KI-Begriffe einfach erklärt:
AI-Glossar – Teil 2

KI-Begriffe einfach erklärt.
Diese Liste von Definitionen wird regelmässig aktualisiert.
Siehe auch FAQ KI Glossar Teil 1
Link zu diesem Beitrag https://drkpi.com/de/?p=36930/

Haben wir was wichtiges vergessen? Ihre Meinung ist für uns massgebend – hinterlassen Sie einen Kommentar unten. DANKE.

95% der Besucher dieser Seite speichern sich diesen Link:

• AI – Tools, Strategien, Gesetze, Fallbeispiele, Checklists – anklicken

Unseren Newsletter anschauen oder noch besser – der 1,000+ Leser:innen Community beitreten:

• sie brauchen Inspiration, Tips, Tools, Compliance Leitfaden – gleich DrKPI Newsletter abonnieren 

Liste von wichtiger Terminologie, die jeweils eine kurze Erklärung und möglicherweise eine Verlinkung zu weiteren Erklärungen enthält.

Wichtige KI-Begriffe im KI-Glossar – Überblick

Wir erklären ihnen hier ein paar für sie sehr wichtige KI-Begriffe ohne unnötigen Hokuspokus.

Der Blogeintrag ist der fünfte in einer Serie von Einträgen:

• AI Effektivität und Effizienz – mehr Effektivität mit KI
• AI Fachkräfte Recruiting: DrKPI 3-Phasen Modell
• AI Training: Widerspruch gegen die Verarbeitung personenbezogener Daten – iPhone, Meta, eBay, usw.
• AI 7 Tests für DeepL vs Mistral: Übersetzung + Textbearbeitung
• AI FAQ – Begriffe einfach erklärt (sie sind hier)
• AI Erstellung der KI Richtlinie für Mittelstand: 11 Punkte Vorlage für 2025 (26. Mai 2025).

Künstliche Intelligenz (KI)

Künstliche Intelligenz (KI) ist der Versuch, menschliche Intelligenz mithilfe von Computern nachzubilden. Sie beschreibt die Fähigkeit von IT-Systemen, kognitive Leistungen zu erbringen, die dem menschlichen Denken ähneln.

Im Kern geht es bei KI darum, auf Basis grosser Datenmengen Vorhersagen zu treffen – etwa zum Verhalten von Konsumenten oder zur automatisierten Erstellung von Texten oder Fotos.

Trotzdem KI viel kann, denken kann sie nicht (siehe Kognition unten). Ein echtes Verständnis für das Thema ist nicht gegeben. 

Algorithmus

Ein Algorithmus ist eine Schritt-für-Schritt-Anleitung zur Lösung eines bestimmten Problems oder zur Durchführung einer definierten Aufgabe.

Jede Anweisung innerhalb eines Algorithmus ist eindeutig formuliert und innerhalb eines gegebenen Kontexts ausführbar. Durch die systematische Abarbeitung dieser Schritte kann eine konkrete Aufgabe gelöst werden – beispielsweise die Berechnung einer Wettervorhersage für den nächsten Tag.

Die Grafik unten zeigt das viele Parteien bei der Erstellung und der Nutzung eines Algorithmus beteiligt sind.

Gemäss dem Arbeitspapier – Überprüfbarkeit von Algorithmen – gibt es 5 Fehlerquellen – siehe Tabelle unten

Tabelle – Überprüfbarkeit vom Algorithmus:
5 Fehlerquelllen

Notiz. Tabelle zeigt die 5 Fehlerquellen auf und Beispiele zu jeder dieser möglichen Fehler vom Algorithmus.

Neben den obigen möglichen Fehlern kann es aber auch noch zu rechtlichen Problemen kommen – DSGVO, EU AI Act, usw.

Am 27. Februar 2025 entschied der EuGH, dass Art. 15 Abs. 1 lit. h DSGVO so auszulegen ist, dass betroffene Personen bei automatisierten Entscheidungsprozessen – einschließlich KI-basiertem Profiling im Sinne von Art. 22 Abs. 1 DSGVO – einen Anspruch auf detaillierte Auskunft über die zugrunde liegenden Verfahren haben.

