Hier finden Sie Begriffe, die im Zusammenhang mit der künstlichen Intelligenz stehen (Liste wird ständig erweitert).
Adversarial Attacken: Angriffe auf KI-Systeme, bei denen absichtlich gestaltete Eingaben verwendet werden, um die Leistung zu beeinträchtigen oder zu täuschen, z.B. durch das Hinzufügen kleiner Störungen zu Bildern, um Objekterkennungssysteme zu täuschen.
Algorithmische Transparenz: Die Fähigkeit, Entscheidungen oder Vorhersagen von KI-Systemen nachvollziehbar zu machen, um das Vertrauen der Benutzer zu stärken und potenzielle Fehler oder Bias aufzudecken.
Automated Machine Learning (AutoML): Die Automatisierung des maschinellen Lernprozesses, einschließlich der Modellauswahl, der Hyperparameter-Optimierung und der Feature-Engineering, um den Aufwand für die Modellentwicklung zu reduzieren.
Autonome Systeme: KI-Systeme oder Roboter, die in der Lage sind, Aufgaben eigenständig auszuführen, ohne direkte menschliche Kontrolle oder Intervention.
Bias und Fairness in KI: Die unerwünschte Verzerrung von Entscheidungen oder Vorhersagen durch KI-Systeme aufgrund von Vorurteilen in den Daten oder Algorithmen und die Gewährleistung von Fairness und das Management von Bias sind wichtige Aspekte der KI-Ethik.
Computer Vision: Ein Bereich der KI, der sich mit der Verarbeitung, Analyse und Interpretation von digitalen Bildern oder Videos befasst. Ziel ist es, Computern das Sehen beizubringen, indem Muster und Merkmale in visuellen Daten erkannt werden.
Convolutional Neural Networks (CNNs): Eine spezielle Art von neuronalen Netzwerken, die speziell für die Verarbeitung von Gitterdaten wie Bildern oder Videos entwickelt wurden, indem sie Faltungsoperationen verwenden, um lokale Muster zu extrahieren.
Deep Learning: Eine Unterdisziplin des maschinellen Lernens, die auf künstlichen neuronalen Netzwerken mit mehreren Schichten basiert und sich auf das Lernen von darstellungsorientierten Merkmalen oder Hierarchien konzentriert.
Edge Computing: Eine dezentrale Computing-Infrastruktur, bei der Datenverarbeitung und Analyse nahe an der Datenquelle, z.B. an IoT-Geräten oder Sensoren, stattfindet, anstatt in entfernten Rechenzentren.
End-to-End-Learning: Eine Methode im maschinellen Lernen, bei der ein Modell direkt von den Rohdaten zur Ausgabe lernt, ohne dass manuelle Merkmalsextraktion oder Zwischenschritte erforderlich sind.
Ensemble Learning: Eine Technik im maschinellen Lernen, bei der mehrere Modelle kombiniert werden, um eine bessere Vorhersagegenauigkeit zu erzielen als mit einzelnen Modellen allein.
Evolutionäre Algorithmen: Eine Klasse von Algorithmen, die von der biologischen Evolution inspiriert sind und für die Optimierung von Problemen verwendet werden, indem sie eine Population von Lösungskandidaten über Generationen hinweg verbessern.
Explainable AI (XAI): Die Fähigkeit von KI-Systemen, ihre Entscheidungen und Vorhersagen auf eine für Menschen verständliche Weise zu erklären, um das Vertrauen der Benutzer zu stärken und die Transparenz zu verbessern.
Federated Learning: Ein verteiltes maschinelles Lernverfahren, bei dem das Modell auf verschiedenen Geräten oder in verschiedenen lokalen Datenzentren trainiert wird, ohne dass die Rohdaten das Gerät oder das Datenzentrum verlassen.
Generative Modelle: KI-Modelle, die in der Lage sind, neue Daten zu generieren, die denen ähneln, auf denen sie trainiert wurden. Beispiele sind Generative Adversarial Networks (GANs) und Variational Autoencoders (VAEs).
