Rund um KI tauchen viele Fachbegriffe auf, oft auf Englisch. Hier finden Sie die wichtigsten kurz erklärt, alphabetisch sortiert. Wo es einen ausführlicheren Beitrag gibt, ist er verlinkt.
Eine Unterscheidung vorweg, weil sie oft durcheinandergeht: Generative KI erzeugt neue Inhalte, etwa ein Chatbot oder ein Bildgenerator. Prädiktive KI erkennt Muster und sagt Folgen voraus, etwa ein Spamfilter oder die Empfehlungen einer Streaming-App.
| Begriff | Was dahintersteckt |
|---|---|
| Agentische KI | KI, die mehrere Schritte selbst ausführt: sucht, klickt, Dateien erstellt, Programme startet. Solche Agenten können Werkzeuge wie Websuche, Code oder Datenbanken selbstständig nutzen. Mehr dazu |
| AI Literacy | Englisch für KI-Kompetenz, siehe dort. |
| Anthropomorphisierung | Die Neigung, in Dingen ein menschliches Gegenüber zu sehen (griechisch „anthropos“ für Mensch und „morphe“ für Gestalt). Sie ist bei Kindern und Jugendlichen besonders stark. Mehr dazu |
| Attention | Das Rechenverfahren, mit dem ein Sprachmodell für jedes Wortstück berechnet, welche anderen Wortstücke gerade wichtig dafür sind. Die Verbindungen werden bei jeder Frage neu berechnet. Mehr dazu |
| Automation Bias | Sobald ein System Vorschläge macht, prüfen Menschen weniger gründlich nach. Mehr dazu |
| Bias | Verzerrung. KI lernt aus Daten unserer realen Welt; enthalten diese Vorurteile oder Ungleichheiten, übernimmt die KI sie, ohne dass jemand das programmiert hat. Mehr dazu |
| Blackbox | Auch die Hersteller können nicht genau nachvollziehen, warum ein Modell eine bestimmte Antwort gibt, denn die inneren Zusammenhänge entstehen im Training. Mehr dazu |
| Cognitive Load | Die „kognitive Last“ beim Lernen nach der Theorie von John Sweller. Unser Arbeitsgedächtnis ist sehr klein, und nur die Anstrengung des eigenen Denkens (lernbezogene Last) baut Wissen auf. Mehr dazu |
| Constitutional AI | Eine Trainingsvariante, bei der festgeschriebene Prinzipien statt menschlicher Bewertungen den Maßstab bilden. Anthropic nutzt sie für Claude. Mehr dazu |
| Deep Research | Ein Recherche-Modus, in dem das Modell selbst entscheidet, was es als Nächstes sucht, abhängig davon, was es schon gefunden hat. Geeignet für komplexe, offene Fragen, nicht für einfache Faktenabfragen. Mehr dazu |
| Destillation | Ein großes Modell „unterrichtet“ ein kleines. Das ist billiger, aber das kleine Modell erbt auch die Fehler des großen. Mehr dazu |
| Diffusion | Das Verfahren hinter Bild-KI: Das Modell beginnt mit reinem Rauschen und entfernt es Schritt für Schritt, bis ein Bild entsteht, das zum Prompt passt. Video funktioniert ebenso, nur mit vielen Bildern gleichzeitig. Mehr dazu |
| Drift | Die Vorgaben vom Anfang eines Chats verlieren im Lauf eines langen Gesprächs nach und nach ihre Wirkung, ohne dass die KI darauf hinweist. Mehr dazu |
| ELIZA-Effekt | Die Neigung, einer Technik menschliche Eigenschaften zuzuschreiben und sie deshalb wie einen Menschen zu behandeln. Benannt nach ELIZA, dem ersten Chatbot von 1966. Mehr dazu |
| Embedding | Jedes Wortstück bekommt einen Platz in einem riesigen „Bedeutungsraum“. Wörter, die in ähnlichen Zusammenhängen vorkommen, liegen dort nah beieinander. Mehr dazu |
