Willkommen im Glossar. Dieser Bereich erklärt zentrale Fachbegriffe, technische Konzepte und wichtige Abkürzungen, die in unseren Lösungen und Dokumentationen verwendet werden.
Das Glossar hilft Ihnen, schnell ein gemeinsames Verständnis aufzubauen und Informationen klarer einzuordnen.
Die Beantwortung häufiger Fragen finden Sie im FAQ. Ausführliche Erläuterungen in der Dokumentation. Bei weiteren Fragen kontaktieren Sie uns gerne.
Künstliche Intelligenz
Künstliche Intelligenz umfasst Technologien, die es Systemen ermöglichen, Aufgaben auszuführen, die typischerweise menschliche Intelligenz erfordern. Unternehmen nutzen KI, um Prozesse zu automatisieren, Entscheidungen zu verbessern und neue Wertschöpfung zu erschließen.
Maschinelles Lernen
Maschinelles Lernen ist ein Verfahren, bei dem Modelle aus Daten lernen, ohne explizit programmiert zu werden. Es bildet die Grundlage der meisten modernen KI-Implementierungen und wird in vielen Unternehmensprozessen eingesetzt.
Deep Learning
Deep Learning beschreibt komplexe neuronale Netze mit vielen Schichten. Diese Architektur ermöglicht hochpräzise Bild-, Text- und Sprachverarbeitung und ist besonders relevant für anspruchsvolle Prototyping-Projekte.
Neuronales Netz
Ein neuronales Netz ist ein Netz aus miteinander verbundenen Knoten, die Informationen verarbeiten. Sie erkennen Muster, klassifizieren Daten und eignen sich besonders für Case Studies im Bereich KI-Erkennung oder Prognosen.
Transformer-Modell
Transformer-Modelle verarbeiten Daten parallel und besonders effizient. Sie sind die Basis moderner Sprachmodelle, die Unternehmen zur Automatisierung von Text-, Support- und Analyseprozessen einsetzen.
Large Language Model
Ein Large Language Model ist ein KI-Modell, das große Textmengen analysiert und generiert. Es eignet sich für Prototypen, Chatbots, Automationen und komplexe Geschäftslogiken.
Multimodale KI
Multimodale KI verarbeitet gleichzeitig Text, Bilder, Audio oder Video. Damit können Unternehmen vielseitige Prototypen entwickeln, die mehrere Signalquellen kombinieren.
Computer Vision
Computer Vision ermöglicht Systemen, Bilder und Videos zu interpretieren. In Case Studies wird es häufig für Qualitätskontrolle, Objekt-Erkennung oder Automatisierung in der Produktion eingesetzt.
Natural Language Processing
Natural Language Processing erlaubt Maschinen, menschliche Sprache zu verstehen und zu erzeugen. Dieser Bereich ist zentral für Support-Automatisierung und KI-basierte Kommunikation.
Prompt
Ein Prompt ist die Eingabe, durch die ein KI-Modell gesteuert wird. Er beeinflusst maßgeblich die Qualität der Ergebnisse und ist ein wichtiger Faktor für Prototypen.
Prompt Engineering
Prompt Engineering umfasst Techniken, um Prompts so zu gestalten, dass Modelle präzise Ergebnisse liefern. Es spielt eine große Rolle beim schnellen Arbeitsprototypen.
Embedding
Ein Embedding übersetzt Text oder Objekte in Vektoren. Dadurch kann ein Modell semantische Beziehungen verstehen, was besonders relevant für Suchfunktionen, Empfehlungssysteme und Prototypen mit Wissensbezug ist.
Token
Tokens sind kleinste Verarbeitungseinheiten eines Modells. Sie bestimmen Geschwindigkeit, Kosten und Effizienz bei KI-Implementierungen.
Inferenz
Inferenz ist der Vorgang, bei dem ein trainiertes Modell neue Eingaben verarbeitet und Ergebnisse liefert. Unternehmen benötigen schnelle Inferenzzeiten für produktive Systeme.
Training
Training bezeichnet den Lernprozess eines Modells, bei dem Daten analysiert und Parameter optimiert werden. Es ist kostenintensiv, aber Voraussetzung für maßgeschneiderte KI-Lösungen.
Fine-Tuning
Fine-Tuning erweitert ein bestehendes Modell um unternehmensspezifische Daten. Dies verkürzt Entwicklungszeiten und ermöglicht individuelle Case Studies.
