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.  

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

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.  

Bezeichnung für KI-Modelle, deren Entscheidungsprozesse für Menschen schwer nachvollziehbar sind. Besonders bei Deep-Learning-Systemen bleibt oft unklar, wie das Modell zu einem Ergebnis gelangt.  

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.  

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

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.  

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

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.