Im konkreten Fall war einem Verbraucher aufgrund eines KI-gestützten Bonitätsscorings ein Vertragsabschluss verweigert worden.

Der EuGH stellte klar, dass dabei auch etwaige Geschäftsgeheimnisse (siehe Richtlinie (EU) 2016/943 was ist ein Geschäftsgeheimnis) offengelegt werden müssen. Gilt, sofern diese Informationen für die betroffene Person relevant sind.

Informationen gelten nur dann als schützenswerte Geschäftsgeheimnisse, wenn sie nicht nur geheim, sondern auch von wirtschaftlichem Wert sind. Dies sah das Gericht als nicht bewiesen an.

KI-Halluzination?

KI-Halluzinationen beziehen sich auf das Phänomen, wo künstliche Intelligenz verzerrte Informationen erzeugt, die von der Realität abweichen oder keine sachliche Grundlage haben.

KI-Halluzinationen können beispielsweise auftreten, wenn grosse Sprachmodelle (LLMs), denen KI-Chatbots zugrunde liegen, als Reaktion auf Benutzeraufforderungen („user prompts“), falsche oder verdrehte Informationen erzeugen.

Machine Learning – Maschinelles Lernen

Maschinelles Lernen, Deep Learning und neuronale Netze sind Teilbereiche der künstlichen Intelligenz.

Maschinelles Lernen wurde in den 195oer Jahren vom Arthur Samuel definiert als das „Studiengebiet, das Computern die Fähigkeit verleiht, zu lernen, ohne explizit programmiert zu werden“.

Im Gegensatz zur klassischen Programmierung („Software 1.0“), bei der genaue Anweisungen nötig sind, erkennen Machine Learning Algorithmen die möglichen Muster in Daten. Sie können daraus Vorhersagen ableiten und somit z. B. neue Fotos, Texte oder Musik generieren.

Welche Funktionen erfüllt ein maschinelles Lernsystem?
Ein maschinelles Lernsystem übernimmt in der Regel drei zentrale Funktionen:

• Deskriptiv (beschreibend): Es analysiert vorhandene Daten, um vergangene Ereignisse zu erklären.
• Prädiktiv (voraussagend): Es prognostiziert zukünftige Entwicklungen auf Basis historischer Daten wie eine Wettervorhersage.
• Präskriptiv (vorschreibend): Es leitet aus den Daten konkrete Handlungsempfehlungen ab.

Deep Learning

Deep Learning ist die Entwicklung von Deep-Learning-Algorithmen, die zum Trainieren und Vorhersagen von Ergebnissen aus komplexen Daten verwendet werden können.

Deep-Learning-Systeme bestehen aus neuronalen Netzen und stellen einen Teilbereich der KI dar.

Deep Learning ist auch mit Datenwissenschaft verbunden, denn ohne diese könnten wir die Daten nicht analysieren um zu lernen.

Data Science ermöglicht zahlreiche Anwendungen und Dienste, die Prozesse automatisieren – sowohl analytische als auch physische – ganz ohne menschliches Zutun.

Erst dadurch werden Technologien wie digitale Assistenten, sprachgesteuerte Fernbedienungen, die Erkennung von Kreditkartenbetrug, autonomes Fahren und generative KI realisierbar.

Ein Beispiel für Deep Learning ist die automatische Bilderkennung.

KI kann viel … aber nicht denken. Ein echtes Verständnis für das Thema ist auch mit Deep Learning nicht gegeben.

Anstatt liefert KI ein Ergebnis, das auf dem basiert, was statistisch am wahrscheinlichsten ist. Die gute Nachricht: Der Mensch bleibt gefragt, in der Einordnung, im Ziel, aber auch im Feingefühl.

Neural Network – neuronales Netz

Künstliche neuronale Netze bilden das Herzstück eines Deep-Learning-Systems und gehören zum Maschinellen Lernen, einem Teilbereich der KI.

Künstliche neuronale Netze ist das dominierende Modell das beim Machine Learning (ML) angewandt wir.

Ein neuronales Netz ist die grundlegende Technologie hinter dem Deep Learning. Es besteht aus zahlreichen miteinander verbundenen Knoten – auch Neuronen genannt – die in mehreren Schichten organisiert sind.

Diese Knoten verarbeiten Informationen gemeinsam und passen sich dabei flexibel an. Sie tauschen Rückmeldungen über die erzeugten Ergebnisse aus, lernen aus Fehlern und verbessern sich fortlaufend.

Dank dieser Fähigkeit kann ein neuronales Netz Millionen von Bildern analysieren und dabei lernen, Objekte wie Katzen, Autos oder Gesichter zuverlässig zu erkennen.

Machine Translation – Maschinelle Übersetzung

Bei der maschinellen Übersetzung überträgt ein Programm einen Text von der Originalsprache in die Zielsprache.

Es gibt kein einheitliches Verfahren für alle Arten der maschinellen Übersetzung. Wie ein System einen Text übersetzt, hängt von der jeweiligen Methode der maschinellen Übersetzung ab (z.B. rule-based, statistical oder neural-based translation).

Der Hauptunterschied zwischen computergestützter Übersetzung (CAT) und maschineller Übersetzung besteht darin, dass bei der computergestützten Übersetzung die eigentliche Übersetzungsarbeit von Menschen durchgeführt wird.

Maschinelle Textverarbeitung ist eine eigentliche Erfolgsstory, welcher überraschenderweise wenig Beachtung geschenkt wird.

Beim maschinellen Übersetzungen gibt es 2 wichtige Daten: 1954 und 2016,

Mit dem Georgetown-IBM-Experiment im Jahr 1954 begann die automatisierte Textverarbeitung, langsame, aber stetige Fortschritte zu verzeichnen. Zu dieser Zeit dominierten strukturelle, regelbasierte Systeme, die sich auf grammatikalische Strukturen stützten.

Dies änderte sich 2016, als Google begann, statistische Modelle und neuronale maschinelle Übersetzung einzusetzen.

Hier unten erklären was mit KI vielleicht noch nicht klappt oder ihr womöglich Kopfzerbrechen bereitet.

Open Source KI – China im Vormarsch

Open Source bezieht sich auf Software, deren Quellcode für Benutzer und Entwickler zur Nutzung und Modifikation frei zugänglich ist.

Im Gegensatz zu proprietärer Software wird Open-Source-Software in einer öffentlichen, kollaborativen Umgebung entwickelt und der Allgemeinheit kostenlos zur Verfügung gestellt.

🚀 Open Source KI – wer ist die Schönste im Land? 🚀

Qwen 3, DeepSeek: Open Source KI

Qwen 3, eines der leistungsstärksten neuen Modelle, kletterte kürzlich an die Spitze der LiveBench-Rangliste.
Diese vergleicht AI-Modelle für Aufgaben wie Mathematik, Codierung und Datenanalyse.

Qwen 3, das KI-Modell, das #Alibaba zur öffentlichen Nutzung freigegeben hat, ist ein Beispiel dafür, wie die offene Entwicklung den Zugang zu leistungsstarker KI erweitert.

Ein weiteres bemerkenswertes offenes Modell ist natürlich das R1 von #DeepSeek.

PS. Du kannst auf Qwen https://qwenlm.ai/ ein kostenloses Konto erstellen und loslegen.

PS. Scott Galloway las auf der OMR in Hamburg gewissermassen die Teeblätter für 2025 – und sieht OpenAI und Nvidia als klare Gewinner im KI-Bereich (2025-05-13 Romina Haller auf LinkedIn).

Doch diese Annahme basiert darauf, das die Gewinner hier alle Dinge einheimsen. Doch was ist wenn „winner takes it all“ nicht mehr wichtig ist?

China hat die Strategie:

If you cannot win the race, make winning irrelevant.
Wenn du das Rennen nicht gewinnen kannst, dann mach das Siegen bedeutungslos.

Unternehmen im Silicon Valley sind jedoch der Ansicht, dass die Kontrolle über alle Aspekte – von den grundlegenden Modellen bis hin zu den Verbraucherplattformen (vertikale Integration) – ihnen die Dominanz im Bereich der künstlichen Intelligenz sichert.

Doch Unternehmen, die weiterhin in die Skalierung vertikal integrierter KI-Imperien investieren, werden wahrscheinlich zunehmend unter Druck geraten, ihre Rendite zu erzielen.

