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

Ein Merkmal oder eine Eigenschaft, die ein Datenpunkt beschreibt. Im Machine Learning dienen Features als Eingabevariablen, anhand derer ein Modell Muster lernt und vorhersagt.  

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.  

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.  

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.  

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.  

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

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

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.