Systemaufforderung
Feste Anweisung, die das Verhalten eines LLMs für eine gesamte Session definiert (z. B. „Du bist ein Marketing-Experte“). Steht vor User-Prompts.
Prompt Engineering
Kunstfertigkeit, optimale Prompts für KI-Modelle zu entwickeln. Techniken wie Rollenspiele oder Gedankenketten maximieren Relevanz und Genauigkeit.
Textgenerierung
Erzeugung neuer Texte durch KI (z. B. Blogposts, Werbetexte, Code). LLMs wie GPT-Modelle basieren auf der Vorhersage der nächsten Wörter.
Unüberwachtes Lernen
Machine-Learning-Art ohne gelabelte Daten: Das Modell entdeckt selbst Muster, Cluster oder Anomalien. Anwendungen: Kundensegmentierung, Dimensionsreduktion.
Überwachtes Lernen
Machine-Learning-Art, bei der Modelle mit gelabelten Daten trainiert werden (Input + gewünschter Output). Geeignet für Klassifikation und Regression.
Gedankenkettenanregung
Prompt-Technik, bei der die KI gelernt wird, schrittweise zu denken und ihre Überlegungen zu erklären. Verbessert die Logik und Genauigkeit komplexer.
Testdaten
Datenanteil, der erst nach dem Training verwendet wird, um die endgültige Leistung eines Modellobjektivs zu bewerten. Nie während des Trainings sichtbar.
Validierungsdaten
Daten, die während des Trainings verwendet werden, um Hyperparameter zu optimieren und Overfitting zu erkennen. Getrennt von Trainings- und Testdaten.
Wenig-Shot-Prompting
Prompting-Methode mit wenigen (2–5) Beispielen im Prompt. Die KI lernt aus diesen, um ähnliche Aufgaben ohne umfangreiches Training zu lösen.
Trainingsdaten
Daten, mit denen ein KI-Modell „lernt“. Sie enthalten bekannte Beispiele und Ergebnisse, aus denen das System Muster ableitet, um neue Aufgaben zu lösen.
- Zur vorherigen Seite
- 1
- …
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- …
- 92
- Zur nächsten Seite