Künstliche Intelligenz

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

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.  

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

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.  

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.  

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.  

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.  

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.