Glossar

Accuracy bezeichnet den Anteil korrekter Vorhersagen an allen bewerteten Fällen. Die Kennzahl ist leicht verständlich, kann bei stark ungleich verteilten Klassen aber täuschen: Ein Modell kann eine hohe Accuracy erreichen, indem es fast immer die häufigste Klasse vorhersagt. Deshalb sollte Accuracy zusammen mit Kennzahlen wie Precision, Recall und einer Konfusionsmatrix beurteilt werden.

Ein adaptives KI-System verändert während seiner Nutzung Teile seines Verhaltens anhand neuer Daten oder Rückmeldungen. Betroffen sein können beispielsweise Modellparameter, Entscheidungsregeln oder die Auswahl von Komponenten. Anpassungsfähigkeit kann die Leistung in veränderten Umgebungen erhalten, erschwert aber Prüfung und Kontrolle, weil sich das tatsächlich eingesetzte System vom ursprünglich validierten Zustand entfernen kann.

Ein adversariales Beispiel ist eine gezielt veränderte Eingabe, die für Menschen oft unverändert oder plausibel wirkt, ein maschinelles Lernmodell jedoch zu einer falschen Ausgabe verleitet. Solche Beispiele machen sichtbar, dass Modelle andere Merkmale nutzen können als Menschen. Sie dienen sowohl Angriffen als auch Sicherheitstests und zeigen Grenzen der Modellrobustheit.

Ein KI-Agent ist eine Softwarekomponente, die einen Zustand wahrnimmt, Ziele oder Aufträge verarbeitet und daraus Handlungen ableitet. Moderne agentische Systeme können dazu Modelle, Speicher und externe Werkzeuge kombinieren. Von einem gewöhnlichen Chatbot unterscheidet sie vor allem die mehrschrittige Ausführung. Autonomie bleibt dabei begrenzt: Berechtigungen, Überwachung und Abbruchmöglichkeiten müssen technisch festgelegt werden.

Agentische KI bezeichnet Systeme, die ein vorgegebenes Ziel selbstständig in Teilschritte zerlegen, Zwischenergebnisse auswerten und Werkzeuge oder Dienste aufrufen können. Sie verbindet typischerweise ein generatives Modell mit Planung, Speicher und Ausführungslogik. Der Begriff beschreibt keine menschenähnliche Handlungsfähigkeit; Reichweite und Verantwortung ergeben sich aus den eingeräumten Berechtigungen und der menschlichen Aufsicht.

AI Literacy ist die Fähigkeit, KI-Systeme sachkundig, kritisch und verantwortungsvoll zu verstehen, zu nutzen und zu beurteilen. Dazu gehören technisches Grundverständnis, die Prüfung von Ergebnissen, Wissen über Daten und Grenzen sowie rechtliche und gesellschaftliche Einordnung. Welche Kompetenz erforderlich ist, hängt von Rolle, Anwendungskontext und Risiko ab; reine Bedienkenntnis genügt daher nicht.

Ein AI Management System ist ein organisatorischer Rahmen, mit dem eine Institution ihren KI-Einsatz systematisch steuert. Es verbindet Zuständigkeiten, Richtlinien, Risikobewertung, Dokumentation, Kontrollen und kontinuierliche Verbesserung. ISO/IEC 42001 beschreibt Anforderungen an ein solches Managementsystem. Die Zertifizierung eines Managementsystems belegt jedoch nicht automatisch, dass jedes einzelne KI-System fehlerfrei oder rechtmäßig ist.

AI Slop ist ein informeller, wertender Begriff für massenhaft erzeugte KI-Inhalte mit geringer inhaltlicher Sorgfalt oder geringem Nutzen. Gemeint sind häufig Texte, Bilder oder Videos, die ungeprüft publiziert und auf Aufmerksamkeit optimiert werden. Der Ausdruck ist kein wissenschaftlich standardisierter Qualitätsbegriff; belastbare Kritik sollte deshalb konkrete Mängel wie Fehler, Redundanz, Täuschung oder fehlende Herkunftsnachweise benennen.

Ein Algorithmus ist eine eindeutig beschriebene, endliche Folge von Verarbeitungsschritten zur Lösung einer Aufgabenklasse. Derselbe Algorithmus kann in unterschiedlichen Programmiersprachen implementiert werden und ist zunächst unabhängig von konkreten Daten. Ein Algorithmus ist nicht automatisch KI: Auch Sortieren, Verschlüsseln oder Routenplanung beruhen auf Algorithmen, ohne dass dabei ein Modell aus Daten lernen muss.

Ein Algorithmus für maschinelles Lernen bestimmt aus Trainingsdaten die Parameter oder Struktur eines Modells. Dazu optimiert er ein festgelegtes Ziel, etwa die Verringerung eines Vorhersagefehlers. Der Lernalgorithmus ist vom resultierenden Modell zu unterscheiden: Er beschreibt den Trainingsprozess, während das Modell die gelernte mathematische Abbildung enthält, die später auf neue Daten angewendet wird.

Alignment bezeichnet die Ausrichtung des Verhaltens eines KI-Systems an beabsichtigten Zielen, Regeln und menschlichen Wertvorstellungen. Technische Verfahren nutzen dafür beispielsweise Trainingsdaten, Präferenzurteile oder nachgelagerte Schutzmechanismen. Vollständiges Alignment ist nicht messbar wie eine einzelne Leistungskennzahl, weil Werte und Nutzungskontexte variieren. Deshalb bleiben Tests, Governance und menschliche Verantwortung erforderlich.

Artificial General Intelligence bezeichnet die hypothetische Fähigkeit eines künstlichen Systems, ein breites Spektrum intellektueller Aufgaben flexibel zu erlernen und auf neue Situationen zu übertragen. Es gibt weder eine allgemein akzeptierte technische Definition noch einen anerkannten Nachweis, dass heutige Systeme AGI erreicht haben. Der Begriff gehört daher zur Forschung und Zukunftsdebatte, nicht zur Beschreibung einer etablierten Systemklasse.

Eine Allowlist legt ausdrücklich fest, welche Werkzeuge, Modelle, Datenquellen oder Nutzungsszenarien zugelassen sind. Alles nicht Aufgeführte bleibt zunächst gesperrt. Dieses Prinzip reduziert unkontrollierte Nutzung und erleichtert Verantwortungszuordnung, ersetzt aber keine Einzelfallprüfung: Auch freigegebene Angebote können je nach Daten, Zweck oder Konfiguration unzulässig oder riskant eingesetzt werden.

Anbieter ist im EU AI Act eine natürliche oder juristische Person, Behörde oder andere Stelle, die ein KI-System oder ein Modell mit allgemeinem Verwendungszweck entwickelt oder entwickeln lässt und unter eigenem Namen in Verkehr bringt oder in Betrieb nimmt. Die Rolle hängt vom tatsächlichen Handeln ab und bestimmt konkrete Pflichten; sie ist nicht mit einem technischen Cloud-Anbieter gleichzusetzen.

Named Entity Recognition ist eine Aufgabe der Sprachverarbeitung, bei der Textstellen erkannt und Kategorien wie Person, Organisation, Ort oder Datum zugeordnet werden. Das Verfahren wandelt unstrukturierten Text in auswertbare Entitäten um. Schwierigkeiten entstehen durch mehrdeutige Namen, neue Begriffe und domänenspezifische Kategorien; Ergebnisse benötigen deshalb je nach Einsatz eine fachliche Prüfung.

Annotation ergänzt Rohdaten um strukturierte Informationen, beispielsweise Klassen, Markierungen, Transkriptionen oder Beziehungen. Solche Kennzeichnungen dienen dem Training und der Bewertung von Modellen. Ihre Qualität hängt von klaren Regeln, geeigneten Fachkenntnissen und Übereinstimmung zwischen annotierenden Personen ab. Annotationen sind keine objektive Wahrheit: Unsicherheit und unterschiedliche vertretbare Bewertungen sollten dokumentiert werden.

Anonyme Daten lassen sich keiner identifizierten oder identifizierbaren natürlichen Person mehr zuordnen. Entscheidend ist nicht das Entfernen von Namen allein, sondern ob eine Reidentifizierung mit vernünftigerweise verfügbaren Mitteln ausgeschlossen ist. Wirklich anonyme Daten fallen nicht unter die DSGVO; pseudonymisierte Daten dagegen bleiben personenbezogen, weil eine Zuordnung mit zusätzlichen Informationen möglich ist.

Anonymisierung verändert personenbezogene Daten so, dass betroffene Personen nicht mehr identifizierbar sind. Dazu müssen direkte und indirekte Identifikatoren sowie realistische Verknüpfungsmöglichkeiten berücksichtigt werden. Eine pauschale Methode garantiert das nicht: Wirksamkeit hängt vom Datensatz, Zusatzwissen und technischen Entwicklungen ab. Pseudonymisierung senkt Risiken, ist rechtlich aber keine Anonymisierung.

Ein Anwendungsfall beschreibt eine konkrete Situation, in der ein System für eine bestimmte Zielgruppe ein abgegrenztes Problem lösen soll. Er umfasst Zweck, Beteiligte, Eingaben, Ablauf, erwarteten Nutzen und Erfolgskriterien. Bei KI gehören außerdem Datenbasis, mögliche Fehlfolgen und menschliche Zuständigkeiten dazu. Erst diese Konkretisierung erlaubt eine belastbare Nutzen- und Risikobewertung.

Eine Anwendungsprogrammierschnittstelle definiert, wie Softwarekomponenten Funktionen aufrufen und Daten austauschen. Sie beschreibt zulässige Anfragen, Formate, Antworten und Fehler, ohne die interne Implementierung offenlegen zu müssen. Bei KI-Diensten ermöglicht eine API etwa Modellaufrufe. Sie ist jedoch nur der technische Zugang und sagt nichts über Modellqualität, Datenschutz oder zulässige Nutzung aus.

API steht für Application Programming Interface und bezeichnet eine festgelegte Schnittstelle zwischen Softwarekomponenten. Sie bestimmt, welche Funktionen erreichbar sind und in welchem Format Daten übermittelt werden. Eine KI-API kann Modelle als Dienst bereitstellen, bleibt aber von der eigentlichen Modelllogik getrennt. Sicherheit erfordert zusätzlich Authentifizierung, Zugriffskontrolle, Eingabeprüfung und Protokollierung.

Arbeitserleichterung bezeichnet eine Verringerung von Aufwand, Belastung oder Fehleranfälligkeit bei einer Tätigkeit. KI kann beispielsweise Routinen vorbereiten, Informationen strukturieren oder Varianten erzeugen. Ob tatsächlich Entlastung entsteht, muss im realen Prozess geprüft werden: Kontrollaufwand, Korrekturen, neue Abhängigkeiten und zusätzliche Dokumentationspflichten können einen vermeintlichen Zeitgewinn teilweise oder vollständig aufheben.

Eine Arbeitsgruppe für generative KI ist ein interdisziplinäres Gremium, das Einsatzfragen in einer Organisation fachlich koordiniert. Typische Aufgaben sind Leitlinien, Risiko- und Rechtsbewertung, Kompetenzaufbau, Auswahl geeigneter Werkzeuge und Beratung konkreter Vorhaben. Sie unterstützt Entscheidungen, ersetzt aber nicht die formale Verantwortung von Leitung, Datenschutz, Informationssicherheit oder jeweils zuständigen Fachbereichen.

Artikel 4 des EU AI Act verpflichtet Anbieter und Betreiber von KI-Systemen, Maßnahmen für ein ausreichendes Maß an KI-Kompetenz ihres Personals und weiterer beauftragter Personen zu treffen. Zu berücksichtigen sind Kenntnisse, Erfahrung, Ausbildung, Einsatzkontext und betroffene Personengruppen. Die Vorschrift verlangt damit rollen- und risikogerechte Kompetenz, schreibt aber kein einheitliches Schulungsformat oder Zertifikat vor.

Artikel 50 des EU AI Act enthält Transparenzpflichten für bestimmte KI-Systeme und KI-generierte Inhalte. Menschen sollen beispielsweise erkennen können, wenn sie mit einem KI-System interagieren; für synthetische oder manipulierte Inhalte gelten je nach Fall Kennzeichnungs- und Offenlegungspflichten. Welche Pflicht greift, hängt von Systemart, Inhalt, Rolle und Nutzungskontext ab.

Attention ist ein Mechanismus neuronaler Netze, der für eine aktuelle Berechnung unterschiedlich starke Beziehungen zwischen Eingabeelementen gewichtet. In Transformern ermöglicht Self-Attention, jedes Token im Verhältnis zu anderen Tokens des Kontextes zu verarbeiten. Die Gewichte zeigen rechnerische Abhängigkeiten, sind aber nicht automatisch eine vollständige oder kausale Erklärung dafür, warum ein Modell eine bestimmte Ausgabe erzeugt.

Eine Aufgabe ist ein abgegrenztes Ziel, das durch bestimmte Handlungen oder Berechnungen erreicht werden soll. In der KI beschreibt sie häufig die gewünschte Funktion, etwa Klassifikation, Übersetzung oder Vorhersage. Eine präzise Aufgabenbeschreibung benennt Eingaben, erwartete Ausgaben und Bewertungskriterien. Ohne diese Festlegung lässt sich weder Modellleistung sinnvoll messen noch Eignung im Anwendungskontext beurteilen.

Ein Auftragsverarbeiter verarbeitet personenbezogene Daten im Auftrag und nach dokumentierter Weisung eines Verantwortlichen. Die Rolle wird durch die tatsächliche Aufgabenverteilung bestimmt, nicht durch die Vertragsbezeichnung allein. Nutzt ein Auftragsverarbeiter Daten für eigene Zwecke, kann er insoweit selbst verantwortlich werden. Beim Einsatz externer KI-Dienste müssen Weisungsbindung, Unterauftragnehmer, Speicherorte und Löschung geklärt sein.

Ein Auftragsverarbeitungsvertrag regelt nach Artikel 28 DSGVO die Verarbeitung personenbezogener Daten durch einen Dienstleister im Auftrag. Er bestimmt unter anderem Gegenstand, Dauer, Weisungen, Vertraulichkeit, Sicherheitsmaßnahmen, Unterauftragnehmer und Löschung. Ein AVV macht eine Verarbeitung nicht automatisch rechtmäßig; Zweck, Rechtsgrundlage, Datenminimierung und mögliche Drittlandübermittlungen müssen zusätzlich geprüft werden.

Ausbeutung bezeichnet die ungerechte Nutzung menschlicher Arbeit oder Abhängigkeit zum Vorteil anderer. In KI-Wertschöpfungsketten kann sie etwa bei schlecht bezahlter Datenannotation, belastender Inhaltsmoderation oder intransparenten Plattformarbeitsbedingungen auftreten. Eine verantwortliche Bewertung betrachtet deshalb nicht nur Modellleistung, sondern auch Arbeitsbedingungen, Schutzmaßnahmen, Vergütung und Beschwerdemöglichkeiten entlang der Lieferkette.

Ein ausgewogener Datensatz enthält für relevante Klassen oder Gruppen ausreichend und angemessen verteilte Beispiele. Das verhindert, dass ein Modell hauptsächlich die häufigste Klasse lernt. Vollständig gleiche Anzahlen sind nicht immer sinnvoll; entscheidend sind Aufgabe und reale Verteilung. Auch ein numerisch ausgeglichener Datensatz kann verzerrt sein, wenn Erhebung, Merkmale oder Labels bestimmte Gruppen systematisch benachteiligen.

Mit einem Auskunftsverlangen macht eine betroffene Person ihr Recht nach Artikel 15 DSGVO geltend. Sie kann erfahren, ob und welche personenbezogenen Daten verarbeitet werden, zu welchen Zwecken, aus welchen Quellen und an welche Empfänger sie gelangen. Bei KI-Systemen kann die Bearbeitung technisch anspruchsvoll sein, entbindet Verantwortliche aber nicht von nachvollziehbarer Datenorganisation und fristgerechter Antwort.

Ein Evasion-Angriff verändert Eingaben nach Abschluss des Trainings so, dass ein Modell sie falsch einordnet oder eine Schutzkontrolle umgeht. Die Manipulation soll für Menschen unauffällig bleiben, nutzt aber empfindliche Entscheidungsgrenzen des Modells aus. Evasion unterscheidet sich von Datenvergiftung: Angegriffen wird die Nutzung beziehungsweise Inferenz, nicht der Trainingsdatensatz.

Automatisch oder automatisiert bedeutet, dass ein Prozess unter festgelegten Bedingungen ohne unmittelbaren menschlichen Eingriff abläuft. Der Grad kann stark variieren: Menschen können Ziele, Regeln, Daten oder Freigaben weiterhin bestimmen. Automatisierung ist daher nicht gleich Autonomie und nicht zwangsläufig KI. Für die Bewertung sind Eingriffsmöglichkeiten, Ausnahmen und die tatsächliche menschliche Kontrolle entscheidend.

Automatische Zusammenfassung verdichtet einen Text oder mehrere Dokumente auf wesentliche Informationen. Extraktive Verfahren wählen vorhandene Passagen aus; abstraktive Verfahren formulieren neue Sätze. Eine kürzere Ausgabe ist nicht automatisch zuverlässig: Gewichtung, Auslassungen und bei generativen Modellen auch unbelegte Ergänzungen können den Sinn verändern. Kritische Zusammenfassungen benötigen deshalb Abgleich mit den Ausgangsquellen.

Eine automatisierte Entscheidung entsteht, wenn ein technisches System anhand von Daten ein Ergebnis festlegt oder maßgeblich vorbereitet. Datenschutzrechtlich besonders relevant sind ausschließlich automatisierte Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung. Eine formale menschliche Bestätigung genügt nicht immer als Kontrolle: Die prüfende Person muss das Ergebnis tatsächlich verstehen, hinterfragen und wirksam ändern können.

Autonomie bezeichnet die Fähigkeit eines Systems, innerhalb vorgegebener Grenzen ohne unmittelbare externe Steuerung zu handeln. Bei KI ist sie graduell und abhängig von Zielvorgaben, Berechtigungen, Umgebung und Aufsicht. Ein autonom genanntes System besitzt weder freien Willen noch rechtliche Verantwortung. Verantwortung verbleibt bei den Menschen und Organisationen, die Entwicklung, Einsatz und Kontrollrahmen bestimmen.

Ein autoregressives Modell erzeugt eine Sequenz schrittweise, indem es das nächste Element aus den bereits vorliegenden Elementen ableitet. Sprachmodelle berechnen beispielsweise Wahrscheinlichkeiten für das nächste Token und wiederholen diesen Vorgang. Das Verfahren erzeugt flüssige Texte, prüft deren Wahrheitsgehalt aber nicht automatisch; statistische Plausibilität ist daher nicht mit sachlicher Richtigkeit gleichzusetzen.

Backpropagation ist ein Verfahren zur Berechnung, wie stark einzelne Parameter eines neuronalen Netzes zum Trainingsfehler beitragen. Mithilfe der Kettenregel wird der Gradient vom Ausgang rückwärts durch die Schichten bestimmt. Ein Optimierungsalgorithmus nutzt diese Information, um Gewichte anzupassen. Backpropagation selbst legt weder Modellarchitektur noch Lernziel fest und garantiert keine gute Generalisierung auf neue Daten.

Ein Baseline Model ist ein bewusst einfaches Referenzmodell, an dem ein aufwendigeres Verfahren gemessen wird. Als Baseline können etwa eine Mehrheitsentscheidung, eine einfache Regression oder ein etabliertes Vorgängersystem dienen. Nur wenn das neue Modell die Baseline unter denselben Daten- und Bewertungsbedingungen relevant übertrifft, lässt sich sein zusätzlicher Aufwand sachlich begründen.

Ein bayesianisches Netzwerk stellt Zufallsvariablen und ihre bedingten Abhängigkeiten als gerichteten, azyklischen Graphen dar. Jedem Knoten ist eine Wahrscheinlichkeitsverteilung zugeordnet. Das Modell ermöglicht probabilistische Schlussfolgerungen, wenn nur ein Teil der Variablen beobachtet wurde. Pfeile drücken modellierte Abhängigkeiten aus; ohne zusätzliche kausale Annahmen beweisen sie jedoch keine Ursache-Wirkungs-Beziehung.

Eine Belohnungsfunktion ordnet Zuständen oder Handlungen einen numerischen Wert zu und beschreibt damit, welches Verhalten ein Reinforcement-Learning-System bevorzugen soll. Der Agent optimiert die erwartete kumulierte Belohnung, nicht automatisch das tatsächlich gemeinte Ziel. Unvollständig formulierte Belohnungen können unerwünschte Strategien begünstigen; ihre Gestaltung und Prüfung sind daher zentrale Sicherheitsaufgaben.

Ein Benchmark ist ein festgelegter Datensatz, Aufgabensatz oder Prüfablauf zum vergleichbaren Messen von Systemleistung. Aussagekräftige Vergleiche erfordern gleiche Bedingungen, geeignete Kennzahlen und eine repräsentative Aufgabenwahl. Ein hoher Benchmark-Wert belegt nur Leistung unter diesen Prüfbedingungen. Datenlecks, Überanpassung oder fehlende Nähe zum späteren Einsatz können seine praktische Aussagekraft begrenzen.

Ein Benutzer ist eine Person oder technische Rolle, die ein System bedient, administriert oder in einen Arbeitsablauf einbindet. Der Begriff ist weiter als Endbenutzer und kann beispielsweise Systemadministration oder Support einschließen. Bei KI-Systemen bestimmen Kenntnisse, Berechtigungen und Nutzungskontext wesentlich das Risiko. Benutzer sind nicht automatisch rechtlich verantwortlich oder Betreiber im Sinne des EU AI Act.

Berechnung ist die regelgeleitete Verarbeitung von Daten oder symbolischen Darstellungen, um ein Ergebnis zu erhalten. Sie kann arithmetisch, logisch, statistisch oder simulativ erfolgen. KI-Systeme bestehen aus Berechnungen, doch nicht jede Berechnung ist KI. Der Begriff beschreibt den Verarbeitungsvorgang und sagt allein nichts darüber aus, ob ein Ergebnis gelernt, erklärbar, korrekt oder sinnvoll ist.

BERT ist eine von Google 2018 veröffentlichte Transformer-Modellarchitektur zur Verarbeitung natürlicher Sprache. Sie wird bidirektional vortrainiert, sodass Repräsentationen eines Tokens Kontext von beiden Seiten berücksichtigen. BERT eignet sich besonders als Grundlage für Aufgaben wie Klassifikation oder Entitätenerkennung. Anders als autoregressive Sprachmodelle ist die ursprüngliche Architektur nicht primär zur freien Textfortsetzung entwickelt worden.

Betreiber ist im EU AI Act eine natürliche oder juristische Person, Behörde oder andere Stelle, die ein KI-System in eigener Verantwortung verwendet; ausgenommen ist eine rein persönliche, nicht berufliche Nutzung. Die Rolle richtet sich nach dem tatsächlichen Einsatz. Betreiber müssen je nach System unter anderem Gebrauchsanweisungen beachten, Aufsicht organisieren, Eingabedaten kontrollieren und Vorfälle behandeln.

Eine betroffene Person ist ein Mensch, auf den sich personenbezogene Daten beziehen oder dessen Rechte und Interessen durch ein KI-System berührt werden. Sie muss das System nicht selbst bedienen. Beispiele sind Bewerbende, Kreditnehmende oder Personen in biometrischen Aufnahmen. Der Begriff sollte je nach Kontext von Benutzer, Kunde und datenschutzrechtlich betroffener Person unterschieden werden.

Betroffene Stakeholder sind Personen, Gruppen oder Organisationen, auf die Entwicklung oder Einsatz eines KI-Systems direkte oder indirekte Folgen haben kann. Dazu gehören auch Menschen, die nicht mit dem System interagieren. Eine Stakeholderanalyse macht unterschiedliche Interessen, Risiken und Machtverhältnisse sichtbar. Beteiligung ersetzt jedoch keine Grundrechts-, Sicherheits- oder Rechtsprüfung.

Betroffenenrechte geben Menschen nach der DSGVO Kontrolle und Transparenz über die Verarbeitung ihrer personenbezogenen Daten. Dazu zählen insbesondere Auskunft, Berichtigung, Löschung, Einschränkung, Widerspruch und Datenübertragbarkeit. Die Rechte gelten nicht ausnahmslos und unterscheiden sich nach Rechtsgrundlage und Situation. Verantwortliche müssen Anträge identifizieren, fristgerecht bearbeiten und Entscheidungen nachvollziehbar begründen können.

Bewusstsein bezeichnet in Philosophie und Kognitionswissenschaft unter anderem subjektives Erleben sowie das Gewahrsein eigener Zustände und der Umwelt. Es existiert keine allgemein akzeptierte vollständige Theorie oder einfache Messmethode. Dass ein KI-System sprachlich über Gefühle oder Selbstwahrnehmung spricht, ist kein wissenschaftlicher Nachweis von Bewusstsein; solche Ausgaben können aus erlernten Sprachmustern entstehen.

Bias bezeichnet eine systematische Verzerrung. In KI kann sie aus Datenerhebung, Labels, Modellannahmen, Messverfahren oder Anwendungskontext entstehen und Fehler zwischen Gruppen ungleich verteilen. Nicht jede statistische Differenz ist automatisch ungerecht, und formale Fairnessmaße können miteinander unvereinbar sein. Eine Bewertung benötigt deshalb technische Analysen sowie rechtliche und fachliche Maßstäbe.

Big Data beschreibt Datenbestände, deren Umfang, Geschwindigkeit oder Vielfalt herkömmliche Verarbeitungsmethoden überfordert und skalierbare Technologien erfordert. Häufig werden zusätzliche Merkmale wie schwankende Qualität oder wirtschaftlicher Nutzen genannt. Der Begriff bezeichnet keine feste Größenschwelle. Große Datenmengen sind nicht automatisch repräsentativ, fehlerfrei oder für einen bestimmten KI-Zweck geeignet.

Biometrische Daten sind nach der DSGVO personenbezogene Daten, die durch spezielle technische Verarbeitung körperlicher, physiologischer oder verhaltensbezogener Merkmale entstehen und eine eindeutige Identifizierung ermöglichen oder bestätigen, etwa Gesichtstemplates oder Fingerabdruckmerkmale. Ein Foto ist nicht allein deshalb biometrisches Datum. Für biometrische Identifizierung gelten regelmäßig erhöhte rechtliche und technische Schutzanforderungen.

Als Black Box wird ein System bezeichnet, dessen innere Verarbeitung für eine relevante Zielgruppe nicht ausreichend nachvollziehbar ist, obwohl Eingaben und Ausgaben beobachtet werden können. Die Intransparenz kann aus Modellkomplexität, fehlendem Zugang oder unzureichender Dokumentation entstehen. Sie ist kein Alles-oder-nichts-Merkmal: Erklärbarkeit hängt von Fragestellung, Person und erforderlicher Entscheidungstiefe ab.

Blackbox ist eine alternative Schreibweise für ein System, das hauptsächlich über beobachtbare Ein- und Ausgaben beschrieben wird, während interne Mechanismen unbekannt oder schwer interpretierbar bleiben. In der KI-Debatte meint dies häufig komplexe Modelle. Der Begriff sollte nicht vorschnell mit Unprüfbarkeit gleichgesetzt werden: Verhalten, Daten, Robustheit und Teilmechanismen können dennoch systematisch untersucht werden.

Ein Bot ist ein Softwareprogramm, das Aufgaben automatisiert ausführt, beispielsweise Webseiten abfragt, Nachrichten versendet oder Dialoge führt. Bots können regelbasiert arbeiten oder KI-Komponenten verwenden. Der Begriff sagt daher weder etwas über Intelligenz noch über Gut- oder Bösartigkeit aus. Entscheidend sind Funktion, Berechtigungen, Transparenz und die Auswirkungen des automatisierten Verhaltens.

bwGPT ist eine hochschulübergreifende Initiative in Baden-Württemberg, die generative KI für Studium, Lehre und Hochschularbeit unter gemeinsamen institutionellen Rahmenbedingungen bereitstellt. Bezeichnung, Funktionsumfang und angebundene Modelle können sich mit dem Projektstand verändern. Aussagen zu Datenschutz, Speicherorten oder zulässiger Nutzung sollten daher stets anhand der aktuellen offiziellen Hochschuldokumentation geprüft werden.

Chain-of-Thought bezeichnet eine Folge sprachlich dargestellter Zwischenschritte, mit denen ein Modell eine komplexe Aufgabe strukturiert. Entsprechende Prompts können die Leistung bei manchen Denkaufgaben verbessern. Der ausgegebene Gedankengang ist jedoch keine verlässliche Einsicht in interne Modellprozesse und kann nachträglich plausibel formuliert sein. Richtigkeit muss deshalb am Ergebnis und an überprüfbaren Belegen bewertet werden.

Chancengerechtigkeit zielt darauf, Menschen unabhängig von sachlich nicht gerechtfertigten Merkmalen faire Möglichkeiten zur Teilhabe und Zielerreichung zu eröffnen. Bei KI betrifft sie etwa Zugang, Datenrepräsentation und Fehlerfolgen. Sie ist nicht mit identischen Ergebnissen gleichzusetzen. Welche Unterschiede gerechtfertigt sind, erfordert normative, rechtliche und fachliche Bewertung und lässt sich nicht durch eine einzelne technische Kennzahl entscheiden.

Ein Chatbot ist ein Dialogsystem, das schriftliche oder gesprochene Eingaben verarbeitet und darauf antwortet. Frühere Systeme folgten überwiegend festen Regeln; moderne Chatbots können Sprachmodelle und externe Wissensquellen nutzen. Eine menschenähnliche Gesprächsform belegt weder Verständnis noch Wahrheit. Qualität hängt von Modell, Daten, Systemanweisungen, Kontext, Werkzeugen und der Prüfung durch Nutzende ab.

ChatGPT ist ein von OpenAI bereitgestellter KI-Dienst für dialogbasierte Aufgaben. Je nach Produktstand kombiniert er unterschiedliche generative Modelle mit Funktionen wie Websuche, Dateiverarbeitung oder Werkzeugnutzung. ChatGPT ist kein einzelnes unveränderliches Modell. Antworten werden probabilistisch erzeugt und können fehlerhaft sein; aktuelle Funktionen, Datenverarbeitung und Nutzungsbedingungen müssen anhand der offiziellen Produktdokumentation geprüft werden.

Ein Chunk ist ein abgegrenzter Abschnitt eines größeren Inhalts, der als eigene Verarbeitungseinheit behandelt wird. In Retrieval-Systemen werden Dokumente beispielsweise in Textabschnitte zerlegt, eingebettet und gesucht. Größe und Überlappung beeinflussen Trefferqualität und Kontext. Zu kleine Chunks verlieren Zusammenhänge, zu große enthalten möglicherweise irrelevante Informationen und verbrauchen mehr Kontextkapazität.

