Glossar

Bestärkendes Lernen bezieht sich auf eine Lernmethode der künstlichen Intelligenz, bei der ein Agent in einer Umgebung agiert und Belohnungen für seine Aktionen erhält. Das Ziel des Agenten ist es, eine Strategie zu entwickeln, die es ihm ermöglicht, langfristig mehr Belohnungen zu erhalten. Das bestärkende Lernen ist eine wichtige Technik für die Entwicklung von KI-Systemen, die in Umgebungen wie Videospielen oder Robotik eingesetzt werden.

Bias bezieht sich auf eine systematische Abweichung in den Vorhersagen eines künstlichen Intelligenz-Modells. Es tritt auf, wenn das Modell nicht in der Lage ist, alle relevanten Informationen in den Trainingsdaten zu erfassen und daher bestimmte Arten von Mustern oder Merkmalen bevorzugt. Ein Beispiel hierfür ist ein Gesichtserkennungsmodell, das bestimmte Ethnien oder Geschlechter aufgrund von Vorurteilen bevorzugt.

Big Data ist kein Teilgebiet der KI oder gar ein Synonym von ihr. Bei Big Data  handelt es sich um größere und komplexere Datensätze, vor allem aus neuen Datenquellen. Diese Datensätze sind so umfangreich, dass sie nicht mit klassischer Datenverarbeitungssoftware verwaltet werden können. Die im Rahmen von Big Data zusammengefassten Daten eignen sich zur Analyse durch maschinelle Lernalgorithmen. KI benötigt eine große Menge an Daten, um zu lernen und Entscheidungsprozesse zu verbessern, und Big-Data-Analytik nutzt KI für eine verbesserte Datenanalyse.

Ein Bilderkennungsalgorithmus ist ein Algorithmus, der verwendet wird, um Bilder automatisch zu identifizieren und zu kategorisieren. Er nutzt Deep-Learning-Methoden wie Convolutional Neural Networks (CNNs), um Merkmale in Bildern zu extrahieren und sie dann mit einem Trainingsdatensatz von annotierten Bildern abzugleichen. Ein Beispiel für einen Bilderkennungsalgorithmus ist das Google Cloud Vision API, das in der Lage ist, Objekte, Gesichter und Text in Bildern zu erkennen und zu beschreiben.

Einige KI-Modelle, wie z. B. Deep-Learning-Modelle, können als "Blackbox" bezeichnet werden, da sie schwer zu interpretieren und zu erklären sind. Diese Modelle können komplexe Algorithmen und Prozesse verwenden, um Entscheidungen zu treffen und der Entscheidungsfindungsprozess lässt sich möglicherweise nicht ohne Weiteres auf die Eingabedaten oder die verwendeten Parameter zurückführen.

Chatbots sind Computerprogramme, die in der Lage sind, automatisierte Gespräche mit Menschen zu führen. Sie werden häufig eingesetzt, um Kundensupport zu leisten oder Informationen bereitzustellen.

Clustering ist eine Methode der künstlichen Intelligenz, bei der ähnliche Datenpunkte automatisch in Gruppen (Clusters) zusammengefasst werden. Dabei werden die Datenpunkte basierend auf ihrer Ähnlichkeit oder Distanz zueinander gruppiert. Clustering wird oft in der Datenanalyse und in der Bildverarbeitung eingesetzt.

Condition Monitoring ist ein Prozess zur Überwachung der Zustände von Maschinen oder Anlagen, um potenzielle Probleme frühzeitig zu erkennen. Dies wird durch die kontinuierliche Erfassung und Analyse von Daten wie Vibrationen, Temperaturen und Drücken erreicht.

Ein Convolutional Neural Network (CNN) ist eine Art von neuronalen Netzwerken, die speziell für die Verarbeitung von Bildern und Videos entwickelt wurden. CNNs verwenden Convolutional Layers, um lokale Muster in den Eingabedaten zu erkennen, und Pooling Layers, um die Daten zu reduzieren und das Rauschen zu minimieren. CNNs werden häufig in der Bilderkennung und -klassifizierung eingesetzt.

Data-Drift entsteht durch eine Änderung der Verteilung der Eingabedaten. Das Modell kann dann möglicherweise nicht mehr in der Lage sein, beispielsweise (Qualitäts-)probleme genau zu identifizieren, da es auf veralteten oder nicht repräsentativen Daten basiert. Meist ist dann eine Aktualisierung der Datengrundlage oder Anpassen des gesamten Modells von Nöten.