Daten, mit denen ein KI-Modell „lernt“. Sie enthalten bekannte Beispiele und Ergebnisse, aus denen das System Muster ableitet, um neue Aufgaben zu lösen.  

Machine-Learning-Art, bei der Modelle mit gelabelten Daten trainiert werden (Input + gewünschter Output). Geeignet für Klassifikation und Regression.  

Der Prozess, bei dem ein trainiertes KI-Modell aus neu eingegebenen Daten Schlussfolgerungen zieht oder vorhersagt, trifft. Inferenz ist die Anwendung des gelernten Wissens auf reale Aufgaben.  

Teilbereich der Künstlichen Intelligenz, bei dem Systeme aus Beispieldaten lernen, ohne explizit programmiert zu werden. Ziel ist es, Muster zu erkennen und vorherzusagen, um sie zu treffen.  

Überbegriff für Computertechnologien, die menschenähnliche Intelligenzleistungen simulieren. Dazu gehören Lernen, Sprachverständnis, Bilderkennung und Entscheidungsfindung.  

Schwache KI ist auf spezielle Aufgaben spezialisiert (z. B. Übersetzungen oder Spracherkennung), während starke KI hypothetisch umfangreiche, menschenähnliche Intelligenz abbilden würde.  

Ansatz zur Verbesserung der Nachvollziehbarkeit und Transparenz von KI-Systemen. Ziel ist, dass Menschen verstehen können, wie und warum eine KI zu einer bestimmten Entscheidung gelangt.  

Lernmethode, bei der ein Agent durch Trial-and-Error und Belohnungen/Strafen optimale Entscheidungen lernt. Anwendungen: Spiele, Robotik, Optimierungsprobleme.  

Eine Abfolge logischer Regeln oder mathematischer Schritte, mit denen ein Problem gelöst oder eine Aufgabe automatisiert wird. Algorithmen sind die Basis jeder KI, da sie bestimmen, wie Daten verarbeitet und Entscheidungen getroffen werden.  

Mathematische Metrik, die misst, wie weit vorhersagen eines Modells von den tatsächlichen Werten abweichen. Das Training optimiert die Loss-Funktion, um die Genauigkeit zu maximieren.