Chunking ist die Aufteilung größerer Daten oder Dokumente in verarbeitbare Abschnitte. Bei RAG-Systemen soll jeder Abschnitt ausreichend Bedeutung bewahren und zugleich präzise auffindbar bleiben. Verfahren können feste Längen, Satzgrenzen oder Dokumentstrukturen nutzen. Es gibt keine universell optimale Chunk-Größe; sie muss anhand von Inhalt, Suchverfahren, Modell und realen Testfragen bewertet werden.

Klassifikation ist die Zuordnung einer Eingabe zu einer oder mehreren vorgegebenen Kategorien. Ein Modell lernt dazu Entscheidungsgrenzen aus gelabelten Beispielen oder nutzt festgelegte Regeln. Die Ausgabe kann eine Klasse oder Wahrscheinlichkeitsverteilung sein. Aussagekraft hängt von Klassendefinitionen, Datenqualität und Schwellenwerten ab; unbekannte Fälle passen nicht zwangsläufig sinnvoll in vorhandene Klassen.

Cloud-Computing stellt konfigurierbare Rechenressourcen wie Server, Speicher oder Anwendungen bedarfsgerecht über ein Netzwerk bereit. Ressourcen können automatisiert skaliert und nutzungsabhängig abgerechnet werden. Cloud beschreibt eine Betriebs- und Bereitstellungsform, nicht einen bestimmten Standort oder ein bestimmtes Sicherheitsniveau. Verantwortlichkeiten hängen vom Servicemodell, Vertrag, Anbieter und der eigenen Konfiguration ab.

Computer Vision umfasst Verfahren, die visuelle Daten wie Bilder oder Videos rechnerisch analysieren und daraus Informationen ableiten. Typische Aufgaben sind Erkennung, Segmentierung, Verfolgung und Bildgenerierung. Modelle verarbeiten numerische Bildrepräsentationen, nicht visuelle Bedeutung wie ein Mensch. Leistung kann sich durch Beleuchtung, Perspektive, Datenverteilung oder Manipulation deutlich verändern.

Computerlinguistik untersucht Sprache mit formalen und computergestützten Methoden. Sie verbindet Linguistik, Informatik und häufig Statistik oder maschinelles Lernen, etwa für Parsing, Übersetzung und Dialogsysteme. Das Fachgebiet ist breiter als generative KI: Es umfasst auch regelbasierte Modelle, Sprachressourcen und empirische Sprachanalyse. Sprachliche Korrektheit und kommunikative Angemessenheit sind dabei getrennte Bewertungsfragen.

Das Context Window bezeichnet die maximale Menge an Tokens, die ein Sprachmodell bei einem Verarbeitungsvorgang berücksichtigen kann. Dazu zählen Eingabe, Systemanweisungen, Gesprächsverlauf und häufig auch erzeugte Tokens. Ein großes Kontextfenster bedeutet nicht, dass alle enthaltenen Informationen gleich zuverlässig genutzt werden. Position, Ablenkung und widersprüchlicher Kontext können die Leistung beeinflussen.

Ein Convolutional Neural Network ist ein neuronales Netz, das mit lernbaren Faltungsfiltern lokale Muster erfasst. Geteilte Gewichte machen die Verarbeitung räumlich strukturierter Daten effizient, weshalb CNNs besonders in der Bildanalyse verbreitet sind. Tiefere Schichten können komplexere Merkmale kombinieren. Translationstoleranz ist jedoch begrenzt und Robustheit gegenüber realen Veränderungen muss empirisch geprüft werden.

Copyleft ist ein Lizenzprinzip, das Nutzung, Veränderung und Weitergabe erlaubt, abgeleitete Werke aber unter bestimmten Bedingungen wieder unter derselben oder einer kompatiblen freien Lizenz verfügbar machen muss. Reichweite und Pflichten unterscheiden sich je nach Lizenz. Copyleft betrifft urheberrechtlich geschützte Bestandteile; bei KI-Modellen müssen zusätzlich Gewichte, Code, Daten und Ausgaben getrennt betrachtet werden.

Data Governance ist der organisatorische Rahmen für verantwortliche Entscheidungen über Daten. Er legt Rollen, Zuständigkeiten, Qualitätsregeln, Zugriffsrechte, Lebenszyklen und Kontrollen fest. Ziel ist nicht bloß Datenverwaltung, sondern nachvollziehbare Verlässlichkeit und zulässige Nutzung. Für KI ist Data Governance grundlegend, weil Modellleistung und Risiken wesentlich von Herkunft, Bedeutung und Qualität der verwendeten Daten abhängen.

Data Leakage bezeichnet das unbeabsichtigte Offenlegen von Informationen oder das unzulässige Übertragen von Wissen zwischen getrennten Datenbereichen. Im maschinellen Lernen entsteht Leakage beispielsweise, wenn Informationen aus Testdaten in das Training oder die Merkmalsbildung gelangen. Dadurch wirken Ergebnisse besser als sie bei echten neuen Daten wären. Datenschutzbezogen kann Leakage zusätzlich eine Vertraulichkeitsverletzung bedeuten.

Data Mining ist die systematische Suche nach bislang nicht offensichtlichen Mustern, Beziehungen oder Auffälligkeiten in größeren Datenbeständen. Es verbindet statistische, algorithmische und datenbanktechnische Methoden. Gefundene Muster sind zunächst empirische Zusammenhänge und keine gesicherten Ursachen. Ihre Bedeutung muss fachlich validiert werden; Datenqualität, Auswahlverzerrung und Mehrfachtests können scheinbar überzeugende, aber nicht belastbare Ergebnisse erzeugen.

Data Poisoning ist ein Angriff, bei dem Trainings-, Feinabstimmungs- oder Wissensdaten gezielt manipuliert werden, um das spätere Systemverhalten zu verändern. Ziele können allgemeine Leistungsverschlechterung oder versteckte Fehlreaktionen auf bestimmte Auslöser sein. Der Angriff erfolgt vor oder während des Lernprozesses und unterscheidet sich damit von Evasion-Angriffen auf Eingaben im laufenden Betrieb.

Data Science ist ein interdisziplinäres Arbeitsfeld zur Gewinnung belastbarer Erkenntnisse und datenbasierter Produkte. Es verbindet Fachwissen, Statistik, Informatik, Datenmanagement und Kommunikation. Maschinelles Lernen kann dabei ein Werkzeug sein, ist aber nicht zwingend erforderlich. Eine vollständige Data-Science-Arbeit umfasst auch Fragestellung, Datenerhebung, Qualitätsprüfung, Unsicherheitsbewertung und nachvollziehbare Interpretation.

Data-Mining bezeichnet die rechnergestützte Analyse umfangreicher Daten, um wiederkehrende Strukturen, Gruppen, Regeln oder Ausnahmen zu erkennen. Im Unterschied zu einer vorab festgelegten statistischen Hypothesenprüfung ist der Prozess häufig explorativ. Deshalb müssen entdeckte Muster an unabhängigen Daten bestätigt und fachlich eingeordnet werden. Andernfalls können Zufall, Verzerrungen oder ungeeignete Merkmale als vermeintliche Erkenntnis erscheinen.

Daten sind formal dargestellte Beobachtungen, Messwerte, Zeichen oder Aufzeichnungen, die gespeichert und verarbeitet werden können. Ihre Bedeutung entsteht erst durch Kontext, Definitionen und Interpretationsregeln. Daten sind daher nicht automatisch Fakten oder Wahrheit. Messfehler, Auswahlprozesse und fehlende Metadaten beeinflussen, welche Aussagen zulässig sind und ob Daten für einen KI-Zweck geeignet sind.

Datenanmerkung oder Data Annotation ergänzt Daten um strukturierte Kennzeichnungen, etwa Objektgrenzen, Kategorien, Transkriptionen oder Beziehungen. Diese Annotationen dienen häufig als Lern- oder Prüfsignale. Belastbare Qualität erfordert klare Leitlinien, geeignete Fachkenntnisse und Messung der Übereinstimmung. Bei mehrdeutigen Fällen sollten Unsicherheit und abweichende Bewertungen erhalten bleiben, statt eine Scheingenauigkeit zu erzeugen.

Eine Datenbank ist eine strukturierte Sammlung von Daten, die durch ein Datenbankmanagementsystem gespeichert, abgefragt und verändert wird. Datenmodelle, Integritätsregeln und Transaktionen sichern definierte Beziehungen und konsistente Änderungen. Eine Datenbank ist nicht mit einer Wissensbasis gleichzusetzen: Sie organisiert Daten, enthält aber nicht automatisch semantische Bedeutung, fachliche Regeln oder verlässliches Wissen.

Datenerweiterung erzeugt zusätzliche Trainingsbeispiele durch kontrollierte Transformation vorhandener Daten oder durch synthetische Generierung. Bei Bildern werden etwa Ausschnitte, Spiegelungen oder Farbänderungen genutzt. Ziel ist robustere Generalisierung, nicht bloß mehr Dateivolumen. Transformationen müssen die fachlich korrekte Bedeutung erhalten; ungeeignete Erweiterungen können unrealistische Muster oder bestehende Verzerrungen verstärken.

Datensammlung ist der geplante Prozess, Beobachtungen oder Informationen aus definierten Quellen zu erfassen. Eine belastbare Sammlung dokumentiert Zweck, Grundgesamtheit, Auswahlverfahren, Messmethode, Zeitpunkt und Einwilligungs- beziehungsweise Rechtsgrundlage. Umfang allein gewährleistet keine Qualität. Systematische Auslassungen oder verändertes Verhalten durch die Messung können spätere Analysen und KI-Modelle dauerhaft verzerren.

Ein Datensatz ist eine abgegrenzte, strukturierte Zusammenstellung zusammengehöriger Datenpunkte und ihrer Merkmale. Für maschinelles Lernen kann er Eingaben, Labels und Metadaten enthalten. Aussagekraft hängt von Herkunft, Erhebungszweck, Repräsentativität und Dokumentation ab. Ein Datensatz ist keine neutrale Abbildung der Welt, sondern Ergebnis konkreter Auswahl-, Mess- und Aufbereitungsentscheidungen.

Datensätze bilden die empirische Grundlage vieler KI-Systeme und werden typischerweise für Training, Validierung oder Test getrennt. Diese Rollen dürfen nicht unkontrolliert vermischt werden. Mehrere Datensätze können unterschiedliche Populationen, Zeiträume oder Messverfahren abbilden und sind daher nicht automatisch vergleichbar. Versionsstand, Herkunft, Lizenz, Qualitätsmängel und bekannte Einschränkungen sollten dokumentiert sein.

Datenschutz schützt nicht Daten um ihrer selbst willen, sondern Menschen bei der Verarbeitung ihrer personenbezogenen Daten. Er regelt unter anderem Zweckbindung, Rechtmäßigkeit, Transparenz, Datenminimierung und Betroffenenrechte. Technische Sicherheit ist dafür notwendig, aber nicht ausreichend: Auch sicher gespeicherte Daten können unzulässig oder unfair verarbeitet werden. Bei KI sind insbesondere Zweckänderungen und umfangreiche Profilbildung kritisch.

Eine Datenschutz-Folgenabschätzung ist nach Artikel 35 DSGVO erforderlich, wenn eine geplante Verarbeitung voraussichtlich ein hohes Risiko für Rechte und Freiheiten verursacht. Sie beschreibt Verarbeitung, Notwendigkeit, Risiken und Schutzmaßnahmen vor dem Einsatz. Eine DSFA ist kein einmaliges Formular: Änderungen an Zweck, Daten, Modell oder Nutzung können eine erneute Bewertung erforderlich machen.

Datenschutzrecht regelt die Verarbeitung personenbezogener Daten und schützt die informationelle Selbstbestimmung betroffener Menschen. In der EU bilden DSGVO und ergänzende nationale Vorschriften den zentralen Rahmen. Rechtmäßigkeit hängt von Zweck, Rolle, Rechtsgrundlage und konkretem Ablauf ab. Ein technisch anonym wirkendes KI-System kann dennoch Datenschutzrecht berühren, wenn Eingaben, Protokolle oder Ergebnisse Personenbezug besitzen.

Datensicherheit schützt Daten vor unbefugtem Zugriff, Veränderung, Verlust und Ausfall. Zentrale Schutzziele sind Vertraulichkeit, Integrität und Verfügbarkeit; hinzu kommen je nach Kontext Authentizität und Nachvollziehbarkeit. Maßnahmen umfassen Technik, Organisation und Personal. Datensicherheit beantwortet jedoch nicht, ob Daten überhaupt erhoben oder für einen bestimmten Zweck verwendet werden dürfen.

Datenvergiftung ist die gezielte Manipulation von Daten, die ein System zum Lernen oder zur Wissensgewinnung verwendet. Schon wenige präparierte Beispiele können unter bestimmten Bedingungen Fehlverhalten oder Hintertüren erzeugen. Schutzmaßnahmen umfassen Herkunftsnachweise, Zugriffskontrollen, Ausreißeranalysen und robuste Tests. Vollständige Erkennung ist schwierig, weil schädliche Daten plausibel und fachlich unauffällig wirken können.

Ein Decoder wandelt eine interne Repräsentation in eine gewünschte Ausgabe um. In Encoder-Decoder-Modellen erzeugt er beispielsweise aus kodiertem Kontext schrittweise eine Übersetzung. Decoder-only-Sprachmodelle sagen dagegen autoregressiv das nächste Token voraus. Der Begriff beschreibt eine funktionale Modellkomponente; genaue Architektur, Attention-Mechanismen und Trainingsziel unterscheiden sich zwischen Systemen.

Deep Learning ist ein Teilgebiet des maschinellen Lernens, das neuronale Netze mit mehreren Verarbeitungsschichten nutzt. Diese Netze lernen hierarchische Repräsentationen direkt aus Daten und sind besonders bei Sprache, Bild und Audio erfolgreich. Hohe Leistung erfordert häufig umfangreiche Daten und Rechenressourcen. Tiefe Modelle bleiben abhängig von Trainingsverteilung und können schwer interpretierbare Fehler erzeugen.

Ein Deepfake ist ein mit KI erzeugter oder veränderter Bild-, Audio- oder Videoinhalt, der reale Personen oder Ereignisse glaubhaft erscheinen lässt. Nicht jede synthetische Medienproduktion ist täuschend; Kontext, Kennzeichnung und Zweck sind entscheidend. Risiken reichen von Rufschädigung bis Desinformation. Erkennungswerkzeuge helfen, liefern aber keinen dauerhaft sicheren Echtheitsnachweis.

DeepL ist ein kommerzieller Anbieter KI-gestützter Sprachdienste, insbesondere maschineller Übersetzung und Textbearbeitung. Der Name bezeichnet ein Produkt beziehungsweise Unternehmen, keine wissenschaftliche Methode. Qualität, unterstützte Funktionen und Datenverarbeitung hängen von Produktvariante und aktuellem Vertragsstand ab. Vertrauliche oder personenbezogene Inhalte sollten nur unter den dafür freigegebenen Bedingungen verarbeitet werden.

Human-in-Command bezeichnet ein Aufsichtsprinzip, bei dem Menschen nicht nur einzelne Ausgaben kontrollieren, sondern über Ziel, Einsatz und Beendigung eines KI-Systems entscheiden können. Dazu gehören wirksame Befugnisse, Informationen und Abbruchmöglichkeiten. Eine bloße Anwesenheit erfüllt das Prinzip nicht; verantwortliche Personen müssen Folgen verstehen und tatsächlich organisatorisch sowie technisch eingreifen können.

Dialogmanagement steuert den Zustand und nächsten Schritt eines Dialogsystems. Es berücksichtigt Nutzereingabe, Gesprächsverlauf, Systemziele und verfügbare Aktionen, um etwa nachzufragen, Informationen bereitzustellen oder eine Aufgabe auszuführen. Bei Sprachmodellen kann ein Teil implizit generiert werden. Verlässliche Anwendungen ergänzen dennoch explizite Zustände, Regeln und Fehlerbehandlung für kritische Abläufe.

Didaktik ist die wissenschaftliche und praktische Auseinandersetzung mit dem Lehren und Lernen. Sie verbindet Ziele, Inhalte, Methoden, Medien, Lernvoraussetzungen und Prüfung. Der Einsatz von KI ist didaktisch sinnvoll, wenn er einen begründeten Lernprozess unterstützt. Technische Neuheit allein ist kein Bildungswert; entscheidend sind Kompetenzziel, Aktivität der Lernenden und überprüfbare Lernergebnisse.

Ein Digital Twin ist eine digitale Repräsentation eines realen Objekts, Prozesses oder Systems, die über Daten mit ihrem Gegenstück verbunden ist. Sie kann Zustand überwachen, Simulationen ermöglichen oder Entscheidungen unterstützen. Ein statisches 3D-Modell allein ist noch kein vollständiger digitaler Zwilling. Aussagekraft hängt von Aktualität, Modellannahmen, Sensorqualität und dokumentierten Unsicherheiten ab.

Diskriminierung ist eine ungerechtfertigte Benachteiligung von Personen aufgrund geschützter oder sachlich irrelevanter Merkmale. KI kann bestehende Benachteiligungen aus Daten übernehmen, durch Stellvertretermerkmale reproduzieren oder in großem Maßstab verstärken. Statistische Gruppenunterschiede sind ein Warnsignal, aber die rechtliche Bewertung hängt von Kontext, Vergleichsgruppe, Wirkung und möglicher Rechtfertigung ab.

Das Drei-Säulen-Modell betrachtet ökologische, soziale und wirtschaftliche Nachhaltigkeit gemeinsam. Es erinnert daran, dass technische Effizienz allein keine nachhaltige KI begründet. Energie- und Ressourcenverbrauch, Arbeitsbedingungen, gesellschaftliche Folgen und langfristiger Nutzen müssen zusammen bewertet werden. Die drei Dimensionen lassen sich nicht immer verlustfrei gegeneinander verrechnen; Zielkonflikte sollten transparent entschieden werden.

Drift bezeichnet eine Veränderung von Datenverteilungen oder Zusammenhängen gegenüber Entwicklung und Test eines Modells. Bei Data Drift ändern sich Eingaben; bei Concept Drift verändert sich die Beziehung zwischen Eingaben und Ziel. Beides kann Leistung verschlechtern, muss es aber nicht. Monitoring benötigt deshalb aussagekräftige Betriebsdaten, Qualitätskennzahlen und festgelegte Schwellen für Untersuchung oder Retraining.

Ein Drittlandtransfer liegt vor, wenn personenbezogene Daten in ein Land außerhalb des Europäischen Wirtschaftsraums übermittelt oder dort zugänglich gemacht werden. Nach der DSGVO sind dafür neben einer Rechtsgrundlage besondere Übermittlungsinstrumente und gegebenenfalls zusätzliche Schutzmaßnahmen erforderlich. Der Sitz eines Vertragspartners allein genügt zur Bewertung nicht; tatsächliche Speicherorte, Supportzugriffe und Unterauftragnehmer sind einzubeziehen.

Die Datenschutz-Grundverordnung ist die unmittelbar geltende EU-Verordnung zum Schutz natürlicher Personen bei der Verarbeitung personenbezogener Daten. Sie regelt Grundsätze, Rechtsgrundlagen, Betroffenenrechte, Verantwortlichkeiten und Aufsicht. Die DSGVO verbietet KI nicht, verlangt aber eine zweckgebundene, transparente und risikogerechte Verarbeitung. Weitere Vorschriften, etwa der EU AI Act, können gleichzeitig gelten.

Durchführung bezeichnet die praktische Umsetzung eines Plans, Verfahrens oder Systems. Bei KI umfasst sie mehr als technische Installation: Prozesse, Rollen, Schulung, Datenzugang, Überwachung und Reaktion auf Fehler müssen funktionsfähig werden. Zwischen entworfenem und tatsächlich betriebenem System können erhebliche Unterschiede entstehen. Deshalb sollte die Durchführung mit realen Nutzungstests und dokumentierten Verantwortlichkeiten geprüft werden.

Echtzeit bedeutet, dass ein System innerhalb einer vorher festgelegten maximalen Zeit auf ein Ereignis reagiert. Entscheidend ist nicht allgemein „sehr schnell“, sondern die garantierte Einhaltung einer Frist. Harte Echtzeitsysteme dürfen sie nicht überschreiten; bei weicher Echtzeit sinkt danach die Qualität. KI-Komponenten müssen einschließlich Sensorik, Übertragung und Ausführung unter Last gegen diese zeitlichen Anforderungen geprüft werden.

Eingabedaten sind Informationen, die einem System zur Verarbeitung übergeben werden, etwa Text, Bilder, Messwerte oder strukturierte Merkmale. Sie unterscheiden sich von Trainingsdaten, können aber denselben Datenarten entstammen. Format, Vollständigkeit und Verteilung der Eingaben beeinflussen die Ausgabe. Ungeprüfte oder außerhalb des vorgesehenen Einsatzbereichs liegende Eingaben können auch bei einem gut getesteten Modell zu unzuverlässigen Ergebnissen führen.

Ein Embedding bildet ein Objekt wie ein Wort, Dokument oder Bild auf einen Zahlenvektor ab. Beim Training wird die Vektordarstellung so gelernt, dass für die Aufgabe relevante Beziehungen geometrisch erfassbar werden. Ähnliche Vektoren bedeuten jedoch nur Ähnlichkeit gemäß Modell und Trainingsdaten, nicht automatisch gleiche Bedeutung oder Wahrheit. Embeddings ermöglichen unter anderem Suche, Gruppierung und Kontextbereitstellung für Sprachmodelle.

Emotionserkennung versucht, emotionale Zustände aus Signalen wie Gesicht, Stimme, Text oder Körperbewegung abzuleiten. Solche Systeme messen keine Gefühle unmittelbar, sondern klassifizieren beobachtbare Muster anhand umstrittener Annahmen und Trainingsdaten. Ausdruck, Kultur, Situation und individuelle Unterschiede begrenzen die Aussagekraft erheblich. Ergebnisse sollten daher nicht als sichere Kenntnis des inneren Zustands einer Person behandelt werden.

Ein Empfehlungssystem ordnet oder wählt Inhalte, Produkte oder Kontakte anhand von Nutzungsdaten, Eigenschaften und Kontext aus. Kollaborative Verfahren nutzen Verhaltensähnlichkeiten, inhaltsbasierte Verfahren Merkmale der Objekte; moderne Systeme kombinieren mehrere Ansätze. Empfehlungen bilden nicht nur Interessen ab, sondern beeinflussen Aufmerksamkeit und Verhalten. Qualität umfasst deshalb neben Relevanz auch Vielfalt, Transparenz, Robustheit und mögliche Rückkopplungseffekte.

Ein Encoder wandelt Eingaben in eine interne, meist numerische Repräsentation um. In Encoder-Decoder-Modellen verdichtet er beispielsweise einen Text zu kontextbezogenen Vektoren, die ein Decoder zur Ausgabe nutzt. Encoder können auch allein für Klassifikation oder Embeddings eingesetzt werden. Die Repräsentation ist auf Trainingsziel und Daten zugeschnitten und bildet Bedeutung oder relevante Eigenschaften nicht vollständig oder neutral ab.

Ein Encoder-Decoder-Modell verarbeitet eine Eingabe zunächst zu einer internen Repräsentation und erzeugt daraus schrittweise eine Ausgabe. Diese Architektur wird etwa für Übersetzung, Zusammenfassung und Bildbeschreibung genutzt; Attention kann dem Decoder direkten Zugriff auf relevante Eingabeteile geben. Qualität hängt von Daten, Repräsentation und Decodierung ab. Die Zwischendarstellung garantiert weder vollständigen Informationserhalt noch inhaltliches Verständnis.

Ein Endbenutzer ist die Person, die ein Produkt oder System letztlich bedient oder dessen Ausgabe unmittelbar nutzt. Die Bezeichnung sagt noch nichts darüber aus, ob diese Person im rechtlichen Sinn Betreiber, Verbraucher oder betroffene Person ist. Bei KI müssen Gestaltung und Anleitung tatsächliche Fähigkeiten, Aufgaben und Risiken der Endbenutzer berücksichtigen, damit Warnungen, Kontrolle und menschliche Aufsicht praktisch wirksam werden.

Ein Endpoint ist eine eindeutig adressierbare Schnittstelle, über die Clients eine Funktion oder Ressource eines Dienstes aufrufen. Bei KI kann er Eingaben an ein Modell senden und Ausgaben zurückgeben. Adresse und Protokoll sagen nichts über das zugrunde liegende Modell aus. Authentisierung, Berechtigungen, Eingabegrenzen, Versionierung, Protokollierung und Schutz vor übermäßigen Anfragen gehören zur sicheren Bereitstellung.

Named Entity Recognition erkennt und klassifiziert benannte Einheiten in Text, etwa Personen, Organisationen, Orte oder Zeitangaben. Die Kategorien werden durch Aufgabe und Annotationsschema festgelegt. Mehrdeutige Namen, neue Entitäten und Sprachwechsel verursachen Fehler. Erkannte Erwähnungen müssen für Wissensverknüpfung zusätzlich eindeutig realen Entitäten zugeordnet werden; Erkennung allein ist noch keine Identifikation.

Ein Entscheidungsbaum ist ein überwachtes Lernmodell, das Daten durch aufeinanderfolgende Wenn-dann-Aufteilungen verarbeitet. Innere Knoten prüfen Merkmale, Blätter liefern eine Klasse oder einen Zahlenwert. Einzelne Bäume sind meist gut nachvollziehbar, können aber Trainingsdaten überanpassen. Ensembles wie Random Forests oder Gradient Boosting erhöhen häufig die Vorhersageleistung, verlieren dafür einen Teil dieser unmittelbaren Interpretierbarkeit.

Entwicklung bezeichnet den Lebenszyklus, in dem Anforderungen erhoben, Daten vorbereitet, Modelle oder Regeln erstellt, integriert, getestet und dokumentiert werden. Bei KI endet sie nicht mit dem Training: Auch Einsatzkontext, menschliche Aufsicht und vorhersehbare Fehlanwendungen müssen berücksichtigt werden. Entscheidungen aus der Entwicklung prägen spätere Leistung und Risiken; sie sollten deshalb versioniert, begründet und unter realistischen Bedingungen überprüft werden.

Eine Epoche ist ein vollständiger Durchlauf des Trainingsverfahrens durch den vorgesehenen Trainingsdatensatz. Bei Minibatch-Training besteht sie aus vielen Parameteraktualisierungen. Mehr Epochen können den Trainingsfehler senken, erhöhen aber das Risiko der Überanpassung. Weil Datenaugmentation und Sampling Beispiele verändern können, ist eine Epoche nicht immer ein identischer Durchlauf; Lernkurven und Validierungsleistung bestimmen einen geeigneten Abbruch.

Erkenntnis ist begründetes Wissen, das aus Beobachtung, Analyse und kritischer Prüfung hervorgeht. Eine statistische Vorhersage oder flüssige KI-Ausgabe ist für sich noch keine Erkenntnis. Dafür müssen Datenherkunft, Methode, Unsicherheit und alternative Erklärungen berücksichtigt werden. KI kann Muster sichtbar machen und Hypothesen anregen; die wissenschaftliche Geltung entsteht erst durch nachvollziehbare Prüfung und Einordnung.

Erklärbarkeit bezeichnet, in welchem Maß Menschen relevante Gründe, Einflüsse oder Funktionsweisen eines Systems verstehen können. Sie hängt von Adressat, Zweck und Kontext ab: Eine technische Modellanalyse beantwortet andere Fragen als eine Erklärung für Betroffene. Erklärungen können lokal eine einzelne Ausgabe oder global das Modellverhalten betreffen. Plausibel klingende Nachbegründungen sind kein Beleg dafür, dass sie den tatsächlichen Entscheidungsprozess korrekt wiedergeben.

Erweiterte Realität, englisch Augmented Reality, ergänzt die wahrgenommene reale Umgebung in Echtzeit um digitale Informationen. Geräte erfassen Position, Blickfeld oder Objekte und registrieren virtuelle Elemente räumlich dazu. Anders als virtuelle Realität ersetzt sie die Umgebung nicht vollständig. Zuverlässigkeit hängt unter anderem von Sensorik, Kalibrierung und Latenz ab; Datenschutzfragen entstehen besonders bei kontinuierlicher Kamera- und Umgebungsanalyse.

Natural Language Generation bezeichnet die automatische Erzeugung menschlich lesbarer oder gesprochener Sprache aus Daten, Wissensrepräsentationen oder Modellzuständen. Klassische Systeme folgen geplanten Regeln und Vorlagen; neuronale Modelle erzeugen Text probabilistisch. Sprachliche Flüssigkeit belegt weder sachliche Richtigkeit noch Quellenbezug. Verlässliche Anwendungen benötigen daher geeignete Daten, Einschränkungen, Evaluation und gegebenenfalls menschliche Prüfung.

Ethik untersucht systematisch, welche Handlungen, Regeln und institutionellen Ordnungen moralisch begründbar sind. Sie beschreibt nicht nur bestehende Wertvorstellungen, sondern prüft Gründe, Folgen, Rechte und Pflichten. In der KI betrifft sie etwa Autonomie, Gerechtigkeit, Schadensvermeidung und Verantwortung. Ethische Bewertung ersetzt kein Recht, geht aber über bloße Rechtskonformität hinaus, weil auch rechtlich erlaubte Anwendungen problematisch sein können.

Ethische KI bezeichnet Entwicklung und Nutzung von KI nach begründeten moralischen Prinzipien wie Menschenwürde, Gerechtigkeit, Autonomie und Schadensvermeidung. Der Ausdruck beschreibt keine messbare Produkteigenschaft und ist ohne konkrete Kriterien leicht missverständlich. Belastbar wird er erst durch dokumentierte Entscheidungen, Beteiligung Betroffener, überprüfbare Schutzmaßnahmen und Rechenschaft über Zielkonflikte. Technische Genauigkeit allein genügt dafür nicht.

Ein Etikett, im maschinellen Lernen meist Label genannt, ist eine Zielangabe, die einem Datenbeispiel zugeordnet wird, etwa eine Klasse oder ein Zahlenwert. Überwachtes Lernen nutzt solche Zuordnungen, um Vorhersagemuster zu lernen. Labels sind keine neutralen Tatsachen: Messverfahren, Definitionen und annotierende Personen können Unsicherheit und Werturteile einbringen. Ihre Herkunft und Qualität müssen deshalb dokumentiert und geprüft werden.

Der EU AI Act ist die Verordnung (EU) 2024/1689 über künstliche Intelligenz. Er ordnet Pflichten nach Rolle, Systemart und Risiko und enthält unter anderem Verbote, Anforderungen an Hochrisiko-Systeme sowie Regeln für Transparenz und Modelle mit allgemeinem Verwendungszweck. Ob eine Pflicht gilt, hängt vom konkreten System und Nutzungskontext ab. Die Verordnung ergänzt bestehendes Recht, etwa Datenschutz- und Produktsicherheitsrecht.

