Von Agent bis Zero-Shot: Hier finden Sie die Grundlagen für Gespräche über KI, Daten und Automatisierung. Die Beispiele zeigen, was ein Begriff im Arbeitsalltag bedeutet – und wo eine technische Bezeichnung noch keine verlässliche Zusage ist.
100 Begriffe
Kein passender Begriff gefunden. Versuchen Sie ein kürzeres Wort oder leeren Sie die Suche.
Ein KI-Agent ist ein Softwaresystem, das ein Ziel mit einem Modell und gegebenenfalls Werkzeugen bearbeitet. Wie selbstständig es handeln darf, hängt von seinen Rechten und dem eingerichteten Ablauf ab. Im Betrieb kann es etwa Unterlagen zuordnen und einen Entwurf vorbereiten; verbindliche Schritte lassen sich an menschliche Freigaben binden.
#Application Programming Interface — eine standardisierte Schnittstelle, über die Software-Systeme miteinander kommunizieren. APIs ermöglichen es, KI-Funktionen in bestehende Unternehmenssoftware einzubinden, ohne alles neu programmieren zu müssen. Die meisten KI-Anbieter stellen ihre Modelle über APIs bereit.
#Der Einsatz von Software für wiederkehrende Arbeitsschritte, etwa Datenübertragung oder Dokumentenzuordnung. Ein Ablauf kann feste Regeln, KI-Vorschläge und menschliche Prüfung verbinden. Entscheidend sind klare Eingaben, ein erkennbares Ergebnis und ein verlässlicher Umgang mit Ausnahmen und fehlgeschlagenen Übergaben.
#Eine beschriebene Folge von Verarbeitungsschritten zur Lösung einer Aufgabe. Manche Algorithmen trainieren Modelle anhand von Daten, andere führen feste Berechnungen aus. Ein eingesetztes KI-System verbessert sich nicht automatisch mit jedem Tag seiner Nutzung; dafür braucht es einen vorgesehenen Lern- oder Änderungsprozess.
#Verfahren zum Finden ungewöhnlicher Muster, etwa bei Messwerten, Zahlungen oder Netzwerkereignissen. Eine Abweichung vom Vergleichsmuster kann einen Prüfhinweis liefern. Sie beweist für sich genommen weder Betrug noch einen Sicherheitsvorfall; Fehlalarme und übersehene Fälle müssen berücksichtigt werden.
#Ein Ansatz, bei dem KI den Menschen unterstützt statt ihn zu ersetzen. Die KI liefert Analysen und Empfehlungen, die finale Entscheidung trifft weiterhin der Mensch. Besonders relevant für Branchen, in denen Erfahrung und Urteilsvermögen entscheidend sind.
#Ein Verfahren, mit dem ein neuronales Modell Informationen abhängig vom jeweiligen Kontext unterschiedlich gewichtet. Bei Sprachmodellen können dadurch Beziehungen zwischen Textteilen berücksichtigt werden. Attention ist ein zentraler Baustein von Transformern, aber kein Beweis für menschliches Verständnis oder eine inhaltlich richtige Antwort.
Vaswani et al. · Attention Is All You Need (2017)
#Bidirectional Encoder Representations from Transformers: ein 2018 vorgestellter Ansatz für Sprachrepräsentationen, der linken und rechten Kontext eines Textteils berücksichtigt. BERT kann für Aufgaben wie Klassifikation oder Fragebeantwortung angepasst werden. Es ist von einem frei antwortenden Chatprodukt zu unterscheiden.
#Eine systematische Verzerrung in Daten, Modellen oder ihrer Anwendung. Ursachen können etwa Datenauswahl, unpassende Bewertungskriterien oder unterschiedliche Einsatzbedingungen sein. Für einen Bewerbungsabgleich sollten deshalb sachlich relevante Kriterien und Quellen sichtbar bleiben; eine vermeintlich objektive Punktzahl genügt nicht zur fairen Entscheidung.
#Ein Software-Programm, das automatisiert Aufgaben erledigt. Im Geschäftsumfeld sind das häufig Chatbots für den Kundenservice oder RPA-Bots für die Sachbearbeitung. Moderne Bots kombinieren regelbasierte Logik mit KI-gestütztem Sprachverständnis.
