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.  

KI-Zweig, der Maschinen das Verstehen und Interpretieren visueller Daten (Bilder, Videos) ermöglicht. Anwendungen: Objekterkennung, Bildklassifikation oder medizinische Bildanalyse.  

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

Eine strukturierte Sammlung von Daten, die für das Training, Testen oder Validieren eines KI-Modells verwendet wird. Die Qualität und Vielfalt des Datensatzes beeinflussen direkt die Genauigkeit der KI.  

Eine mathematische oder logische Repräsentation des in Trainingsdaten erlernten Wissens. Modelle sind die Grundlage, mit der KI-Systeme Vorhersagen oder Klassifikationen durchzuführen.  

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

Dichte Vektordarstellungen von Daten (z. B. Wörtern oder Bildern) in einem kontinuierlichen Raum. Embeddings fangen semantische Ähnlichkeiten ein und sind Basis für viele moderne KI-Anwendungen.  

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.  

KI-Disziplin, die Maschinen das Verstehen, Generieren und Verarbeiten natürlicher menschlicher Sprache ermöglicht. Anwendungen: Chatbots, Übersetzungen, Sentiment-Analyse.  

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