Evaluation ist die systematische Bewertung eines KI-Systems anhand vorab bestimmter Fragen, Daten, Kennzahlen und Erfolgskriterien. Sie kann Modellleistung, Robustheit, Fairness, Sicherheit oder Gebrauchstauglichkeit betreffen. Ein einzelner Benchmark genügt selten, weil Ergebnisse von Testdaten und Einsatzkontext abhängen. Belastbare Evaluation trennt Entwicklungs- und Prüfdaten, dokumentiert Unsicherheit und untersucht auch relevante Fehlerarten und betroffene Gruppen.

Ein Evasion Attack manipuliert Eingaben während des Betriebs so, dass ein bereits trainiertes Modell eine gewünschte Fehlentscheidung trifft. Anders als Data Poisoning verändert er nicht die Trainingsdaten. Beispiele reichen von adversarialen Bildstörungen bis zu verschleierten schädlichen Texten. Schutz erfordert ein realistisches Angriffsmodell, Eingabe- und Verhaltensprüfungen sowie robuste Gesamtsystemkontrollen; einzelne Filter können umgangen werden.

Eine Exit-Strategie legt fest, wie eine Organisation einen KI-Dienst kontrolliert wechseln oder außer Betrieb nehmen kann. Sie umfasst Daten- und Modellportabilität, Formate, Fristen, Löschung, Ersatzprozesse, Wissenstransfer und vertragliche Unterstützung. Sie reduziert Anbieterabhängigkeit und Betriebsrisiko. Praktikabel ist sie nur, wenn Rückführung und Wiederanlauf vorab getestet sowie Verantwortlichkeiten und Kosten realistisch eingeplant werden.

Ein Expertensystem bildet spezialisiertes Wissen und Schlussregeln ab, um in einem abgegrenzten Fachgebiet Empfehlungen oder Diagnosen zu erzeugen. Klassische Systeme trennen Wissensbasis und Inferenzmechanismus und können Schlusswege häufig explizit darstellen. Ihre Leistung hängt von Vollständigkeit und Pflege des kodierten Wissens ab. Anders als viele lernende Modelle erwerben sie Regeln nicht zwangsläufig automatisch aus großen Datenmengen.

Explizite Programmierung legt Verarbeitungsschritte und Regeln unmittelbar im Quellcode fest. Das Verhalten entsteht damit primär durch menschlich formulierte Anweisungen, nicht durch das statistische Lernen von Parametern aus Beispieldaten. Viele reale Systeme kombinieren beide Ansätze. Auch explizite Regeln garantieren keine Fehlerfreiheit, können aber bei klar begrenzten Anforderungen leichter geprüft und gezielt verändert werden.

Der explodierende Gradient ist ein Trainingsproblem neuronaler Netze, bei dem sich Gradienten bei der Rückwärtspropagierung über viele Schichten oder Zeitschritte stark vergrößern. Parameteränderungen werden dadurch instabil, und Zahlenwerte können überlaufen. Gegenmaßnahmen sind unter anderem Gradient Clipping, geeignete Initialisierung, Normalisierung und angepasste Architekturen. Der deutsche Ausdruck „Farbverlauf“ ist hier eine Fehlübersetzung: Gemeint ist der mathematische Gradient.

External Tool Use bedeutet, dass ein KI-System über definierte Schnittstellen Funktionen außerhalb des Modells aufruft, etwa Suche, Datenbankabfragen oder Berechnungen. Dadurch kann es aktuelle Informationen nutzen und Handlungen ausführen. Modellvorschläge dürfen nicht ungeprüft zu Berechtigungen werden. Werkzeuge benötigen minimale Rechte, validierte Parameter, Bestätigungen für folgenreiche Aktionen, Protokollierung und klare Behandlung fehlerhafter Rückgaben.

Fairness bei KI bezeichnet die begründete Vermeidung ungerechtfertigter Benachteiligung bei Gestaltung, Daten und Wirkung eines Systems. Unterschiedliche mathematische Fairnesskriterien messen verschiedene Vorstellungen von Gleichbehandlung und können gleichzeitig unvereinbar sein. Deshalb gibt es keine rein technische, universelle Lösung. Auswahl von Vergleichsgruppen, Zielgrößen und akzeptablen Abweichungen erfordert rechtliche, fachliche und gesellschaftliche Begründung sowie Prüfung der tatsächlichen Folgen.

Ein False Negative ist ein tatsächlich positiver Fall, den ein Klassifikations- oder Testverfahren fälschlich als negativ einstuft. Die False-Negative-Rate misst seinen Anteil an allen positiven Fällen; Recall ist ihr Gegenstück. Welche Fehler besonders schwer wiegen, hängt vom Einsatz ab. Eine niedrige Gesamtfehlerquote kann viele False Negatives in seltenen oder benachteiligten Gruppen verdecken.

Ein False Positive ist ein tatsächlich negativer Fall, der fälschlich als positiv eingestuft wird. Die False-Positive-Rate bezieht ihn auf alle negativen Fälle; Precision beantwortet eine andere Frage und hängt auch von der Häufigkeit positiver Fälle ab. Folgen reichen von unnötigen Prüfungen bis zu ungerechtfertigten Sanktionen. Schwellenwerte müssen deshalb anhand konkreter Kosten und Gruppenwirkungen gewählt werden.

Eine Faltung kombiniert Eingabewerte lokal mit einem verschobenen Filter und erzeugt daraus Merkmalskarten. In neuronalen Netzen werden die Filtergewichte gelernt, sodass etwa Kanten, Texturen oder komplexere räumliche Muster erkannt werden. Geteilte Gewichte reduzieren die Parameterzahl und nutzen räumliche Struktur. In praktischen Bibliotheken entspricht die Operation häufig mathematisch einer Kreuzkorrelation, wird jedoch konventionell Faltung genannt.

Ein Convolutional Neural Network verarbeitet gitterförmige Daten mit lernbaren lokalen Filtern und geteilten Gewichten. Dadurch eignet es sich besonders für Bilder, aber auch für Audio oder Zeitreihen. Ein DCNN besitzt mehrere aufeinanderfolgende Verarbeitungsschichten und lernt zunehmend abstrakte Merkmale. Trotz robuster Mustererkennung bleiben Ergebnisse von Trainingsdaten, Architektur und Veränderungen der Eingabeverteilung abhängig.

Ein Feature ist eine messbare oder berechnete Eigenschaft, die einem Modell als Eingabe dient. Es kann direkt erhoben, aus Rohdaten abgeleitet oder durch Repräsentationslernen erzeugt werden. Features sind keine neutralen Abbilder: Auswahl, Messfehler und Stellvertretermerkmale prägen Vorhersagen und Fairness. Definition, Einheit, Zeitpunkt und Verfügbarkeit im späteren Betrieb müssen dokumentiert und gegen Datenleckage geprüft werden.

Ein Feed-Forward-Netz leitet Informationen von der Eingabe über eine oder mehrere Schichten zur Ausgabe weiter, ohne Rückkopplungsschleifen im Berechnungsgraphen. Beim Training werden Gewichte meist durch Rückwärtspropagierung angepasst. Mehrschichtige FFNN können nichtlineare Zusammenhänge approximieren. Zeitliche Abhängigkeiten oder räumliche Strukturen berücksichtigen sie jedoch nicht automatisch; dafür sind geeignete Eingabedarstellungen oder spezialisierte Architekturen nötig.

Fehlertoleranz ist die Fähigkeit eines Systems, trotz bestimmter Fehler oder Ausfälle sicher oder mit verringerter Leistung weiterzuarbeiten. Sie entsteht durch Redundanz, Überwachung, Isolation und definierte Ersatzabläufe, nicht durch die bloße Hoffnung auf robuste Modelle. Bei KI müssen auch fehlerhafte Ausgaben erkannt und beherrscht werden. Kritische Grenzen sollten zu einem sicheren Zustand oder zur Übergabe an Menschen führen.

Fehlinformationen sind sachlich falsche oder irreführende Angaben, unabhängig davon, ob sie absichtlich verbreitet werden. Bewusst täuschende Inhalte werden häufig als Desinformation bezeichnet. Generative KI kann Fehlinformationen überzeugend formulieren und skalieren, aber auch bei Prüfung helfen. Bewertung erfordert überprüfbare Evidenz, Kontext und zeitlichen Stand; bloße Abweichung von einer Mehrheitsmeinung genügt nicht.

Few-Shot Prompting stellt einem generativen Modell im Prompt einige Beispiele für gewünschte Eingaben und Ausgaben bereit. Das Modell passt sein Verhalten innerhalb des Kontexts an, ohne seine Gewichte zu verändern. Beispielauswahl, Reihenfolge und Format können Ergebnisse stark beeinflussen. Wenige Beispiele belegen keine Generalisierung; die Methode muss mit unabhängigen, repräsentativen Fällen und relevanten Fehlerkriterien geprüft werden.

Fine-Tuning ist das weitere Training eines vortrainierten Modells mit aufgabenspezifischen Daten. Dabei werden alle oder ausgewählte Parameter angepasst, um Verhalten, Stil oder Fachleistung zu verändern. Das Verfahren kann weniger Daten benötigen als ein Training von Grund auf, übernimmt aber Fähigkeiten und Risiken des Ausgangsmodells. Qualität hängt besonders von Datenwahl, Lernverfahren und einer getrennten Evaluation ab.

Forschung ist die systematische, methodisch nachvollziehbare Gewinnung und Prüfung neuen Wissens. Sie formuliert Fragen oder Hypothesen, erhebt beziehungsweise analysiert Daten und macht Verfahren, Unsicherheiten und Grenzen überprüfbar. KI kann dabei Werkzeug oder Untersuchungsgegenstand sein. Generierte Inhalte ersetzen weder Quellenkritik noch Reproduzierbarkeit; Verantwortung für Forschungsintegrität und Schlussfolgerungen verbleibt bei den Forschenden.

Ein Foundation Model ist ein auf breiten Datenbeständen in großem Maßstab trainiertes Modell, das für zahlreiche nachgelagerte Aufgaben angepasst werden kann. Seine Vielseitigkeit entsteht durch allgemeine Repräsentationen und Schnittstellen, nicht durch garantiertes Verständnis. Fehler und Verzerrungen können sich auf viele Anwendungen übertragen. Der Begriff überschneidet sich mit dem EU-rechtlichen Konzept des KI-Modells mit allgemeinem Verwendungszweck, ist aber nicht mit ihm identisch.

Function Calling lässt ein Sprachmodell strukturierte Argumente für vorab definierte Funktionen erzeugen. Eine Anwendung validiert diese Ausgabe und entscheidet, ob sie das Werkzeug ausführt. Das Modell führt die Funktion nicht notwendig selbst aus und garantiert keine korrekten Parameter. Sichere Nutzung erfordert strikte Schemas, minimale Berechtigungen, Kontexttrennung, Bestätigung folgenreicher Aktionen und kontrollierte Rückgabe der Ergebnisse.

Ein Gegner ist im Sicherheitskontext eine Person, Gruppe oder technische Instanz, die ein System absichtlich täuschen, stören oder missbrauchen will. Welche Fähigkeiten, Zugänge und Ziele angenommen werden, beschreibt das Bedrohungsmodell. Nicht jede fehlerhafte Eingabe stammt von einem Gegner. Eine belastbare Risikoanalyse trennt daher vorsätzliche Angriffe von Zufall, Fehlbedienung und gewöhnlichen Modellfehlern.

Ein gegnerischer Angriff, englisch adversarial attack, manipuliert Eingaben, Daten oder Systemabläufe gezielt, um ein KI-System zu täuschen oder zu schädlichem Verhalten zu bewegen. Angriffe können beim Training oder im Betrieb erfolgen. Kleine, kaum sichtbare Eingabeänderungen sind nur eine Form. Wirksamer Schutz setzt ein konkretes Bedrohungsmodell, kontrollierte Zugänge, robuste Tests und laufende Überwachung voraus.

Geist bezeichnet in Philosophie und Kognitionswissenschaft die Gesamtheit mentaler Phänomene wie Wahrnehmen, Denken, Erinnern und Bewusstsein. Es gibt keine allgemein akzeptierte wissenschaftliche Theorie, die Geist vollständig erklärt. Dass ein KI-System sprachlich über mentale Zustände spricht oder Aufgaben löst, belegt daher weder Bewusstsein noch subjektives Erleben. Solche Zuschreibungen müssen von beobachtbarem Verhalten klar unterschieden werden.

Gemischte Realität verbindet reale und digitale Elemente so, dass sie räumlich registriert sind und miteinander interagieren können. Der Begriff umfasst je nach Definition einen Bereich zwischen erweiterter und virtueller Realität. Entscheidend ist nicht nur die visuelle Überlagerung, sondern die fortlaufende Erfassung der Umgebung. Aussagekraft und Sicherheit hängen von Sensorqualität, Latenz, Kalibrierung und korrekter räumlicher Zuordnung ab.

Genauigkeit beschreibt, wie häufig oder wie nah ein System im Verhältnis zu einer festgelegten Referenz richtig liegt. Bei Klassifikation meint Accuracy meist den Anteil korrekter Vorhersagen; bei Messungen kann der Begriff die Nähe zum wahren Wert bezeichnen. Eine hohe Gesamtgenauigkeit kann seltene Klassen oder schwere Fehler verdecken. Deshalb müssen Metrik, Datensatz, Unsicherheit und Einsatzfolgen gemeinsam angegeben werden.

General Purpose AI bezeichnet im EU AI Act Modelle, die erhebliche Allgemeinheit besitzen, ein breites Spektrum unterschiedlicher Aufgaben kompetent erfüllen und in vielfältige Systeme integrierbar sind. Foundation Model ist ein verwandter wissenschaftlicher Begriff für breit vortrainierte Basismodelle. Beide Ausdrücke sind nicht vollständig deckungsgleich. Rechtliche Pflichten richten sich nach der gesetzlichen Definition, Rolle und gegebenenfalls systemischen Risiken.

Ein General-Purpose AI Model ist nach dem EU AI Act ein KI-Modell mit erheblicher Allgemeinheit, das unabhängig von seiner Vermarktung ein breites Spektrum unterschiedlicher Aufgaben kompetent erfüllen und in vielfältige Systeme integriert werden kann. Der Rechtsbegriff betrifft Modelle, nicht automatisch jede darauf beruhende Anwendung. Pflichten hängen von Rolle und gegebenenfalls systemischem Risiko ab.

Generative KI erzeugt neue Inhalte wie Text, Bilder, Audio, Video oder Code, indem sie statistische Strukturen aus Trainingsdaten nutzt. Die Ausgabe ist neu zusammengesetzt, aber nicht automatisch originell, wahr oder rechtlich unbedenklich. Modelle berechnen plausible Muster innerhalb ihrer Architektur und Bedingungen. Qualität und Risiken hängen von Daten, Eingabe, Sampling, Schutzmaßnahmen und anschließender Prüfung ab.

Ein genetischer Algorithmus ist ein Optimierungsverfahren, das eine Population möglicher Lösungen wiederholt bewertet und durch Auswahl, Rekombination und Mutation verändert. Die Begriffe sind von biologischer Evolution inspiriert, bilden diese aber nur abstrakt nach. Das Verfahren kann große Suchräume erkunden, garantiert jedoch nicht das globale Optimum. Ergebnisqualität hängt wesentlich von Darstellung, Fitnessfunktion, Parametern und Abbruchkriterium ab.

Geringes Verdrängungspotential beschreibt Tätigkeiten, bei denen KI voraussichtlich einzelne Arbeitsschritte unterstützt, ohne die gesamte menschliche Rolle zu ersetzen. Es ist keine feste technische Eigenschaft, sondern eine kontextabhängige arbeitswissenschaftliche Einschätzung. Aufgabenbündel, Verantwortung, soziale Interaktion, Regulierung und Organisationsgestaltung bestimmen die Wirkung. Auch bei geringer Verdrängung können Anforderungen, Arbeitsintensität und Qualifikationsprofile erheblich verändert werden.

Das Geschäftsgeheimnisgesetz setzt in Deutschland den Schutz von Geschäftsgeheimnissen um. Geschützt sind Informationen, die nicht allgemein bekannt, wirtschaftlich wertvoll und durch angemessene Geheimhaltungsmaßnahmen gesichert sind sowie einem berechtigten Geheimhaltungsinteresse unterliegen. Nicht jede interne Information erfüllt diese Voraussetzungen. Bei KI-Nutzung sind Eingaben, Trainingsmaterial, Zugriffsrechte, Verträge und tatsächliche Schutzmaßnahmen gemeinsam zu prüfen.

Ein wissenschaftliches Gesetz formuliert eine unter bestimmten Bedingungen regelmäßig beobachtete Beziehung, häufig mathematisch. Es beschreibt, was geschieht, und ist von einer juristischen Vorschrift zu unterscheiden. Wissenschaftliche Gesetze sind keine unumstößlichen Wahrheiten: Ihr Geltungsbereich wird empirisch geprüft und kann durch bessere Modelle präzisiert werden. Theorien erklären Zusammenhänge; sie werden nicht durch bloße Ansammlung von Belegen zu Gesetzen.

Gewissheit bezeichnet einen sehr hohen Grad begründeter Sicherheit; Unsicherheit beschreibt fehlendes oder begrenztes Wissen über Daten, Modell oder Zukunft. In KI unterscheidet man häufig Unsicherheit durch unvermeidbare Streuung von Unsicherheit durch mangelndes Wissen. Wahrscheinlichkeitswerte eines Modells sind nur dann aussagekräftig, wenn sie geeignet kalibriert und validiert wurden. Unsicherheit sollte dargestellt und in Entscheidungen berücksichtigt, nicht sprachlich verdeckt werden.

GGUF ist ein binäres Dateiformat des llama.cpp-Ökosystems für Modellgewichte und zugehörige Metadaten. Es unterstützt verschiedene Quantisierungen und erleichtert die lokale Ausführung kompatibler Sprachmodelle. Das Format selbst ist weder ein Modell noch eine Qualitätsgarantie. Ob eine Datei nutzbar, sicher und rechtlich zulässig ist, hängt von Architektur, Konvertierung, Laufzeitsoftware, Herkunft und Lizenz ab.

Gleichwertigkeit bedeutet, dass zwei Verfahren oder Systeme bezüglich vorher festgelegter Kriterien als hinreichend vergleichbar gelten. Sie setzt nicht voraus, dass beide identisch sind. In statistischen Äquivalenztests müssen akzeptable Abweichungsgrenzen vor der Auswertung begründet werden. Bei KI sollte daher ausdrücklich benannt werden, ob Leistung, Sicherheit, Fairness, Lernwirkung oder ein anderes Merkmal verglichen wird; eine pauschale Gleichwertigkeit ist wissenschaftlich kaum belastbar.

Governance bezeichnet das Gefüge aus Regeln, Rollen, Entscheidungswegen und Kontrollen, mit dem eine Organisation Handeln steuert und verantwortet. KI-Governance verbindet Ziele, Risikomanagement, Daten- und Modellverantwortung, Aufsicht sowie Rechenschaft. Sie ist mehr als Compliance oder ein einzelnes Gremium. Wirksam wird sie erst, wenn Zuständigkeiten, Ressourcen, Eskalationswege und überprüfbare Nachweise im tatsächlichen Betrieb zusammenpassen.

Eine Graphics Processing Unit ist ein Prozessor mit vielen parallelen Recheneinheiten. Ursprünglich für Grafik entwickelt, beschleunigt sie Matrixoperationen beim Training und bei der Inferenz neuronaler Netze. GPU-Leistung hängt von Architektur, Speicher, numerischer Präzision und Software ab; Modellgröße allein bestimmt den Bedarf nicht. Hoher Durchsatz kann mit erheblichem Energie- und Kühlaufwand verbunden sein.

Gradientenabstieg ist ein Optimierungsverfahren, das Parameter schrittweise entgegen der Richtung des Gradienten einer Verlustfunktion verändert. Die Lernrate bestimmt die Schrittgröße; Varianten nutzen Minibatches, Momentum oder adaptive Skalierung. Das Verfahren findet bei nichtkonvexen Modellen nicht garantiert das globale Optimum. Daten, Initialisierung und Optimierung beeinflussen, welche Lösung erreicht wird und wie gut sie generalisiert.

Grounding verbindet die Verarbeitung oder Ausgabe eines KI-Systems mit bestimmtem Kontext, Daten oder überprüfbaren Quellen. Bei Sprachmodellen geschieht dies häufig durch bereitgestellte Dokumente oder Werkzeuge. Grounding kann Relevanz und Nachprüfbarkeit erhöhen, garantiert aber keine korrekte Antwort: Quellen können ungeeignet sein, falsch interpretiert werden oder die erzeugte Aussage nicht stützen. Zitate und Behauptungen müssen deshalb weiterhin geprüft werden.

Grundwahrheit, englisch Ground Truth, ist die Referenz, anhand der Vorhersagen oder Messungen bewertet werden. Sie kann aus direkter Messung, Expertenurteil oder Annotation entstehen. Der Ausdruck bedeutet nicht, dass die Referenz unfehlbar ist: Messfehler, uneindeutige Kategorien und Meinungsunterschiede können enthalten sein. Herkunft, Verfahren, Übereinstimmung und Unsicherheit der Referenz sollten deshalb dokumentiert werden.

Guardrails sind technische und organisatorische Leitplanken, die erlaubte Eingaben, Ausgaben oder Handlungen eines KI-Systems begrenzen. Dazu gehören Filter, Berechtigungen, feste Regeln, Werkzeugbeschränkungen und menschliche Freigaben. Sie reduzieren bestimmte Risiken, beseitigen sie aber nicht vollständig und können umgangen werden oder legitime Inhalte blockieren. Ihre Wirksamkeit muss gegen konkrete Fehlerszenarien regelmäßig getestet werden.

Halbüberwachtes Lernen nutzt wenige gelabelte und viele ungelabelte Beispiele gemeinsam. Das Modell gewinnt zusätzliche Struktur aus den ungelabelten Daten, etwa durch Pseudo-Labels oder Konsistenztraining, und kann so den Annotationsaufwand verringern. Der Vorteil hängt von passenden Datenverteilungen und zuverlässigen Annahmen ab. Fehlerhafte Pseudo-Labels können sich verstärken; eine unabhängige Evaluation mit verlässlichen Referenzen bleibt erforderlich.

Eine Halluzination ist eine inhaltlich falsche, unbelegte oder nicht aus dem bereitgestellten Kontext ableitbare Ausgabe eines generativen KI-Modells. Der Ausdruck ist metaphorisch: Das Modell erlebt keine menschliche Wahrnehmungstäuschung, sondern erzeugt statistisch plausible Sequenzen. Flüssige Sprache erschwert das Erkennen. Grounding, Werkzeuge und Prüfverfahren können die Häufigkeit senken, aber sachliche Kontrolle und belastbare Quellen nicht vollständig ersetzen.

Ein Händler ist nach dem EU AI Act eine Person oder Organisation in der Lieferkette, die ein KI-System auf dem Unionsmarkt bereitstellt, ohne Anbieter oder Einführer zu sein. Händler müssen unter anderem bestimmte Kennzeichnungen, Unterlagen und Konformitätsanforderungen prüfen. Wer ein System wesentlich verändert oder unter eigenem Namen anbietet, kann rechtlich selbst zum Anbieter werden. Entscheidend ist die tatsächliche Rolle, nicht die gewählte Bezeichnung.

Harmful Content sind Inhalte, die Menschen oder Gesellschaft erheblich schädigen können, etwa Anleitungen zu Gewalt, gezielte Belästigung oder gefährliche Falschberatung. Die Kategorie ist kontext- und kulturabhängig und muss konkret definiert werden. Automatische Filter machen sowohl Über- als auch Unterblockierungen. Schutz erfordert abgestufte Regeln, fachliche Risikoanalyse, Beschwerdewege und besondere Sorgfalt bei legalen, journalistischen oder wissenschaftlichen Kontexten.

Heteronomie bezeichnet Fremdbestimmung: Handeln wird durch äußere Vorgaben statt durch selbst gesetzte, vernünftig geprüfte Regeln bestimmt. In der KI-Ethik beschreibt der Begriff mögliche Einschränkungen menschlicher Autonomie durch undurchsichtige Empfehlungen, Abhängigkeiten oder Zwang. Nicht jede technische Unterstützung ist heteronom. Entscheidend sind reale Wahlmöglichkeiten, Verständnis, Einfluss und die Frage, ob Menschen Entscheidungen wirksam ablehnen oder korrigieren können.

Hochrisiko-KI ist im EU AI Act eine rechtliche Kategorie für bestimmte KI-Systeme, deren Zweck und Einsatz erhebliche Risiken für Gesundheit, Sicherheit oder Grundrechte begründen. Die Einstufung folgt den Kriterien der Verordnung, insbesondere Artikel 6 und Anhängen, nicht einer freien Einschätzung. Daraus entstehen Anforderungen unter anderem an Risikomanagement, Daten, Dokumentation, menschliche Aufsicht, Genauigkeit, Robustheit und Cybersicherheit.

Hohes Verdrängungspotenzial bezeichnet Tätigkeiten, deren wesentliche Aufgaben unter bestimmten technischen und wirtschaftlichen Bedingungen weitgehend automatisierbar erscheinen. Es ist eine Prognose, keine sichere Folge des KI-Einsatzes. Berufe bestehen aus unterschiedlichen Aufgaben; Regulierung, Kosten, Qualität, Akzeptanz und neue Tätigkeiten beeinflussen Beschäftigungseffekte. Potenzialstudien sollten daher nicht mit tatsächlich eintretendem Arbeitsplatzverlust gleichgesetzt werden.

Hugging Face ist ein Unternehmen und eine Plattform für Modelle, Datensätze und Werkzeuge des maschinellen Lernens. Der Hub erleichtert Veröffentlichung, Versionierung und Wiederverwendung; bereitgestellte Inhalte stammen von unterschiedlichen Anbietern. Plattformverfügbarkeit ist kein Qualitäts-, Sicherheits- oder Lizenznachweis. Vor Nutzung müssen Herkunft, Model Card, Dateien, Abhängigkeiten, Lizenz, Datenschutz und Eignung für den konkreten Zweck geprüft werden.

Human Oversight bezeichnet organisatorische und technische Vorkehrungen, durch die Menschen KI-Systeme verstehen, überwachen und bei Bedarf begrenzen oder stoppen können. Die konkrete Form kann Human-in-the-Loop, Human-on-the-Loop oder übergeordnete Kontrolle umfassen. Wirksamkeit setzt Kompetenz, Zeit, Informationen und Befugnisse voraus. Eine nominell zuständige Person verhindert weder Automationsbias noch Schäden, wenn Eingriffe praktisch unmöglich sind.

Human-in-the-Loop bezeichnet einen Ablauf, in dem eine menschliche Entscheidung oder Rückmeldung unmittelbar in einen einzelnen KI-gestützten Prozessschritt eingebunden ist, etwa zur Freigabe oder Korrektur. Die bloße Möglichkeit zu klicken schafft noch keine wirksame Kontrolle. Menschen benötigen Zeit, Kompetenz, relevante Informationen und echte Entscheidungsbefugnis; sonst drohen Automationsbias und eine nur formale Aufsicht.

Human-on-the-Loop bezeichnet die Überwachung eines weitgehend automatisierten Systems durch Menschen, die bei Bedarf eingreifen können. Anders als Human-in-the-Loop wird nicht jede einzelne Ausgabe vorab freigegeben. Wirksame Aufsicht setzt verständliche Statusinformationen, erkennbare Warnsignale, ausreichende Reaktionszeit und technisch durchsetzbare Eingriffe voraus. Bei schnellen oder komplexen Abläufen kann diese Form der Kontrolle praktisch unzureichend sein.

Eine hybride KI-Architektur kombiniert unterschiedliche Verfahren oder Betriebsorte, etwa regelbasierte Logik mit lernenden Modellen oder lokale Verarbeitung mit Cloud-Diensten. Ziel kann sein, Stärken zu verbinden, sensible Daten lokal zu halten oder Ausfälle abzufangen. Der Begriff bezeichnet kein einheitliches Design. Schnittstellen, Datenflüsse, Zuständigkeiten und das Verhalten bei Teilausfällen müssen für jede konkrete Architektur dokumentiert und getestet werden.

Hyperparameter sind Einstellungen des Lernverfahrens oder der Modellstruktur, die nicht wie gewöhnliche Modellgewichte direkt aus dem Training gelernt werden. Beispiele sind Lernrate, Anzahl der Schichten oder Regularisierungsstärke. Sie werden durch fachliche Wahl oder Suchverfahren bestimmt. Werden Testdaten wiederholt zur Auswahl genutzt, kann die gemessene Leistung überschätzt werden; deshalb sind getrennte Validierungs- und Testdaten wichtig.

Bildklassifikation ordnet einem Bild eine oder mehrere vorgegebene Kategorien zu. Ein Modell lernt dafür statistische visuelle Merkmale aus gelabelten Beispielen. Die Aufgabe unterscheidet sich von Objekterkennung und Segmentierung, die zusätzlich Position beziehungsweise Pixelbereiche bestimmen. Leistung kann durch Aufnahmebedingungen, Hintergrund und Gruppenunterschiede stark variieren; Testdaten müssen daher den realen Einsatz und relevante Randfälle abbilden.

Imbalanced Data sind Datensätze, in denen Zielklassen sehr unterschiedlich häufig vorkommen. Ein Modell kann dann hohe Accuracy erreichen, indem es seltene Klassen weitgehend ignoriert. Geeignete Kennzahlen, stratifizierte Aufteilung, Gewichtung oder Sampling können helfen, verändern aber jeweils die Lernbedingungen. Entscheidend sind reale Häufigkeiten und Fehlerfolgen; künstliches Ausbalancieren darf Wahrscheinlichkeiten im Betrieb nicht verschleiern.

Imputation ersetzt fehlende Datenwerte durch geschätzte Werte. Einfache Verfahren verwenden etwa Mittelwert oder häufigste Kategorie; modellbasierte und multiple Imputation berücksichtigen Zusammenhänge und Unsicherheit. Das Verfahren erzeugt keine beobachteten Tatsachen und kann Verzerrungen verstärken, wenn das Muster fehlender Werte falsch angenommen wird. Methode, Anteil fehlender Daten und Auswirkungen auf Ergebnisse sollten transparent dokumentiert werden.

Individuell identifizierbare Daten ermöglichen, eine bestimmte Person direkt oder indirekt zu erkennen, allein oder zusammen mit vernünftigerweise verfügbaren Zusatzinformationen. Im europäischen Datenschutzrecht entspricht dies weitgehend personenbezogenen Daten. Namen sind nicht erforderlich; auch Kennnummern, Standort-, Geräte- oder Merkmalskombinationen können genügen. Pseudonymisierte Daten bleiben personenbezogen, solange eine Zuordnung mit zusätzlichen Informationen möglich ist.