Andere wie Mistral (FR) – nicht zu 100 % Open Source – DeepSeek (China), Qwen3 (Alibaba), usw. gewinnen schon heute mit deren Open Source Lösungen immer grössere Marktanteile.

Diese Modelle können vom Nutzer selber angepasst werden, Kosten viel weniger Geld und bieten auch Vorteile was Risiko Management, usw. betrifft.

Qwen3 vs. ChatGPT: Kulturelle Nuancen

Der Test zeigt das Qwen 3 kleine kulturelle Nuancen hat gegenüber ChatGPT. Zum Beispiel ist es bei politischen Fragen sehr zurückhaltend. Einige Auskünfte sind auch für jemand in der Schweiz komisch, ohne das man dies hier erwähnen muss.

Doch man kann es ja. selber auf einem Server hosten, dank Open Source die Limitation im Programm ändern (was einige schon gemacht haben) und voilà. Die Antworten passen eher in unser Verständnis was z.B. die Geschichte oder Taiwan betrifft.

Andere Dinge überraschen. Zum Beispiel wie DeepL (Textübersetzungen) oder ChatGPT liebt es das kleine ß – scharfes s (ein Kleinbuchstabe)m welches weder in der Schweiz noch in Österreich genutzt wird.

Es entfernt das ß nur dann wenn man es auffordert. Dies tue ich normalerweise nicht (auch bei ChatGPT nicht) um Energie zu sparen.

Auch ein Nutzer aus Österreich bekommt nicht Jänner serviert im Text sondern Januar, usw.

Trotzdem, Qwen 3 ist ein sehr interessantes Tool das man neben Mistral Le Chat, DeepSeek, ChatGPT auch testen sollte.

Siehe auch DrKPI zu Qwen 3 auf LinkedIn

„Man kann es jedoch selbst auf einem Server hosten und dank Open Source die Einschränkungen im Programm anpassen (was bereits von einigen gemacht wurde). So erhält man Antworten, die besser mit unserem Verständnis von Themen wie Geschichte oder Taiwan übereinstimmen.“ (von Chat GPT)

Man kann das Open Source Modell Qwen3 selbst auf einem Server hosten. Dann ist es möglich, die Einschränkungen im Programm anzupassen, was einige Nutzer bereits gemacht haben. Danach gibt es Antworter, die besser unserem Politik- und Geschichtsverständnis entsprechen, wie z.B. im Fall Taiwan (von DrKPI).

Welcher Paragraph uns am Besten gefällt ist sicherlich auch Geschmackssache, sie sind sich aber ähnlich. Doch ich bevorzuge meine Version. Trotzdem, beide Programme sind eine grosse Hilfe, wenn wir Paragraphen umformulieren wollen. Meistens gibt es dann am Schluss eine von mir nochmals umgeschriebene Version die ich für den Blog oder das Dokument nutze.

Siehe unseren Text unten und die umgeschriebene Version von Qwen 3 – ähnlich wie was ChatGPT-4 liefert (siehe oben kursiver Paragraph).

Marktanteile: Wer dominiert den Markt?

Marktanteile LLMs in der ersten Woche vom Mai 2025: Wie die Grafik unten von Bloomberg zeigt, der Leader ist ChatGPT mit 80.6%.

Weit dahinter kommt Perplexity mit 11.3%, Microsoft Copilot hat 4.9% und Gemini 2.1% vom Markt.

China’s Open-Source Überraschung DeepSeek hat 0.8% und Claude folgt mit 0.4%

Inwieweit Qwen 3 hier eindringen kann wissen wir in etwa 2 Monaten.

Kann KI lernen zu denken, bevor es antwortet? Kognition – Reasoning

Wie oben erklärt kann KI nicht denken wie der Mensch, d.h. auch eine Begründung für eine Entscheidung kann das System nicht liefern.

Hier unten besprechen wir einige Faktoren die beim KI noch weiter entwickelt werden müssen um seine Leistungen zu verbessern.

Was ist Kognition?

Kognition bezeichnet die geistigen Fähigkeiten des Menschen, die mit Wahrnehmung, Lernen, Erinnern, Denken und Wissen verbunden sind.

Ein wesentliches Merkmal: Menschen können ihre Entscheidungen begründen (Reasoning).

KI schafft dies noch nicht (siehe unten: System 1 und System 2 Kognition). Das bedeutet, KI muss noch einiges lernen bevor diese sow wie Menschen denken kann.

Was ist System 2 Kognition?

Der führende Ansatz in der KI basiert auf traditionellen neuronalen Netzen.

Neurale Netzwerke orientieren sich am „System 1“ der Kognition – also schnellen, intuitiven Antworten, wie etwa bei der automatischen Gesichtserkennung.

Menschen nutzen zusätzlich die „System 2“ Kognition. Diese beinhaltet interne Überlegungen und ermöglicht leistungsfähige Formen des Denkens.

Beispiele der System 2 Kognition sind das Lösen eines mathematischen Problems. Ebenfalls die detaillierte Planung eines Auftrages ist System 2 Kognition.

Als Menschen beherrschen wir System 1 und System 2 Kognition, sodass wir Wissensbestände auf kohärente, aber neuartige Weise kombinieren können.

Die KI beherrscht System 1 Kognition.

2 zentrale Schwächen der KI

Die „System 2“-Kognition ermöglicht es uns, Wissensbestandteile auf kohärente, aber neuartige Weise zu kombinieren. Es erlaubt uns aber auch, Entscheidungen nachvollziehbar begründen zu können (Begründung auch „reasoning“ genannt).

Dieses Fehlen von System 2 Kognition nimmt der KI die Fähigkeit ihre Entscheidungen zu begründen. Dies führt zu zwei zentralen Schwächen:

1. Mangelnde Kohärenz – also der fehlende logische Zusammenhang in Antworten, was besonders in wissenschaftlichen Kontexten wichtig ist.
2. Schwierigkeiten bei langfristiger Planung – entscheidend für autonome Agenten, etwa bei Online-Bestellungen oder Reisebuchungen.

Die Lösung dieser beiden oben genannten Schwächen von KI – Mangelnde Nachvollziehbarkeit und schwache Planungskompetenz – würde den Weg für viele neue KI-Anwendungen ebnen (siehe auch Bengio, 2024-11-20).

Warum ist KI weder innovativ noch kreativ?

KI kann viel. Es erkennt Muster in grossen Datenmengen und trifft darauf basierende Vorhersagen wie z.B. zum Wetter oder welcher Text besser passt.

Doch auch mit Daten analysieren, automatisieren und Prozesse effizienter machen erreicht KI kein echtes Verständnis für das Thema.

Anstatt liefert es ein Ergebnis, das auf dem basiert, was statistisch am wahrscheinlichsten ist.

Die gute Nachricht ist: Der Mensch bleibt gefragt, in der Einordnung, im Ziel, aber auch im Feingefühl.

Beispiele sind auch Geschichtenerzählen, Beziehungsaufbau und strategischem Denken, alles Dinge wo Menschen unersetzlich sind.

Trotz beeindruckender Leistungen der AI bleibt menschliche Kreativität einzigartig.

KI baut auf Vorhandenem auf gemäss Daniel Brüngger in seiner Präsentation am 8 Mai beim MC Lago – Cyberlago Workshop

Menschen können durch kognitive und kreative Prozesse wirklich Neues – mit Originalität und Tiefgang schaffen.

Verbosity Bias – Ausführlichkeits-Verzerrung

Bedeutet das aufgrund mangelnder Wissensspeicherung Chat-Bots z.B. wiederholende Fragen stellen (siehe auch LLMs als Interviewer führt zu verbosity bias).

Das bedeutet beispielsweise, dass LLMs (Bsp. Chat-Bots) in einer Konversation zuvor gelieferte Informationen vergessen. Dies trägt zu sich wiederholenden Fragen und unnötig wortreichen Interaktionen bei.

Aber auch wenn man eine kurzen Paragraphen eingibt in ein KI eingibt, kommt oft ein längerer Paragraph als Resultat zurück. Länger ist besser, ist oft die Annahme der KI. Doch stimmt oft nicht.

Mann kann dieses Problem aber mit der Aufforderung: „kürzer oder kürzen – verbessern“ manchmal beheben, Doch dann wird die Aussage oft verändert oder falsch, wenn sich das System nicht sicher ist (verbosity compensation – unten).

