KI verstehen, Begriff für Begriff.
Direkte Definitionen mit Beispielen, häufigen Fehlern, technischen Entscheidungen und geprüften redaktionellen Analysen.
Grundlagen
Grundlegende Einheiten, Fähigkeiten und Grenzen zum Verständnis eines KI-Systems.
Multimodalität
Capacidad de procesar o generar más de un tipo de información, como texto, imagen, audio o vídeo.
Parámetro
Valor numérico aprendido durante el entrenamiento que contribuye a transformar entradas en salidas.
Token
Unidad en la que un modelo divide una entrada o salida para procesarla y, a menudo, contabilizar contexto y uso.
Kontextfenster
Cantidad máxima de tokens que un modelo puede considerar entre entrada, historial, herramientas y salida en una solicitud.
Modelle und Lernen
Architekturen, Training und Techniken, die das Verhalten eines Modells bestimmen.
Fine-Tuning: Was sich durch weiteres Training ändert – und was es nicht garantiert
Fine-Tuning ist das zusätzliche Training eines bereits vortrainierten Modells, um es an ein konkretes Ziel anzupassen. Dieser Glossareintrag erklärt den Prozess, zeigt drei Beispiele und grenzt den Begriff von anderen Arten ab, Modelle anzupassen oder zu verwenden.
Selbstüberwachtes Lernen: Was es ist und wie es funktioniert
Beim selbstüberwachten Lernen werden Trainingsziele aus den Daten selbst abgeleitet. Dieser Leitfaden erklärt den Mechanismus, zeigt Beispiele aus Sprache, Bildverarbeitung und Audio und erläutert die Grenzen sowie die Unterschiede zu anderen Ansätzen.
Aprendizaje por refuerzo con feedback humano
Familia de métodos que usa preferencias humanas para entrenar señales de recompensa y orientar el comportamiento de un modelo.
Synthetische Daten: Was sie sind, wie sie erzeugt werden und was sie nicht garantieren
Synthetische Daten werden künstlich erzeugt, um relevante Eigenschaften realer Daten für einen bestimmten Zweck zu bewahren. Ihr künstlicher Ursprung belegt für sich genommen weder ihren Nutzen noch ihre Qualität oder den Schutz der Privatsphäre.
Wissensdestillation im maschinellen Lernen: Wie ein Schülermodell von einem Lehrermodell lernt – und was das nicht garantiert
Bei der Wissensdestillation nutzt ein Schülermodell Trainingssignale eines Lehrermodells. Dafür gibt es verschiedene Verfahren. Die Destillation garantiert weder, dass das Schülermodell alle Fähigkeiten des Lehrermodells bewahrt, noch dass es in jeder Umgebung effizienter ist.
Verlustfunktion: Was sie während des Trainings misst – und was sie nicht über ein Modell aussagt
Eine Verlustfunktion quantifiziert anhand eines festgelegten Kriteriums die Abweichung zwischen einer Vorhersage und einem Zielwert. Wer versteht, was sie bestraft – und was außerhalb ihrer Messung liegt –, kann das Training besser einordnen, ohne es mit einer vollständigen Modellbewertung zu verwechseln.
LoRA: Wie Modelle mit Matrizen niedrigen Rangs angepasst werden – und was das nicht garantiert
LoRA passt ein vortrainiertes Modell an, indem die ursprünglichen Gewichte unverändert bleiben und zusätzliche Matrizen niedrigen Rangs trainiert werden. Dieser Glossareintrag erklärt den Mechanismus, vergleicht LoRA mit anderen Anpassungsverfahren und zeigt, welche Schlüsse sich allein aus der Zahl der trainierbaren Parameter nicht ziehen lassen.
Aufmerksamkeitsmechanismus: Wie ein Modell Teile der Eingabe miteinander in Beziehung setzt
Aufmerksamkeit ist eine mathematische Operation, die Repräsentationen anhand ihrer Kompatibilität kombiniert. Dieser Leitfaden erklärt Q, K und V, verschiedene Varianten des Mechanismus und seine Grenzen – ohne ihn mit menschlicher Aufmerksamkeit oder einer automatischen Erklärung des Modells gleichzusetzen.