Inferenz ist die Anwendung eines trainierten Modells auf neue Eingaben, um Vorhersagen, Klassifikationen oder generierte Inhalte zu erzeugen. Dabei werden die gelernten Parameter normalerweise nicht weitertrainiert, sondern für eine Berechnung genutzt. Stochastische Modelle können bei gleicher Eingabe unterschiedliche Ausgaben liefern. Geschwindigkeit, Speicherbedarf und Qualität hängen von Modell, Hardware, Quantisierung und gewählten Laufzeitparametern ab.

Information ist bedeutungstragender Inhalt, der Unsicherheit verringern oder Wissen verändern kann. In der Informationstheorie wird sie enger als messbare Verringerung von Ungewissheit beschrieben, unabhängig von semantischer Wahrheit. Daten werden erst durch Kontext und Interpretation informativ. Eine KI-Ausgabe kann viele Zeichen und dennoch wenig verlässliche Information enthalten; sprachliche Ausführlichkeit ist daher kein Maß für Erkenntnisgehalt.

Informationelle Umweltverschmutzung ist eine Metapher für die massenhafte Verbreitung minderwertiger, irreführender oder redundanter Inhalte, die Aufmerksamkeit bindet und verlässliche Information schwerer auffindbar macht. Generative KI kann Produktion und Skalierung beschleunigen. Der Begriff besitzt keine einheitliche wissenschaftliche Messdefinition. Bewertungen sollten deshalb konkrete Wirkungen wie Suchqualität, Täuschung, Moderationsaufwand oder Vertrauensverlust benennen.

Informationsabruf, englisch Information Retrieval, sucht und ordnet relevante Dokumente oder Dateneinheiten zu einer Anfrage. Suchmaschinen nutzen dafür Indexierung, lexikalische oder semantische Ähnlichkeit und Rankingverfahren. Relevanz ist kontextabhängig und nicht mit Wahrheit gleichzusetzen. Bei Retrieval-Augmented Generation liefert der Abruf Kontext an ein generatives Modell; fehlerhafte Auswahl oder Interpretation kann dennoch zu falschen Antworten führen.

Input ist die Information, die einem System zur Verarbeitung zugeführt wird, etwa Text, Bild, Sensordaten oder strukturierte Parameter. Eingaben können von Menschen, Geräten oder anderen Diensten stammen. Ihre Form und Zulässigkeit werden durch die Schnittstelle bestimmt. Input ist nicht automatisch vertrauenswürdig; Herkunft, Format, Berechtigungen und mögliche Manipulation müssen vor einer folgenreichen Verarbeitung geprüft werden.

Input Validation prüft Eingaben vor der Verarbeitung auf erwartetes Format, Länge, Wertebereich und Zulässigkeit. Sie verhindert viele Fehler und Angriffe, kann aber semantisch schädliche oder irreführende Inhalte nicht vollständig erkennen. Für KI-Anwendungen gehören strukturierte Schemas, Dateiprüfung, Größenbegrenzung, Kontexttrennung und Berechtigungen dazu. Validierung sollte serverseitig erfolgen und darf nicht allein dem Sprachmodell überlassen werden.

Instruction Tuning ist das weitere Training eines vortrainierten Modells mit Paaren aus Anweisungen und gewünschten Antworten. Es verbessert die Fähigkeit, neue Aufgaben in Anweisungsform zu bearbeiten. Das Verfahren kann überwachtes Fine-Tuning und Präferenzlernen ergänzen. Es garantiert weder faktische Richtigkeit noch sichere Befolgung; Datenqualität, Aufgabenvielfalt und unabhängige Evaluation bestimmen, welche Anweisungen zuverlässig generalisiert werden.

Ein intelligenter Agent nimmt Informationen aus einer Umgebung auf, wählt Handlungen anhand von Zielen oder Bewertungsmaßstäben und wirkt auf die Umgebung zurück. Er kann regelbasiert, lernend oder kombiniert arbeiten. „Intelligent“ bezeichnet dabei funktionales Verhalten, nicht notwendig menschliches Verständnis oder Bewusstsein. Autonomie, verfügbare Werkzeuge und Folgen hängen von der konkreten Systemgrenze und den eingeräumten Berechtigungen ab.

Intelligenz bezeichnet die Fähigkeit, zu lernen, zu schlussfolgern, Probleme zu lösen und sich an neue Anforderungen anzupassen. Psychologie und Kognitionswissenschaft verwenden unterschiedliche Modelle; eine einzige allgemein akzeptierte Definition existiert nicht. Leistung in ausgewählten Tests erfasst nur bestimmte Fähigkeiten. Bei KI beschreibt der Begriff beobachtbare funktionale Kompetenz und belegt weder allgemeines Verständnis noch Bewusstsein oder menschliche Intelligenz.

Das Internet der Dinge bezeichnet vernetzte physische Objekte, die über Sensoren, Software und Kommunikationsschnittstellen Daten erfassen, austauschen oder Aktionen ausführen. Dazu gehören industrielle Anlagen ebenso wie Alltagsgeräte. IoT ist nicht automatisch KI, kann aber KI-Funktionen bereitstellen oder Daten dafür liefern. Sicherheit erfordert unter anderem Geräteidentität, Updates, Zugriffsschutz und eine Begrenzung unnötiger Datenerhebung.

Interpretierbarkeit beschreibt, wie gut Menschen die inneren Zusammenhänge eines Modells oder den Beitrag seiner Merkmale nachvollziehen können. Ein lineares Modell oder kleiner Entscheidungsbaum ist häufig direkt interpretierbar; komplexe Modelle benötigen oft nachträgliche Analyseverfahren. Solche Verfahren können nur Annäherungen liefern. Interpretierbarkeit ist von Erklärbarkeit verwandt, aber nicht identisch, und muss immer für Zielgruppe und Fragestellung bewertet werden.

Modellinversion ist ein Angriff, bei dem aus Modellzugriff oder Ausgaben Informationen über empfindliche Merkmale oder typische Trainingsdaten rekonstruiert werden. Sie ist von Membership Inference zu unterscheiden, die lediglich die Teilnahme eines Datensatzes am Training prüft. Risiko und Erfolg hängen von Zugriff, Ausgabedetails, Modell und Daten ab. Begrenzte Schnittstellen, Datenschutzverfahren und Sicherheitstests können das Risiko reduzieren.

Ein IoT-Gerät ist ein physisches Objekt mit Sensorik oder Aktorik, Rechenfunktion und Netzwerkschnittstelle. Es sammelt Daten, kommuniziert mit anderen Komponenten oder führt entfernte Befehle aus. Begrenzte Ressourcen und lange Einsatzzeiten erschweren Updates und Schutz. Sichere Geräte benötigen eindeutige Identitäten, geschützte Kommunikation, minimale Berechtigungen, einen gepflegten Aktualisierungsweg und ein definiertes Verhalten bei Verbindungs- oder Dienstausfällen.

ISO/IEC 27001 ist eine internationale Anforderungsnorm für ein Informationssicherheits-Managementsystem. Organisationen sollen Informationsrisiken systematisch bestimmen, geeignete Maßnahmen auswählen, deren Wirksamkeit prüfen und das Managementsystem fortlaufend verbessern. Eine Zertifizierung bestätigt die auditierte Umsetzung innerhalb eines festgelegten Geltungsbereichs, nicht die absolute Sicherheit jedes Produkts. Ausgabe, Scope und Zertifizierungsstelle müssen bei Aussagen dazu genannt werden.

ISO/IEC 42001 ist eine internationale Anforderungsnorm für ein Managementsystem für künstliche Intelligenz. Sie strukturiert Verantwortlichkeiten, Risiko- und Folgenbewertung, Daten- und Systemlebenszyklus sowie kontinuierliche Verbesserung. Die Norm ist organisations- und kontextbezogen und kann zertifiziert werden. Eine Zertifizierung ersetzt weder die Prüfung einzelner KI-Systeme noch die Einhaltung geltenden Rechts und garantiert keine fehlerfreien oder ethisch unbedenklichen Ergebnisse.

Ein Jailbreak ist eine Eingabe- oder Interaktionsstrategie, die Schutzregeln eines KI-Systems gezielt umgehen soll. Sie nutzt etwa Rollenspiele, Kodierung, mehrstufige Anweisungen oder Kontextkonflikte. Erfolg zeigt eine Schwäche im Gesamtschutz, nicht zwingend eine Veränderung des Modells. Abwehr benötigt Tests, mehrschichtige Kontrollen, begrenzte Werkzeuge und Monitoring; ein einzelner Systemprompt kann Jailbreaks nicht zuverlässig verhindern.

Job Scheduling in ML-Pipelines plant und steuert, wann sowie mit welchen Ressourcen Datenverarbeitung, Training, Evaluation oder Bereitstellung ausgeführt werden. Scheduler berücksichtigen Abhängigkeiten, Prioritäten, Hardware und Wiederholungsregeln. Zuverlässigkeit erfordert idempotente Schritte, Versionierung, Fehlerbehandlung und nachvollziehbare Wiederaufnahme. Eine erfolgreiche technische Ausführung belegt noch nicht, dass Daten oder Modell fachlich freigegeben sind.

k-Nearest Neighbors klassifiziert oder schätzt einen Wert anhand der k ähnlichsten gespeicherten Beispiele. Ähnlichkeit wird durch eine gewählte Distanz und skalierte Merkmale bestimmt. Das Verfahren benötigt kaum Training, kann bei großen Datensätzen aber teure Vorhersagen verursachen. Ergebnis und Robustheit hängen stark von k, Metrik, Merkmalsdarstellung, Ausreißern und ungleich verteilten Klassen ab.

Katastrophales Vergessen tritt auf, wenn ein neuronales Netz beim Lernen neuer Aufgaben zuvor erworbene Fähigkeiten stark verliert. Neue Parameteranpassungen überschreiben dabei für ältere Aufgaben wichtige Repräsentationen. Das Problem ist eine Form von Interferenz im kontinuierlichen Lernen. Gegenmaßnahmen wie Wiederholung früherer Beispiele, Regularisierung oder modulare Architekturen vermindern den Effekt, lösen ihn aber nicht unter allen Bedingungen vollständig.

Kein Verdrängungspotential bedeutet in einer Aufgabenanalyse, dass eine Tätigkeit nach den gewählten Annahmen nicht sinnvoll durch die betrachtete KI automatisiert werden kann. Das ist keine dauerhafte oder allgemeingültige Eigenschaft eines Berufs. Technik, Kosten, Recht und Arbeitsorganisation verändern die Bewertung. Zudem kann KI Tätigkeiten unterstützen oder umgestalten, obwohl sie menschliche Arbeit nicht ersetzt. Methodik und Bezugszeitpunkt müssen deshalb genannt werden.

KI-Kompetenz umfasst Wissen, Fähigkeiten und Urteilsvermögen, um KI-Systeme dem jeweiligen Kontext angemessen zu verstehen, einzusetzen und kritisch zu überwachen. Dazu gehören technische Grundlagen, Daten- und Quellenkritik, rechtliche und ethische Folgen sowie der Umgang mit Unsicherheit. Kompetenz ist rollen- und risikobezogen: Nutzende, Führungskräfte und Entwickelnde benötigen unterschiedliche Tiefe. Eine einmalige Schulung genügt bei sich verändernden Systemen nicht.

Ein KI-Modell ist eine mathematische oder rechnerische Komponente, die aus Eingaben Ausgaben ableitet. Bei lernenden Modellen entstehen Parameter durch Training; regelbasierte Komponenten können anders aufgebaut sein. Ein Modell ist nicht das vollständige KI-System: Datenpipeline, Schnittstellen, Geschäftsregeln, Menschen und Betriebsumgebung fehlen. Rechtliche und fachliche Bewertung muss diese Systemebene von der Modellebene unterscheiden.

Ein KI-System verbindet ein oder mehrere Modelle mit Daten, Software, Schnittstellen und organisatorischen Abläufen, um Ausgaben wie Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen zu erzeugen. Systemgrenze und vorgesehener Zweck bestimmen Risiken und Verantwortlichkeiten. Dasselbe Modell kann in unterschiedlichen Anwendungen verschieden bewertet werden. Nach dem EU AI Act ist für die rechtliche Einordnung die gesetzliche Definition maßgeblich.

Eine Knowledge Base ist eine strukturierte Sammlung von Fakten, Regeln, Dokumenten oder Problemlösungen für einen abgegrenzten Zweck. Sie kann von Suchsystemen, Expertensystemen oder RAG-Anwendungen genutzt werden. Eine Ablage wird erst durch gepflegte Struktur, Herkunft und Aktualisierung verlässlich. Zugriffsschutz, Versionierung, Widersprüche und veraltete Inhalte müssen kontrolliert werden; Abruf aus der Wissensbasis garantiert keine korrekte Interpretation.

Ein Knowledge Graph stellt Entitäten und ihre Beziehungen als gerichtetes Netz dar, häufig ergänzt durch Typen, Eigenschaften und Ontologien. Er ermöglicht Verknüpfung, Abfragen und teilweise logische Schlussfolgerungen über heterogene Daten. Kanten sind modellierte Aussagen, keine automatisch wahren Tatsachen. Identitätsauflösung, Provenienz, zeitliche Gültigkeit und Widersprüche müssen dokumentiert und gepflegt werden.

Kognitives Rechnen ist ein uneinheitlich verwendeter Sammelbegriff für Computersysteme, die Funktionen wie Wahrnehmung, Sprachverarbeitung, Lernen oder Schlussfolgern nachbilden sollen. Er wurde besonders in Produktkommunikation geprägt und bezeichnet keine klar abgegrenzte wissenschaftliche Methode. Ob ein System tatsächlich lernt oder lediglich Regeln ausführt, muss anhand seiner Architektur geprüft werden. Menschliche Kognition oder Bewusstsein folgen aus der Bezeichnung nicht.

Ein Konfidenzwert ist eine numerische Angabe dafür, wie stark ein Modell eine Ausgabe gegenüber Alternativen gewichtet. Er ist nicht automatisch die Wahrscheinlichkeit, dass die Aussage wahr ist. Nur bei geeigneter Kalibrierung stimmen vorhergesagte Wahrscheinlichkeiten langfristig mit beobachteten Häufigkeiten überein. Werte sind modell-, daten- und kontextabhängig und sollten zusammen mit Schwellen, Fehlerraten und Unsicherheitsgrenzen interpretiert werden.

Konnektionismus erklärt kognitive oder rechnerische Leistungen durch Netzwerke vieler einfacher, verbundener Einheiten. Wissen liegt dabei verteilt in Aktivierungsmustern und Verbindungsgewichten, nicht ausschließlich in expliziten Symbolregeln. Künstliche neuronale Netze gehören zu dieser Tradition. Die biologische Inspiration ist jedoch abstrakt; heutige Modelle bilden Aufbau und Lernen des menschlichen Gehirns nicht detailgetreu nach.

Konsens ist eine weitreichende Übereinstimmung innerhalb einer Gruppe, die durch Austausch, Prüfung oder ein festgelegtes Verfahren entsteht. In der Wissenschaft ist Konsens kein Wahrheitsbeweis, sondern spiegelt den derzeit bestgestützten Stand wider und bleibt revidierbar. Bei Datenannotation kann Konsens Mehrdeutigkeit verringern, aber Minderheitspositionen verdecken. Beteiligte, Verfahren, Dissens und Evidenzbasis sollten deshalb transparent sein.

Konsistenz bezeichnet Widerspruchsfreiheit oder stabile Übereinstimmung unter festgelegten Bedingungen. Bei KI kann sie bedeuten, dass ähnliche Eingaben ähnliche Ausgaben erhalten oder dass Aussagen logisch zusammenpassen. Wiederholbare Antworten sind jedoch nicht automatisch richtig. Die Prüfung benötigt klar definierte Vergleichsbedingungen, weil stochastische Generierung, Kontextänderungen und berechtigte Mehrdeutigkeit zu unterschiedlichen Ergebnissen führen können.

Das Kontextfenster ist die maximale Tokenmenge, die ein Sprachmodell bei einer Berechnung gemeinsam berücksichtigen kann. Sie umfasst Systemanweisungen, Nutzereingaben, eingefügte Dokumente und bereits erzeugte Tokens. Ein großes Fenster garantiert nicht, dass alle Informationen gleich gut genutzt werden. Relevanz, Position, Tokenisierung und Modellarchitektur beeinflussen die Verarbeitung; dauerhaftes Memory liegt außerhalb dieses Fensters.

Kontextmanagement wählt, ordnet und begrenzt Informationen, die einer Modellanfrage bereitgestellt werden. Es kann Gesprächsverlauf, Dokumentabruf, Zusammenfassungen, Berechtigungen und Tokenbudget koordinieren. Ziel ist relevanter, zulässiger Kontext statt maximaler Menge. Fehlerhafte Auswahl, veraltete Zusammenfassungen oder Prompt Injection können Ergebnisse beeinflussen. Herkunft, Prioritäten und Trennung nicht vertrauenswürdiger Inhalte müssen technisch kontrolliert werden.

Kontinuierliches Lernen bezeichnet Modelle, die Wissen über eine Folge von Aufgaben oder Datenverteilungen hinweg erwerben und anpassen. Ziel ist, neue Fähigkeiten zu lernen, ohne frühere durch katastrophales Vergessen zu verlieren. Anders als periodisches Retraining kann der Prozess fortlaufend angelegt sein. Sichere Anwendung erfordert kontrollierte Daten, Versionsführung, Rückfallmöglichkeiten und Tests, damit fehlerhafte oder manipulierte Betriebsdaten das Modell nicht unbemerkt verschlechtern.

Kontrolle umfasst das Beobachten, Bewerten und gezielte Beeinflussen eines Systems, damit festgelegte Ziele und Grenzen eingehalten werden. Bei KI kann sie technische Regelung, organisatorische Aufsicht oder rechtliche Entscheidungsbefugnis meinen. Eine Person besitzt nur dann wirksame Kontrolle, wenn sie verständliche Informationen, ausreichende Zeit und durchsetzbare Eingriffsmöglichkeiten hat. Formale Verantwortung ohne reale Einflussmöglichkeit ist keine belastbare Kontrolle.

Kontrollierbarkeit bezeichnet die Eigenschaft, den Zustand oder das Verhalten eines Systems durch zulässige Eingriffe gezielt beeinflussen zu können. In der Regelungstechnik ist sie mathematisch definiert; in der KI-Governance wird der Begriff weiter verwendet. Dort gehören Begrenzung, Abschaltung, Korrektur und Wiederherstellung dazu. Kontrollierbarkeit muss unter realistischen Fehler- und Angriffsszenarien nachgewiesen werden, nicht nur im störungsfreien Normalbetrieb.

Ein Kontrollsystem erfasst den Zustand eines Prozesses, vergleicht ihn mit einem Ziel und beeinflusst ihn über Steuergrößen. Geschlossene Regelkreise nutzen Rückmeldung, offene Steuerungen nicht. KI kann Teil eines Kontrollsystems sein, etwa zur Zustandsabschätzung oder Optimierung. Stabilität und Sicherheit hängen jedoch vom Gesamtsystem aus Sensoren, Modell, Aktoren, Zeitverhalten und Schutzlogik ab, nicht allein von der Modellgenauigkeit.

Key Performance Indicators für KI-Systeme sind ausgewählte Kennzahlen, die Zielerreichung im Betrieb messbar machen. Neben Modellmetriken können sie Nutzen, Fehlerfolgen, Fairness, Sicherheit, Latenz, Kosten und menschliche Korrekturen umfassen. KPIs lenken Verhalten und können Fehlanreize schaffen. Sie benötigen klare Definition, Datenquelle, Zielwert, Verantwortlichkeit und Gegenmetriken, damit eine optimierte Zahl nicht den eigentlichen Zweck verdrängt.

Kreativität ist die Fähigkeit oder der Prozess, Ideen beziehungsweise Werke hervorzubringen, die neu und für einen Kontext angemessen oder wertvoll sind. Neuheit allein genügt nicht; Bewertung ist sozial und fachlich geprägt. Generative KI kann ungewöhnliche Kombinationen erzeugen und Menschen unterstützen. Ob dies als eigene Kreativität gilt, ist theoretisch umstritten und belegt weder Absicht, Erfahrung noch Autorschaft im menschlichen Sinn.

Kubernetes ist eine Plattform zur Orchestrierung containerisierter Anwendungen. Für KI kann sie Trainings- und Inferenzdienste verteilen, skalieren und überwachen sowie spezialisierte Hardware zuweisen. Sie ist kein KI-Verfahren und löst Daten- oder Modellqualität nicht. Sicherer Betrieb erfordert gehärtete Images, minimale Rechte, Netzwerk- und Geheimnisschutz, Ressourcenbegrenzung, Versionskontrolle und fachlich geregelte Modellfreigaben.

Kultur umfasst geteilte, erlernte Bedeutungen, Werte, Praktiken und Ausdrucksformen sozialer Gruppen. Sie ist dynamisch, vielfältig und nicht mit Nationalität gleichzusetzen. KI-Systeme können kulturelle Muster aus Trainingsdaten übernehmen, zugleich aber dominante Perspektiven überrepräsentieren und Unterschiede vereinfachen. Kulturelle Angemessenheit erfordert daher kontextbezogene Prüfung und Beteiligung betroffener Gruppen statt pauschaler Zuschreibungen.

Künstliche Intelligenz ist ein Sammelbegriff für technische Verfahren und Systeme, die aus Eingaben Ausgaben wie Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen erzeugen und damit festgelegte Ziele beeinflussen. Welche Methoden dazugehören, hat sich historisch verändert. KI ist weder eine einzelne Technologie noch ein Beleg für menschliches Denken. Für Bewertung und Regulierung sind konkrete Funktion, Autonomie, Daten und Einsatzkontext entscheidend.

Künstliche Intelligenz bezeichnet ein Forschungs- und Anwendungsfeld, das maschinelle Systeme zur Wahrnehmung, Mustererkennung, Planung, Sprachverarbeitung oder Entscheidungsunterstützung entwickelt. Der Begriff umfasst regelbasierte und lernende Ansätze und besitzt keine zeitlos einheitliche Abgrenzung. Die Bezeichnung „intelligent“ beschreibt funktionale Leistungen; daraus folgen weder allgemeines Verständnis noch Bewusstsein oder moralische Verantwortung.

Ein KI-System ist ein maschinengestütztes System, das mit unterschiedlichem Grad an Autonomie arbeitet, nach dem Einsatz anpassungsfähig sein kann und aus Eingaben ableitet, wie es Ausgaben wie Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen erzeugt. Diese Ausgaben beeinflussen physische oder virtuelle Umgebungen. Die konkrete rechtliche Einordnung erfordert die jeweils geltende Definition und den tatsächlichen Einsatzkontext.

Ein künstliches neuronales Netz ist ein Rechenmodell aus verbundenen Einheiten, deren Gewichte anhand von Daten angepasst werden. Schichten transformieren Eingaben schrittweise und können komplexe Muster repräsentieren. Die Bezeichnung ist biologisch inspiriert, aber das Modell bildet Gehirn und Nervenzellen nur sehr abstrakt nach. Fähigkeiten, Fehler und Rechenbedarf hängen von Architektur, Trainingsziel, Daten und Betriebsbedingungen ab.

Ein Label ist die Zielangabe, die einem Beispiel für überwachtes Lernen oder eine Evaluation zugeordnet wird, etwa eine Klasse, Kategorie oder Zahl. Labels können gemessen, aus Regeln abgeleitet oder von Menschen annotiert sein. Sie enthalten dadurch mögliche Fehler, Mehrdeutigkeit und Werturteile. Annotationsrichtlinie, Herkunft, Übereinstimmung und Unsicherheit beeinflussen, was ein Modell tatsächlich lernt.

LangChain ist ein quelloffenes Software-Framework zum Aufbau von Anwendungen mit Sprachmodellen, Datenabruf, Werkzeugen und mehrstufigen Abläufen. Es stellt Abstraktionen und Integrationen bereit, ist aber selbst kein Modell. Funktionsumfang und Schnittstellen ändern sich mit Versionen. Sicherheit, Qualität, Datenschutz und Beobachtbarkeit hängen von der konkreten Architektur, Drittanbietern, Berechtigungen und eigener Prüfung ab.

Long Short-Term Memory ist eine Architektur rekurrenter neuronaler Netze, die Informationen über gesteuerte Speicher- und Vergessensmechanismen weitergibt. Dadurch mindert sie Probleme verschwindender Gradienten und kann längerfristige Abhängigkeiten in Sequenzen lernen. LSTMs wurden besonders für Sprache und Zeitreihen eingesetzt. Sie besitzen kein menschliches Gedächtnis; ihre nutzbare Abhängigkeit bleibt daten-, trainings- und aufgabenabhängig.

Ein Large Language Model ist ein großes neuronales Modell, das auf umfangreichen Sprach- oder multimodalen Daten trainiert wird, um Wahrscheinlichkeiten für Tokenfolgen zu modellieren. Es kann dadurch Texte analysieren und erzeugen sowie vielfältige Aufgaben bearbeiten. Größe und Sprachflüssigkeit garantieren weder Faktenwissen noch Schlussfähigkeit. Ergebnisse hängen von Training, Kontext, Werkzeugen und Ausgabeverfahren ab und müssen risikogerecht geprüft werden.

Latenz ist die Zeit zwischen einer Anfrage oder einem Ereignis und der beobachteten Reaktion. Bei KI umfasst sie Vorverarbeitung, Warteschlange, Modellberechnung, Netzwerk und Nachverarbeitung. Mittelwerte verdecken seltene langsame Fälle; deshalb werden häufig Perzentile angegeben. Akzeptable Latenz hängt vom Use Case ab. Kurze Reaktionszeit belegt weder Echtzeitfähigkeit noch fachliche Qualität der Ausgabe.

Ein Layer, deutsch Schicht, ist eine Verarbeitungsstufe eines neuronalen Netzes. Er transformiert Eingaben mithilfe von Parametern und Funktionen in eine neue Repräsentation. Eingabe-, verborgene und Ausgabeschichten übernehmen unterschiedliche Rollen; moderne Architekturen enthalten komplexe Blöcke mit Attention, Normalisierung und Residualverbindungen. Die Anzahl der Schichten allein bestimmt weder Modellqualität noch begriffliche Tiefe.

Die Learning Rate, deutsch Lernrate, bestimmt die Größe der Parameteränderungen bei einem Optimierungsschritt. Eine zu hohe Rate kann Training instabil machen, eine zu niedrige verlangsamt es oder bleibt in ungünstigen Bereichen. Zeitpläne und adaptive Optimierer verändern die effektive Rate während des Trainings. Der passende Wert hängt von Modell, Batchgröße, Optimierer und Daten ab und wird mit Validierungsdaten gewählt.

Ein Lebenszyklus beschreibt die aufeinander bezogenen Phasen eines Systems von Planung und Entwicklung über Beschaffung, Einführung und Betrieb bis zur Außerbetriebnahme. Die genaue Einteilung hängt von Norm und Organisation ab. Risiken entstehen und verändern sich in jeder Phase. Lebenszyklusmanagement verbindet daher Anforderungen, Versionen, Verantwortlichkeiten, Überwachung, Änderungen und eine geregelte Löschung oder Archivierung am Ende der Nutzung.

Der Lebenszyklus eines KI-Systems umfasst Konzeption, Daten- und Modellentwicklung, Validierung, Bereitstellung, Betrieb, Überwachung, Änderungen und Außerbetriebnahme. Phasen können sich wiederholen, etwa beim Retraining. Daten, Modell und Anwendung besitzen teils eigene Lebenszyklen. Eine belastbare Steuerung dokumentiert Übergaben, Versionen, Freigaben und Rückmeldungen aus dem Betrieb, damit Risiken nicht nur vor der Einführung betrachtet werden.

Leistung beschreibt, wie gut ein System eine definierte Aufgabe unter festgelegten Bedingungen erfüllt. Bei KI wird sie mit geeigneten Kennzahlen wie Fehlerquote, Präzision, Laufzeit oder Robustheit gemessen. Ein einzelner Wert ist ohne Datensatz, Vergleichsbasis und Unsicherheit wenig aussagekräftig. Hohe technische Leistung bedeutet zudem nicht automatisch Sicherheit, Fairness, Gebrauchstauglichkeit oder gesellschaftlichen Nutzen.

Lineare Regression modelliert eine Zielvariable als gewichtete Summe von Eingabemerkmalen plus Konstantem. Parameter werden so geschätzt, dass Abweichungen nach einem Kriterium, häufig quadratischem Fehler, minimiert werden. Koeffizienten sind nur unter geeigneten Annahmen kausal interpretierbar. Ausreißer, korrelierte Merkmale, Nichtlinearität und heterogene Fehler können Schätzung und Unsicherheitsangaben erheblich beeinflussen.

Llama bezeichnet eine Familie großer Sprachmodelle von Meta. Modellgenerationen, Größen, multimodale Varianten und Lizenzen unterscheiden sich; die Bezeichnung allein benennt daher keine eindeutige Fähigkeit oder Nutzungsbedingung. Viele Varianten stellen Gewichte bereit, sind aber nicht automatisch Open Source nach jeder Definition. Für Aussagen müssen konkrete Version, Herkunft, Lizenz, Quantisierung und Evaluation angegeben werden.

Eine LLM Application ist eine Anwendung, die ein großes Sprachmodell mit Prompts, Datenabruf, Werkzeugen, Regeln und Benutzeroberflächen verbindet. Ihr Verhalten entsteht aus dem gesamten System, nicht nur aus dem Grundmodell. Versionen, Kontext, Berechtigungen und Nachverarbeitung beeinflussen Qualität und Risiken. Evaluation muss deshalb reale Workflows, Fehlerfolgen und Schutzmaßnahmen der Anwendung statt ausschließlich Modellbenchmarks untersuchen.

Ein LLM Gateway ist eine zentrale Vermittlungsschicht zwischen Anwendungen und einem oder mehreren Sprachmodelldiensten. Es kann Authentisierung, Routing, Kostenlimits, Protokollierung, Filterung und Anbieterwechsel bündeln. Zentralisierung verbessert Steuerbarkeit, schafft aber einen kritischen Abhängigkeits- und Datenpunkt. Mandantentrennung, Ausfallsicherheit, Protokolldatenschutz und klare Regeln für Modell- sowie Versionsauswahl sind wesentlich.

LLM Guardrails sind Kontrollen, die Ein- und Ausgaben sowie Werkzeugnutzung einer Sprachmodellanwendung begrenzen. Beispiele sind Schemaprüfung, Inhaltsfilter, Berechtigungen, Quellenanforderungen und menschliche Freigaben. Sie wirken nur gegen definierte Risiken und können falsch blockieren oder umgangen werden. Mehrschichtige Tests, Monitoring und sichere Standardzustände sind erforderlich; Guardrails machen ein ungeeignetes Modell nicht automatisch sicher.

