KI‑Terminologie erklärt: klar, anschaulich, alltagstauglich
Gewähltes Thema: KI‑Terminologie erklärt. Wir übersetzen Fachbegriffe in verständliche Bilder, erzählen kleine Geschichten aus der Praxis und geben dir Worte an die Hand, mit denen du souverän mitreden kannst. Stelle Fragen in den Kommentaren, abonniere unser Magazin und hilf, ein gemeinsames Glossar aufzubauen.
Grundlagen ohne Fachchinesisch
Was bedeutet „Modell“ wirklich?
Ein KI‑Modell ist kein mystisches Wesen, sondern ein erlerntes Muster, das aus Beispielen Regeln ableitet. Stell dir ein Rezept vor, das aus vielen Kochversuchen entsteht: Das Modell ist das zusammengedampfte Know‑how, nicht die einzelnen Zutaten. Es bildet Entscheidungen, Vorhersagen oder Texte aus Erfahrungen, nicht aus Zauberei.
Daten, Trainingsset und Testset
Daten sind die Erfahrungen der KI. Im Trainingsset lernt sie, im Testset zeigt sie, was wirklich hängen geblieben ist. Wie beim Lernen für eine Prüfung gilt: Üben mit Aufgaben, die später nicht identisch wiederkommen. So vermeiden wir Mogeln und erkennen, ob das Gelernte übertragbar ist.
Parameter versus Hyperparameter
Parameter sind die Stellschrauben, die das Modell selbst beim Lernen anpasst. Hyperparameter bestimmen wir vorher: Lernrate, Schichtanzahl, Batch‑Größe. Denk an eine Werkstatt: Parameter sind die Schrauben im Werkstück, Hyperparameter die Einstellungen der Maschine. Beide entscheiden über Qualität und Stabilität.
Machine Learning und Deep Learning auseinanderhalten
Ein Algorithmus ist die Kochanleitung, eine Architektur die Anordnung von Küchenstationen. Klassische Verfahren nutzen klare Schritte, Deep‑Learning‑Architekturen definieren, wie Informationen durch viele Schichten fließen. In einem Projekt merkten wir: Erst die Architektur klären, dann den Lernalgorithmus feinjustieren – sonst würzt man blind.
Machine Learning und Deep Learning auseinanderhalten
Stell dir viele kleine Lichtpunkte vor, verbunden durch Dimmer. Jeder Dimmer ist ein Gewicht, das entscheidet, wie stark ein Signal weiterleuchtet. Gemeinsames Aufdrehen und Abdunkeln formt ein Muster, das „Hund“, „Rechnung“ oder „guter Satz“ heißt. Ich habe es einmal auf eine Serviette gekritzelt – plötzlich nickte das ganze Team.
Machine Learning und Deep Learning auseinanderhalten
Tiefe Netze erkennen Hierarchien: Kanten, Formen, Objekte; Buchstaben, Wörter, Bedeutungen. Früher bremsten verschwundene Gradienten, heute helfen clevere Tricks wie Residualverbindungen. Tiefe ist kein Selbstzweck, sondern erlaubt, komplexe Beziehungen zu fassen. Doch: Mehr Schichten brauchen gute Daten, sonst wird aus Tiefe nur Rauschen.
Sprachmodelle, Token und Kontextfenster
Tokens sind kleine Spracheinheiten: manchmal ein Wort, manchmal Wortteile, manchmal Satzzeichen. Gerade im Deutschen mit langen Komposita hilft die Aufteilung. Kosten, Geschwindigkeit und Präzision hängen daran. Achte darauf, wie viel du wirklich schickst – und sag uns, bei welchem Texttyp du Grenzen spürst.
Ein Kontextfenster ist wie die aktuelle Tafelansicht im Klassenzimmer: Das Modell sieht nur, was darauf passt. Lange Prompts verdrängen frühe Hinweise. Gute Struktur, klare Rollen und Beispiele helfen, das knappe Fenster sinnvoll zu nutzen. Teile gern dein bestes Prompt‑Muster, das zuverlässig Ergebnisse verbessert.
Embeddings sind Zahlenlisten, die Bedeutungen anordnen. Nähe im Vektorraum bedeutet inhaltliche Verwandtschaft: „Apfel“ liegt näher bei „Birne“ als bei „Autobahn“. So findet Suche verwandte Passagen, auch ohne identische Wörter. Einmal sah ich „Rezept“ neben „Anleitung“ – und plötzlich war die Trefferliste endlich nützlich.
Arten des Lernens in der KI
Überwachtes Lernen nutzt Beispiele mit richtigen Antworten, unüberwachtes sucht Muster ohne Anleitung. Bestärkendes Lernen probiert aus und lernt über Belohnungen. Wie beim Hundetraining: Vormachen, selbst entdecken, Leckerli für erwünschtes Verhalten. Sag uns, welche Aufgaben du hast – wir helfen beim Lernmodus.
Arten des Lernens in der KI
Manchmal reichen wenige gute Beispiele im Prompt, manchmal klappt es sogar ohne – Zero‑shot. In‑Context Learning bedeutet, dass das Modell aus dem Prompt kurzfristig „lernt“, ohne Gewichte zu ändern. Probiere drei kontrastreiche Beispiele und beobachte, wie Stil und Format sich stabilisieren.
Voreingenommenheit schleicht sich über unausgewogene Daten, fehlerhafte Labels oder einseitige Beispiele ein. Messen, transparent dokumentieren und betroffene Gruppen einbeziehen hilft. Fairness ist kein Schalter, sondern ein Prozess. Welche Prüfungen nutzt du bereits? Teile Erfahrungen, damit wir gemeinsam bessere Standards formen.
Qualität sichern: Bias, Overfitting, Halluzinationen
Overfitting bedeutet, dass ein Modell das Trainingsheft auswendig kann, aber neue Aufgaben nicht löst. Gegenmittel heißen Regularisierung, Dropout, Datenaugmentierung und frühes Stoppen. Ein valides Testset ist Pflicht. Denke in Zyklen: messen, anpassen, erneut messen – bis echte Generalisierung sichtbar ist.
Qualität sichern: Bias, Overfitting, Halluzinationen
Ethik, Datenschutz und Governance
Datenschutz in der Praxis
Datensparsamkeit, Zweckbindung, Anonymisierung und klare Aufbewahrungsfristen sind mehr als Schlagworte. Prüfe Einwilligungen, technische Maßnahmen und Auftragsverarbeitung. Für RAG: nur freigegebene Quellen indexieren. Welche Regeln nutzt dein Team heute? Teile sie und lerne aus den Lösungen anderer Leserinnen und Leser.
Dokumentation: Modellkarten und Datenblätter
Modellkarten beschreiben Fähigkeiten, Grenzen, Trainingsdaten und Risiken. Datenblätter zeigen Herkunft, Qualität und Lizenzen. Solche Dokumente erleichtern Audits und setzen gemeinsame Erwartungen. Veröffentliche Kernangaben früh und aktualisiere sie. Abonniere Updates, wir teilen Vorlagen, die sich in Projekten bewährt haben.
Mensch in der Schleife
Human‑in‑the‑Loop bedeutet, dass kritische Schritte geprüft, korrigiert und als Feedback zurückgespielt werden. So wachsen Modelle an realen Anforderungen. Plane Rollen, Eskalation und Monitoring. Erzähl uns, wo du menschliche Kontrolle brauchst – wir sammeln Best Practices für verantwortungsvolle Abläufe.