Verbosity Compensation – Verbositätskompensations-Verhalten

Viele LLMs geben längere Antworten (Verbosity Compensation), wenn sie sich der Antwort weniger sicher sind.

Aber auch wenn man eine kurzen Paragraphen eingibt, kommt oft ein längerer Paragraph als Resultat zurück. Je nach Komplexität des Textes ist die KI unsicher und such dies in einer längeren Antworten zu vertuschen.

Wie stärkt KI unsere Marke?

Wenn KI allgegenwärtig ist, wird es schwierig zu erkennen, wo sie beginnt und endet.

Heute ist KI ein Schlagwort in der Wirtschaft, das Unternehmen nutzen, um sich zu profilieren. Doch oft kommt dies ohne echtes technologisches Unterscheidungsmerkmal für die Produkte der Firma.

KI kann Daten und Automatisierung nutzen, um die Effizienz zu steigern. Doch z.B. beim Erzählen von Geschichten, dem Aufbau von Beziehungen und strategischem Denken sind Menschen unersetzlich.

Ob der Kugelschreiber im Foto KI enthält, ist dem Kunden nebensächlich. Wichtig ist, dass er gut schreibt und gut in der Hand liegt.

Dies zeigt, was immer wir erreichen wollen mit KI, primär sollte es die Customer Journey optimieren helfen oder aber die Funktionen vom Produkt verbessern.

Etwas prägnanter ausgedrückt, im Idealfall tut die KI ihren Job zum Wohle des Kunden oder der Organisation im Hintergrund und unauffällig.

Sie haben noch Fragen oder benötigen Unterstützung bei der Entwicklung einer KI Strategie? Melden Sie sich!

Dieser Artikel wurde von Redakteuren geschrieben aber teilweise mit Hilfe von KI optimiert. Danach wurden zusätzliche Texten von Mitarbeitern von DrKPI eingearbeitet und Korrekturen am Text vorgenommen. Lesen Sie unsere KI Richtlinie hier.
Der DrKPI Blog hält sich an die KI Richtlinie von DrKPI CyTRAP Labs. Unser Team nutzt generative KI zur Ideenfindung und Inhaltserstellung, veröffentlicht jedoch keine Inhalte ohne gründliche Überprüfung durch einen Redakteur:in und Expertin für das Thema.
Alle KI-generierten Inhalte sind zur Transparenz deutlich gekennzeichnet.
Es gibt auf unserer Website keine vollständig KI-generierten Inhalte.

Partner mit DrKPI® CyTRAP Labs: Messen was zählt

Wir bieten kompetente Entwicklung und Implementierung von:

• KI-Engineering (EU KI Verordnung, Beratung, Audit, Implementierung, Rekrutierung),
• KPI für digitales Marketing, und
• Vulnerability Disclosure Program (VDP) & GDPR Compliance.

Unsere Strategie: Minimale Ressourcenbelastung, optimierte Prozesse, gezielte KPIs und gesicherte Compliance.

Tools wie DrKPI® PageTracker und KPI AI AuditLight sorgen für innovative Lösungen

Partner with DrKPI® CyTRAP Labs: Measure what matters

We provide expert development and implementation of:

• AI engineering (EU AI Act, Advisory, Audit, Implementation, Recruiting),
• KPI for Digital Marketing, and
• Vulnerability Disclosure Program (VDP) & GDPR Compliance.

Our strategy: Minimal resource strain, optimized processes, targeted KPIs, and assured compliance.

Tools like  DrKPI® PageTracke and KPI AI AuditLight drive innovative solutions.

Video: AI Verbreitung braucht kostengünstige Chips

Die weitere Verbreitung von AI in unserem Alltag ist abhängig von Chips im Nanoformat. Das bedeutet, diese müssen klein sein, leicht und so billig, dass deren Preis überhaupt nicht mehr ins Gewicht fält.

Die Produktion is jedoch global wie das Image unten zeigt.

Das hat Prof Chris Miller (Fletcher School of Law and Dimplomacy) in einem Video von ca. 14 Min (lohnt sich ganz anzugucken) erklärt.

Dank geht an Naude van der Merwe von CarSalesPortal der das Video unten in seinem Kommentar erwähnt.