| Finetuning | Die Trainingsstufe, in der aus einer Textmaschine ein Assistent wird: Fachleute schreiben Musterantworten und legen damit Tonfall, Hilfsbereitschaft und das Verweigern heikler Antworten fest. Mehr dazu |
| Foundation Model | Ein großes, breit vortrainiertes Basismodell, das für viele Aufgaben genutzt werden kann. |
| Generative KI | KI, die neue Inhalte erzeugt, zum Beispiel ein Chatbot oder ein Bildgenerator. |
| Halluzination | Umgangssprachlich für flüssige, aber sachlich falsche oder frei erfundene Angaben einer KI. Treffender ist Konfabulation: Das Modell will nicht täuschen, es füllt Lücken mit dem Plausibelsten auf. Mehr dazu |
| Kanarienvogel-Trick | Eine nebensächliche Zusatzanweisung zu Beginn eines Chats, die in jeder Antwort sichtbar sein muss (z. B. „Beginne jede Antwort mit ‚Piep:‘“). Verschwindet sie, verlieren die Anfangsvorgaben ihre Wirkung. Mehr dazu |
| KI (Künstliche Intelligenz) | Ein Sammelbegriff für jedes Programm, das ohne aktive menschliche Beteiligung Informationen nutzen kann, um Entscheidungen oder Vorhersagen zu treffen (nach IBM). Mehr dazu |
| KI-Kompetenz | Nach der Definition des EU AI Act die Fähigkeit, Kenntnisse und das Verständnis, um KI sachkundig anzuwenden, kritisch zu bewerten und sich ihrer Chancen und Risiken bewusst zu sein. Mehr dazu |
| Konfabulation | Siehe Halluzination. |
| Kontextfenster | Die Menge an Text (gemessen in Token), die ein Modell auf einmal verarbeiten kann. Alles im Chat muss die KI bei jeder Antwort neu lesen; ist das Fenster voll, wird still gekürzt. Mehr dazu |
| Künstliche allgemeine Intelligenz (AGI) | Eine hypothetische Phase, in der ein KI-System die geistigen Fähigkeiten von Menschen bei jeder Aufgabe erreicht oder übertrifft. AGI ist eine Hypothese, kein Produkt. Mehr dazu |
| Lost in the Middle | Lange Texte liest die KI nicht gleichmäßig: Anfang und Ende bleiben hängen, die Mitte geht verloren. Mehr dazu |
| Model Collapse | Ein schleichender Qualitätsverlust, wenn Modelle überwiegend mit Daten trainiert werden, die bereits von älteren KI-Modellen erzeugt wurden. Mehr dazu |
| Multimodales Modell (LMM) | Ein Modell, das auch Bild, Audio und Video versteht und erzeugt, nicht allein Text. |
| NotebookLM | Ein Werkzeug von Google, das nur aus den Quellen antwortet, die man hochlädt. Jede Antwort lässt sich auf einen Absatz in einem Dokument zurückführen. Mehr dazu |
| Open Weight | Die Modellgewichte sind offengelegt, man kann das Modell also selbst betreiben. Die Trainingsdaten bleiben trotzdem meist geheim. Oft ist damit gemeint, was als „Open Source“ bezeichnet wird. Mehr dazu |
| Prädiktive KI | KI, die Muster erkennt und Folgen vorhersagt, etwa ein Spamfilter oder Empfehlungen. |
| Pretesting-Effekt | Wer vor dem Lernen selbst rät, behält den Stoff besser als jemand, der zweimal liest, selbst wenn beim Raten fast alles falsch ist. Mehr dazu |
| Projekte (Projects) | Ein Bereich im Chatbot, in dem Anweisungen und Material dauerhaft hinterlegt werden. Sie gelten in jedem Chat des Projekts, jedes Projekt hat einen eigenen Kontext. Mehr dazu |
| Prompt | Die Anweisung an das KI-Werkzeug. Kontext und Genauigkeit bestimmen das Ergebnis. Mehr dazu |
| RAG | Große Dateien werden nicht vollständig gelesen, sondern die KI sucht nur passende Ausschnitte heraus und arbeitet damit. Mehr dazu |