LLMOps umfasst Verfahren und Infrastruktur für Entwicklung, Bereitstellung und Betrieb von Anwendungen mit großen Sprachmodellen. Dazu gehören Versionierung von Modellen, Prompts und Daten, Evaluation, Monitoring, Kostensteuerung, Sicherheit und Rückfall. Es erweitert MLOps um sprachmodellspezifische Herausforderungen wie stochastische Ausgaben und Kontextmanagement. Werkzeuge allein schaffen keine Governance; Freigaben, Verantwortlichkeiten und fachliche Kriterien bleiben notwendig.

LM Studio ist eine Desktop-Anwendung zum Suchen, Herunterladen und lokalen Ausführen kompatibler Sprachmodelle sowie zum Bereitstellen einer lokalen Programmierschnittstelle. Es ist eine Laufzeit- und Bedienumgebung, kein eigenes Sprachmodell. Lokale Ausführung kann Datenübertragung verringern, garantiert aber nicht automatisch Datenschutz oder Sicherheit. Modelllizenz, Dateiquelle, Protokollierung, Geräteschutz und gewählte Einstellungen bleiben relevant.

Logits sind die unnormalisierten numerischen Ausgabewerte eines Modells vor einer Funktion wie Softmax. Bei Sprachmodellen erhält jedes mögliche nächste Token einen Logit; Differenzen beeinflussen seine Auswahlwahrscheinlichkeit. Logits sind weder Prozentwerte noch direkt kalibrierte Gewissheit. Temperatur, Filterverfahren und numerische Präzision verändern die daraus erzeugte Verteilung beziehungsweise Auswahl.

On-Device bezeichnet Verarbeitung auf dem Endgerät statt auf einem entfernten Server. Sie kann Latenz, Offline-Nutzung und Kontrolle über Daten verbessern. Dennoch können Anwendungen Telemetrie senden, Modelle aus externen Quellen beziehen oder ungeschützte lokale Protokolle speichern. Datenschutz und Sicherheit folgen daher nicht automatisch. Geräteleistung, Energie, Modellgröße, Updates und physischer Zugriff begrenzen die praktische Umsetzung.

Ein Löschungsverlangen ist die Aufforderung einer betroffenen Person, personenbezogene Daten nach Artikel 17 DSGVO zu löschen. Das Recht gilt unter bestimmten Voraussetzungen und enthält Ausnahmen, etwa für rechtliche Pflichten. Organisationen müssen Identität, Datenorte, Empfänger, Backups und Aufbewahrungsgründe prüfen. Bei trainierten Modellen ist technisch und rechtlich gesondert zu bewerten, ob und wie ein Personenbezug wirksam entfernt werden kann.

Eine Loss Function, deutsch Verlustfunktion, misst, wie stark Modellausgaben von einem Trainingsziel abweichen. Der Optimierer versucht ihren durchschnittlichen Wert zu verringern. Die gewählte Funktion legt damit fest, welche Fehler das Modell bevorzugt vermeidet, bildet reale Folgen aber nur näherungsweise ab. Niedriger Trainingsverlust kann durch Überanpassung entstehen und garantiert weder Fairness noch gute Leistung im Einsatz.

Low-Rank Adaptation passt ein vortrainiertes Modell mit kleinen trainierbaren Matrizen geringer Rangzahl an, während die ursprünglichen Gewichte meist eingefroren bleiben. Dadurch sinken Speicher- und Rechenbedarf gegenüber vollständigem Fine-Tuning. LoRA verändert dennoch das Modellverhalten und kann neue Fehler einführen. Rang, Zieldimensionen, Trainingsdaten, Basismodell und getrennte Evaluation bestimmen Qualität und Übertragbarkeit.

Machine Learning, deutsch maschinelles Lernen, entwickelt Modelle, deren Verhalten anhand von Daten optimiert wird, statt ausschließlich durch explizite Regeln festgelegt zu sein. Je nach Lernart werden Zielwerte, unbeschriftete Strukturen oder Rückmeldungen genutzt. Das Modell lernt statistische Zusammenhänge, keine garantierten Ursachen. Aussagekraft und Grenzen hängen von Daten, Zieldefinition, Lernverfahren und Übereinstimmung mit dem späteren Einsatz ab.

Manipulation ist die gezielte Beeinflussung von Wahrnehmung, Urteil oder Verhalten, insbesondere wenn Mittel, Absicht oder Interessen verborgen bleiben und Autonomie beeinträchtigt wird. Nicht jede Überzeugung oder Gestaltung ist manipulativ. KI kann Personalisierung und psychologische Schwächen skalierbar nutzen. Bewertung berücksichtigt Transparenz, Wahlfreiheit, Verletzlichkeit, Machtverhältnis und mögliche Schäden; bestimmte manipulative KI-Praktiken sind nach dem EU AI Act verboten.

Maschinelle Übersetzung überträgt Text oder Sprache automatisiert von einer Sprache in eine andere. Moderne Systeme verwenden überwiegend neuronale Modelle, die Übersetzungswahrscheinlichkeiten aus großen Datenbeständen lernen. Flüssigkeit garantiert weder inhaltliche Treue noch passende Terminologie. Mehrdeutigkeit, Fachsprache und kultureller Kontext bleiben anspruchsvoll; für folgenreiche Inhalte sind geeignete Qualitätsprüfung und gegebenenfalls professionelle Nachbearbeitung erforderlich.

Maschinelles Lernen ist ein Teilgebiet der KI, in dem ein Modell anhand von Beispieldaten für eine Aufgabe angepasst wird. Überwachtes, unüberwachtes und bestärkendes Lernen verwenden unterschiedliche Rückmeldungen. Gelernt werden statistische Muster, die außerhalb der Trainingsverteilung versagen können. Eine belastbare Anwendung benötigt geeignete Daten, getrennte Evaluation, dokumentierte Grenzen und Überwachung nach der Einführung.

Das Model Context Protocol ist ein offenes Protokoll, mit dem KI-Anwendungen Werkzeuge, Datenquellen und kontextgebende Dienste über standardisierte Nachrichten anbinden können. Es beschreibt Kommunikation und Fähigkeiten, nicht die Vertrauenswürdigkeit eines Servers. Sichere Nutzung erfordert Authentisierung, minimale Berechtigungen, Zustimmung zu Aktionen, Eingabevalidierung, Herkunftskontrolle und Schutz vor Anweisungen in nicht vertrauenswürdigen Inhalten.

Memory bezeichnet in KI-Anwendungen zusätzlich gespeicherte Informationen aus früheren Interaktionen, die später wieder in den Kontext eingebracht werden. Es liegt außerhalb der trainierten Modellparameter und ist vom begrenzten Kontextfenster zu unterscheiden. Speicher kann Kontinuität verbessern, aber falsche oder veraltete Angaben fortschreiben. Transparente Auswahl, Korrektur, Löschung, Zugriffsschutz und eine angemessene Speicherdauer sind deshalb wesentlich.

Mensch-Maschine-Teaming beschreibt die koordinierte Zusammenarbeit von Menschen und technischen Systemen bei einer gemeinsamen Aufgabe. Eine sinnvolle Arbeitsteilung berücksichtigt jeweilige Stärken, Grenzen, Informationszugänge und Verantwortung. Gute Gesamtleistung entsteht nicht automatisch durch ein leistungsfähiges Modell. Rollen, Übergaben, Kommunikation, Konfliktlösung und Verhalten bei Unsicherheit müssen gestaltet und mit realen Nutzenden unter Einsatzbedingungen geprüft werden.

Menschenzentrierte KI richtet Entwicklung und Einsatz an menschlichen Bedürfnissen, Rechten, Fähigkeiten und gesellschaftlichen Folgen aus. Sie verbindet Gebrauchstauglichkeit mit Sicherheit, Fairness, Selbstbestimmung und Rechenschaft. Der Ansatz bedeutet nicht, dass jede Entscheidung von Menschen ausgeführt werden muss. Entscheidend ist, dass betroffene Gruppen beteiligt, Zielkonflikte begründet und tatsächliche Wirkungen über den gesamten Lebenszyklus geprüft werden.

Menschliche Aufsicht soll Risiken eines KI-Systems erkennen, begrenzen und gegebenenfalls dessen Nutzung stoppen oder korrigieren. Wirksam ist sie nur mit Kompetenz, verständlichen Informationen, ausreichender Zeit und realen Eingriffsbefugnissen. Eine formale Freigabe oder Person im Prozess genügt nicht. Gestaltung muss Automationsbias, Überlastung und Situationen berücksichtigen, in denen ein Eingriff technisch oder zeitlich nicht mehr möglich ist.

Meta AI bezeichnet KI-Forschungsaktivitäten und Produkte des Unternehmens Meta, darunter ein in verschiedene Dienste integrierter Assistent. Der Name benennt keine einzelne dauerhaft gleiche Modellversion. Funktionen, Verfügbarkeit und Datenverarbeitung hängen von Produkt, Region, Konto und Zeitpunkt ab. Für eine belastbare Bewertung müssen konkrete Anwendung, verwendetes Modell, aktuelle Nutzungsbedingungen und Datenschutzinformationen geprüft werden.

Ein Meta-Prompt ist eine Anweisung, die andere Prompts erzeugt, bewertet oder verbessert beziehungsweise das Vorgehen beim Prompting festlegt. Er kann wiederkehrende Aufgaben standardisieren, bleibt aber selbst eine Modelleingabe und verändert keine Gewichte. Automatisch erzeugte Prompts können Fehler und unerwünschte Annahmen vervielfachen. Versionierung, repräsentative Tests und menschliche Prüfung sind für folgenreiche Anwendungen erforderlich.

Metadaten sind strukturierte Angaben über andere Daten, etwa Herkunft, Erstellungszeit, Format, Lizenz, Version oder Bearbeitungsverlauf. Sie unterstützen Auffindbarkeit, Interpretation, Qualitätssicherung und Governance. Metadaten sind nicht bloß technisch und können selbst personenbezogene oder vertrauliche Informationen enthalten. Ihre Aussagekraft hängt von definierten Feldern, konsistenter Pflege und nachweisbarer Herkunft ab; fehlende Metadaten erschweren die verantwortliche Nachnutzung.

Metakognition ist das Wissen über und die Steuerung eigener Denk- und Lernprozesse. Dazu gehören Planung, Selbstbeobachtung, Bewertung von Sicherheit und Anpassung von Strategien. Im Umgang mit KI hilft sie, Vorschläge nicht mit eigenem Wissen zu verwechseln und Unsicherheit gezielt zu prüfen. Sprachliche Selbstauskünfte eines Modells über sein angebliches Denken belegen keine menschliche Metakognition oder innere Erfahrung.

Methodik ist die begründete Gesamtheit von Verfahren, mit denen eine Frage untersucht oder ein Ziel erreicht wird. Sie legt Auswahl, Durchführung, Auswertung und Qualitätskontrolle nachvollziehbar fest. Bei KI umfasst sie unter anderem Datengewinnung, Modellwahl, Evaluation und Umgang mit Unsicherheit. Eine Methode ist ein einzelnes Verfahren; Methodik erklärt, warum mehrere Verfahren im konkreten Untersuchungsdesign geeignet zusammenwirken.

Microsoft Copilot ist eine Markenfamilie verschiedener KI-gestützter Assistenten in Microsoft-Produkten und Entwicklungswerkzeugen. Produkte unterscheiden sich hinsichtlich Modellen, Datenzugriff, Lizenz und administrativen Kontrollen. Der Name allein erlaubt deshalb keine Aussage über Datenschutz oder Funktionsumfang. Vor Nutzung müssen konkrete Produktvariante, Mandanteneinstellungen, Datenflüsse, Vertragsbedingungen und aktuelle Dokumentation geprüft werden.

Mixture of Experts ist eine Modellarchitektur mit mehreren spezialisierten Teilnetzen, von denen ein Router pro Eingabe nur eine Auswahl aktiviert. Dadurch kann die Parameterkapazität wachsen, ohne für jedes Token alle Parameter zu berechnen. Effizienz und Spezialisierung sind nicht garantiert. Routing, Lastverteilung, Trainingsstabilität und Speicherbedarf beeinflussen Leistung; „Experten“ besitzen kein menschliches Fachverständnis.

Ein ML-Modell ist eine durch maschinelles Lernen angepasste mathematische Struktur, die neue Eingaben in Vorhersagen, Bewertungen oder Repräsentationen überführt. Es besteht aus Architektur, Parametern und benötigter Vorverarbeitung. Das Modell ist nur eine Komponente eines Systems. Sein Geltungsbereich hängt von Trainingsdaten und Zielgröße ab; Leistungsangaben müssen mit unabhängigen, einsatznahen Daten belegt werden.

MLX ist ein quelloffenes Framework von Apple für maschinelles Lernen auf Apple-Silicon-Hardware. Es verwendet ein gemeinsames Speichermodell für CPU und GPU und unterstützt automatische Differenzierung sowie verzögerte Ausführung. MLX ist eine technische Bibliothek, kein Modell. Effizienz und Kompatibilität hängen von Aufgabe, Implementierung, Hardware und Softwareversion ab; daraus folgt keine automatische Qualitäts- oder Datenschutzgarantie.

Model Drift bezeichnet eine Verschlechterung oder Veränderung des Modellverhaltens im Zeitverlauf, häufig durch geänderte Eingabeverteilungen oder Zusammenhänge. Der Begriff wird uneinheitlich verwendet und sollte in Data Drift, Concept Drift oder Leistungsdrift präzisiert werden. Erkennung benötigt aktuelle Betriebsdaten und Referenzwerte. Retraining ist nicht automatisch die richtige Reaktion; Ursache, Folgen und neue Risiken müssen zuerst untersucht werden.

Ein Model Weight ist ein gelernter numerischer Parameter, der den Einfluss einer Eingabe oder Zwischenrepräsentation auf weitere Berechnungen bestimmt. Viele Gewichte gemeinsam kodieren statistische Muster verteilt im Modell; einzelne Werte besitzen meist keine verständliche Bedeutung. Veröffentlichte Gewichte erlauben Modellausführung, legen aber Trainingsdaten und Entstehungsprozess nicht vollständig offen. Präzision und Quantisierung beeinflussen Speicher sowie Verhalten.

Ein Modell ist eine vereinfachte formale Darstellung von Zusammenhängen, die Beschreibung, Erklärung oder Vorhersage ermöglicht. Im maschinellen Lernen bezeichnet es die durch Architektur, Parameter und Training bestimmte Abbildung von Eingaben auf Ausgaben. Modelle bilden ihre Daten und Annahmen ab, nicht die Wirklichkeit vollständig. Geltungsbereich, Fehler und Unsicherheit müssen deshalb für die jeweilige Nutzung geprüft werden.

Ein Modell des maschinellen Lernens ist eine mathematische Funktion oder Struktur, deren Parameter anhand von Daten für eine Aufgabe angepasst wurden. Es verarbeitet neue Eingaben zu Vorhersagen, Bewertungen oder Repräsentationen. Vom vollständigen KI-System unterscheidet es sich durch fehlende Schnittstellen, Prozesslogik und organisatorischen Kontext. Verhalten entsteht aus Architektur, Trainingsdaten, Zielgröße und gewählten Betriebsparametern gemeinsam.

Modellbewertung prüft, wie gut und unter welchen Grenzen ein Modell eine definierte Aufgabe erfüllt. Sie nutzt getrennte Testdaten, geeignete Kennzahlen, Fehleranalysen und gegebenenfalls Robustheits- und Fairnessprüfungen. Vergleichswerte sind nur bei gleichen Bedingungen aussagekräftig. Eine gute Modellbewertung ersetzt keine Systemevaluation, weil Schnittstellen, menschliche Nutzung und reale Folgen erst im Anwendungskontext sichtbar werden.

Modelltraining ist der Prozess, in dem ein Lernalgorithmus Parameter anhand von Daten und einer Zielfunktion optimiert. Dazu gehören Datenaufbereitung, Batching, Fehlerberechnung, Aktualisierung und Validierung. Rechenaufwand oder niedriger Trainingsfehler allein belegen keine Qualität. Reproduzierbare Versionierung, rechtmäßige Daten, Überanpassungskontrolle und unabhängige Evaluation sind Voraussetzung für eine belastbare spätere Nutzung.

Monitoring ist die fortlaufende, strukturierte Beobachtung eines KI-Systems im Betrieb. Es erfasst je nach Risiko Datenqualität, Leistung, Drift, Fehler, Sicherheit, Nutzung und Auswirkungen. Messwerte benötigen Schwellen, Zuständigkeiten und festgelegte Reaktionen; bloßes Protokollieren genügt nicht. Datenschutz, Repräsentativität und verzögert verfügbare Referenzwerte begrenzen, was überwacht werden kann. Ergebnisse sollten in Änderungen und Risikomanagement zurückfließen.

Moral bezeichnet die in einer Person oder Gemeinschaft geltenden Vorstellungen darüber, was richtig, falsch, geboten oder verboten ist. Sie zeigt sich in Normen, Werten und Handlungen. Ethik untersucht und begründet solche Vorstellungen systematisch. Bei KI dürfen beobachtete Mehrheitsmuster oder Trainingsdaten nicht automatisch als moralisch richtig gelten, weil sie Widersprüche, Machtverhältnisse und historische Benachteiligungen enthalten können.

Moralische Autonomie ist die Fähigkeit, moralische Gründe selbstständig zu prüfen und das eigene Handeln daran auszurichten. Sie setzt mehr voraus als regelkonformes Verhalten: Verständnis, Urteilsfähigkeit und Verantwortlichkeit gehören dazu. Heutige KI-Systeme optimieren vorgegebene Ziele und erzeugen sprachliche Begründungen, besitzen aber keine nachgewiesene moralische Autonomie. Verantwortung darf daher nicht vom Menschen oder der Organisation auf das System verlagert werden.

Moralische Normen sind handlungsleitende Regeln darüber, was aus moralischen Gründen getan oder unterlassen werden soll. Sie können sich zwischen Gesellschaften und Situationen unterscheiden, müssen aber begründet und auf Konflikte geprüft werden. Für KI lassen sie sich teilweise in Anforderungen übersetzen, etwa Schutz vor Schaden. Technische Regeln bilden moralische Abwägungen jedoch nie vollständig ab und benötigen verantwortliche Interpretation.

Ein moralischer Agent kann moralisch relevante Gründe verstehen, zwischen Handlungsoptionen abwägen und für Entscheidungen verantwortlich gemacht werden. Der Begriff ist philosophisch umstritten, besonders bei künstlichen Systemen. Dass KI Folgen verursacht oder moralische Sprache erzeugt, genügt nicht für moralische Agency. Nach heutigem Stand verbleibt Verantwortung bei Menschen und Organisationen, die Systeme entwickeln, einsetzen und kontrollieren.

Multimodale KI verarbeitet oder erzeugt mehrere Datenarten wie Text, Bild, Audio oder Video in einem gemeinsamen System. Sie lernt Beziehungen zwischen Modalitäten und kann etwa Bilder beschreiben oder gesprochene Fragen zu Videos beantworten. Gemeinsame Verarbeitung verbessert nicht automatisch das Verständnis. Fehler einer Modalität, widersprüchliche Signale und ungleiche Trainingsqualität können sich übertragen und erfordern multimodale Evaluation.

Nachhaltigkeit bedeutet, heutige Bedürfnisse so zu erfüllen, dass ökologische Lebensgrundlagen, soziale Gerechtigkeit und Handlungsmöglichkeiten künftiger Generationen erhalten bleiben. Bei KI betrifft sie den gesamten Lebenszyklus: Rohstoffe, Energie, Wasser, Arbeit, gesellschaftliche Wirkung und langfristigen Nutzen. Eine einzelne Effizienzkennzahl genügt nicht, weil effizientere Systeme durch häufigere Nutzung insgesamt mehr Ressourcen verbrauchen können. Zielkonflikte müssen transparent bewertet werden.

Natural Language Generation erzeugt automatisch menschlich lesbare oder gesprochene Sprache aus Daten, strukturiertem Wissen oder Modellzuständen. Regel- und vorlagenbasierte Systeme bieten starke Kontrolle; neuronale Modelle erzeugen flexibler probabilistische Texte. Sprachliche Flüssigkeit belegt weder Richtigkeit noch angemessenen Kontext. Verlässliche Anwendungen benötigen geeignete Quellen, klare Begrenzungen, Evaluation und bei relevanten Folgen menschliche Prüfung.

Natural Language Processing ist das Forschungsgebiet zur computergestützten Analyse und Erzeugung menschlicher Sprache. Es umfasst Aufgaben wie Segmentierung, Klassifikation, Informationsgewinnung, Übersetzung und Dialog. Verfahren reichen von Regeln und Statistik bis zu neuronalen Sprachmodellen. Sprache ist kontext-, kultur- und situationsabhängig; hohe Benchmarkwerte für einzelne Aufgaben bedeuten deshalb nicht automatisch allgemeines Sprachverständnis.

Natural Language Understanding bezeichnet Methoden, die aus sprachlichen Eingaben strukturierte Bedeutung, Absicht oder relevante Beziehungen ableiten sollen. Typische Aufgaben sind Intent-Erkennung, semantische Analyse und Fragebeantwortung. „Understanding“ beschreibt hier eine funktionale Leistung, nicht nachgewiesenes menschliches Verstehen. Mehrdeutigkeit, Kontext und Weltwissen begrenzen Systeme; Evaluation muss deshalb konkrete Aufgaben und Fehlertypen statt eines allgemeinen Verständnisses messen.

Natürliche Sprache ist eine historisch und sozial entstandene menschliche Sprache wie Deutsch oder Arabisch. Sie unterscheidet sich von formalen Sprachen durch Kontextabhängigkeit, Mehrdeutigkeit, Wandel und vielfältige Gebrauchsformen. „Natürlich“ bedeutet nicht ungeregelt: Grammatik und Konventionen strukturieren Verständigung. KI verarbeitet beobachtbare sprachliche Formen statistisch oder regelbasiert; daraus folgt nicht automatisch Kenntnis von Bedeutung, Absicht oder Welt.

Need-to-know ist ein Zugriffsprinzip, nach dem Personen oder Systeme nur Informationen erhalten, die sie für eine konkrete Aufgabe tatsächlich benötigen. Es ergänzt das Prinzip minimaler Berechtigungen und begrenzt Schäden bei Fehlern oder kompromittierten Konten. Die Notwendigkeit muss regelmäßig überprüft werden. Bei KI betrifft dies Eingaben, abgerufene Dokumente, Protokolle und Werkzeugzugriffe ebenso wie sichtbare Ausgaben.

Ein biologisches Neuron ist eine Nervenzelle, die elektrochemische Signale empfängt, verarbeitet und weiterleitet. Ein künstliches Neuron ist dagegen eine stark vereinfachte Recheneinheit: Es gewichtet Eingabewerte, bildet eine Summe und wendet meist eine Aktivierungsfunktion an. Die gemeinsame Bezeichnung ist historisch inspiriert. Künstliche Neuronen bilden Struktur, Dynamik und Lernprozesse biologischer Nervenzellen nicht realitätsgetreu ab.

Ein neuronales Netz ist ein parametrisierbares Rechenmodell aus verbundenen Schichten künstlicher Neuronen. Beim Training werden Gewichte so angepasst, dass das Netz für Beispiele eine Zielgröße besser erfüllt. Mehrere Schichten können komplexe Repräsentationen lernen. Die biologische Analogie ist begrenzt; ein solches Netz besitzt nicht automatisch Gedächtnis, Verständnis oder Bewusstsein und kann außerhalb seiner Trainingsverteilung unerwartet versagen.

Ein künstliches neuronales Netzwerk verknüpft viele einfache Recheneinheiten, deren gewichtete Verbindungen anhand von Daten optimiert werden. Architektur und Aktivierungsfunktionen bestimmen, welche Muster darstellbar sind. „Tief“ nennt man Netze mit mehreren Verarbeitungsschichten. Trotz ihres Namens sind sie keine genaue Simulation des Gehirns. Leistung, Robustheit und Interpretierbarkeit hängen stark von Daten, Training und Einsatzbedingungen ab.

Das NIST AI Risk Management Framework ist ein freiwilliger, nicht sektorspezifischer Rahmen für den Umgang mit KI-Risiken. Es ordnet Arbeit in die Funktionen Govern, Map, Measure und Manage und beschreibt Merkmale vertrauenswürdiger KI. Der Rahmen ist anpassbar und keine Zertifizierung oder Rechtsvorschrift. Organisationen müssen ihn in konkrete Rollen, Prüfungen, Schwellen und Nachweise für ihren jeweiligen Einsatz übersetzen.

Ein normatives System ist eine geordnete Menge von Regeln und Prinzipien, die Handlungen erlauben, verbieten oder gebieten. Recht, Moral und berufliche Kodizes sind unterschiedliche normative Systeme und können zu abweichenden Bewertungen führen. In KI lassen sich Teile davon formal abbilden, doch Begriffe, Ausnahmen und Zielkonflikte benötigen Interpretation. Ein Regelsystem übernimmt daher nicht selbst moralische oder rechtliche Verantwortung.

Normen sind anerkannte Regeln oder Erwartungen für Handeln, Eigenschaften oder Verfahren. Soziale, moralische, rechtliche und technische Normen unterscheiden sich in Ursprung und Verbindlichkeit. Technische Standards können Anforderungen vereinheitlichen, sind aber nicht automatisch Gesetze oder ethisch richtig. Für KI muss stets geklärt werden, welche Norm, Ausgabe und Geltungsbereich gemeint sind und wie ihre Einhaltung nachgewiesen wird.

Ollama ist eine Software zum Herunterladen, Verwalten und lokalen Bereitstellen kompatibler Sprach- und multimodaler Modelle. Sie stellt Kommandozeilen- und Programmierschnittstellen bereit, ist aber selbst kein Modell. Lokaler Betrieb kann Datenübertragung reduzieren, garantiert jedoch keinen Datenschutz. Modellherkunft, Lizenz, Quantisierung, Netzwerkbindung, Protokolle, Updates und Gerätesicherheit müssen für die konkrete Installation geprüft werden.

One-Hot Encoding stellt eine Kategorie als Vektor dar, in dem genau eine Position den Wert eins und alle anderen null haben. Dadurch entsteht keine künstliche Rangfolge zwischen Kategorien. Die Darstellung wird bei vielen Kategorien groß und bildet keine Ähnlichkeit zwischen ihnen ab. Unbekannte Kategorien und konsistente Zuordnung zwischen Training und Betrieb müssen ausdrücklich behandelt werden.

Online-Lernen aktualisiert ein Modell schrittweise mit neu eintreffenden Daten; Batch-Lernen trainiert es dagegen auf einem abgegrenzten Datenbestand und stellt anschließend eine Version bereit. Online-Lernen kann Änderungen schneller aufnehmen, erhöht aber Risiken durch Drift, fehlerhafte Daten und Angriffe. Die Begriffe beschreiben das Aktualisierungsverfahren, nicht zwingend eine Internetverbindung. Kontrollierte Freigaben, Monitoring und Rückfallmöglichkeiten bleiben erforderlich.

Eine Online-Plattform ist ein digitaler Dienst, der über ein Netzwerk Interaktionen, Inhalte oder Transaktionen zwischen mehreren Nutzergruppen vermittelt. Der Begriff ist funktional und kann je nach Rechtsgebiet enger definiert sein. Plattformen nutzen häufig Ranking- oder Empfehlungssysteme, sind aber nicht notwendig KI-Systeme. Governance betrifft unter anderem Zugangsregeln, Moderation, Transparenz, Datennutzung und die Verteilung von Verantwortung.

Eine Online-Schnittstelle ist ein digital zugänglicher Kontaktpunkt zu einem Dienst, etwa Website, App oder Programmierschnittstelle. Sie ermöglicht Eingaben, Ausgaben oder Transaktionen über ein Netzwerk. Sichtbare Bedienoberfläche und technische API sind unterschiedliche Formen. Sicherheit und Datenschutz erfordern Authentisierung, Berechtigungen, Eingabeprüfung, Transportverschlüsselung und begrenzte Datenausgabe; die genaue Ausgestaltung hängt vom Risiko ab.

Eine Ontologie ist eine formale, explizite Beschreibung von Begriffen, Kategorien und Beziehungen eines Wissensbereichs. Sie schafft ein gemeinsames Vokabular und ermöglicht maschinelle Schlussfolgerungen, etwa über Klassen und Eigenschaften. Eine Ontologie ist kein neutrales Abbild der Welt: Auswahl und Struktur spiegeln Zweck und Perspektive ihrer Erstellenden. Versionierung, dokumentierte Definitionen und fachliche Pflege sind daher wesentlich.

Open Source bezeichnet Software, deren Quellcode unter einer Lizenz verfügbar ist, die Nutzung, Untersuchung, Veränderung und Weitergabe nach festgelegten Bedingungen erlaubt. Sichtbarer Quellcode allein genügt nicht jeder anerkannten Open-Source-Definition. Offenheit garantiert weder Sicherheit noch kostenlose Nutzung. Lizenzpflichten, Abhängigkeiten, Wartung und Herkunft müssen ebenso geprüft werden wie bei proprietärer Software.

Open Source AI bezeichnet KI-Systeme, deren wesentliche Bestandteile unter Bedingungen zugänglich sind, die Nutzung, Untersuchung, Veränderung und Weitergabe erlauben. Welche Bestandteile einschließlich Gewichten, Code und Dateninformationen erforderlich sind, wird durch die verwendete Definition bestimmt. Veröffentlichte Gewichte allein genügen nicht. Offenheit verbessert Prüfbarkeit und Anpassbarkeit, garantiert aber weder Sicherheit, Fairness noch eine konfliktfreie Lizenzlage.

Open Weight bezeichnet ein KI-Modell, dessen trainierte Parameter veröffentlicht oder zugänglich gemacht werden. Daraus folgt nicht, dass Trainingsdaten, Trainingscode, Architekturdetails oder Nutzungsrechte vollständig offen sind. Gewichte ermöglichen lokale Ausführung und Forschung, können aber Lizenz- und Sicherheitsbeschränkungen unterliegen. Der Begriff sollte deshalb nicht ohne Prüfung als gleichbedeutend mit Open Source verwendet werden.

Optical Character Recognition erkennt Schriftzeichen in Bildern oder gescannten Dokumenten und wandelt sie in maschinenlesbaren Text um. Systeme kombinieren Layoutanalyse, Zeichenerkennung und häufig Sprachmodelle. Qualität hängt von Auflösung, Schrift, Sprache und Dokumentstruktur ab. Plausible Korrekturen können Originalfehler verdecken; bei wichtigen Dokumenten müssen Text und Quelle vergleichbar bleiben und Stichproben geprüft werden.

