehen einen Schritt weiter: Sie versuchen zu verstehen, WARUM etwas passiert. In Bereichen wie Medizin, Wirtschaft oder Risikoabschätzung kann das ein Game-Changer sein.
Beispiel: Eine KI analysiert, warum Mitarbeitende schneller krank werden und erkennt, dass lange Arbeitszeiten die Ursache sind.
Federated Learning – Gemeinsam lernen, ohne Daten zu teilen
Ein Ansatz, bei dem viele Geräte oder Standorte Daten lokal nutzen und daraus lernen, ohne dass alle Rohdaten zusammengeführt werden. So bleibt der Datenschutz gewahrt und das KI-Modell profitiert trotzdem von vielen Quellen.
Beispiel: Smartphones verbessern ihre Spracherkennung, ohne dass deine Sprachdaten an einen zentralen Server gesendet werden.
Graph Neural Networks (GNNs) – Wenn Beziehungen wichtiger sind als Datenpunkte
Diese Netzwerke sind dafür gemacht, Beziehungen zu verstehen, wie etwa zwischen Usern, Orten, Produkten oder anderen Knotenpunkten in Daten. GNNs sind sehr hilfreich, wenn Daten wie ein Netzwerk aussehen, z.B. Social Networks oder Transportwege.
Beispiel: Eine GNN-KI erkennt, welche Profile in einem sozialen Netzwerk vermutlich Fake-Accounts sind – basierend auf deren Verbindungen.
Prompt Chaining – Die Schritt-für-Schritt-Denkweise der KI
Manchmal reicht ein einzelner Prompt nicht aus. Prompt Chaining heißt, man verbindet mehrere Prompts in einer Kette (Schritt-für-Schritt), damit die KI komplexe Aufgaben besser versteht und bearbeitet. Man denkt also modular und baut auf vorherigen Zwischenergebnissen auf.
Beispiel: Erst erstellt die KI eine Gliederung für einen Text, dann schreibt sie Abschnitt für Abschnitt – alles über mehrere Prompts.
Prompt Retrieval – Die Kunst, Antworten mit Extra-Wissen zu füttern
Prompt Retrieval ist ein Teil des Prompt Engineering. Hier holt die KI relevante Inputs, wie z.B. Dokumente oder Textabschnitte ab, bevor sie antwortet. So bekommt sie Infos „on demand“, was die Antwortqualität steigert.
Beispiel: Wenn man nach „aktuellen Wirtschaftsdaten“ fragt, zieht die KI vorher passende Infos aus Datenbanken, statt nur ihr Trainingswissen zu nutzen.
Self-Distillation – Wenn KI zum eigenen Lehrer wird
Ein Modell nutzt seine eigenen Vorhersagen oder internen Repräsentationen, um sich selbst weiter zu verbessern. Wie wenn man selbst etwas lernt, es sich nochmal erklärt und dadurch mehr Verständnis gewonnen wird.
Beispiel: Ein großes Sprachmodell nutzt seine eigenen Antworten, um eine kleinere Version von sich zu trainieren.
TinyML – Smarte Intelligenz im Hosentaschenformat
Das ist künstliche Intelligenz in ganz kleinen Geräten, z.B. in Sensoren, Smartwatches oder IoT-Komponenten. TinyML-Modelle sind so optimiert, dass sie wenig Strom und wenig Speicher brauchen. Sie sind perfekt für den Einsatz direkt vor Ort, ohne große Server.
Beispiel: Eine Smartwatch erkennt Schritte oder Herzfrequenz mit eingebauter Mini-KI, ganz ohne Verbindung zur Cloud.
Zero Trust KI – Warum man KI nicht blind vertrauen sollte
Den Begriff „Zero Trust“ kennt man bereits aus der IT-Sicherheit. Bei Künstlicher Intelligenz bedeutet er, dass man der KI nicht einfach vertraut, sondern alles in Frage stellt. Daten, Trainingswege, Entscheidungen der KI – bei allem wird nachgefragt und geprüft. Gerade in Unternehmen ist das wichtig, denn Vertrauen allein reicht nicht. Transparenz und Kontrolle sind gefragt.
Beispiel: Ein Unternehmen prüft jede KI-Entscheidung (z.B. Kreditvergabe) zusätzlich durch menschliche Kontrolle, statt der Maschine blind zu vertrauen.
Fazit
Mit Teil 3 unseres KI-Glossars seid ihr auf einem richtig guten Weg, um im KI-Dschungel nicht verloren zu gehen. Denn nur wer versteht, was hinter KI steckt, kann auch mitreden und mitgestalten.
Quellen: