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.
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.
Unüberwachtes Lernen
Machine-Learning-Art ohne gelabelte Daten: Das Modell entdeckt selbst Muster, Cluster oder Anomalien. Anwendungen: Kundensegmentierung, Dimensionsreduktion.
Feinabstimmung
Anpassung eines vortrainierten Modells an spezifische Daten oder Branchen. Macht Generative KI branchenspezifisch (z. B. Marketing-Texte) ohne Neuausbildung.
Prompt Engineering
Kunstfertigkeit, optimale Prompts für KI-Modelle zu entwickeln. Techniken wie Rollenspiele oder Gedankenketten maximieren Relevanz und Genauigkeit.
Große Sprachmodelle (LLM)
Große neuronale Netze, trainiert auf Milliarden von Texten, die menschenähnlichen Text generieren, übersetzen oder analysieren können. Basis für ChatGPT, Gemini etc.
Systemaufforderung
Feste Anweisung, die das Verhalten eines LLMs für eine gesamte Session definiert (z. B. „Du bist ein Marketing-Experte“). Steht vor User-Prompts.
Sprache-zu-Text
Technologie zur Umwandlung gesprochener Sprache in Text. Wird für Transkriptionen, Untertitelung oder Sprachsteuerung in Content-Workflows genutzt.
Testdaten
Datenanteil, der erst nach dem Training verwendet wird, um die endgültige Leistung eines Modellobjektivs zu bewerten. Nie während des Trainings sichtbar.
RAG (Retrieval-Augmented Generation)
Methode, bei der LLMs externe Daten abrufen und in die Generierung einfließen lassen. Reduziert Halluzinationen und erhöht faktenbasierte Inhalte.
- Zur vorherigen Seite
- 1
- …
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- …
- 92
- Zur nächsten Seite