Destilliertes Modell: Was die Bezeichnung bedeutet – und was sie nicht belegt
Ein destilliertes Modell ist das Student-Modell, das aus einem Verfahren zur Übertragung eines Teils des Verhaltens eines Teacher-Modells hervorgeht. Die Bezeichnung beschreibt eine Trainingsbeziehung, ist aber keine Garantie für Gleichwertigkeit, Qualität oder Effizienz.
Modelo fundacional
Modelo entrenado a gran escala sobre datos amplios y adaptable a múltiples tareas posteriores.
Vortraining: Was ein Modell lernt, bevor es angepasst wird
Vortraining ist eine Trainingsphase, die bestimmten späteren Anwendungen oder Anpassungen vorausgeht. Ziel, Daten und Verhältnis zu weiteren Phasen hängen vom Modell ab: Es gibt kein allgemeingültiges Rezept, und Vortraining allein garantiert kein zuverlässiges System.
Sobreajuste
Situación en la que un modelo se adapta demasiado a los datos de entrenamiento y pierde rendimiento ante casos nuevos.
Transformer
Arquitectura neuronal basada principalmente en atención que procesa relaciones entre elementos de una secuencia o varias modalidades.
Generierung und Interaktion
Begriffe zum Anfordern, Steuern und Prüfen einer generierten Antwort.
Aprendizaje con pocos ejemplos
Uso de unos pocos ejemplos dentro de la petición para mostrar al modelo la tarea, el criterio o el formato esperado.
In-Context Learning (ICL): Wie ein Modell auf Beispiele im Prompt reagiert
Beim In-Context Learning lässt sich die Antwort eines Modells durch Anweisungen und Beispiele in der Eingabe steuern. Hier erfahren Sie, was das bedeutet, wie sich der Ansatz testen lässt und worin er sich von Training und anderen Methoden unterscheidet.
Chain of Thought in der KI: Was sie ist – und was sie nicht belegt
Eine Chain of Thought ist eine Folge textlich formulierter Zwischenschritte, die ein Modell erzeugt oder als Beispiel erhält. Sie kann eine Aufgabe strukturieren und einzelne Schritte sichtbar machen. Ihre Plausibilität beweist jedoch weder, dass die Schritte korrekt sind, noch dass sie den internen Prozess, der zur Antwort geführt hat, zuverlässig wiedergeben.
Kontext-Engineering: Wie KI-Systeme die passenden Informationen erhalten und aktuell halten
Kontext-Engineering bedeutet, festzulegen, welche Informationen ein Modell für eine bestimmte Aufgabe benötigt, wie diese beschafft werden und wie sie während der Ausführung relevant bleiben. Es ist nicht dasselbe wie ein längerer Prompt: Dazu gehören auch die Auswahl von Dokumenten, der Einsatz von Werkzeugen und die Verwaltung des Arbeitsstands.
Prompt
Conjunto de instrucciones y contexto entregado a un modelo para orientar una tarea y su formato de salida.
Razonamiento en modelos
Capacidad observable de combinar información, restricciones y pasos intermedios para resolver una tarea.
strukturierte Ausgabe
Respuesta que debe ajustarse a un esquema definido para poder validarse y procesarse de forma automática.
Temperatura
Parámetro de muestreo que modifica la distribución de probabilidad usada para seleccionar los siguientes tokens.
Daten und Wissen
Wie Daten dargestellt, abgerufen und mit überprüfbaren Antworten verbunden werden.
Vektordatenbank: Was sie speichert und wie sie nach Ähnlichkeit sucht
Eine Vektordatenbank speichert numerische Repräsentationen und kann die nächstgelegenen zu einer Anfrage abrufen. Sie erzeugt nicht zwangsläufig Embeddings und entscheidet nicht selbst, welche Treffer relevant sind.
Búsqueda semántica
Recuperación de información basada en relaciones de significado, normalmente combinada con filtros o búsqueda léxica.
Einbetten
Representación numérica que sitúa elementos en un espacio donde ciertas relaciones pueden medirse por proximidad.
Fragmentación de documentos
División de documentos en unidades recuperables que conservan suficiente contexto para responder preguntas.
Primärquelle: Was sie ist, wie man sie erkennt und was sie belegen kann
Eine Quelle ist in Bezug auf eine bestimmte Frage primär, wenn sie den untersuchten Gegenstand, die Daten, die Methode oder die Entscheidung unmittelbar präsentiert. Das bedeutet nicht, dass sie wahr, unparteiisch oder ausreichend ist: Entscheidend ist, was sie aussagt und wo ihre Grenzen liegen.