Output ist das Ergebnis, das ein System nach Verarbeitung einer Eingabe ausgibt, etwa Text, Klassifikation, Signal oder Handlung. Eine Ausgabe kann probabilistisch, unvollständig oder nachbearbeitet sein. Sie ist nicht mit einer Entscheidung gleichzusetzen, kann diese aber beeinflussen. Format, Unsicherheit, Herkunft und zulässige Weiterverwendung müssen für nachgelagerte Menschen und Systeme eindeutig definiert sein.

Output Filtering prüft oder verändert Modellausgaben vor ihrer Anzeige oder Weiterverarbeitung. Filter können unerlaubte Inhalte, personenbezogene Daten, Schadcode oder Formatfehler erkennen. Sie sind fehleranfällig und können sowohl schädliche Ausgaben übersehen als auch zulässige blockieren. Für kritische Aktionen müssen strukturierte Validierung, Berechtigungen und menschliche Freigaben hinzukommen; Freitextfilter allein bilden keine Sicherheitsgrenze.

Output-Daten sind Informationen, die ein System als Ergebnis erzeugt oder ableitet. Sie können neue personenbezogene, vertrauliche oder urheberrechtlich relevante Inhalte enthalten, auch wenn Eingaben unkritisch wirken. Herkunft und Verlässlichkeit unterscheiden sich von Quelldaten. Speicherung, Zugriff, Kennzeichnung, Prüfbarkeit und Löschung müssen deshalb eigenständig geregelt werden; generierte Daten sind nicht automatisch frei nutzbar oder sachlich richtig.

Overfitting, deutsch Überanpassung, liegt vor, wenn ein Modell Trainingsbeispiele einschließlich Zufall oder Besonderheiten zu genau abbildet und bei neuen Daten schlechter generalisiert. Ein sehr niedriger Trainingsfehler kann darauf hinweisen. Gegenmaßnahmen sind getrennte Validierung, Regularisierung, Datenaugmentation und geeignete Modellkapazität. Entscheidend ist Leistung auf unabhängigen, einsatznahen Daten, nicht allein der Abstand zwischen Trainings- und Testwert.

Modellparameter sind während des Trainings angepasste Zahlenwerte, etwa Gewichte und Bias-Terme eines neuronalen Netzes. Gemeinsam bestimmen sie, wie Eingaben in Ausgaben überführt werden. Eine größere Parameterzahl kann die Kapazität erhöhen, ist aber kein verlässliches Maß für Qualität, Wissen oder Rechenaufwand. Modellparameter unterscheiden sich von Hyperparametern, die Lernverfahren oder Architektur vorab beziehungsweise über Validierung festlegen.

Patienten sind Personen, die gesundheitliche Beratung, Untersuchung, Behandlung oder Pflege erhalten. Im KI-Kontext können sie zugleich Nutzende und betroffene Personen sein, bleiben aber keine bloßen Datenquellen. Medizinische Entscheidungen erfordern klinische Einordnung, informierte Kommunikation und klare Verantwortung. Modellwerte ersetzen weder individuelle Anamnese noch professionelles Urteil; Sicherheit und Nutzen müssen für Population, Zweck und Versorgungskontext belegt werden.

Ein Penetrationstest ist eine autorisierte, zeitlich und sachlich begrenzte Sicherheitsprüfung, bei der Fachleute reale Angriffstechniken gegen ein System einsetzen. Ziel ist, ausnutzbare Schwachstellen und deren Auswirkungen nachzuweisen. Bei KI können zusätzlich Modell- und Prompt-Schnittstellen geprüft werden. Ein Pentest ist eine Momentaufnahme und ersetzt weder sichere Entwicklung noch laufendes Schwachstellenmanagement. Umfang, Erlaubnis und Ergebnisbehandlung müssen vorab festgelegt sein.

People – Process – Technology ist ein Organisationsmodell, das Veränderungen als Zusammenspiel von Menschen, Arbeitsabläufen und Technik betrachtet. Erfolgreicher KI-Einsatz erfordert deshalb nicht nur ein Modell, sondern Kompetenzen, Verantwortlichkeiten, angepasste Prozesse und tragfähige Infrastruktur. Die drei Bereiche sind voneinander abhängig. Das Modell ist eine praktische Heuristik, keine wissenschaftliche Garantie; Macht, Kultur, Recht und Umweltwirkungen müssen gegebenenfalls zusätzlich betrachtet werden.

Perplexität misst, wie gut ein probabilistisches Sprachmodell eine Tokenfolge vorhersagt, und ist die exponentierte mittlere negative Log-Wahrscheinlichkeit. Niedrigere Werte bedeuten auf demselben Datensatz und mit kompatibler Tokenisierung bessere Vorhersage. Werte verschiedener Tokenizer oder Daten sind kaum direkt vergleichbar. Geringe Perplexität belegt weder Faktenrichtigkeit, Verständlichkeit noch gute Aufgabenleistung.

Personenbezogene Daten sind nach der DSGVO alle Informationen, die sich auf eine identifizierte oder identifizierbare natürliche Person beziehen. Identifikation kann direkt oder indirekt über Kennungen, Merkmale oder vernünftigerweise verfügbare Zusatzinformationen erfolgen. Pseudonymisierung hebt den Personenbezug nicht automatisch auf. Auch Eingaben, Nutzungsprotokolle, Embeddings oder Modellausgaben können je nach Inhalt und Zuordenbarkeit personenbezogen sein.

Persönliche Daten ist eine umgangssprachliche Bezeichnung für Informationen über eine Person. Der präzise Rechtsbegriff der DSGVO lautet personenbezogene Daten: alle Informationen, die sich auf eine identifizierte oder identifizierbare natürliche Person beziehen. Auch indirekte Kennungen und Kombinationen können genügen. Ob Daten personenbezogen sind, hängt von Inhalt, Zweck und vernünftigerweise verfügbaren Zuordnungsmitteln ab, nicht nur von Namen oder Kontaktdaten.

Eine Pipeline ist eine geordnete Folge automatisierter Verarbeitungsschritte, in der Ausgaben eines Schritts zu Eingaben des nächsten werden. ML-Pipelines umfassen häufig Datenprüfung, Transformation, Training, Evaluation und Bereitstellung. Fehler oder veraltete Versionen können sich entlang der Kette fortpflanzen. Reproduzierbarkeit erfordert versionierte Artefakte, definierte Schnittstellen, Qualitätsgates, Protokollierung und kontrollierte Behandlung fehlgeschlagener Schritte.

Planung legt Ziele, Annahmen, Ressourcen, Schritte, Zuständigkeiten und Prüfkriterien für zukünftiges Handeln fest. Bei KI muss sie neben Funktion und Nutzen auch Daten, Betroffene, Risiken, rechtliche Rollen, menschliche Aufsicht und Außerbetriebnahme berücksichtigen. Planung ist keine einmalige Prognose: Neue Erkenntnisse aus Tests und Betrieb müssen zurückfließen. Klare Abbruch- und Erfolgskriterien verhindern, dass ein technisch mögliches Vorhaben ohne belegten Nutzen fortgesetzt wird.

Policy Enforcement setzt festgelegte Regeln technisch oder organisatorisch durch, etwa Zugriffs-, Daten- oder Nutzungsrichtlinien. Durchsetzungspunkte prüfen Anfragen und erlauben, verändern oder verweigern Aktionen. Regeln müssen eindeutig, versioniert und mit Ausnahmen versehen sein. Ein Sprachmodell sollte nicht allein über Berechtigungen entscheiden; verlässliche Kontrolle benötigt deterministische Prüfungen, minimale Rechte, Protokollierung und geregelte Eskalation.

Politik bezeichnet Prozesse und Institutionen, durch die verbindliche Entscheidungen für ein Gemeinwesen ausgehandelt und umgesetzt werden. Im organisatorischen Kontext kann „Policy“ eine festgelegte interne Leitlinie bedeuten. Beide Bedeutungen sind zu unterscheiden. KI-Politik verteilt Chancen, Risiken und Macht; sie sollte daher Interessen, Evidenz, Grundrechte und Beteiligung berücksichtigen. Technische Entscheidungen sind dabei nicht wertneutral, wenn sie gesellschaftliche Folgen gestalten.

Ein KI-Praktiker ist eine Person, die KI-Systeme beruflich entwickelt, integriert, bewertet, betreibt oder fachlich einsetzt. Der Ausdruck bezeichnet keine einheitlich geschützte Berufsqualifikation. Erforderliche Kompetenzen hängen von Rolle und Risiko ab und können Technik, Fachwissen, Sicherheit, Recht und Ethik umfassen. Klare Zuständigkeiten sind wichtig, weil interdisziplinäre Arbeit Verantwortung sonst zwischen Entwicklung, Beschaffung und Nutzung verlieren kann.

Precision ist bei binärer Klassifikation der Anteil tatsächlich positiver Fälle unter allen als positiv vorhergesagten Fällen. Sie beantwortet, wie verlässlich ein positives Ergebnis ist, und hängt von Schwellenwert sowie Klassenhäufigkeit ab. Hohe Precision kann mit niedrigem Recall erkauft werden. Welche Balance sinnvoll ist, bestimmen Fehlerfolgen und Einsatzkontext; Werte sollten mit Konfusionsmatrix und Unsicherheit berichtet werden.

Pretraining ist die anfängliche Trainingsphase eines Modells auf umfangreichen, meist breit zusammengestellten Daten und einer allgemeinen Zielfunktion. Das Modell lernt wiederverwendbare Repräsentationen, bevor es angepasst oder in Anwendungen eingebettet wird. Daten und Ziel prägen grundlegende Fähigkeiten und Verzerrungen. Nachgelagertes Fine-Tuning kann diese Eigenschaften verändern, aber problematische Muster des Vortrainings nicht zuverlässig vollständig entfernen.

Prinzipien sind grundlegende Leitvorstellungen, aus denen konkretere Regeln und Entscheidungen abgeleitet werden. In der KI-Ethik zählen dazu etwa Autonomie, Gerechtigkeit, Schadensvermeidung und Rechenschaft. Prinzipien können miteinander in Konflikt geraten und sind ohne Verfahren, Verantwortlichkeiten und messbare Anforderungen nicht unmittelbar umsetzbar. Ihre praktische Bedeutung zeigt sich daran, wie Zielkonflikte begründet und Auswirkungen tatsächlich überprüft werden.

Eine Private Cloud im Hochschulmandanten stellt Cloud-Ressourcen in einem organisatorisch abgegrenzten Tenant mit eigenen Identitäten, Richtlinien und Verträgen bereit. „Privat“ bedeutet nicht zwingend lokale Hardware oder ausschließlichen Zugriff durch die Hochschule. Datenschutz und Sicherheit hängen von Anbieter, Region, Administratorrechten, Unterauftragnehmern, Konfiguration und Datenflüssen ab. Die konkrete Architektur muss statt des Marketingbegriffs geprüft werden.

Privatsphäre bezeichnet den geschützten persönlichen Lebens- und Entscheidungsraum, in dem Menschen Kontrolle über Nähe, Beobachtung und Offenlegung ausüben können. Sie ist breiter als Datenschutz und umfasst auch räumliche, kommunikative und soziale Aspekte. KI kann Privatsphäre durch Zusammenführung, Inferenz und dauerhafte Beobachtung beeinträchtigen, selbst wenn einzelne Daten öffentlich wirken. Schutz verlangt Datenminimierung, Zweckbegrenzung und kontextgerechte Erwartungen.

Eine Probe ist eine begrenzte Auswahl aus einer größeren Grundgesamtheit, die untersucht wird, um Aussagen über diese Population zu gewinnen. Repräsentativität entsteht durch geeignetes Auswahlverfahren, nicht allein durch Größe. Verzerrte Auswahl, Ausfälle oder Abhängigkeiten können Ergebnisse verfälschen. Im maschinellen Lernen müssen Trainings-, Validierungs- und Testproben sauber getrennt und ihre Beziehung zum vorgesehenen Einsatz dokumentiert werden.

Eine Product Vision beschreibt den langfristigen Zweck eines Produkts, die adressierten Bedürfnisse, Zielgruppen und den angestrebten Nutzen. Sie gibt Orientierung, ersetzt aber keine überprüfbaren Anforderungen. Für KI-Produkte sollte sie auch Nichtziele, betroffene Gruppen und Grenzen benennen. Hypothesen über Nutzen müssen mit Forschung und Messgrößen geprüft werden; technische Machbarkeit allein belegt keinen nachhaltigen oder verantwortbaren Produktwert.

Ein Prompt ist die Eingabe oder Anweisung, die Kontext und gewünschte Aufgabe eines generativen Modells festlegt. Er kann Text, Beispiele, Bilder, strukturierte Daten oder Werkzeughinweise enthalten. Prompts beeinflussen Ausgaben, ändern aber grundsätzlich nicht die trainierten Modellparameter. Präzise Formulierungen können Qualität verbessern, garantieren jedoch weder Wahrheit noch Regeltreue. Vertrauliche Inhalte und indirekte Prompt-Manipulationen müssen berücksichtigt werden.

Prompt Engineering ist das systematische Entwerfen und Testen von Eingaben für generative Modelle. Es nutzt Anweisungen, Beispiele, Struktur und Kontext, um Ergebnisse für eine Aufgabe zu verbessern. Belastbare Prompts werden nicht nur an Einzelfällen beurteilt, sondern mit repräsentativen Tests, Fehlerkriterien und Modellversionen evaluiert. Prompting kann Modellgrenzen oder fehlende Daten nicht zuverlässig beseitigen und sollte durch technische sowie organisatorische Kontrollen ergänzt werden.

Prompt Injection ist ein Angriff, bei dem nicht vertrauenswürdige Inhalte Anweisungen enthalten, die das vorgesehene Verhalten einer Sprachmodellanwendung verändern. Indirekte Injection kann aus Webseiten oder Dokumenten stammen. Da Modelle Daten und Anweisungen nicht zuverlässig trennen, genügen Systemprompts nicht als Schutz. Werkzeuge brauchen minimale Berechtigungen, kontextunabhängige Prüfungen, Bestätigungen und kontrollierte Ausgabewege.

Ein Prompt Template ist eine wiederverwendbare Vorlage mit festen Anweisungen und definierten Platzhaltern für variable Inhalte. Es verbessert Konsistenz und Versionierbarkeit, kann aber unsichere Eingaben oder falsche Annahmen systematisch vervielfachen. Variablen müssen korrekt abgegrenzt und validiert werden. Qualität sollte mit repräsentativen Fällen, Modellversionen und klaren Bewertungskriterien statt nur anhand einzelner Beispielantworten geprüft werden.

Prompting ist das Formulieren und Bereitstellen von Eingaben, Kontext und Beispielen, um das Verhalten eines generativen Modells für eine Aufgabe zu lenken. Es verändert normalerweise nicht die Modellgewichte. Gute Prompts können Struktur und Relevanz verbessern, beseitigen aber keine Wissens-, Sicherheits- oder Zuverlässigkeitsgrenzen. Wiederholbare Anwendungen benötigen versionierte Vorlagen, Tests und Kontrollen außerhalb des Modells.

Proprietär bezeichnet Software, Modelle oder Daten, deren Nutzung, Veränderung oder Weitergabe durch Eigentümer und Lizenzbedingungen eingeschränkt wird. Der Quellcode oder die Modellgewichte sind häufig nicht öffentlich, müssen es aber nicht zwingend sein. Proprietär bedeutet weder automatisch geschlossen in jeder Hinsicht noch qualitativ schlechter. Entscheidend sind konkrete Rechte, Transparenz, Portabilität, Prüfmöglichkeiten, Abhängigkeiten und vertragliche Bedingungen.

Provider bezeichnet allgemein einen Anbieter technischer Dienste oder Modelle. Im EU AI Act ist „Anbieter“ eine rechtlich definierte Rolle für Personen oder Organisationen, die ein KI-System oder GPAI-Modell entwickeln oder entwickeln lassen und unter eigenem Namen in Verkehr bringen beziehungsweise in Betrieb nehmen. Vertragliche Selbstbezeichnung ist nicht entscheidend; Pflichten folgen aus tatsächlicher Rolle und Tätigkeit.

Public-Cloud-SaaS stellt Anwendungen, eine API einzelne Funktionen über gemeinsam betriebene Anbieterinfrastruktur bereit. Kunden nutzen logisch getrennte Ressourcen, besitzen aber Hardware und Basisschichten nicht selbst. Datenstandort, Trainingsnutzung, Supportzugriffe, Protokolle und Löschung hängen von Vertrag und Konfiguration ab. „Public“ bedeutet nicht öffentlich sichtbare Daten, und eine verschlüsselte Verbindung allein gewährleistet keine vollständige Kontrolle.

Quantisierung stellt Modellparameter oder Aktivierungen mit geringerer numerischer Präzision dar, etwa 8 statt 32 Bit. Dadurch sinken meist Speicherbedarf und Rechenaufwand, was lokale oder schnellere Inferenz ermöglicht. Die Umwandlung kann Genauigkeit beeinträchtigen; Ausmaß und betroffene Aufgaben hängen von Verfahren und Modell ab. Qualität muss deshalb nach der Quantisierung mit relevanten Daten und nicht nur anhand der Dateigröße geprüft werden.

Eine Query ist eine strukturierte oder natürlichsprachige Anfrage an ein Informationssystem. Suchmaschinen, Datenbanken und RAG-Systeme interpretieren sie unterschiedlich und können Filter, Berechtigungen oder Ranking anwenden. Die Formulierung beeinflusst gefundene Ergebnisse, ist aber nicht deren Wahrheitsnachweis. Für sichere Systeme müssen Parameter gebunden, Eingaben validiert und Zugriffsregeln unabhängig vom generativen Modell durchgesetzt werden.

Query Expansion erweitert eine Suchanfrage um verwandte Begriffe, Schreibvarianten oder automatisch erzeugte Formulierungen, um mehr relevante Treffer zu finden. Sie kann Synonyme, Wissensquellen oder Sprachmodelle nutzen. Höherer Recall kann geringere Precision und thematische Verschiebung verursachen. Erweiterungen sollten protokolliert, domänenspezifisch evaluiert und denselben Berechtigungsfiltern wie die ursprüngliche Anfrage unterworfen werden.

Retrieval-Augmented Generation verbindet ein generatives Modell mit einem Informationsabruf. Zu einer Anfrage werden passende Dokumentabschnitte gesucht und als Kontext für die Antwort bereitgestellt. Dadurch können aktuelles oder organisationsspezifisches Wissen und Quellenbezüge verbessert werden. RAG trainiert das Grundmodell normalerweise nicht neu und garantiert keine Richtigkeit: Abruf, Berechtigungen, Dokumentqualität, Kontextinterpretation und Zitatgenauigkeit müssen getrennt geprüft werden.

Realitätsverlust bezeichnet alltagssprachlich eine erhebliche Beeinträchtigung der Unterscheidung zwischen eigenen Vorstellungen, medialen Darstellungen und überprüfbarer Wirklichkeit. Er ist keine präzise Diagnose. Intensive KI-Interaktion kann bei einzelnen Menschen problematische Überzeugungen verstärken, doch Ursachen sind komplex und dürfen nicht aus Nutzung allein abgeleitet werden. Bei akuter Verwirrung oder Gefährdung ist professionelle menschliche Unterstützung erforderlich.

Recall ist der Anteil korrekt erkannter positiver Fälle an allen tatsächlich positiven Fällen. Er misst, wie vollständig ein Verfahren relevante Fälle findet. Hoher Recall kann durch mehr False Positives und geringere Precision erkauft werden. Der sinnvolle Schwellenwert hängt von Folgen übersehener und fälschlich markierter Fälle ab; Klassen, Datensatz und Unsicherheit müssen bei Vergleichen angegeben werden.

Rechenschaftspflicht bedeutet, dass verantwortliche Akteure Entscheidungen, Maßnahmen und Ergebnisse erklären, nachweisen und Folgen tragen müssen. Bei KI erfordert sie klare Rollen, dokumentierte Ziele, Daten- und Modellentscheidungen, Prüfungen sowie Beschwerde- und Abhilfewege. Transparenz allein genügt nicht; Informationen müssen mit Entscheidungsbefugnis und Konsequenzen verbunden sein. Verantwortung darf nicht einem System zugeschrieben werden, das nicht rechtlich oder moralisch verantwortlich handeln kann.

Rechte sind rechtlich oder moralisch begründete Ansprüche, Freiheiten und Schutzpositionen von Personen oder Gruppen. Grund- und Menschenrechte begrenzen auch Entwicklung und Einsatz von KI, etwa hinsichtlich Würde, Gleichbehandlung, Datenschutz und wirksamen Rechtsschutzes. Rechte werden nicht durch einen technischen Nutzenvergleich automatisch aufgehoben. Welche Ansprüche konkret gelten, hängt von Rechtsordnung, Rolle, Kontext und möglicher Beeinträchtigung ab.

Rechtspersönlichkeit ist die Fähigkeit, Träger von Rechten und Pflichten zu sein. Natürliche Personen besitzen sie; Rechtsordnungen verleihen sie außerdem bestimmten Organisationen wie Gesellschaften. KI-Systeme besitzen nach geltendem allgemeinen Verständnis keine eigene Rechtspersönlichkeit. Ihre vermeintlich autonomen Handlungen werden rechtlich Menschen oder Organisationen zugerechnet. Sprachliche Selbstbezeichnung oder komplexes Verhalten schaffen keine Rechtspersönlichkeit.

Red Teaming ist eine strukturierte, autorisierte Prüfung, bei der ein Team ein System aus Angreifer- oder Missbrauchsperspektive testet. Bei KI umfasst dies technische Schwachstellen, schädliche Ausgaben, Umgehung von Schutzmaßnahmen und unerwartete Nutzung. Ergebnisse hängen von Umfang, Fähigkeiten und Bedrohungsmodell ab. Red Teaming ergänzt Standardtests, beweist aber weder vollständige Sicherheit noch das Fehlen unbekannter Fehler.

Regierungsführung bezeichnet die Prozesse, Institutionen und Regeln, durch die öffentliche Angelegenheiten gesteuert und verantwortet werden. Als Übersetzung von „governance“ kann der Begriff auch weiter gefasste Koordination zwischen Staat, Wirtschaft und Gesellschaft meinen. Bei KI betrifft er Regulierung, Aufsicht, Beschaffung, Beteiligung und Rechenschaft. Gute Regierungsführung erfordert nachvollziehbare Zuständigkeiten, Grundrechtsschutz und wirksame Kontrolle statt bloßer technischer Leitlinien.

Reinforcement Learning, deutsch bestärkendes Lernen, trainiert einen Agenten durch Rückmeldungen aus Interaktionen mit einer Umgebung. Er lernt eine Strategie, die erwartete kumulierte Belohnung maximiert. Die Belohnungsfunktion bildet das eigentliche Ziel nur näherungsweise ab; Fehlanreize können unerwünschtes Verhalten erzeugen. Exploration, verzögerte Folgen und Übertragbarkeit auf reale Umgebungen machen Evaluation und Sicherheitsbegrenzungen besonders wichtig.

Repräsentationslernen bezeichnet Verfahren, die für eine Aufgabe nützliche Merkmalsdarstellungen direkt aus Daten lernen, statt alle Merkmale manuell festzulegen. Tiefe neuronale Netze erzeugen häufig hierarchische Repräsentationen. „Repräsentativ“ bedeutet hier Darstellung, nicht statistische Repräsentativität einer Stichprobe. Gelernte Merkmale spiegeln Trainingsdaten und Lernziel wider und können deshalb Verzerrungen oder irrelevante Abkürzungen enthalten.

Reproduzierbarkeit bedeutet, dass ein Ergebnis mit dokumentierten Daten, Verfahren und Bedingungen erneut erzeugt oder nachvollzogen werden kann. Je nach Fachgebiet wird der Begriff gegenüber Replikation unterschiedlich abgegrenzt. Bei KI erschweren zufällige Initialisierung, Hardware, Softwareversionen, nicht verfügbare Daten und externe Dienste die Wiederholung. Seeds allein genügen nicht; Code, Modellversion, Konfiguration, Datenherkunft und Auswertungsprotokoll sollten festgehalten werden.

Ein Reranker bewertet eine bereits gefundene Kandidatenmenge erneut und ordnet sie mit einem meist genaueren Modell. In Such- und RAG-Systemen folgt er auf einen schnellen Retriever und berücksichtigt häufig Anfrage und Dokument gemeinsam. Er kann irrelevante Treffer reduzieren, aber keine fehlenden Kandidaten zurückholen. Qualität, Latenz, Berechtigungsfilter und die Auswirkung auf nachgelagerte Antworten müssen gemeinsam getestet werden.

Responsible AI bezeichnet Praktiken, mit denen Organisationen KI rechtmäßig, sicher, fair und rechenschaftspflichtig entwickeln und einsetzen wollen. Der Begriff ist kein einheitlicher Standard und kann ohne überprüfbare Kriterien zum Marketingetikett werden. Belastbar wird er durch klare Verantwortlichkeiten, Folgen- und Risikoprüfung, Beteiligung Betroffener, dokumentierte Entscheidungen, wirksame Kontrollen und Abhilfe. Zielkonflikte dürfen nicht nur technisch behandelt werden.

Ein Retriever sucht zu einer Anfrage relevante Dokumente oder Passagen aus einem Bestand und liefert eine geordnete Kandidatenmenge. Er kann Schlüsselwörter, Embeddings oder hybride Verfahren nutzen. Abrufrelevanz ist nicht gleich Wahrheit und wird durch Index, Chunking, Metadaten und Berechtigungen geprägt. Evaluation benötigt geeignete Referenzanfragen, Recall- und Rankingmetriken sowie Tests für veraltete und unzulässige Inhalte.

Risiko verbindet die Möglichkeit eines unerwünschten Ereignisses mit dessen möglichen Folgen. Häufig wird es als Kombination aus Eintrittswahrscheinlichkeit und Schadensausmaß bewertet, doch bei hoher Unsicherheit sind Zahlen nur begrenzt belastbar. Bei KI entstehen Risiken aus Technik, Nutzung und gesellschaftlichem Kontext. Eine Bewertung muss betroffene Schutzgüter, Szenarien, Exposition, bestehende Kontrollen und verbleibendes Restrisiko transparent machen.

Eine Risikoklasse ordnet Systeme oder Tätigkeiten anhand festgelegter Kriterien einer Kategorie mit bestimmten Prüf- oder Schutzanforderungen zu. Im EU AI Act hängt die Einordnung nicht allein von der Technologie ab, sondern von Zweck, Funktion und Einsatzbereich. „Hochrisiko“ ist dort ein Rechtsbegriff. Eine niedrige regulatorische Klasse bedeutet nicht automatisch, dass im konkreten Kontext kein relevantes Sicherheits-, Datenschutz- oder Reputationsrisiko besteht.

Ein Risikomodell strukturiert, welche Gefahren, Ursachen, Eintrittsbedingungen, Folgen und Schutzmaßnahmen betrachtet werden. Es kann qualitativ oder quantitativ sein und unterstützt Priorisierung. Das Modell ist eine zweckgebundene Vereinfachung, keine objektive Abbildung aller Risiken. Annahmen, Daten, betroffene Schutzgüter, Unsicherheit und ausgeschlossene Szenarien müssen dokumentiert und bei Veränderungen regelmäßig überprüft werden.

Reinforcement Learning from Human Feedback passt ein Modell mithilfe menschlicher Präferenzurteile an. Häufig wird zunächst ein Belohnungsmodell aus Vergleichen trainiert und anschließend das Sprachmodell gegen dieses Signal optimiert. Das Verfahren richtet Verhalten an den erhobenen Präferenzen aus, nicht automatisch an Wahrheit oder universellen Werten. Auswahl der Bewertenden, Richtlinien, Daten und Optimierung können neue Verzerrungen erzeugen.

Ein Recurrent Neural Network verarbeitet Sequenzen mit Rückkopplungen, indem ein verborgener Zustand Informationen aus vorherigen Schritten weiterträgt. Es eignet sich für Sprache, Signale und Zeitreihen. Klassische RNNs können langfristige Abhängigkeiten wegen verschwindender oder explodierender Gradienten schlecht lernen; LSTM und GRU mindern dies. Rekurrenz ist eine Architektur, kein menschliches Erinnerungsvermögen.

Ein Roboter ist eine programmierbare Maschine, die ihre Umgebung über Sensoren erfassen und durch Aktoren physisch beeinflussen kann. Grad von Mobilität, Autonomie und Lernfähigkeit variiert erheblich. Nicht jeder Roboter nutzt KI, und nicht jedes KI-System ist ein Roboter. Sicherheit muss Mechanik, Steuerung, Wahrnehmung, menschliche Nähe und vorhersehbare Fehlfunktionen des Gesamtsystems gemeinsam berücksichtigen.

Robotik ist das interdisziplinäre Gebiet zur Entwicklung, Steuerung und Untersuchung von Robotern. Es verbindet unter anderem Maschinenbau, Elektrotechnik, Informatik, Regelungstechnik und Mensch-Maschine-Interaktion. KI kann Wahrnehmung, Planung oder Anpassung unterstützen, ist aber nur ein Teil möglicher Robotiksysteme. Physische Wirkung macht Tests, Sicherheitsfunktionen und die Berücksichtigung realer Umgebungsunsicherheit besonders bedeutsam.

Robustheit ist die Fähigkeit eines Systems, bei Störungen, Messfehlern oder begrenzten Veränderungen der Eingaben seine vorgesehene Leistung aufrechtzuerhalten. Sie ist immer relativ zu definierten Bedingungen und Metriken. Gute Durchschnittsleistung belegt keine Robustheit. Prüfungen sollten realistische Verteilungsänderungen, Extremfälle und gegebenenfalls gezielte Angriffe umfassen; Robustheit gegen eine Störungsart überträgt sich nicht automatisch auf andere.

KI-Robustheit beschreibt, wie verlässlich ein KI-System bei fehlerhaften, veränderten oder absichtlich manipulierten Bedingungen funktioniert. Sie umfasst das Modell und dessen Datenpipeline, Schnittstellen und Betriebsumgebung. Absolute Robustheit ist praktisch nicht nachweisbar; erforderlich sind ein begründeter Geltungsbereich, Stress- und Angriffstests, Monitoring sowie ein sicheres Fehlerverhalten. Schutzmaßnahmen müssen nach Systemänderungen erneut geprüft werden.

Role Prompting weist einem Sprachmodell im Prompt eine Rolle oder Perspektive zu, etwa „antworte als Tutor“. Dies kann Ton, Auswahl und Struktur der Ausgabe beeinflussen, verleiht dem Modell aber keine echte Qualifikation, Identität oder Verantwortung. Rollenbehauptungen dürfen fachliche Prüfung nicht ersetzen. Für verlässliche Anwendungen sind konkrete Aufgaben, Quellen, Grenzen und Bewertungskriterien wichtiger als eine personaartige Formulierung.