RAG – Retrieval-Augmented Generation
RAG verbindet KI-Modelle mit eigenen Wissensquellen, um präzisere Antworten zu erzeugen. Für Unternehmen ist dies der Schlüssel zu verlässlichen produktiven KI-Systemen.
Datensatz
Ein Datensatz ist die Informationssammlung, die zum Trainieren oder Testen eines Modells dient. Die Qualität der Daten beeinflusst die Qualität jeder Implementierung.
Data Pipeline
Eine Data Pipeline strukturiert die Verarbeitung von Daten vom Eingang bis zum Modell. Sie ist ein unverzichtbarer Bestandteil jeder professionellen KI-Einführung.
Feature
Ein Feature ist ein einzelnes Merkmal, das ein Modell zur Analyse nutzt. Gute Feature-Auswahl steigert Modellpräzision und Geschäftswert.
Feature Engineering
Feature Engineering optimiert vorhandene Merkmale oder erzeugt neue. Diese Phase ist zentral im Prototyping und bei produktiven Implementierungen.
Overfitting
Overfitting tritt auf, wenn ein Modell zu stark an Trainingsdaten angepasst ist und bei neuen Daten versagt. Unternehmen müssen diesen Effekt vermeiden, um stabile Lösungen zu entwickeln.
Bias
Bias bezeichnet Verzerrungen im Modell, die aus ungeeigneten oder unausgewogenen Daten entstehen. Awareness darüber ist wichtig für faire und korrekte Systeme.
Explainable AI
Explainable AI macht Entscheidungen von KI-Modellen nachvollziehbar. Dies ist für Unternehmen essenziell, die in regulierten Bereichen arbeiten oder Verantwortung übertragen.
Modellinterpretierbarkeit
Modellinterpretierbarkeit stellt sicher, dass Fachabteilungen KI-Entscheidungen verstehen können. Dies erleichtert das Onboarding neuer KI-Prozesse im Unternehmen.
Skalierbarkeit
Skalierbarkeit beschreibt, wie gut ein KI-System wächst, wenn Last oder Nutzungsumfang steigt. Projekte müssen früh darauf ausgelegt werden.
API
Eine API ist eine Schnittstelle, über die KI-Modelle in Systeme integriert werden. Sie stellt sicher, dass Prototypen später produktiv eingesetzt werden können.
Latenz
Latenz ist die Zeit zwischen Anfrage und KI-Antwort. Für Live-Automationen ist niedrige Latenz entscheidend.
Modellparameter
Modellparameter sind die Werte, die ein Modell beim Training lernt. Sie definieren, wie das Modell Aufgaben löst.
Hyperparameter
Hyperparameter steuern den Trainingsprozess und beeinflussen Modellqualität und Laufzeit. Ihre Optimierung ist ein wesentlicher Schritt im Early-Stage-Prototyping.
KI-Agent
Ein KI-Agent ist ein System, das selbstständig Aufgaben ausführt und Entscheidungen trifft. Unternehmen nutzen sie, um Prozesse vollständig zu automatisieren.
Multi-Agent-System
Mehrere KI-Agenten können gemeinsam komplexe Szenarien lösen. Dies ist relevant für Simulationen und intelligente Prozessketten.
Reinforcement Learning
Reinforcement Learning nutzt Belohnungen, um optimale Verhaltensstrategien zu finden. In Case Studies wird es oft zur Optimierung komplexer Abläufe verwendet.
Klassifikationsmodell
Ein Klassifikationsmodell ordnet Daten bestimmten Klassen zu. Beispiele sind Betrugserkennung oder Produktkategorisierung.
Regressionsmodell
Regressionsmodelle sagen numerische Werte vorher. Unternehmen nutzen sie für Umsatzprognosen, Risikoanalysen oder Produktionsplanung.
Clustering
Clustering gruppiert ähnliche Datenpunkte. Es eignet sich perfekt für die Analyse von Kundendaten oder die Identifikation neuer Geschäftschancen.
Anomalieerkennung
Anomalieerkennung erkennt ungewöhnliche Muster und wird häufig in Sicherheit, Qualitätssicherung oder Prozessüberwachung eingesetzt.
Generative KI
Generative KI erzeugt neue Inhalte, von Text über Bilder bis Code. Unternehmen setzen sie für Content-Automatisierung, Ideenfindung und Prototypentwicklung ein.