Generación aumentada por recuperación (RAG)
Patrón que recupera información externa relevante y la incorpora al contexto antes de generar una respuesta.
Grounding
Conexión de una respuesta con datos recuperados, observaciones, herramientas o fuentes externas que pueden comprobarse.
Re-Ranking: Definition, Funktionsweise und Grenzen in Retrieval-Systemen
Re-Ranking ist die zweite Bewertungsstufe in Retrieval-Systemen, die Abfrage-Dokument-Paare analysiert, um die Präzision zu erhöhen. Dieser Artikel erklärt die technische Funktionsweise, unterscheidet zwischen Ein- und Zwei-Stufen-Architekturen und analysiert die operativen Grenzen in RAG-Pipelines und semantischer Suche.
Agenten und Automatisierung
Werkzeuge, Speicher und Muster für Systeme, die Aufgaben ausführen können.
KI-Agent: Was er ist, wie er funktioniert und wie er sich von einem Chatbot unterscheidet
Ein KI-Agent ist ein System, das ein Ziel verfolgt, indem es seine Umgebung beobachtet und Handlungen auswählt. Dieser Leitfaden erklärt den Funktionszyklus, die Grenzen und die Unterschiede zu Chatbots und festgelegten Automatisierungen.
Llamada a herramientas
Mecanismo por el que un modelo selecciona una operación y propone argumentos estructurados para que la aplicación la ejecute.
Memoria de agente
Mecanismo para conservar y recuperar estado relevante entre pasos o sesiones de un sistema basado en modelos.
Model Context Protocol (MCP): Was es verbindet, wie es funktioniert und was es nicht garantiert
MCP ist ein offener Integrationsstandard, der KI-Anwendungen mit externen Systemen, Daten und Tools verbinden soll. Dieser Glossareintrag erläutert, was sich anhand der verfügbaren Quellen sagen lässt, gibt bedingte Anwendungsbeispiele und grenzt das Protokoll von einer API, Tool-Aufrufen und einem Agenten ab.
Bewertung
Methoden zur Messung von Qualität, Kosten, Robustheit und Nutzen unter reproduzierbaren Bedingungen.
Benchmark in der künstlichen Intelligenz: Was er misst und was ein Ergebnis aussagt
Ein Benchmark ist eine durch Aufgaben, Daten, Protokoll und Metriken definierte Evaluation. Sein Ergebnis beschreibt die Leistung unter genau diesen Bedingungen; für sich genommen belegt es weder eine allgemeine Fähigkeit noch garantiert es den Erfolg im Produktivbetrieb.
Contaminación de datos
Presencia total o parcial de datos de evaluación en el entrenamiento, ajuste o contexto previo de un modelo.
Evaluación de IA
Prueba reproducible que mide un comportamiento mediante casos, condiciones, métricas y una rúbrica explícita.
Generalización
Capacidad de mantener un comportamiento útil ante ejemplos o condiciones que no coinciden exactamente con los datos de entrenamiento.
Incertidumbre
Grado de falta de certeza sobre una predicción, una respuesta, la evidencia disponible o la validez de una medición.
LLM-as-a-Judge: Was ein Modell bewertet und welche Verzerrungen zu prüfen sind
Ein Modell als Judge nutzt ein Sprachmodell, um Antworten oder Aktionen anhand expliziter Kriterien zu bewerten. Dieser Leitfaden erklärt den Ablauf, unterscheidet verschiedene Urteilsformate und zeigt, was überprüft werden sollte, bevor man den Ergebnissen vertraut.
Reproducibilidad
Capacidad de repetir una evaluación con versiones, datos, configuración y procedimiento documentados y obtener resultados compatibles.
Robustez
Capacidad de mantener un comportamiento aceptable ante variaciones, ruido, casos extremos o intentos de manipulación.
Rúbrica de evaluación
Conjunto explícito de criterios y niveles que convierte una valoración en una puntuación interpretable y repetible.
Sicherheit und Governance
Risiken, Kontrollen und Verantwortlichkeiten über den gesamten Lebenszyklus.