Hyperparameter: Einstellungen, die vor dem Training eines maschinellen Lernmodells festgelegt werden und die dessen Struktur und Verhalten beeinflussen, wie z.B. Lernrate, Batch-Größe, Anzahl der Schichten usw.
Induktive Logische Programmierung (ILP): Eine Technik, die Konzepte aus der symbolischen KI und dem maschinellen Lernen kombiniert, um automatisch logische Programme aus Daten zu induzieren.
KI-Ethik: Ein Bereich, der sich mit den moralischen und sozialen Auswirkungen von KI befasst, einschließlich Themen wie Datenschutz, Diskriminierung, Verantwortlichkeit und Auswirkungen auf die Arbeitswelt und die Gesellschaft.
Künstliche Intelligenz (KI): Ein Gebiet der Informatik, das sich mit der Schaffung von Computersystemen befasst, die in der Lage sind, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern.
Maschinelles Lernen (ML): Ein Teilgebiet der künstlichen Intelligenz, das Algorithmen und Techniken entwickelt, mit denen Computer aus Daten lernen können, um Vorhersagen zu treffen oder Muster zu erkennen, ohne explizit programmiert zu werden.
Natural Language Processing (NLP): Ein Bereich der KI, der sich mit der Wechselwirkung zwischen Computern und menschlicher Sprache befasst. Es beinhaltet Aufgaben wie maschinelles Übersetzen, Spracherkennung, Sentimentanalyse usw.
Neuronales Netzwerk: Ein mathematisches Modell, das von der Funktionsweise des menschlichen Gehirns inspiriert ist und aus miteinander verbundenen künstlichen Neuronen besteht. Es wird häufig in der KI und insbesondere im Deep Learning verwendet.
Recurrent Neural Networks (RNNs): Eine Art von neuronalen Netzwerken, die für die Verarbeitung von Sequenzdaten entwickelt wurden, indem sie Feedback-Loops verwenden, um Informationen über vergangene Schritte beizubehalten.
Reinforcement Learning (Verstärkendes Lernen): Eine Art des maschinellen Lernens, bei dem ein Agent durch Interaktion mit einer Umgebung lernen kann, um bestimmte Ziele zu erreichen, indem er Belohnungen oder Bestrafungen erhält.
Robotic Process Automation (RPA): Die Verwendung von Software-Robotern oder Bots, um repetitive Aufgaben in Geschäftsprozessen zu automatisieren, indem sie menschliche Interaktionen mit digitalen Systemen nachahmen.
Semi-supervised Learning (Halbüberwachtes Lernen): Eine Art des maschinellen Lernens, bei der ein Modell mit einer Kombination aus gelabelten und ungelabelten Daten trainiert wird, um die Leistung zu verbessern, wenn gelabelte Daten knapp sind.
Supervised Learning (Überwachtes Lernen): Eine Art des maschinellen Lernens, bei dem ein Modell auf der Grundlage von Eingabe-Ausgabe-Paaren trainiert wird. Das Modell lernt, eine Zuordnung zwischen Eingaben und Ausgaben herzustellen, indem es mit gelabelten Daten trainiert wird.
Transfer Learning (Transferlernen): Eine Technik im maschinellen Lernen, bei der ein Modell, das für eine bestimmte Aufgabe trainiert wurde, auf eine ähnliche, aber andere Aufgabe angewendet wird, um die Leistung zu verbessern oder den Trainingsaufwand zu reduzieren.
Unsupervised Learning (Unüberwachtes Lernen): Eine Art des maschinellen Lernens, bei dem ein Modell Muster oder Strukturen in den Eingabedaten ohne explizite Rückmeldung oder Anleitung durch einen Supervisor identifiziert..
Quantum Computing: Eine auf Quantenmechanik basierende Technologie, die enorme Rechenleistung bietet und möglicherweise komplexe Probleme in der KI wie Optimierung und Mustererkennung revolutionieren könnte.