Diffusionsmodell
Diffusionsmodelle erzeugen Bilder oder Videos durch schrittweises Entfernen von Rauschen. Sie ermöglichen neue visuelle Case Studies und kreative Prototypen.
Synthetic Data
Synthetic Data sind künstlich erzeugte Daten, die reale Daten imitieren. Sie sind eine Lösung für datenschutzfreundliches Training.
Early-Stage Prototyping
Early-Stage Prototyping beschreibt die schnelle Umsetzung erster KI-Ideen, um Nutzen, Machbarkeit und Potenziale zu bewerten.
MVP – Minimal Viable Product
Ein MVP ist die reduzierte Produktversion, die Kernfunktionen demonstriert. Im KI-Kontext ist dies oft ein erster funktionaler Prototyp.
Minimal Viable Model
Ein Minimal Viable Model ist die kleinstmögliche funktionsfähige Version eines Modells. Es validiert technische Machbarkeit früh im Prozess.
Case Study
Eine Case Study beschreibt ein konkretes Beispiel einer KI-Implementierung im Unternehmen. Sie zeigt Nutzen, Aufwand und Ergebnisse nachvollziehbar.
Benchmarking
Benchmarking vergleicht KI-Modelle, um das beste System für die Implementierung auszuwählen.
Monitoring
Monitoring überwacht die Leistung eines Modells im Betrieb. Dadurch erkennen Unternehmen frühzeitig Fehler oder Veränderungen.
Modell-Drift
Modell-Drift tritt auf, wenn sich Daten ändern und Modelle an Genauigkeit verlieren. Regelmäßige Anpassung ist entscheidend.
Wissensgraph
Ein Wissensgraph verknüpft Informationen in Form von Beziehungen. Unternehmen nutzen ihn, um Zusammenhänge besser zu verstehen.
Datenstrategie
Eine Datenstrategie definiert Umgang, Verarbeitung und Speicherung von Daten im gesamten KI-Zyklus.
Datenqualität
Datenqualität umfasst Vollständigkeit, Korrektheit und Konsistenz. Sie entscheidet maßgeblich über den Erfolg einer Implementierung.
Datentransformation
Datentransformation bereitet Rohdaten so auf, dass Modelle sie effizient nutzen können. Sie ist ein zentraler Schritt bei Integrationsprojekten.
Experimentelles Modellieren
Experimentelles Modellieren beschreibt das schnelle Testen verschiedener Modellansätze, um das beste Verfahren zu identifizieren.
Rapid Iteration
Rapid Iteration bezeichnet schnelle Verbesserungszyklen im Entwicklungsprozess. Sie sind notwendig, um Prototypen effizient zu optimieren.
Design Space Exploration
Design Space Exploration analysiert systematisch verschiedene Modellarchitekturen, Hyperparameter und Trainingsstrategien.
Modellkompression
Modellkompression reduziert die Größe eines Modells, ohne dessen Genauigkeit stark zu beeinträchtigen. Sie ist besonders wichtig für Edge-Implementierungen.
Quantisierung
Quantisierung reduziert die numerische Genauigkeit von Modellgewichten und beschleunigt dadurch Inferenz.
LLM-Orchestrierung
LLM-Orchestrierung steuert mehrere KI-Modelle oder Module in einer Pipeline, um komplexe Aufgaben zu lösen.
RPA – Robotic Process Automation
RPA automatisiert wiederholbare Aufgaben. In Kombination mit KI entstehen intelligente End-to-End-Automationen.
Entscheidungsbaum
Ein Entscheidungsbaum modelliert Entscheidungen und deren Konsequenzen. Er ist leicht interpretierbar und dient oft als Basis in Case Studies.
Predictive Analytics
Predictive Analytics verwendet historische Daten, um Vorhersagen über zukünftige Ereignisse zu treffen.
KI-Governance
KI-Governance beschreibt Regeln, Rollen und Verantwortlichkeiten, die für vertrauenswürdige KI-Systeme notwendig sind.
Ethik in der KI
Ethik in der KI stellt sicher, dass Modelle fair, transparent und verantwortungsvoll eingesetzt werden.
Simulationsmodell
Ein Simulationsmodell bildet reale Abläufe digital nach. Unternehmen nutzen es, um KI-Lösungen risikofrei zu testen.
