Künstliche Intelligenz (KI) Glossar

Ein Schulungsansatz, bei dem der Algorithmus selektiv eine bestimmte Bandbreite von Beispielen zur Schulung auswählt, anstatt blind nach einer vielfältigen Palette von gelabelten Beispielen zu suchen.

Ein anspruchsvoller Algorithmus, der jedem Parameter effektiv eine unabhängige Lernrate gibt und früheres Wissen für die gradientenbasierte Optimierung integriert.

Ein Bereich der KI-Sicherheitsforschung, der darauf abzielt, sichere und zuverlässige KI-Systeme zu entwickeln, die genaue und gewünschte Ergebnisse liefern.

Der Prozess der Identifizierung von Ausreißern in Ihrem Datensatz, um Konformität und Genauigkeit sicherzustellen.

Die Theorie und Entwicklung von Computersystemen, die darauf abzielen, die Problemlösungs- und Entscheidungsfähigkeiten des menschlichen Geistes nachzuahmen.

Der Prozess der Automatisierung von maschinellem Lernen, von der Datenvorbereitung bis zur Bereitstellung, um nicht-technischen Benutzern zu helfen, komplexe Prozesse zu vereinfachen, Zeit zu sparen und die Vorhersagegenauigkeit zu verbessern.

Eine Methode in der künstlichen Intelligenz, die vom menschlichen Gehirn inspiriert ist und Computern beibringt, komplexe Muster zu erkennen und genaue Erkenntnisse oder Vorhersagen basierend auf Bildern, Texten und Klängen zu produzieren.

Die Nutzung von KI-Technologie, um originale Inhalte von Grund auf zu erstellen, einschließlich Text, Bildmaterial und Audioinhalte.

Entwickelt von OpenAI, ist dieses maschinelle Lernmodell mit Daten aus dem Internet trainiert, um jeden Typ von Text zu generieren. Es erfordert nur eine geringe Menge an Eingabetext, um große Mengen relevanter, anspruchsvoller Antworten zu erstellen.

Der Prozess des Verknüpfens von abstraktem Wissen aus einem KI-System mit kontextualisierten, realen Beispielen, um bessere Vorhersagen zu erzielen.

Wenn ein Large Language Model (LLM) falsche Informationen generiert, weil das Modell kein Verständnis für den Kontext der bereitgestellten Eingabe hat, und die generierte Sprache technisch grammatikalisch und semantisch korrekt ist.

Die Schicht in einem neuronalen Netzwerk, die die Eingabeschicht mit Merkmalen der Vorhersage in der Ausgabeschicht verbindet.

Ein Sprachmodell, das sich durch seine große Größe auszeichnet. Seine Größe wird durch KI-Beschleuniger ermöglicht, die in der Lage sind, große Mengen von Textdaten zu verarbeiten, die größtenteils aus dem Internet gesammelt wurden. Bekannte Beispiele sind OpenAI‘s GPT-Modelle (z. B. GPT-3.5 und GPT-4, verwendet in ChatGPT), Googles PaLM (verwendet in Bard) und Metas LLaMa, sowie BLOOM, Ernie 3.0 Titan und Claude.

Eine Reihe von Anweisungen, die im maschinellen Lernen verwendet werden, um einem Computerprogramm zu ermöglichen, Informationen aus Schulungsdaten abzuleiten und das Gelernte zur Vorhersage einer neuen Eingabe zu verwenden. Die Mathematik und Logik dieser Algorithmen können sich im Laufe der Zeit verbessern, wenn mehr Daten zur Verfügung stehen.

Die Zahl, die dem Algorithmus sagt, wie stark er die Gewichte und Verzerrungen unterschiedlicher Datenpunkte anpassen soll.

Eine mathematische Funktion, die berechnet, wie weit die Vorhersage eines Modells von seinem Label entfernt ist. Das Ziel der Schulung eines Algorithmus ist es, die Vorhersagegenauigkeit zu verbessern und den erzeugten Verlust zu minimieren.

Die Verwendung und Entwicklung von Computersystemen, die lernen und sich anpassen können, ohne explizite Anweisungen zu befolgen, indem sie durch die Analyse von Algorithmen und statistischen Modellen Schlussfolgerungen ziehen

Eine Methode in der künstlichen Intelligenz, die sich von der Art und Weise inspirieren lässt, wie Menschen Sprache verarbeiten, um Computern beizubringen, Text und gesprochene Wörter zu verstehen, inklusive der Absicht und des Gefühls des Sprechers oder Autors.

Ein Modell, das komplexe nichtlineare Beziehungen zwischen Merkmalen und Labels durch Neuronen, die in verschiedenen Schichten mit Knoten verbunden sind, nachahmen kann.

Künstliche-Intelligenz-Projekte, die öffentlich zugänglich sind, um sie gemeinsam mit der Gemeinschaft zu entwickeln und zu lernen. Open-Source-Modelle sind in der Regel schneller, innovativer und anpassbarer, bergen aber einige offensichtliche Sicherheits- und Haftungsrisiken.

Eine umfassende Strategie, zur Entwicklung und Bereitstellung einer erstklassigen Product Experience für alle Kundenkontaktpunkte, um das Wachstum zu beschleunigen, wettbewerbsfähig zu bleiben und die Gesamtziele der Organisation zu unterstützen.

Die Kunst der Erstellung gut strukturierter Aufforderungen, die die gewünschte Ausgabe von einem großen Sprachmodell hervorrufen.

Projekte der künstlichen Intelligenz, die von einer einzigen Organisation entwickelt, verpackt und verkauft werden. Proprietäre Modelle sind in der Regel besser finanziert als Open-Source-Modelle, sodass sie oft in der Lage sind, schnell neue Fortschritte umzusetzen und über die Ressourcen für Agilität und Skalierbarkeit in einem unsicheren Markt verfügen.

Training eines Modells anhand bestimmter Merkmale und der entsprechenden Attribute, ähnlich wie ein Schüler, der eine Reihe von Fragen und Antworten studiert.

Eine Struktur, die verwendet wird, um eine große Menge an Produktinformationen auf logische und leicht verständliche Weise zu organisieren und zu kategorisieren. Das Hauptziel besteht darin, strukturierte und unstrukturierte Produktinformationen auf eine Weise zu präsentieren, die sowohl für interne Teams als auch für Verbraucher schnell verdaulich ist.

Training eines Modells zur Erkennung von Mustern in einem bestimmten Datensatz und zur Erstellung fundierter Vorhersagen, was besonders nützlich bei nicht beschrifteten Datensätzen sein kann.