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.  

Ein Teilbereich des Machine Learning, der auf mehrschichtigen neuronalen Netzen basiert. Deep Learning ermöglicht es Systemen, komplexe Muster in großen Datenmengen selbstständig zu erkennen.  

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

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.  

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.  

Technische Phänomene beim Modelltraining: Bias entsteht durch zu einfache Modelle (Underfitting), Varianz durch Überanpassung an Trainingsdaten (Overfitting). Balance ist entscheidend für eine gute Generalisierung.  

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.  

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

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.