Ein rotes Team übernimmt bei einer autorisierten Sicherheits- oder Risikoprüfung die Rolle eines realistischen Gegners oder missbräuchlichen Nutzers. Es versucht, Schwächen und schädliche Wirkungspfade aufzudecken. Ein unabhängiges blaues Team verteidigt häufig das System; ein violettes Team fördert den Wissensaustausch. Qualität hängt von klarer Erlaubnis, vielfältiger Expertise, dokumentiertem Umfang und anschließender Behebung der Befunde ab.

Rückverfolgbarkeit ermöglicht, Herkunft, Verarbeitung, Versionen und Entscheidungen eines Systems über seinen Lebenszyklus nachzuvollziehen. Bei KI umfasst sie etwa Datenquellen, Modellstände, Konfigurationen, Freigaben und relevante Betriebsereignisse. Sie unterstützt Fehleranalyse und Rechenschaft, garantiert aber keine inhaltliche Richtigkeit. Nachweise müssen manipulationsgeschützt, verständlich, zweckbezogen und unter Beachtung von Datenschutz sowie Aufbewahrungsfristen geführt werden.

Sandboxing führt Programme oder Inhalte in einer abgeschotteten Umgebung mit begrenzten Rechten und Ressourcen aus. Es reduziert die Wirkung von Schadcode oder Fehlverhalten auf Hostsysteme und Daten. Die Isolation ist nie absolut und hängt von Laufzeit, Konfiguration und bekannten Schwachstellen ab. Für KI-Werkzeuge gehören Netzwerk-, Datei-, Prozess- und Zeitlimits sowie kontrollierte Ein- und Ausgabewege zur Sandbox.

Schadensbegrenzung umfasst Maßnahmen, die Wahrscheinlichkeit oder Ausmaß eines möglichen Schadens verringern. Sie folgt idealerweise einer Hierarchie: Risiken vermeiden, technisch reduzieren, organisatorisch kontrollieren und verbleibende Folgen bewältigen. Warnhinweise allein sind bei vermeidbaren Gefahren meist schwach. Für KI müssen Maßnahmen konkreten Szenarien zugeordnet, auf Wirksamkeit geprüft und nach Änderungen überwacht werden; ein Restrisiko bleibt ausdrücklich zu dokumentieren.

Schädigung ist eine nachteilige Beeinträchtigung geschützter Interessen, etwa Gesundheit, Rechte, Vermögen, Würde oder gesellschaftliche Teilhabe. Sie kann unmittelbar, mittelbar, kumulativ oder gruppenbezogen entstehen. Nicht jeder Modellfehler führt zu Schaden, und auch technisch korrekte Ausgaben können schädlich genutzt werden. Bewertung benötigt daher Wirkungsketten, betroffene Personen, Schwere, Dauer, Umkehrbarkeit und Möglichkeiten zur Abhilfe.

Schatten-KI bezeichnet KI-Dienste oder Modelle, die Beschäftigte ohne vorgesehene Freigabe, Transparenz oder organisatorische Kontrolle nutzen. Ursachen sind häufig fehlende geeignete Werkzeuge, unklare Regeln oder hoher Arbeitsdruck. Risiken betreffen Datenabfluss, Qualität, Lizenzen und fehlende Rechenschaft. Reine Verbote reichen selten; wirksame Governance kombiniert verständliche Regeln, sichere Alternativen, Kompetenzaufbau und verhältnismäßige technische Kontrollen.

Schlüsselkompetenzen sind übertragbare Fähigkeiten, die Menschen in unterschiedlichen Lern-, Arbeits- und Lebenssituationen handlungsfähig machen, etwa kritisches Denken, Kommunikation, digitale Kompetenz und Selbststeuerung. Welche Kompetenzen zentral sind, hängt vom Kontext ab. KI-Kompetenz ergänzt diese Fähigkeiten, ersetzt sie aber nicht. Bildungsziele sollten beobachtbares Können, Reflexion und verantwortliche Anwendung statt bloßer Werkzeugbedienung fördern.

Eine Schlussfolgerung ist eine Aussage, die aus Prämissen nach einer Schlussregel abgeleitet wird. Deduktive Schlüsse sind bei gültiger Form und wahren Prämissen zwingend; induktive und abduktive Schlüsse bleiben wahrscheinlich beziehungsweise erklärend. Sprachmodelle können schrittweise wirkende Texte erzeugen, doch deren Form beweist keine logische Gültigkeit. Prämissen, Regel und Ergebnis müssen unabhängig auf Konsistenz und Wahrheit geprüft werden.

Schmale KI, englisch Narrow AI, ist für bestimmte Aufgaben oder Anwendungsbereiche entwickelt, etwa Bilderkennung oder Übersetzung. Auch vielseitige Modelle bleiben schmal, wenn ihre Kompetenz nicht zuverlässig auf beliebige Ziele und Situationen übertragbar ist. Der Begriff grenzt solche Systeme von hypothetischer allgemeiner KI ab. Hohe Leistung in vielen Benchmarks belegt weder allgemeine Intelligenz noch menschliches Verständnis.

Schutzbedürftige Personen oder Gruppen sind aufgrund von Alter, Behinderung, Abhängigkeit, Ressourcenmangel oder gesellschaftlicher Benachteiligung besonderen Risiken ausgesetzt. Schutzbedürftigkeit ist kontextabhängig und keine feste persönliche Eigenschaft. KI kann bestehende Machtunterschiede verstärken oder neue Abhängigkeiten schaffen. Bewertung sollte Betroffene beteiligen, unterschiedliche Auswirkungen untersuchen und vermeiden, Schutz als Begründung für pauschalen Ausschluss oder Bevormundung zu verwenden.

KI-Cybersicherheit schützt KI-Systeme und ihre Daten vor vorsätzlichen Angriffen, unbefugtem Zugriff und Manipulation. Sie umfasst klassische Software- und Infrastruktursicherheit sowie modellspezifische Risiken wie Poisoning, Evasion, Prompt Injection und Modellextraktion. Schutz erfordert ein Bedrohungsmodell, minimale Rechte, sichere Lieferketten, Tests und Reaktionspläne. Modellfilter allein ersetzen keine technische Sicherheitsarchitektur.

Selbstüberwachtes Lernen erzeugt Lernziele aus den Daten selbst, etwa indem verdeckte Textteile vorhergesagt werden, und benötigt dadurch weniger manuelle Labels. Es ist nicht gleichbedeutend mit einem System, das sich im Betrieb eigenständig weitertrainiert. „Selbstlernend“ ist daher missverständlich. Ob ein Modell nach Bereitstellung aktualisiert wird, hängt von der implementierten Trainings- und Freigabepipeline ab und erfordert eigene Kontrollen.

Self-Attention berechnet für Elemente derselben Sequenz gewichtete Beziehungen zueinander. Aus Query-, Key- und Value-Repräsentationen entstehen kontextabhängige Ausgaben; mehrere Köpfe können unterschiedliche Beziehungsmuster lernen. Der Mechanismus ermöglicht parallele Verarbeitung und weitreichenden Kontext, benötigt in der Standardform jedoch quadratischen Aufwand zur Sequenzlänge. Attention-Gewichte sind nicht automatisch verlässliche Erklärungen des Modellentscheids.

Self-Hosted bedeutet, dass eine Organisation Software oder Modelle in einer von ihr kontrollierten Infrastruktur betreibt statt ausschließlich einen extern verwalteten Dienst zu nutzen. Das erhöht Konfigurations- und Datenkontrolle, überträgt aber Verantwortung für Updates, Sicherheit, Verfügbarkeit und Skalierung. Self-Hosted ist nicht gleich On-Premises und garantiert weder Datenschutz noch Unabhängigkeit; externe Images, Modelle und Telemetrie bleiben zu prüfen.

Semantische Suche ordnet Ergebnisse nach inhaltlicher Ähnlichkeit oder modellierter Bedeutung statt nur nach identischen Zeichenfolgen. Häufig werden Anfrage und Dokumente als Embeddings verglichen und mit Metadaten- oder Schlüsselwortsuche kombiniert. Sie findet Paraphrasen, kann aber thematisch ähnliche, sachlich falsche Inhalte bevorzugen. Qualität benötigt domänenspezifische Relevanztests, Berechtigungsfilter und transparente Behandlung fehlender Treffer.

Semantisches Rechnen verarbeitet formal beschriebene Bedeutungen und Beziehungen, etwa mit Ontologien, Wissensgraphen und logischen Schlussregeln. Ziel ist, Daten über gemeinsame Begriffe maschinenlesbar zu verknüpfen und daraus neue Aussagen abzuleiten. Die Verfahren verstehen Bedeutung nicht notwendig wie Menschen. Qualität hängt von Modellierung, Datenkonsistenz und Gültigkeit der Regeln ab; falsche Prämissen erzeugen formal korrekte, aber inhaltlich falsche Ergebnisse.

Sicherheit bezeichnet den Zustand, in dem unvertretbare Risiken für Menschen, Werte oder Systeme vermieden beziehungsweise beherrscht werden. Im Deutschen umfasst sie je nach Kontext Safety, also Schutz vor unbeabsichtigten Schäden, und Security, also Schutz vor vorsätzlichen Angriffen. Beide beeinflussen sich. Sicherheit ist keine absolute Eigenschaft; sie muss für festgelegten Zweck, Umgebung, Bedrohungen und akzeptierte Restrisiken begründet nachgewiesen werden.

Ein Small Language Model ist ein im Verhältnis zu großen Sprachmodellen kompakteres Modell mit geringerem Speicher- und Rechenbedarf. Es kann für begrenzte Aufgaben, lokale Ausführung oder niedrige Latenz vorteilhaft sein. Es gibt keine allgemein verbindliche Größengrenze. Weniger Parameter bedeuten weder automatisch geringere Qualität noch höhere Sicherheit; Aufgabe, Training, Architektur und Evaluation sind entscheidend.

Soft Computing ist ein Sammelbegriff für Verfahren, die mit Ungenauigkeit, Unsicherheit und Näherung arbeiten, etwa Fuzzy-Logik, neuronale Netze und evolutionäre Algorithmen. Ziel ist häufig eine brauchbare robuste Lösung statt einer exakt optimalen Berechnung. Die Zuordnung der Methoden ist historisch und nicht einheitlich. Näherungscharakter entbindet nicht von Evaluation; Fehlergrenzen und Eignung müssen für die konkrete Aufgabe belegt werden.

Softmax wandelt eine Liste reeller Werte in positive Anteile um, die zusammen eins ergeben. In Klassifikatoren oder Sprachmodellen wird sie häufig auf Logits angewendet, um eine Auswahlverteilung zu bilden. Diese Werte sind nur bei geeigneter Kalibrierung als reale Wahrscheinlichkeiten interpretierbar. Temperatur verändert die Konzentration der Verteilung; numerisch stabile Implementierungen vermeiden Über- und Unterlauf.

Soziale Normen sind geteilte Erwartungen darüber, welches Verhalten in einer Gruppe oder Situation üblich beziehungsweise angemessen ist. Sie werden durch Zustimmung und Sanktionen stabilisiert, können sich verändern und zwischen Gruppen widersprechen. Häufigkeit macht eine Norm weder moralisch richtig noch rechtlich verbindlich. KI-Systeme können dominante Normen aus Daten reproduzieren; abweichende oder benachteiligte Perspektiven dürfen deshalb nicht automatisch als Fehler behandelt werden.

Ein soziotechnisches System besteht aus miteinander wirkenden Menschen, Organisationen, Regeln, Arbeitsabläufen und technischen Komponenten. Ergebnisse entstehen aus diesem Zusammenspiel, nicht allein aus dem Modell. Derselbe KI-Baustein kann daher in verschiedenen Einrichtungen unterschiedliche Wirkungen haben. Evaluation und Risikomanagement müssen Rollen, Anreize, Übergaben, reale Nutzung und institutionellen Kontext ebenso untersuchen wie technische Kennzahlen.

Spionage ist die verdeckte oder unbefugte Beschaffung geschützter Informationen für staatliche, wirtschaftliche oder andere Zwecke. KI kann Analyse, Täuschung oder Skalierung unterstützen und selbst Ziel von Modelldiebstahl oder Datenabfluss sein. Nicht jede Datensammlung ist Spionage; entscheidend sind Berechtigung, Geheimhaltungsinteresse und Rechtsrahmen. Schutz umfasst Informationsklassifizierung, Zugriffskontrolle, Monitoring und sichere Lieferketten.

Spracherkennung wandelt ein Audiosignal mit gesprochener Sprache in Text oder strukturierte Einheiten um. Moderne Systeme nutzen akustische und sprachliche Modelle, oft gemeinsam in neuronalen Architekturen. Fehler hängen von Geräusch, Mikrofon, Aussprache, Sprache und Fachwortschatz ab und können Gruppen unterschiedlich betreffen. Transkription ist keine vollständige Interpretation von Bedeutung, Absicht oder emotionalem Zustand.

Sprachsynthese erzeugt aus Text ein künstliches Sprachsignal. Systeme modellieren Aussprache, Rhythmus und Stimme und können sehr natürlich klingen. Natürlichkeit belegt weder menschliche Herkunft noch inhaltliche Richtigkeit. Stimmklonen schafft Missbrauchs- und Persönlichkeitsrisiken; Einwilligung, Kennzeichnung und Zugriffsschutz sind wichtig. Qualität muss neben Verständlichkeit auch Sprache, Namen, Fachbegriffe und unterschiedliche Nutzungssituationen berücksichtigen.

Stakeholder sind Personen, Gruppen oder Organisationen, die ein Vorhaben beeinflussen oder von seinen Entscheidungen und Folgen betroffen sind. Dazu zählen nicht nur Auftraggebende und Nutzende, sondern auch indirekt Betroffene, Beschäftigte, Aufsicht und Öffentlichkeit. Interessen und Macht sind ungleich verteilt. Eine Stakeholderanalyse sollte Einfluss, Schutzbedürftigkeit und Konflikte sichtbar machen; bloße Information ist noch keine wirksame Beteiligung.

Standards sind dokumentierte Vereinbarungen oder technische Regeln für Begriffe, Verfahren, Schnittstellen oder Qualitätsanforderungen. Sie können von Normungsorganisationen, Behörden oder Branchen stammen und unterschiedlich verbindlich sein. Standards erleichtern Vergleich und Zusammenarbeit, garantieren aber keine vollständige Sicherheit oder Rechtskonformität. Bei Verweisen müssen Herausgeber, Nummer, Ausgabe, Geltungsbereich und Art des Konformitätsnachweises eindeutig angegeben werden.

Adaptive Steuerung passt ihre Parameter während des Betriebs an Veränderungen eines Prozesses oder seiner Umgebung an. Sie nutzt Beobachtungen, um ein Regelungsmodell oder eine Strategie zu aktualisieren. Anpassungsfähigkeit kann Leistung erhalten, erschwert aber Vorhersage und Prüfung. Stabile Grenzen, sichere Rückfallzustände und Überwachung sind erforderlich. Adaptive Steuerung ist nicht automatisch maschinelles Lernen und nicht mit organisatorischer Governance gleichzusetzen.

Stichprobenauswahl bestimmt, welche Beobachtungen aus einer Grundgesamtheit analysiert oder zum Training verwendet werden. Zufallsbasierte Verfahren erlauben unter geeigneten Bedingungen statistische Verallgemeinerung; gezielte Auswahl kann seltene Fälle absichern. Bequem verfügbare Daten sind oft verzerrt. Auswahlrahmen, Ein- und Ausschlüsse, Gewichtung sowie fehlende Gruppen müssen dokumentiert werden, weil sie Leistung und Fairness unmittelbar prägen.

Stimmungsanalyse klassifiziert wertende Haltung in Text, häufig als positiv, neutral oder negativ. Sie erfasst sprachliche Muster, nicht direkt Gefühle oder Absichten einer Person. Ironie, Kontext, Mehrsprachigkeit und domänenspezifische Bedeutungen verursachen erhebliche Fehler. Kategorien und Referenzlabels enthalten normative Entscheidungen. Für individuelle oder folgenreiche Bewertungen ist eine pauschale Stimmungskennzahl daher besonders vorsichtig zu verwenden.

Strafverfolgung umfasst staatliche Maßnahmen zur Aufklärung und Verfolgung mutmaßlicher Straftaten. KI kann etwa bei Analyse, Priorisierung oder Identifizierung unterstützen, berührt aber Unschuldsvermutung, Datenschutz, Gleichbehandlung und wirksamen Rechtsschutz. Vorhersagen sind keine Beweise und können historische Kontrollmuster fortschreiben. Hoheitliche Entscheidungen benötigen klare Rechtsgrundlage, Verhältnismäßigkeit, überprüfbare Qualität und tatsächlich wirksame menschliche Verantwortung.

Subsymbolische KI repräsentiert Wissen verteilt in numerischen Parametern und Aktivierungsmustern statt hauptsächlich durch explizite Symbole und Regeln. Neuronale Netze sind das wichtigste Beispiel. Solche Verfahren lernen komplexe Muster aus Daten, ihre internen Gründe sind aber häufig schwer unmittelbar zu lesen. Die Abgrenzung zur symbolischen KI ist nicht absolut; hybride Systeme kombinieren beide Ansätze.

Eine Suchmaschine erschließt einen Informationsbestand durch Crawling oder Import, Indexierung, Anfrageverarbeitung und Ranking. Ergebnisse werden nach geschätzter Relevanz geordnet, nicht nach garantierter Wahrheit. Personalisierung, Aktualität, Geschäftsmodelle und Indexabdeckung beeinflussen Sichtbarkeit. Generative Antworten können Suche ergänzen, erschweren aber Quellenprüfung. Nutzer benötigen erkennbare Herkunft, Zugriffsrechte und Möglichkeiten, Primärquellen zu öffnen.

Superintelligenz ist ein hypothetisches System, das menschliche kognitive Spitzenleistung in nahezu allen relevanten Bereichen deutlich übertrifft. Es existiert keine allgemein akzeptierte Messdefinition und kein wissenschaftlicher Nachweis, dass heutige KI diesen Zustand erreicht hat. Aussagen über Zeitpunkt, Fähigkeiten und Folgen sind spekulativ. Der Begriff sollte daher klar von beobachtbarer Modellleistung und gegenwärtigen, empirisch belegbaren Risiken getrennt werden.

Supervised Learning, deutsch überwachtes Lernen, trainiert ein Modell mit Beispielen aus Eingaben und zugehörigen Zielwerten. Es lernt eine Abbildung, die auf neue Daten generalisieren soll. Labels können fehlerhaft oder normativ geprägt sein, und Trainingsdaten müssen den Einsatz abbilden. Getrennte Validierungs- und Testdaten sowie geeignete Fehleranalysen sind notwendig, um Überanpassung und Gruppenunterschiede zu erkennen.

Eine Supply-Chain-Schwachstelle entsteht in Abhängigkeiten, Werkzeugen, Daten, Modellen oder Dienstleistern, die in ein System eingehen. Angreifer können vertrauenswürdige Aktualisierungen, Pakete oder Modellartefakte kompromittieren. Schutz benötigt Inventare, Herkunfts- und Signaturprüfung, minimale Build-Rechte, gesperrte Versionen, Schwachstellenbeobachtung und Ausstiegspläne. Die Prüfung des eigenen Codes allein deckt diese Risiken nicht ab.

Eine Support Vector Machine ist ein überwachtes Lernverfahren, das eine Trennfläche mit möglichst großem Abstand zwischen Klassen bestimmt. Durch Kernel-Funktionen kann es nichtlineare Grenzen in einem transformierten Merkmalsraum modellieren. SVMs eignen sich oft für mittelgroße, hochdimensionale Datensätze. Leistung hängt von Skalierung, Kernel, Regularisierung und Datenverteilung ab; ausgegebene Abstände sind nicht automatisch kalibrierte Wahrscheinlichkeiten.

Symbolische KI verarbeitet explizite Symbole, Fakten und Regeln, um Schlussfolgerungen oder Pläne abzuleiten. Wissensbasen, Logikprogramme und klassische Expertensysteme gehören dazu. Ihre Schritte können häufig nachvollzogen werden, doch Aufbau und Pflege des Wissens sind aufwendig, und unsichere Wahrnehmungsdaten bereiten Schwierigkeiten. Hybride Ansätze verbinden symbolische Strukturen mit lernenden, subsymbolischen Modellen.

Synthetische Trainingsdaten werden künstlich erzeugt, etwa durch Simulation, Regeln oder generative Modelle, statt direkt als reale Beobachtungen erhoben zu werden. Sie können seltene Fälle ergänzen und Datenschutzrisiken reduzieren, bilden aber Annahmen und Fehler des Erzeugungsverfahrens ab. Synthetisch bedeutet nicht automatisch anonym oder repräsentativ. Nutzen erfordert Herkunftsdokumentation und Evaluation an unabhängigen realen Daten.

Ein System ist eine abgegrenzte Menge miteinander verbundener Elemente, die gemeinsam Funktionen erfüllen oder Verhalten hervorbringen. Die gewählte Systemgrenze bestimmt, welche Menschen, Daten, Geräte und Prozesse einbezogen werden. Bei KI ist das Modell nur eine Komponente des Anwendungssystems. Risiken und Leistung können deshalb nicht vollständig aus Modelleigenschaften abgeleitet werden, sondern müssen für das Gesamtsystem und seine Umgebung bewertet werden.

Ein Systemprompt ist eine übergeordnete Anweisung, die einer Sprachmodellanwendung Kontext, Rolle, Regeln oder Ausgabeformat vorgibt. Er wird typischerweise vor Nutzereingaben in den Modellkontext eingefügt und verändert die Modellgewichte nicht. Systemprompts können Verhalten lenken, sind aber keine verlässliche Sicherheitsgrenze: Konflikte, Prompt Injection und Modellfehler erfordern zusätzliche Berechtigungen, Eingabeprüfung und kontrollierte Werkzeuge.

Technische Normen sind konsensbasierte Dokumente, die Anforderungen, Prüfverfahren oder Schnittstellen für wiederholbare Anwendungen festlegen. Anerkannte Normungsorganisationen veröffentlichen sie in bestimmten Ausgaben und Geltungsbereichen. Ihre Anwendung ist grundsätzlich freiwillig, kann aber durch Vertrag oder Recht verbindlich werden. Normkonformität bedeutet nicht automatisch vollständige Sicherheit; Auswahl, Umsetzung und Nachweis müssen zum konkreten Produkt und Risiko passen.

Technologie umfasst Wissen, Verfahren, Werkzeuge und organisatorische Praktiken zur gezielten Lösung praktischer Aufgaben. Sie ist mehr als ein einzelnes Gerät oder Programm und wirkt immer in sozialen und wirtschaftlichen Zusammenhängen. Technische Möglichkeiten bestimmen nicht allein, ob eine Anwendung sinnvoll oder legitim ist. Nutzen, Alternativen, Verteilung von Folgen, Wartbarkeit und Abhängigkeiten müssen ebenfalls bewertet werden.

Temperature ist ein Decodierungsparameter, der die Logits eines generativen Modells vor der Auswahl skaliert. Höhere Werte verteilen Wahrscheinlichkeit breiter und erhöhen typischerweise Vielfalt; niedrigere konzentrieren sie auf wahrscheinliche Tokens. Der Effekt hängt von Modell und weiteren Samplingregeln ab. Niedrige Temperatur garantiert weder Determinismus noch Faktenrichtigkeit, und hohe Temperatur misst keine Kreativität.

Ein Tensor ist in Machine-Learning-Bibliotheken eine mehrdimensionale Anordnung numerischer Werte. Skalar, Vektor und Matrix sind Tensoren mit null, einer beziehungsweise zwei Dimensionen. Modelle führen darauf Operationen aus und berechnen über automatische Differenzierung Gradienten. Form, Datentyp, Gerät und Achsenbedeutung müssen bekannt sein; der Begriff bezeichnet eine Datenstruktur, nicht eigenständig ein Modell oder Wissen.

Ein Test ist ein geplantes Verfahren, das beobachtetes Verhalten mit festgelegten Erwartungen vergleicht. Bei KI können Tests Funktion, Leistung, Robustheit, Sicherheit oder Fairness betreffen. Ein bestandener Test belegt nur die geprüften Bedingungen und Fälle, nicht allgemeine Fehlerfreiheit. Aussagekräftige Tests benötigen unabhängige Daten, klare Kriterien, dokumentierte Umgebung und eine Auswahl, die relevante Normal-, Rand- und Missbrauchsfälle abdeckt.

Test- oder Bewertungsdaten sind Beispiele, die nach Entwicklung und Modellauswahl zur unabhängigen Leistungsmessung verwendet werden. Sie dürfen nicht indirekt zur Optimierung genutzt worden sein, sonst entsteht Datenleckage und die Leistung wird überschätzt. Der Datensatz muss den vorgesehenen Einsatz und wichtige Untergruppen abbilden. Ein einzelner statischer Testsatz kann spätere Drift oder neue Fehlerszenarien nicht erfassen.

Tiefes Lernen ist maschinelles Lernen mit neuronalen Netzen aus mehreren Verarbeitungsschichten. Diese lernen hierarchische Repräsentationen und ermöglichen leistungsfähige Sprach-, Bild- und Audiosysteme. „Tief“ bezieht sich auf die Architektur, nicht auf Verständnis. Verfahren benötigen oft umfangreiche Daten und Rechenressourcen; ihre Ergebnisse können schwer interpretierbar sein und bei unbekannten Datenverteilungen deutlich an Zuverlässigkeit verlieren.

Ein Token ist eine elementare Einheit, in die ein Modell Eingaben zerlegt und aus der es Ausgaben zusammensetzt. Bei Sprachmodellen kann ein Token ein Wort, Wortteil, Zeichen oder Bytefolge sein. Token sind nicht mit Wörtern gleichzusetzen; Anzahl und Zerlegung hängen vom Tokenizer ab. Kontextgrenzen, Rechenkosten und Textlängen werden häufig in Tokens gemessen.

Tokenisierung zerlegt Rohdaten in diskrete Einheiten, die ein Modell verarbeiten kann. Bei Text geschieht dies beispielsweise als Wörter, Teilwörter oder Bytes; anschließend werden Token-IDs in Vektoren überführt. Das verwendete Vokabular beeinflusst Sequenzlänge und Darstellung verschiedener Sprachen. Ungewöhnliche Schreibweisen, Fachbegriffe und Namen können ungünstig zerlegt werden, ohne dass der Tokenizer ihre Bedeutung versteht.

Ein Tokenizer wandelt Rohtext oder andere Daten in eine Folge diskreter Token-IDs und zurück. Bei Sprachmodellen nutzt er ein festgelegtes Vokabular aus Wörtern, Teilwörtern, Zeichen oder Bytes. Unterschiedliche Tokenizer zerlegen denselben Text verschieden und beeinflussen Kosten, Kontextlänge und Sprachabdeckung. Die Rückumwandlung kann spezielle Regeln enthalten; Tokenisierung selbst versteht keine Bedeutung.

TOM steht im Datenschutz für technische und organisatorische Maßnahmen zum Schutz personenbezogener Daten. Nach der DSGVO müssen sie dem Risiko angemessen sein und etwa Vertraulichkeit, Integrität, Verfügbarkeit sowie Wiederherstellbarkeit unterstützen. Beispiele sind Zugriffskontrolle, Verschlüsselung, Schulung und Notfallverfahren. Eine Maßnahmenliste genügt nicht: Auswahl, Umsetzung, Wirksamkeit und regelmäßige Überprüfung müssen nachweisbar sein.

Top-k Sampling beschränkt bei jedem Generierungsschritt die Auswahl auf die k Tokens mit den höchsten Wahrscheinlichkeiten und zieht daraus eine Stichprobe. Kleine k erzeugen konzentriertere, große k vielfältigere Ausgaben. Die Methode ignoriert die absolute Form der Restverteilung und wird häufig mit Temperatur kombiniert. Sie steuert Variabilität, verbessert aber nicht automatisch Wahrheit, Sicherheit oder Kohärenz.

Top-p- oder Nucleus-Sampling wählt die kleinste Tokenmenge, deren kumulierte Wahrscheinlichkeit mindestens p erreicht, und sampelt daraus. Anders als Top-k passt sich die Kandidatenzahl der Verteilung an. Niedriges p begrenzt Vielfalt, hohes p lässt mehr Alternativen zu. Der Parameter beeinflusst Stil und Zufall, ist aber kein Qualitäts- oder Sicherheitsregler und garantiert keine korrekten Aussagen.

Ein trainiertes Modell ist die aus Architektur, gelernten Parametern und gegebenenfalls weiteren Zuständen entstandene Rechenstruktur nach einem Lernprozess. Es bildet Muster der Trainingsbedingungen für eine definierte Aufgabe ab. Die Datei allein ist noch kein vollständiges KI-System. Für Nutzung und Reproduktion sind außerdem Vorverarbeitung, Tokenizer, Konfiguration, Softwareversion, Lizenz und dokumentierter Einsatzbereich erforderlich.

Training ist der Optimierungsprozess, in dem Modellparameter anhand von Daten und einer Zielfunktion angepasst werden. Ein Algorithmus berechnet Fehler oder Rückmeldungen und aktualisiert Parameter wiederholt. Training kann vorab oder kontrolliert nach Bereitstellung erfolgen. Mehr Training garantiert keine bessere Eignung: Datenqualität, Zieldefinition, Überanpassung, Rechenaufwand und getrennte Evaluation bestimmen, ob das gelernte Verhalten im Einsatz zuverlässig ist.

Trainingsdaten passen Modellparameter an; Testdaten bewerten das fertige Verfahren unabhängig. Jede Nutzung des Tests zur Modellwahl macht ihn faktisch zu Entwicklungsdaten und kann Leistung überschätzen. Beide Datensätze müssen klar getrennt, versioniert und für den vorgesehenen Einsatz geeignet sein. Personen-, Zeit- oder Dokumentüberschneidungen können trotz unterschiedlicher Dateien Datenleckage verursachen.

Trainingsdaten sind Beispiele, anhand derer ein Modell seine Parameter oder Regeln lernt. Sie können Eingaben, Labels, Präferenzen oder Interaktionen enthalten. Auswahl, Herkunft, Qualität, Rechte und Repräsentativität prägen Fähigkeiten und Fehler des Modells. Große Mengen gleichen systematische Lücken nicht automatisch aus. Dokumentation und Trennung von Testdaten sind für belastbare Bewertung sowie rechtmäßige Nutzung wesentlich.

Transfer Learning überträgt Repräsentationen oder Parameter eines auf einer Ausgangsaufgabe trainierten Modells auf eine neue Aufgabe. Fine-Tuning ist eine verbreitete Form; auch feste Features können übernommen werden. Das spart häufig Daten und Rechenaufwand. Fähigkeiten, Verzerrungen und Sicherheitsprobleme des Ausgangsmodells können mitübertragen werden, weshalb Eignung und Leistung im neuen Kontext eigenständig geprüft werden müssen.