| Reasoning Model | Ein Modell, das in Zwischenschritten rechnet: langsamer, dafür belastbarer. Siehe auch Thinking-Modus. |
| Reversal Curse (Umkehrfluch) | Sprachmodelle lernen Wortfolgen, keine umkehrbaren Fakten. Wer „Helmut Kohls Mutter“ richtig beantwortet, scheitert womöglich an der Frage nach dem Sohn von Cäcilie Kohl. Mehr dazu |
| Reward Hacking | Trainiert wird nur auf das Ergebnis. Führt eine Abkürzung zum Ziel, wird sie verstärkt, auch wenn sie unerwünscht ist. Das ist kein Ungehorsam, das System tut genau das, wofür es belohnt wird. Mehr dazu |
| RLHF | Reinforcement Learning from Human Feedback, Verstärkungslernen aus menschlichem Feedback. Menschen bewerten Antworten, daraus entsteht ein Bewertungsmodell, gegen das die KI optimiert wird: auf „gut bewertet“, nicht auf „richtig“. Mehr dazu |
| Skill Skipping | Wer die KI die Denkarbeit erledigen lässt, überspringt genau die Stufen, auf denen Lernen stattfindet. Mehr dazu |
| Skills | Hinterlegte Arbeitsanweisungen oder Abläufe, die in jedem Chat gelten und sich mit „/name“ aufrufen lassen. So wird aus einem Chatbot ein persönlicher Assistent. Mehr dazu |
| Sokratischer Tutor | Eine KI, die nicht antwortet, sondern fragt. Sie bringt das Gegenüber durch gezielte Fragen dazu, eigene Denkfehler selbst zu erkennen. Mehr dazu |
| Sprachmodell (LLM) | Large Language Model: ein Modell, das Text erzeugt, Wort für Wort vorhergesagt. ChatGPT, Claude und Gemini beruhen darauf. Mehr dazu |
| Sycophancy | Ja-Sager-Effekt oder Schmeichelei: die systematische Neigung von Sprachmodellen, den Meinungen ihrer Nutzer zuzustimmen. Mehr dazu |
| Temperatur | Ein Regler, der bestimmt, wie oft das Modell nicht das wahrscheinlichste nächste Wort nimmt. Höher heißt abwechslungsreicher, aber auch fehleranfälliger. Mehr dazu |
| Thinking-Modus | Denkmodus: Das Modell zerlegt ein Problem, plant und prüft Lösungswege, bevor es antwortet. Das kostet Zeit und Kontingent, reduziert aber Flüchtigkeitsfehler. Mehr dazu |
| Token | Die Stücke, in die eine KI Text zerlegt, bevor sie rechnet. Häufige Wörter sind ein Token, seltene zerfallen in mehrere. Die KI sieht also keine Wörter, sondern Nummern. Mehr dazu |
| Transformer | Die Bauweise aller heutigen Sprachmodelle, vorgestellt 2017. Vor jedem neuen Wortstück blickt das Modell auf alle bisherigen zurück. Es ist das T in GPT. Mehr dazu |
(Tabelle nachgebaut nach Folie 115, ergänzt um Begriffe aus weiteren Folien)
Quellen
- EU AI Act, Art. 3 Nr. 56 (Definition KI-Kompetenz)
- IBM.com (Definitionen Künstliche Intelligenz und AGI)
- Vaswani u. a.: Attention Is All You Need, NeurIPS 2017
- Weizenbaum: ELIZA, Communications of the ACM 9(1), 1966; Computer Power and Human Reason, 1976
- Epley, 2007 (Anthropomorphismus)
- Sweller (1988); Sweller, van Merriënboer & Paas (1998): Cognitive Load Theory
- Richland, Kornell & Kao: The pretesting effect, Journal of Experimental Psychology: Applied 2009
- Ouyang u. a., NeurIPS 2022 (RLHF); Bai u. a.: Constitutional AI, 2022
- Skalse u. a., NeurIPS 2022 (Reward Hacking)
- Ho u. a., 2020 (Denoising Diffusion)
- Cheng, Yu, Jurafsky: ELEPHANT – Measuring and understanding social sycophancy in LLMs
- Ständige Wissenschaftliche Kommission der KMK: Impulspapier Large Language Models, Januar 2024