Halluzinationen in der KI: Was sie bedeuten und wie sich unbelegte Antworten erkennen lassen
Eine flüssig formulierte Antwort ist nicht automatisch richtig. Dieser Leitfaden erklärt, was unter einer KI-Halluzination verstanden wird, wie sie sich von anderen Fehlern unterscheidet und welche Prüfungen bei konkreten Aussagen helfen.
Guardrails in der KI: Was sie kontrollieren, wo sie wirken und was sie nicht garantieren
Ein Guardrail ist eine Kontrolle, die Eingaben, Ausgaben oder Aktionen eines KI-Systems anhand einer festgelegten Richtlinie prüft. Was sie leisten kann, hängt davon ab, was sie prüft und wann sie eingreift: Sie kann bestimmte Risiken verringern, beweist für sich genommen aber nicht, dass das gesamte System sicher ist.
Human-in-the-Loop (HITL): Was eine Person entscheidet – und was ihre Beteiligung nicht garantiert
HITL bezeichnet ein Design, bei dem eine Person an einem festgelegten Punkt in ein automatisiertes System eingreift. Die Bezeichnung allein sagt weder aus, welche Befugnisse sie hat, noch garantiert sie, dass sie Fehler erkennt.
Anweisungsinjektion
Ataque o interferencia en la que contenido no confiable intenta desviar al sistema de sus reglas u objetivo legítimo.
Moderación
Clasificación y tratamiento de contenido según políticas de seguridad, uso aceptable o requisitos legales.
Prinzip der geringsten Berechtigung: Bedeutung und Anwendung in KI-Systemen
Das Prinzip der geringsten Berechtigung begrenzt jede Identität – Person, Prozess oder Dienst – auf die für ihre Aufgabe erforderlichen Berechtigungen. In KI-Systemen steuert es den Zugriff von Agenten, Werkzeugen und Diensten, ersetzt aber keine Authentifizierung und garantiert nicht allein, dass das Modell sicher handelt.
Adversarial Testing: Definition, Methodology and Limits in AI Systems
Adversarial testing in AI is a deliberate evaluation discipline that seeks to break a system's guarantees through hostile inputs or designed scenarios. This entry defines the concept, distinguishes manual practice from automation, details the technical lifecycle, and analyzes its inherent limits regarding coverage and reproducibility.
Supervisión humana
Capacidad efectiva de personas responsables para comprender, vigilar, intervenir y detener un sistema cuando sea necesario.
Verificación de hechos
Proceso de contrastar afirmaciones verificables con evidencia identificable, vigente y suficientemente autorizada.
Betrieb und Infrastruktur
Techniken zum Bereitstellen, Optimieren und Beobachten von KI-Systemen in der Produktion.
Kontext-Cache in der KI: Was wiederverwendet wird – und warum das kein „Erinnern“ bedeutet
Ein Cache kann Modellberechnungen speichern, damit sie nicht erneut ausgeführt werden müssen. Dieser Eintrag unterscheidet KV-Cache und Präfix-Cache, erklärt, wann sie genutzt werden können, und zeigt ihre Grenzen.
Quantisierung in der KI: Was sich ändert, wenn die numerische Präzision sinkt
Bei der Quantisierung werden Zahlen mit weniger Stufen dargestellt, um Ressourcen zu sparen. Die Angabe „4 Bit“ allein sagt jedoch weder Speicherbedarf noch Geschwindigkeit oder Modellqualität voraus.
KI-Inferenz: Was geschieht, wenn ein Modell eine Eingabe verarbeitet?
Inferenz bezeichnet die Nutzung eines bereits trainierten Modells, um aus einer Eingabe eine Ausgabe zu berechnen. Das Ergebnis kann eine Klasse, ein Score, eine Repräsentation oder generierter Inhalt sein – und ist nicht automatisch korrekt.
Latenz in KI: Welche Zeit gemessen wird und warum der Antwortzeitpunkt zählt
Latenz ist die Zeit zwischen einem definierten Anfangs- und Endpunkt. Erfahre, wie sich der erste Ausgabeteil, die vollständige Antwort und die von Nutzenden wahrgenommene Wartezeit unterscheiden.
Rendimiento de procesamiento
Cantidad de trabajo que un sistema completa por unidad de tiempo, por ejemplo solicitudes o tokens por segundo.
Versuche ein anderes Wort, einen Alias oder einen anderen Bereich.