Ein Transformer ist eine neuronale Architektur, die Sequenzelemente vor allem durch Attention-Mechanismen in Beziehung setzt. Dadurch können viele Positionen parallel verarbeitet und weitreichende Abhängigkeiten modelliert werden. Transformer bilden die Grundlage vieler moderner Sprach- und multimodaler Modelle. Architektur allein erklärt keine Fähigkeit: Trainingsziel, Daten, Skalierung und Laufzeitverfahren bestimmen Verhalten, Kosten und Grenzen des konkreten Modells.

Transparenz bedeutet, relevante Informationen über Zweck, Funktionsweise, Daten, Grenzen und Verantwortlichkeiten zugänglich und verständlich zu machen. Welche Tiefe erforderlich ist, hängt von Adressat und Risiko ab. Eine bloße Veröffentlichung umfangreicher Dokumente schafft noch keine Nachvollziehbarkeit. Transparenz ermöglicht Prüfung und informierte Entscheidungen, ersetzt aber weder wirksame Kontrolle, Datenschutz noch Rechenschaft und Abhilfe bei Schäden.

Übeltäter bezeichnet alltagssprachlich eine Person oder Gruppe, die vorsätzlich schädlich oder rechtswidrig handelt. In Sicherheitsanalysen ist „Angreifer“ oder „Bedrohungsakteur“ präziser, weil Fähigkeiten, Zugang und Ziele beschrieben werden. Moralische Etiketten ersetzen kein Bedrohungsmodell und können unbeabsichtigte Fehler mit Angriffen vermischen. Schutzmaßnahmen sollten beobachtbares Verhalten und realistische Szenarien statt vermuteter Charaktereigenschaften adressieren.

Überprüfbarkeit ist die Eigenschaft, dass Aussagen, Entscheidungen oder Systemverhalten anhand zugänglicher Evidenz nachvollzogen und beurteilt werden können. Sie benötigt dokumentierte Anforderungen, Datenherkunft, Versionen, Protokolle und reproduzierbare Verfahren. Transparenz allein reicht nicht, wenn Informationen unvollständig oder unverständlich sind. Unabhängige Prüfende brauchen angemessenen Zugang, ohne dabei Datenschutz, Sicherheit oder Geschäftsgeheimnisse unnötig zu verletzen.

Überprüfung ist die systematische Kontrolle, ob festgelegte Anforderungen, Aussagen oder Ergebnisse erfüllt beziehungsweise begründet sind. Je nach Zweck geschieht sie durch Review, Test, Audit oder Replikation. Bei KI müssen technische Werte, Daten, Einsatzabläufe und Auswirkungen betrachtet werden. Eine einmalige Prüfung ist zeitgebunden; Modell-, Daten- oder Kontextänderungen können ihren Aussagewert aufheben und erneute Kontrolle erfordern.

Die Überprüfung der Datenqualität bewertet, ob Daten für einen bestimmten Zweck geeignet sind. Sie untersucht unter anderem Vollständigkeit, Genauigkeit, Konsistenz, Aktualität, Repräsentativität, Herkunft und zulässige Nutzung. Allgemein „gute“ Daten gibt es nicht; Kriterien hängen von Aufgabe und Risiken ab. Automatische Regeln finden Formfehler, ersetzen aber keine fachliche Prüfung von Bedeutung, Messverfahren und systematischen Lücken.

Übersetzung überträgt Bedeutung und kommunikative Funktion zwischen Sprachen unter Berücksichtigung von Kontext, Zielgruppe und Konventionen. Sie ist mehr als wortweiser Austausch und kann mehrere angemessene Lösungen besitzen. Maschinelle Systeme erzeugen statistisch plausible Fassungen, können aber Terminologie, Nuancen oder implizite Bezüge verfehlen. Folgenreiche Texte benötigen qualifizierte Prüfung und klare Kennzeichnung der maßgeblichen Sprachfassung.

Überzeugende Technologie ist gezielt gestaltet, um Einstellungen oder Verhalten zu verändern, ohne Zwang auszuüben. Beispiele sind personalisierte Hinweise, soziale Signale und Belohnungsmechanismen. Unterstützung kann legitim sein, wird aber manipulativ, wenn Absichten verborgen, Schwächen ausgenutzt oder Wahlmöglichkeiten beeinträchtigt werden. Bewertung erfordert Transparenz, Autonomie, Verhältnismäßigkeit, Betroffenheit und besondere Vorsicht bei schutzbedürftigen Menschen.

Überzeugung bezeichnet sowohl eine für wahr gehaltene Auffassung als auch den Prozess, jemanden durch Gründe oder Kommunikation zu einer Haltung zu bewegen. Sie unterscheidet sich von Manipulation, wenn Absichten erkennbar sind und autonome Prüfung möglich bleibt. KI kann Argumente personalisieren und skalieren, besitzt aber keine nachgewiesenen eigenen Überzeugungen. Sprachliche Behauptungen über einen inneren Glauben sind kein Beleg dafür.

Umschulung vermittelt neue berufliche Kompetenzen für eine wesentlich veränderte oder andere Tätigkeit. Im Kontext von KI kann sie Beschäftigte auf neue Aufgaben vorbereiten, darf aber nicht als automatische Lösung für Arbeitsplatzveränderungen gelten. Zugang, Zeit, Lernvoraussetzungen, Qualität und reale Beschäftigungsperspektiven bestimmen den Erfolg. Organisationen tragen weiterhin Verantwortung für eine sozial verträgliche Arbeitsgestaltung und faire Übergänge.

Underfitting, deutsch Unteranpassung, liegt vor, wenn ein Modell relevante Strukturen der Daten nicht ausreichend erfasst und bereits auf Trainingsdaten schlecht leistet. Ursachen können zu geringe Kapazität, ungeeignete Merkmale, starke Regularisierung oder unzureichendes Training sein. Mehr Komplexität ist nicht immer die Lösung; Daten- und Zielfehler müssen ebenfalls geprüft werden. Lernkurven helfen, Unter- von Überanpassung zu unterscheiden.

Universelles Design gestaltet Produkte, Umgebungen und Dienste so, dass möglichst viele Menschen sie ohne nachträgliche Sonderanpassung nutzen können. Es berücksichtigt unterschiedliche Fähigkeiten von Beginn an und schließt unterstützende Technologien ein. „Universell“ bedeutet nicht, dass jede individuelle Anforderung vollständig erfüllt wird. Bei KI gehören zugängliche Eingaben, verständliche Ausgaben, alternative Bedienwege und Tests mit vielfältigen Nutzenden dazu.

Unsupervised Learning, deutsch unüberwachtes Lernen, untersucht Daten ohne vorgegebene Zielwerte und sucht etwa Gruppen, Repräsentationen oder Anomalien. Gefundene Strukturen hängen von Merkmalen, Distanzmaß, Algorithmus und Parametern ab. Sie sind nicht automatisch natürliche oder sinnvolle Kategorien. Fachliche Interpretation, Stabilitätsprüfung und unabhängige Evaluation sind nötig, besonders wenn Ergebnisse Personen klassifizieren oder Entscheidungen beeinflussen.

Unterstützende Technologie umfasst Geräte, Software oder Dienstleistungen, die Menschen mit Behinderungen bei Aktivität, Kommunikation und Teilhabe unterstützen. Beispiele sind Screenreader, alternative Eingaben oder Spracherkennung. KI kann Funktionen verbessern, aber Fehler zugleich neue Barrieren schaffen. Gestaltung sollte mit betroffenen Nutzenden erfolgen, Standards einhalten und sichere Alternativen bieten, wenn automatische Erkennung oder Anpassung versagt.

Unüberwachtes Lernen sucht Strukturen in Daten ohne vorgegebene Ziel-Labels, etwa Cluster, niedrigdimensionale Darstellungen oder Anomalien. Das Verfahren entdeckt statistische Regelmäßigkeiten, nicht automatisch inhaltlich wahre oder nützliche Kategorien. Interpretation und Zahl der Gruppen hängen von Daten, Merkmalen, Algorithmus und Parametern ab. Ergebnisse müssen daher fachlich validiert und auf Verzerrungen geprüft werden.

Urheberrecht schützt persönliche geistige Schöpfungen und gewährt Urhebern Rechte an Nutzung und Anerkennung. Reine Ideen, Fakten und regelmäßig vollständig maschinell erzeugte Inhalte sind nicht automatisch als Werke geschützt; menschliche Beiträge können jedoch schutzfähig sein. Bei KI betreffen Fragen Trainingsmaterial, Eingaben, Ausgaben und Lizenzen unterschiedliche Ebenen. Die rechtliche Bewertung hängt von Werk, Nutzung, Rechtsraum und Einzelfall ab.

Ein Use Case beschreibt einen konkreten Nutzungsvorgang, in dem bestimmte Akteure mit einem System ein Ziel erreichen sollen. Er benennt Auslöser, Ablauf, Daten, Ergebnis und Ausnahmen. Bei KI müssen zusätzlich betroffene Personen, menschliche Entscheidungen, Fehlerszenarien und Erfolgskriterien erfasst werden. Eine allgemeine Technologiebezeichnung wie „Chatbot“ ist noch kein Use Case; erst der konkrete Zweck ermöglicht Nutzen- und Risikobewertung.

Ein User Prompt ist die Eingabe einer nutzenden Person an eine generative Anwendung. Er steht meist unter übergeordneten System- oder Entwickleranweisungen und kann Text, Dateien oder multimodale Inhalte enthalten. Die Anwendung darf ihn nicht automatisch als vertrauenswürdig behandeln. Vertrauliche Daten, Prompt Injection, zulässige Werkzeuge und erwartetes Ausgabeformat benötigen Schutz unabhängig davon, wie höflich oder eindeutig die Eingabe wirkt.

Validierung prüft, ob ein System für seinen vorgesehenen Zweck und Einsatzkontext geeignet ist. Sie unterscheidet sich von Verifikation, die fragt, ob festgelegte Spezifikationen korrekt umgesetzt wurden. Bei KI umfasst Validierung relevante Daten, Nutzergruppen, Arbeitsabläufe, Risiken und Erfolgskriterien. Sie ist vor Einführung und nach wesentlichen Änderungen erforderlich; gute Laborwerte allein belegen keine Eignung im realen Betrieb.

Validierungsdaten sind ein vom Training getrennter Datensatz zur Auswahl von Modellvarianten, Hyperparametern oder Entscheidungsschwellen. Weil Ergebnisse die Entwicklung beeinflussen, sind sie keine unabhängigen Testdaten mehr. Häufige Wiederverwendung kann zur Überanpassung an den Validierungssatz führen. Herkunft, Repräsentativität und Trennung müssen dokumentiert werden; die abschließende Leistungsangabe benötigt einen unangetasteten Testsatz oder eine geeignete externe Prüfung.

Eine Vektordatenbank speichert und durchsucht hochdimensionale Vektoren, häufig Embeddings von Texten, Bildern oder anderen Objekten. Näherungsalgorithmen finden Vektoren mit geringer geometrischer Distanz und ermöglichen semantisch orientierten Abruf. Vektorähnlichkeit ist jedoch keine Wahrheits- oder Relevanzgarantie. Indexparameter, Metadatenfilter, Berechtigungen, Aktualisierung und Evaluation der tatsächlich gefundenen Inhalte bestimmen die Qualität einer Anwendung.

Verantwortlich ist, wer für eine Entscheidung oder Handlung zuständig ist, sie begründen muss und für Folgen einsteht. Bei KI sollte Verantwortung konkreten Personen oder Organisationen mit tatsächlicher Befugnis und Ressourcen zugeordnet sein. Ein Modell kann kausal an einem Ergebnis beteiligt sein, trägt aber keine rechtliche oder moralische Verantwortung. Rollenbezeichnungen unterscheiden sich je nach Rechtsgebiet und müssen anhand der realen Tätigkeit bestimmt werden.

Verantwortung verbindet eine Aufgabe mit Zuständigkeit, Entscheidungsbefugnis, Rechenschaft und der Pflicht, Folgen zu bearbeiten. Sie kann rechtlich, moralisch oder organisatorisch begründet sein. In KI-Projekten ist sie über Entwicklung, Beschaffung und Betrieb verteilt, darf aber nicht dadurch verschwinden. Dokumentierte Rollen genügen nur, wenn Verantwortliche Informationen, Kompetenz, Ressourcen und wirksame Eingriffsmöglichkeiten besitzen.

Verantwortungsvolle KI bezeichnet die nachweisbare Ausrichtung von Entwicklung und Einsatz an Recht, ethischen Prinzipien, Sicherheit und gesellschaftlichem Nutzen. Der Ausdruck ist ohne konkrete Kriterien nicht überprüfbar. Er verlangt klare Rollen, Beteiligung Betroffener, dokumentierte Zielkonflikte, Risikokontrollen, Monitoring und Abhilfe. Verantwortung liegt bei Menschen und Organisationen und kann nicht durch ein Produktlabel oder das KI-System selbst übernommen werden.

Verarbeitung natürlicher Sprache umfasst computergestützte Methoden zur Analyse, Transformation und Erzeugung menschlicher Sprache. Anwendungen reichen von Suche und Klassifikation bis Übersetzung und Dialog. NLP kann regelbasiert, statistisch oder neuronal arbeiten. Da Bedeutung von Kontext, Kultur und Situation abhängt, ist sprachliche Plausibilität kein Beleg für korrektes Verständnis; Systeme müssen auf konkrete Aufgaben und Sprachgruppen geprüft werden.

Ein Verbraucher ist im EU-Recht grundsätzlich eine natürliche Person, die zu Zwecken außerhalb ihrer gewerblichen oder beruflichen Tätigkeit handelt. Die Einordnung hängt vom konkreten Geschäft ab, nicht allein von der Person. Bei KI-Produkten sind verständliche Informationen, Sicherheit und wirksame Rechte besonders wichtig. Verbraucher können zugleich betroffene Personen sein, ohne selbst das KI-System auszuwählen oder bedienen zu können.

Verfügbarkeit ist die Eigenschaft, dass Informationen und Systeme bei Bedarf für berechtigte Nutzende zugänglich und funktionsfähig sind. Sie gehört zu den klassischen Schutzzielen der Informationssicherheit. Messgrößen wie Betriebszeit müssen Wartung, Abhängigkeiten und zulässige Ausfälle klar definieren. Bei KI zählen auch Modelle, Daten, Schnittstellen und menschliche Ersatzverfahren; ein erreichbarer Dienst kann fachlich dennoch unbrauchbare Ausgaben liefern.

Verschlüsselung wandelt lesbare Daten mit einem kryptografischen Verfahren und Schlüssel in eine geschützte Darstellung um. Sie schützt Vertraulichkeit bei Speicherung oder Übertragung, sofern Algorithmus, Schlüsselverwaltung und Implementierung geeignet sind. Verschlüsselung verhindert nicht, dass berechtigte Systeme Daten im Klartext falsch verwenden. Sie ersetzt daher weder Zugriffskontrolle, Datenminimierung noch Integritäts- und Authentizitätsschutz.

Verstärkungslernen trainiert einen Agenten durch Belohnungssignale aus der Interaktion mit einer Umgebung. Ziel ist eine Strategie, die langfristig erwartete Belohnung maximiert. Das Verfahren benötigt keine vollständigen richtigen Antworten für jeden Schritt, aber eine geeignete Rückmeldung. Unvollständige Belohnungsfunktionen können Fehlanreize setzen; Exploration und Übertragung vom Training in die reale Welt erfordern besondere Sicherheitskontrollen.

Vertrauen ist die Bereitschaft, sich trotz Unsicherheit auf die Kompetenz, Integrität oder Verlässlichkeit eines Akteurs oder Systems zu stützen. Bei KI sollte es durch überprüfbare Leistung, transparente Grenzen und verantwortliche Institutionen begründet sein. Ziel ist nicht maximales, sondern angemessenes Vertrauen. Übervertrauen führt zu unkritischer Übernahme, Untervertrauen zur Nichtnutzung hilfreicher Systeme; Gestaltung und Erfahrung beeinflussen beides.

Vertrauenswürdige KI bezeichnet Systeme und Praktiken, die rechtmäßig, ethisch begründet und technisch robust gestaltet und betrieben werden. Der Ausdruck ist kein selbsterklärendes Gütesiegel. Vertrauen muss durch konkrete Anforderungen, unabhängige Evidenz, Beteiligung, Rechenschaft und fortlaufende Überwachung verdient werden. Einzelne Eigenschaften wie Genauigkeit oder Transparenz reichen nicht; Zielkonflikte und Auswirkungen auf verschiedene Gruppen müssen sichtbar bewertet werden.

Vibe Coding bezeichnet informell das Erstellen von Software, bei dem generative KI große Teile des Codes aus natürlichsprachigen Anweisungen erzeugt und Menschen primär über gewünschtes Verhalten steuern. Das kann Prototyping beschleunigen, ersetzt aber kein Verständnis für Architektur, Tests, Sicherheit und Wartung. Für produktive Systeme müssen generierter Code, Abhängigkeiten, Lizenzen und Fehlerpfade wie bei anderem Fremdcode geprüft werden.

Virtuelle Realität erzeugt eine computergenerierte, räumlich erlebbare Umgebung, die reale Sinneseindrücke weitgehend ersetzt. Headsets erfassen typischerweise Kopf- und Körperbewegungen und passen Darstellung in Echtzeit an. Immersion ist kein Beleg für Realismus oder Wahrheit. Latenz, Bewegungsabweichungen und Gestaltung können Unwohlsein verursachen; zudem sind Bewegungs-, Blick- und Umgebungsdaten potenziell sensible Informationen.

Ein virtueller Assistent ist eine Software, die über Sprache, Text oder andere Schnittstellen Informationen bereitstellt oder Aufgaben ausführt. Er kann regelbasiert oder KI-gestützt arbeiten und Werkzeuge anbinden. Die menschenähnliche Darstellung belegt weder Verständnis noch Verantwortung. Sichere Gestaltung erfordert erkennbare Systemidentität, begrenzte Berechtigungen, Bestätigung folgenreicher Aktionen und transparente Behandlung gespeicherter Interaktionen.

Ein Vision-Language Model verarbeitet visuelle und sprachliche Informationen gemeinsam. Es kann beispielsweise Bilder beschreiben, visuelle Fragen beantworten oder textgesteuerte Erkennung unterstützen. Die Verbindung der Modalitäten entsteht aus Trainingsdaten und Architektur, nicht aus garantiertem Weltverständnis. Fehler können aus Bildwahrnehmung, Sprache oder deren Zuordnung stammen; Evaluation muss alle drei Ebenen und relevante Nutzergruppen abdecken.

vLLM ist eine quelloffene Laufzeit und Server-Software für die effiziente Inferenz großer Sprachmodelle. Sie optimiert insbesondere Speicherverwaltung und parallele Anfrageverarbeitung und bietet kompatible Programmierschnittstellen. vLLM ist kein Modell und verändert nicht automatisch dessen fachliche Qualität. Sicherer Betrieb benötigt passende Modelllizenzen, Zugriffsschutz, Ressourcenlimits, Versionspflege und Prüfung der unterstützten Quantisierungs- sowie Hardwarekonfiguration.

Vorausschauende Ethik untersucht mögliche moralische Folgen einer Technologie frühzeitig, bevor Gestaltung und Institutionen schwer veränderbar werden. Sie nutzt Szenarien, Folgenabschätzung und Beteiligung, um Werte, Betroffene und Zielkonflikte sichtbar zu machen. Zukunftsaussagen bleiben unsicher und dürfen nicht als Prognosen ausgegeben werden. Ziel ist robuste Vorsorge und anpassbare Entscheidungen, nicht die scheinbar genaue Vorhersage jeder Wirkung.

Voreingenommenheit bezeichnet eine systematische Verzerrung in Wahrnehmung, Daten, Verfahren oder Entscheidungen. Im maschinellen Lernen kann Bias technisch auch eine wertneutrale Modellkomponente bedeuten; beide Bedeutungen sind zu trennen. Problematische Verzerrung entsteht etwa durch Auswahl, Messung oder historische Ungleichheit. Ihre Bewertung benötigt Vergleichsmaßstab, Kontext und Auswirkungen, denn statistische Unterschiede sind nicht automatisch unfair und Gleichheit nicht immer gerecht.

Vorhersagbarkeit beschreibt, wie zuverlässig zukünftiges Verhalten oder Ausgaben eines Systems unter festgelegten Bedingungen abgeschätzt werden können. Sie hängt von Modell, Umgebung, Eingaben und Zufall ab. Ein deterministisches System ist bei gleichen Eingaben wiederholbar, kann in komplexer Umgebung aber dennoch schwer vorhersehbar sein. Für sichere Nutzung müssen relevante Verhaltensgrenzen, Unsicherheit und Reaktionen auf Abweichungen bekannt sein.

Eine Vorhersage ist eine modellgestützte Aussage über einen unbekannten oder zukünftigen Wert. Sie beruht auf Mustern, Annahmen und verfügbaren Daten und ist deshalb mit Unsicherheit verbunden. Hohe historische Genauigkeit garantiert keine Gültigkeit bei veränderten Bedingungen. Vorhersagen zeigen nicht automatisch Ursachen und sollten zusammen mit Zeithorizont, Referenzgruppe, Fehlerrate und Folgen falscher Entscheidungen bewertet werden.

Ein Voting Classifier kombiniert Vorhersagen mehrerer Klassifikationsmodelle. Beim Hard Voting entscheidet die Mehrheit der Klassen, beim Soft Voting werden meist vorhergesagte Wahrscheinlichkeiten gemittelt. Ensembles können Stabilität verbessern, wenn Modelle unterschiedliche Fehler machen. Stark korrelierte Fehler bleiben bestehen; Soft Voting setzt zudem sinnvoll kalibrierte Werte voraus. Auswahl und Gewichtung müssen auf unabhängigen Daten bewertet werden.

Ein Waffensystem umfasst Waffenwirkung, Sensoren, Steuerung, Träger, Kommunikation und beteiligte Menschen als funktionale Einheit. KI kann einzelne Aufgaben wie Erkennung, Navigation oder Zielunterstützung übernehmen. Begriffe wie autonomes Waffensystem sind international nicht einheitlich definiert. Bewertung berührt humanitäres Völkerrecht, menschliche Kontrolle, Zuverlässigkeit und Eskalationsrisiken; technische Autonomie hebt staatliche und individuelle Verantwortung nicht auf.

Web Scraping ist das automatisierte Abrufen und Extrahieren von Informationen aus Webseiten. Technisch werden HTML, APIs oder Browserautomation verarbeitet. Zugänglichkeit im Web bedeutet nicht uneingeschränkte Nutzbarkeit. Urheberrecht, Datenbankrecht, Datenschutz, Nutzungsbedingungen, Zugriffsschutz und Serverbelastung können relevant sein. Verantwortliche Verfahren begrenzen Anfragen, dokumentieren Herkunft und respektieren Löschung, Aktualität sowie rechtliche Vorgaben.

Weights, deutsch Gewichte, sind gelernte numerische Parameter, die den Einfluss von Signalen in einem Modell bestimmen. Gemeinsam kodieren sie statistische Regelmäßigkeiten, während einzelne Werte meist keine eigenständige Bedeutung besitzen. Veröffentlichte Gewichte ermöglichen oft lokale Inferenz oder Anpassung, legen aber Trainingsdaten und Code nicht vollständig offen. Datentyp, Quantisierung und Modellarchitektur sind für ihre korrekte Verwendung erforderlich.

Werte sind grundlegende Vorstellungen darüber, was wünschenswert, wichtig oder schützenswert ist, etwa Freiheit, Gerechtigkeit oder Fürsorge. Sie beeinflussen Ziele, Datenkategorien und Bewertungsmaßstäbe von KI-Systemen. Werte sind nicht einfach aus Nutzungsdaten abzulesen und können miteinander konfligieren. Verantwortliche Gestaltung macht Auswahl, betroffene Perspektiven und Abwägungen sichtbar, statt technische Entscheidungen als wertneutral darzustellen.

Widerstandsfähigkeit, häufig Resilienz genannt, ist die Fähigkeit eines Systems, Störungen zu verkraften, wesentliche Funktionen aufrechtzuerhalten und sich kontrolliert zu erholen. Sie umfasst Vorbereitung, Erkennung, Reaktion und Lernen. Robustheit kann Störungen ohne Leistungsabfall abfangen; Resilienz schließt auch Wiederherstellung nach einem Ausfall ein. Abhängigkeiten, Ersatzverfahren und Übungen sind für KI-Systeme ebenso wichtig wie technische Redundanz.

Wiederholbarkeit bedeutet, dass dasselbe Team unter möglichst gleichen Bedingungen mit demselben Verfahren vergleichbare Ergebnisse erzielt. Sie ist von Reproduzierbarkeit oder unabhängiger Replikation abzugrenzen, wobei Fachgebiete Begriffe unterschiedlich verwenden. Bei KI müssen Modellversion, Daten, Software, Hardware, Zufallsparameter und Decodierung dokumentiert werden. Stochastische Systeme können trotz korrektem Verfahren variieren; zulässige Abweichungen sind deshalb vorab festzulegen.

Ein rekurrentes neuronales Netz verarbeitet Sequenzen, indem ein interner Zustand Informationen aus früheren Schritten weiterträgt. Dadurch eignet es sich für Sprache und Zeitreihen. Einfache RNNs leiden bei langen Abhängigkeiten unter verschwindenden oder explodierenden Gradienten; LSTM und GRU wurden dagegen entwickelt. Der interne Zustand ist eine numerische Repräsentation und kein menschliches Erinnern.

Ein wissensbasiertes System nutzt eine explizite Wissensbasis und ein Verfahren, das daraus Antworten oder Schlussfolgerungen ableitet. Wissen kann als Regeln, Fakten, Ontologien oder Fälle dargestellt sein. Die Trennung erleichtert Pflege und Nachvollziehbarkeit, doch Vollständigkeit und Aktualität begrenzen die Leistung. Wissensbasierte Systeme können lernende Komponenten enthalten, sind aber nicht mit statistischen Sprachmodellen gleichzusetzen.

Wissensdistillation trainiert ein kleineres Schülermodell darauf, Ausgaben oder interne Repräsentationen eines größeren Lehrermodells nachzubilden. Ziel sind geringere Kosten bei möglichst ähnlicher Leistung. Übertragen wird statistisches Verhalten, kein explizites Wissen im menschlichen Sinn. Fehler und Verzerrungen des Lehrermodells können übernommen werden; das Schülermodell muss deshalb eigenständig auf Qualität, Robustheit und relevante Untergruppen geprüft werden.

Wohlbefinden umfasst positive Lebensqualität, Gesundheit, Handlungsfähigkeit und soziale Teilhabe. Es ist mehrdimensional und nicht zuverlässig durch eine einzelne Verhaltenskennzahl messbar. KI kann Zugänge und Unterstützung verbessern, zugleich aber Stress, Überwachung oder Abhängigkeit fördern. Bewertung sollte subjektive Erfahrungen und objektive Bedingungen verbinden, verschiedene Gruppen beteiligen und kurzfristige Bequemlichkeit nicht automatisch mit langfristigem Wohlbefinden gleichsetzen.

Ein Modell-Workflow beschreibt die Abfolge, in der Daten vorbereitet, einem Modell übergeben, Ausgaben verarbeitet, geprüft und in weitere Entscheidungen eingespeist werden. Er umfasst Schnittstellen, Menschen, Regeln und Fehlerpfade. Modellqualität allein bestimmt daher nicht das Gesamtergebnis. Versionen, Berechtigungen, Protokollierung, Ausnahmen und Rückfallverfahren müssen dokumentiert und unter realistischen Betriebsbedingungen getestet werden.

Workflow Orchestration koordiniert mehrstufige technische Abläufe, Abhängigkeiten, Zeitpläne und Fehlerbehandlung. In KI-Systemen verbindet sie etwa Datenabruf, Modellaufrufe, Werkzeuge, Prüfungen und menschliche Freigaben. Ein Orchestrator sorgt für Ablaufkontrolle, nicht automatisch für fachliche Richtigkeit. Idempotenz, Zustandsverwaltung, minimale Berechtigungen, Observability, Wiederaufnahme und sichere Behandlung externer Ergebnisse sind zentral.

Zero-Shot Prompting stellt einem Modell eine Aufgabe ohne Lösungsbeispiele im aktuellen Prompt. Das Modell nutzt dafür Fähigkeiten aus Vortraining und späterer Anpassung. „Zero-Shot“ bedeutet nicht, dass es nie ähnliche Daten gesehen hat. Erfolg variiert mit Formulierung, Aufgabe und Modell; belastbare Aussagen benötigen unabhängige Tests. Beispiele oder Werkzeuge können sinnvoller sein, wenn Format und Fehlerfolgen streng sind.

Die Zielvariable ist der Wert oder die Klasse, die ein überwachtes Lernmodell vorhersagen soll. Sie operationalisiert das Lernziel und kann gemessen, abgeleitet oder annotiert sein. Eine leicht verfügbare Zielgröße ist nicht automatisch fachlich angemessen. Messfehler, zeitliche Verfügbarkeit, Stellvertreterwirkung und mögliche Rückkopplungen müssen geprüft werden, weil das Modell genau diese Definition optimiert.

Zugänglichkeit bedeutet, dass Produkte, Informationen und Dienste von Menschen mit unterschiedlichen Fähigkeiten wahrgenommen, bedient und verstanden werden können. Sie erfordert mehr als technische Konformität und sollte von Beginn an berücksichtigt werden. Bei KI gehören alternative Eingabe- und Ausgabeformen, Tastaturbedienung, verständliche Rückmeldungen und robuste unterstützende Technologien dazu. Prüfung mit betroffenen Nutzenden ergänzt Standards und automatisierte Tests.

Zustimmung ist eine freiwillige und informierte Willensäußerung zu einer Handlung. Als datenschutzrechtliche Einwilligung muss sie spezifisch, unmissverständlich und widerrufbar sein; bei Abhängigkeit kann Freiwilligkeit fehlen. Nicht jede Datenverarbeitung benötigt oder erlaubt Einwilligung als Rechtsgrundlage. Verständliche Information und echte Wahlmöglichkeiten sind entscheidend. Zustimmung zu einem Dienst bedeutet nicht automatisch Zustimmung zu jeder KI-Nutzung oder Zweckänderung.

Zuverlässigkeit ist die Fähigkeit eines Systems, eine geforderte Funktion über eine bestimmte Zeit und unter festgelegten Bedingungen konsistent zu erfüllen. Sie umfasst mehr als durchschnittliche Genauigkeit und berücksichtigt Ausfälle, Streuung und Betriebsgrenzen. Ein System kann zuverlässig dasselbe falsche Ergebnis liefern; fachliche Richtigkeit muss separat geprüft werden. Nachweise benötigen realistische Tests, Monitoring, Wartung und geregeltes Verhalten bei Fehlern.