#Methoden und Werkzeuge zur Aufbereitung und Analyse von Geschäftsdaten. Berichte und Kennzahlen unterstützen Entscheidungen. KI kann Muster oder Erklärungsvorschläge ergänzen, muss dabei aber dieselben Daten- und Qualitätsgrenzen beachten. Ein erkanntes Muster belegt noch keine Ursache.
#Ein festgelegter Vergleichstest für eine bestimmte Fähigkeit, etwa Textverständnis oder Programmierung. Ergebnisse sind nur mit Blick auf Aufgaben, Bewertungsmethode und Testbedingungen sinnvoll vergleichbar. Ein guter Benchmarkwert ersetzt keinen Test mit den eigenen Dokumenten, Ausnahmen und Abläufen.
#Ein KI-Assistent von OpenAI für die Arbeit im Dialog. Er kann beispielsweise beim Schreiben, Analysieren und Bearbeiten von Inhalten unterstützen. Verfügbare Modelle, Werkzeuge und Bedingungen unterscheiden sich nach Angebot und Einrichtung; der Produktname allein beschreibt noch keinen freigegebenen betrieblichen Datenweg.
#Eine Familie von KI-Modellen und darauf aufbauenden Assistenten von Anthropic. Sie wird unter anderem für Textarbeit, Dokumentenanalyse und Programmierung eingesetzt. Welche Aufgaben und Werkzeuge verfügbar sind, hängt vom konkreten Modell und Produkt ab. Eine pauschale Überlegenheit bei langen Dokumenten wird damit nicht behauptet.
#Ein Dialogsystem, das Anfragen per Text oder Sprache bearbeitet. Es kann regelbasiert sein oder KI-Modelle verwenden. Zugriff auf Kalender, Kundendaten oder andere Werkzeuge benötigt eine entsprechende Einrichtung und Berechtigung. Eine flüssige Antwort ist noch keine Bestätigung, dass eine angekündigte Handlung ausgeführt wurde.
#Ein Teilgebiet der KI zur Verarbeitung von Bildern und Videos, etwa für Objekterkennung oder Qualitätskontrolle. Die Ergebnisse hängen von Bildqualität, Trainingsgrundlagen und Aufgabe ab. Ein erkanntes Merkmal oder eine vermutete Beschädigung muss bei folgenreichen Entscheidungen fachlich geprüft werden.
#Technologie für den Austausch mit Menschen über Text oder Sprache. Sie umfasst unter anderem Sprachverarbeitung, Dialogsteuerung und gegebenenfalls Werkzeugzugriffe. Eine hilfreiche Anwendung fragt bei Unklarheit nach und kennt einen Übergabeweg, wenn das Anliegen den vereinbarten Umfang überschreitet.
#Ein Begriff für schrittweise erzeugte Zwischenüberlegungen bei der Bearbeitung einer Aufgabe. In der Praxis können verständliche Begründungen und überprüfbare Rechenschritte helfen. Eine ausgegebene Erklärung ist jedoch kein verlässliches Protokoll aller internen Modellvorgänge und garantiert kein richtiges Ergebnis.
#Die Zuordnung einer Eingabe zu einer oder mehreren festgelegten Kategorien, etwa Rechnung, Rückfrage oder Beschwerde. Ein Modell kann diese Zuordnung vorschlagen. Grenzfälle, fehlende Kategorien und falsche Treffer benötigen ein Verfahren zur Prüfung und Korrektur.
#Maschinelles Lernen mit neuronalen Netzen aus mehreren Verarbeitungsschichten. Solche Netze werden unter anderem für Sprache, Bilder und Audiodaten genutzt. Mehr Trainingsdaten allein garantieren keine bessere Qualität; auch Datenwahl, Lernverfahren, Modell und Bewertung sind entscheidend.
#Eine Beschreibung von Daten und ihren Beziehungen, beispielsweise Kunde, Auftrag, Dokument und Freigabe. Ein geeignetes Datenmodell hilft, Angaben eindeutig zuzuordnen und Änderungen nachvollziehbar zu halten. Es ist eine wichtige Grundlage, ersetzt aber keine Prüfung der tatsächlich erfassten Informationen.
#Die Datenschutz-Grundverordnung regelt die Verarbeitung personenbezogener Daten in ihrem Geltungsbereich. Für KI-Projekte sind unter anderem Rechtsgrundlage, Zweck, Datenminimierung, Rechte und Schutzmaßnahmen zu prüfen. Ein deutscher Serverstandort ist weder eine allgemeine Pflicht für jede Verarbeitung noch für sich allein ein vollständiger Konformitätsnachweis.
