Bildnachweis: Bild zur Verfügung gestellt; Autor: Stephen Whitelaw;

Klassifizierung

Die Klassifizierung ist eine KI-Aufgabe, bei der das System etwas einer Kategorie zuordnet. Beispiele hierfür sind das Sortieren von E-Mails in Spam und Nicht-Spam, das Erkennen, ob eine Bewertung positiv oder negativ ist, oder das Erkennen, ob ein Röntgenbild normal oder auffällig ist. Die Klassifizierung ist eine der häufigsten Anwendungen des maschinellen Lernens.

Bildquelle: Zur Verfügung gestelltes Bild; Autor: Stephen Whitelaw;

Claude

Claude ist eine fortschrittliche Familie großer Sprachmodelle, die von Anthropic entwickelt wurde. Sie wurde auf Sicherheit, Genauigkeit und Datenschutz ausgelegt und verfügt über spezialisierte Tools wie Claude Code (ein Tool zur agentischen Programmierung), Claude Design und Claude Science für die Forschung. Claude wurde nach dem berühmten Claude Shannon benannt, einem Mathematiker, Informatiker und Vater der Informationstheorie.

Bildquelle: Zur Verfügung gestelltes Bild; Autor: Stephen Whitelaw;

Cloud-KI

Cloud-KI bezeichnet KI-Dienste, die von großen Rechenzentrumsanbietern über das Internet bereitgestellt werden. Anstatt teure Hardware anzuschaffen, können Unternehmen über Cloud-Plattformen auf KI-Modelle, Speicherplatz und Rechenleistung zugreifen. Dies macht KI zugänglicher, wirft jedoch auch Fragen hinsichtlich Datenschutz, Sicherheit, Kosten und der Abhängigkeit von großen Technologieunternehmen auf.

Bildnachweis: Zur Verfügung gestelltes Bild; Autor: Stephen Whitelaw;

Clustering

Clustering ist eine Methode des maschinellen Lernens, bei der ähnliche Elemente gruppiert werden, ohne dass die richtigen Kategorien im Voraus vorgegeben werden. Ein Einzelhändler könnte Clustering beispielsweise nutzen, um Gruppen von Kunden mit ähnlichen Kaufgewohnheiten zu identifizieren. Clustering ist nützlich, um Muster zu erkennen, doch die dabei ermittelten Gruppen müssen noch von Menschen interpretiert werden.

Bildnachweis: Zur Verfügung gestelltes Bild; Autor: Stephen Whitelaw;

Kognitives Computing

Kognitives Computing ist ein älterer und weiter gefasster Begriff für Systeme, die darauf ausgelegt sind, Aspekte des menschlichen Denkens nachzuahmen, wie beispielsweise Lernen, Schlussfolgern und Sprachverständnis. Der Begriff wird häufig im geschäftlichen Kontext verwendet. Heutzutage spricht man eher von KI, maschinellem Lernen und generativer KI, doch die Grundidee bleibt dieselbe: Computer sollen komplexe, menschenähnliche Aufgaben unterstützen.

Bildnachweis: Zur Verfügung gestelltes Bild; Autor: Stephen Whitelaw;

Computer Vision

Computer Vision ist der Zweig der KI, der Computern hilft, Bilder und Videos zu interpretieren. Sie wird in der medizinischen Bildgebung, bei der Gesichtserkennung, in selbstfahrenden Autos, bei der Qualitätskontrolle, in der Landwirtschaft, im Sicherheitsbereich und bei der Sportanalyse eingesetzt. Computer-Vision-Systeme können sehr leistungsfähig sein, versagen jedoch unter Umständen, wenn sich Beleuchtung, Blickwinkel, Hintergründe oder reale Bedingungen von den Trainingsdaten unterscheiden.

Bildnachweis: Zur Verfügung gestelltes Bild; Autor: Stephen Whitelaw;

Konfidenzwert

Ein Konfidenzwert ist eine Zahl, die angibt, wie sicher sich ein KI-System hinsichtlich seiner Ausgabe ist. Beispielsweise könnte ein Bildklassifikator angeben, dass er zu 92 % sicher ist, dass ein Bild einen Hund zeigt. Konfidenzwerte können nützlich sein, stellen jedoch keine Garantie dar. Manche KI-Systeme sind selbst dann übermäßig zuversichtlich, wenn sie falsch liegen – weshalb Kalibrierung und Tests so wichtig sind.

