Anhang

Glossar

Die wichtigsten Fachbegriffe, kurz und ohne Formeln erklärt.

Aktivierungsfunktion: Regel, nach der ein künstliches Neuron aus der Summe seiner gewichteten Eingänge sein Ausgangssignal bildet – etwa „kaum Signal“ bei kleiner und „starkes Signal“ bei großer Summe.
Allgemeine KI (AGI): Artificial General Intelligence: eine bislang hypothetische KI, die sich wie ein Mensch flexibel in beliebige neue Aufgaben einarbeiten könnte. Ob und wann es sie geben wird, ist umstritten.
Backpropagation (Rückwärtsausbreitung): Rechenverfahren, das vom Ergebnis rückwärts durch alle Schichten eines Netzes ermittelt, wie jedes einzelne Gewicht den Fehler beeinflusst – und damit, in welche Richtung es verändert werden muss.
Bias (Grundneigung): Zusätzliche Zahl in einem Neuron, die unabhängig von den Eingängen hinzukommt. Sie verschiebt die Schwelle, ab der das Neuron „anspringt“. Nicht zu verwechseln mit Bias im Sinne von Verzerrung oder Vorurteil.
Chatbot: Programm, mit dem man sich in natürlicher Sprache schriftlich unterhalten kann. Frühe Chatbots folgten festen Mustern; heutige beruhen auf großen Sprachmodellen.
Cloud: Rechenleistung und Speicher, die ein Anbieter in seinen Rechenzentren bereithält und über das Internet nach Bedarf vermietet.
Deep Learning: Maschinelles Lernen mit neuronalen Netzen aus vielen hintereinandergeschalteten Schichten, die selbst aus Rohdaten lernen, worauf es ankommt.
Enge KI: KI, die für eine bestimmte Aufgabe gebaut ist – etwa Schach spielen oder Röntgenbilder auswerten – und außerhalb davon scheitert. Fast alle bisherigen KI-Systeme gehören dazu.
Expertensystem: Programm der symbolischen KI, das das Wissen von Fachleuten als Sammlung von Wenn-dann-Regeln enthält und daraus Schlüsse zieht.
Generative KI: KI-Systeme, die neue Inhalte erzeugen – Texte, Bilder, Musik oder Programmcode –, statt nur vorhandene Daten einzuordnen.
Gewicht: Zahl an einer Verbindung zwischen zwei Neuronen. Sie legt fest, wie stark ein Signal weitergegeben wird. Das „Wissen“ eines Netzes steckt in seinen Gewichten.
GPU (Grafikprozessor): Ursprünglich für Computergrafik entwickelter Chip, der sehr viele einfache Rechnungen gleichzeitig ausführt. Genau das braucht das Training neuronaler Netze.
Gradientenabstieg: Lernverfahren: Die Gewichte werden immer ein kleines Stück in die Richtung verändert, in der der Fehler am stärksten sinkt – wie eine Wanderin, die im Nebel Schritt für Schritt bergab geht.
Großrechner (Mainframe): Zentraler, leistungsstarker Computer, den sich viele Nutzer und Aufgaben teilen – über Jahrzehnte das Herz der Datenverarbeitung in Unternehmen und Behörden.
KI-Winter: Phasen, in denen nach übertriebenen Erwartungen Fördergelder und Interesse an KI-Forschung stark zurückgingen – vor allem in den 1970er- und späten 1980er-Jahren.
Künstliche Intelligenz (KI): Sammelbegriff für Computersysteme, die Aufgaben lösen, für die man bei Menschen Intelligenz voraussetzen würde – etwa Sprache verstehen, Bilder erkennen oder Entscheidungen treffen.
Large Language Model (LLM): Großes Sprachmodell: ein neuronales Netz, das mit riesigen Textmengen trainiert wurde und Texte fortsetzen, beantworten und umformulieren kann – etwa ChatGPT, Claude oder Gemini.
Lernrate (Schrittweite): Legt fest, wie stark die Gewichte bei jedem Lernschritt verändert werden. Zu klein: Das Training dauert ewig. Zu groß: Es schießt über das Ziel hinaus.
Lochkarte: Karte aus dünnem Karton, auf der Daten oder Programmzeilen als Muster gestanzter Löcher gespeichert sind. Die verbreitete IBM-Karte hat 80 Spalten; jede Spalte steht für ein Zeichen.
Machine Learning (maschinelles Lernen): Statt Regeln vorzugeben, zeigt man dem System viele Beispiele; es leitet die Muster selbst ab.
Mikroprozessor: Ein vollständiger Rechenkern auf einem einzigen Chip. Seit dem Intel 4004 von 1971 das Herz fast jedes Computers.
Neuronales Netz: Rechenmodell aus vielen einfachen, in Schichten verbundenen „Neuronen“. Lose vom Gehirn inspiriert, aber viel einfacher.
Parameter: Alle beim Training einstellbaren Zahlen eines Modells, vor allem die Gewichte. Große Sprachmodelle haben Milliarden davon.
Stapelverarbeitung (Batch): Arbeitsweise, bei der Aufträge gesammelt und ohne Eingreifen des Menschen nacheinander abgearbeitet werden. Das Ergebnis kommt später – früher oft erst am nächsten Tag.
Suchindex: Verzeichnis, das zu jedem Wort festhält, in welchen Dokumenten es vorkommt – wie das Stichwortverzeichnis eines Buches. Damit findet eine Suchmaschine Treffer, ohne alle Seiten neu lesen zu müssen.
Symbolische KI: Frühe Form der KI: Menschen schreiben ihr Wissen als Regeln auf, der Computer zieht daraus Schlüsse. Beispiel: Expertensysteme.
Terminal: Ein- und Ausgabegerät aus Bildschirm (früher Fernschreiber) und Tastatur, das selbst kaum rechnet und mit einem entfernten Rechner verbunden ist.
Time-Sharing (Dialogbetrieb): Ein Rechner teilt seine Rechenzeit reihum in kleinen Scheiben an viele gleichzeitig arbeitende Nutzer aus. Jeder hat den Eindruck, den Rechner für sich allein zu haben, und bekommt sofort Antwort.
Transistor: Winziger elektronischer Schalter ohne bewegliche Teile. Moderne Chips enthalten Milliarden davon; aus ihrem Ein und Aus setzt sich jede Rechnung zusammen.
Verallgemeinerung (Generalisierung): Fähigkeit eines trainierten Modells, auch bei Beispielen gute Antworten zu geben, die es im Training nie gesehen hat. Das eigentliche Ziel des Lernens.