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.  

Rechenmodelle, die an die Funktionsweise des menschlichen Gehirns angelehnt sind. Sie bestehen aus miteinander verbundenen „Neuronen“, die Informationen verarbeiten und Muster erkennen.  

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

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.  

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

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.  

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

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.