Bildnachweis: Zur Verfügung gestelltes Bild; Autor: Stephen Whitelaw;

Kontextfenster

Das Kontextfenster ist die Menge an Informationen, die ein Sprachmodell gleichzeitig berücksichtigen kann. Dazu können die Frage des Nutzers, frühere Unterhaltungen, hochgeladene Texte oder abgerufene Dokumente gehören. Ein größeres Kontextfenster ermöglicht es dem Modell, mit längeren Dokumenten und mehr Hintergrundinformationen zu arbeiten. Doch selbst bei einem großen Kontextfenster kann es vorkommen, dass dem Modell Details entgehen oder es bestimmte Informationen gegenüber anderen priorisiert. Viele Branchenvertreter glauben, dass wir auf unendliche Kontextfenster zusteuern – also auf etwas, das der Nutzer nicht mehr berücksichtigen muss.

Bildnachweis: Zur Verfügung gestelltes Bild; Autor: Stephen Whitelaw;

Faltungsneuronales Netzwerk

Ein konvolutionelles neuronales Netzwerk (CNN) ist eine Art neuronales Netzwerk, das sich besonders für Bilder eignet. CNNs erkennen Muster wie Kanten, Formen, Texturen und Objekte. Sie spielten eine wichtige Rolle beim Aufkommen der Bildverarbeitung. Obwohl mittlerweile auch neuere Architekturen zum Einsatz kommen, sind CNNs nach wie vor wichtig für die Bildanalyse, die medizinische Bildgebung und die visuelle Erkennung.

Bildnachweis: Zur Verfügung gestelltes Bild; Autor: Stephen Whitelaw;

Korpus

Ein Korpus ist eine Sammlung von Texten oder Daten, die zur Analyse oder zum Training verwendet wird. Beispielsweise kann ein Sprachmodell anhand eines Korpus trainiert werden, das Bücher, Artikel, Websites, Code und anderes schriftliches Material enthält. Die Qualität und Zusammensetzung des Korpus beeinflussen das Verhalten des Modells maßgeblich. Enthält das Korpus Fehler, Verzerrungen oder veraltete Informationen, kann das Modell diese ebenfalls erlernen.

Bildquelle: Zur Verfügung gestelltes Bild; Autor: Stephen Whitelaw;

Kostenfunktion

Eine Kostenfunktion, auch Verlustfunktion genannt, misst, wie groß der Fehler eines Modells während des Trainings ist. Das Modell versucht, diesen Fehler im Laufe der Zeit zu verringern. Wenn eine KI beispielsweise Immobilienpreise vorhersagt, misst die Kostenfunktion die Differenz zwischen den vorhergesagten und den tatsächlichen Preisen. Das Training ist im Wesentlichen der Prozess der Anpassung des Modells, um diesen Verlust zu minimieren.

Bildquelle: Zur Verfügung gestelltes Bild; Autor: Stephen Whitelaw;

Kreuzvalidierung

Die Kreuzvalidierung ist eine Technik, mit der getestet wird, wie gut ein Modell auf verschiedenen Teilen des Datensatzes abschneidet. Anstatt nur einmal zu trainieren und zu testen, werden die Daten auf verschiedene Arten aufgeteilt. So lässt sich feststellen, ob das Modell konsistent arbeitet oder nur bei einer zufälligen Aufteilung gute Ergebnisse liefert. Die Kreuzvalidierung verringert das Risiko, die tatsächliche Leistung eines Modells in der Praxis zu überschätzen.

Bildquelle: Zur Verfügung gestelltes Bild; Autor: Stephen Whitelaw;

Maßgeschneidertes Modell

Ein maßgeschneidertes Modell ist ein KI-Modell, das an eine bestimmte Organisation, Aufgabe oder einen bestimmten Datensatz angepasst ist. Beispielsweise könnte ein Krankenhaus ein Modell wünschen, das auf seinen eigenen klinischen Dokumenten trainiert wurde, oder eine Anwaltskanzlei könnte ein Modell benötigen, das auf die Ausarbeitung von Rechtstexten abgestimmt ist. Maßgeschneiderte Modelle können relevanter sein als allgemeine Modelle, erfordern jedoch einen sorgfältigen Umgang mit den Daten sowie gründliche Tests und eine strenge Governance.

Bildnachweis: Zur Verfügung gestelltes Bild; Autor: Stephen Whitelaw;

KI für Cybersicherheit

KI für Cybersicherheit nutzt maschinelles Lernen und Automatisierung, um digitale Bedrohungen zu erkennen, zu verhindern oder darauf zu reagieren. Sie kann dabei helfen, ungewöhnliches Netzwerkverhalten, Phishing-Versuche, Malware oder verdächtige Anmeldungen zu erkennen. Gleichzeitig können Angreifer KI ebenfalls nutzen, um überzeugendere Betrugsversuche zu entwickeln oder Angriffe zu automatisieren. KI ist daher sowohl ein Verteidigungsinstrument als auch eine neue Herausforderung im Bereich der Cybersicherheit.

Legen Sie The Portugal News als Ihre bevorzugte Nachrichtenquelle bei Google fest

GoogleAls bevorzugte Quelle bei Google hinzufügen