KI-Glossar
Verständliche Erklärungen wichtiger KI-Konzepte, von LLM und RAG bis hin zu Fine-Tuning und Agenten.
LLM (großes Sprachmodell)
Ein mit riesigen Textmengen trainiertes neuronales Netz, das das nächste Token vorhersagt – Grundlage für Chat, Schreiben, Coding und mehr.
Token
Die Grundeinheit des Textes, die ein Modell verarbeitet; etwa 4 englische oder 1–2 chinesische Zeichen pro Token. Abrechnung und Kontextlimits werden in Tokens gemessen.
RAG (Retrieval-Augmented Generation)
Technik, die relevante Dokumente aus einer Wissensbasis abruft und dem Modell übergibt, damit es fundiert aus deinen Daten antwortet.
Embedding
Numerische Vektordarstellung von Text (oder Bildern), die die semantische Bedeutung erfasst und Ähnlichkeitssuche ermöglicht.
Fine-Tuning (Feinabstimmung)
Das Weitertrainieren eines vortrainierten Modells mit eigenen Daten, damit es einen bestimmten Stil, ein Format oder eine Aufgabe beherrscht.
LoRA
Parameter-effizientes Fine-Tuning, das die Basisgewichte einfriert und nur kleine Low-Rank-Matrizen trainiert – drastisch günstiger.
Prompt-Engineering
Die Kunst, Eingaben (Prompts) so zu gestalten, dass ein Modell zuverlässig hochwertige Ergebnisse liefert.
KI-Agent
Ein KI-System, das autonom plant, Werkzeuge nutzt und mehrstufige Aktionen ausführt, um ein Ziel zu erreichen.
MCP
Ein offener Standard, über den Modelle einheitlich mit externen Tools und Datenquellen verbunden werden.
Kontextfenster
Die maximale Zahl an Tokens, die ein Modell gleichzeitig berücksichtigen kann; darüber hinaus wird Inhalt abgeschnitten oder vergessen.
Halluzination
Wenn ein Modell selbstbewusst falsche oder erfundene Inhalte erzeugt. Abhilfe schaffen RAG, Tool-Nutzung und Verifikation.
Multimodal
Modelle, die mehrere Datentypen wie Text, Bilder, Audio und Video verstehen und erzeugen.
Inferenz
Das Ausführen eines trainierten Modells zur Erzeugung von Ausgaben – im Gegensatz zum Training.
Open Source / offene Gewichte
Modelle oder Tools, deren Quellcode oder Gewichte öffentlich nutzbar, untersuchbar und selbst hostbar sind.
Vektordatenbank
Eine Datenbank, die Embeddings speichert und schnelle Ähnlichkeitssuchen ausführt – das Rückgrat von RAG-Systemen.
Transformer
Die Netzarchitektur hinter modernen LLMs, die mit Self-Attention alle Tokens parallel verarbeitet.
Attention
Ein Mechanismus, mit dem das Modell gewichtet, welche Teile der Eingabe für jedes Ausgabetoken am wichtigsten sind.
Tokenizer
Die Komponente, die Rohtext in Tokens zerlegt und sie wieder in Text zurückverwandelt.
Diffusionsmodell
Ein generatives Modell, das Bilder durch schrittweises Entrauschen von Zufallsrauschen erzeugt – Basis von Tools wie Stable Diffusion.
RLHF
Eine Trainingstechnik, die Modelle über ein aus menschlichen Bewertungen gelerntes Reward-Modell an menschliche Präferenzen anpasst.
Chain-of-Thought (CoT)
Eine Prompting-Technik, bei der das Modell Schritt für Schritt argumentiert und so bei komplexen Aufgaben genauer wird.
Few-Shot-Learning
Ein Modell durch wenige Beispiele im Prompt anleiten – ganz ohne zusätzliches Training.
Temperatur
Ein Sampling-Parameter für die Zufälligkeit: niedrige Werte sind fokussierter, hohe kreativer.
Quantisierung
Die numerische Präzision der Gewichte reduzieren (z. B. auf 4 Bit), um Modelle zu verkleinern und auf schwächerer Hardware zu betreiben.
GGUF
Ein Dateiformat für quantisierte Modelle, weit verbreitet zum lokalen Ausführen von LLMs mit llama.cpp und Ollama.
Mixture of Experts (MoE)
Eine Architektur, die jedes Token an wenige spezialisierte Subnetze leitet und so Kapazität ohne proportionale Kosten steigert.
Function Calling
Eine Fähigkeit, mit der das Modell strukturierte Aufrufe externer Funktionen oder Tools ausgibt – Grundlage für Agenten und Integrationen.
Destillation
Ein kleineres „Schüler“-Modell darauf trainieren, ein größeres „Lehrer“-Modell zu imitieren – fast gleiche Qualität bei geringeren Kosten.
KI-Sicherheit & Alignment
Das Feld, das sicherstellen soll, dass KI-Systeme im Einklang mit menschlichen Werten und Zielen handeln.
Zero-Shot
Ein Modell ohne Beispiele um eine Aufgabe bitten – allein gestützt auf sein vortrainiertes Wissen.
Agentische KI
KI-Systeme, die autonom ein Ziel verfolgen – planen, Werkzeuge nutzen, mehrstufig handeln – statt nur auf einen Prompt zu antworten.
Vibe Coding
Ein Coding-Stil, bei dem man Wünsche in natürlicher Sprache beschreibt und die KI den Code erzeugt und iteriert – Intention vor Handarbeit.
Reasoning-Modell
Ein LLM, das vor der Antwort „nachdenkt“ – mit zusätzlicher Rechenzeit für internes Schritt-für-Schritt-Reasoning bei schwierigen Mathe-, Code- und Logikproblemen.
Text-zu-Video
KI-Modelle, die Videoclips direkt aus einer Textbeschreibung erzeugen und Szene, Bewegung und Stil über den Prompt steuern.
Foundation Model (Basismodell)
Ein großes, breit trainiertes Modell als Allzweckbasis, das sich per Prompting oder Fine-Tuning an viele Aufgaben anpassen lässt.
Guardrails (Leitplanken)
Sicherheitskontrollen rund um ein KI-System, die begrenzen, was es sagen oder tun darf – schädliche Inhalte filtern, Tool-Zugriff begrenzen, Richtlinien durchsetzen.
System-Prompt
Die verborgene Anweisung, die Rolle, Regeln und Stil eines Assistenten vor jeder Nutzernachricht festlegt – das Fundament seines Verhaltens.