BfDI: Datenschutz-Grundverordnung · Stand März 2026
#KI-Unterstützung für die Erfassung und Bearbeitung von Dokumenten. Sie kann Dokumenttypen, Angaben und mögliche Zuordnungen vorschlagen. Bei einer Rechnung gehören Betrag und Fundstelle zusammen. Unlesbare Werte bleiben offen; fachliche Einordnung und Übernahme werden nach dem vereinbarten Verfahren geprüft.
#Eine anschauliche Bezeichnung für Software, die abgegrenzte Sachbearbeitungsaufgaben vorbereitet oder ausführt. Dazu können Dokumentenzuordnung, Rückfragen und Entwürfe gehören. Welche Entscheidungen erlaubt sind und welche eine menschliche Freigabe benötigen, muss konkret festgelegt sein; die Bezeichnung ist kein Berufs- oder Qualitätsnachweis.
#Die Darstellung eines Inhalts als Zahlenvektor. Mit einem passenden Embedding-Modell lassen sich beispielsweise Textpassagen nach Ähnlichkeit suchen. Nahe Vektoren können verwandte Bedeutung anzeigen, sind aber kein Beweis dafür, dass zwei Aussagen gleich oder sachlich richtig sind.
#Automatische Erkennung und Zuordnung von benannten Entitäten in Texten — etwa Personen, Orte, Unternehmen oder Beträge. Wird eingesetzt bei der automatischen Dokumentenverarbeitung und E-Mail-Analyse, um relevante Informationen strukturiert zu extrahieren.
#Extract, Transform, Load: Daten aus Quellen entnehmen, in eine passende Form überführen und in ein Ziel laden. Ein solcher Ablauf kann KI zur Vorbereitung einsetzen. Feldzuordnung, Qualitätskontrolle und Bestätigung der Übernahme bleiben nötig, insbesondere bei widersprüchlichen oder unvollständigen Angaben.
#KI-Verarbeitung auf oder nahe dem Gerät, auf dem Daten entstehen, etwa an einer Maschine. Das kann Übertragungsbedarf und Latenz verringern. Ob ein konkretes System ohne Internet arbeitet und welche Daten es dennoch überträgt, hängt von seiner tatsächlichen Architektur ab.
#Die europäische KI-Verordnung legt Anforderungen abhängig von System, Verwendung und Rolle des Beteiligten fest. Dazu gehören je nach Fall Verbote, Transparenz, Dokumentation und menschliche Aufsicht. Vorschriften haben unterschiedliche Anwendungstermine. Eine konkrete Einordnung muss deshalb Einsatz und aktuellen Rechtsstand berücksichtigen.
#Verfahren, die Verhalten oder Ergebnisse eines Modells verständlicher machen sollen. Dazu gehören beispielsweise Hinweise auf einflussreiche Eingabemerkmale. Eine Erklärung hat eigene Grenzen: Sie muss überprüfbar sein und ist nicht automatisch die tatsächliche Ursache einer Modellantwort.
#Die weitere Anpassung eines vortrainierten Modells mit geeigneten Trainingsdaten. Sie kann bestimmte Verhaltensweisen oder Aufgaben verbessern. Fachliche Richtigkeit entsteht dadurch nicht automatisch. Datenqualität, unabhängige Bewertung und der Vergleich mit einfacheren Ansätzen wie besseren Quellen oder Prompts bleiben wichtig.
#Ein auf breiten Daten vortrainiertes Modell, das als Grundlage unterschiedlicher Anwendungen dienen kann. Es lässt sich durch Kontext, Werkzeuge oder weiteres Training auf Aufgaben ausrichten. Ein allgemein leistungsfähiges Modell ist noch keine vollständig eingerichtete und geprüfte Branchenlösung.
#Das Lernen oder Anpassen an eine Aufgabe mit wenigen Beispielen. Bei Sprachmodellen bezeichnet Few-Shot-Prompting meist Beispiele direkt in der Eingabe, ohne die Modellgewichte zu ändern. Ob diese Beispiele helfen, wird mit anderen Fällen geprüft; ein kleiner Beispielsatz garantiert keine allgemeine Zuverlässigkeit.
#KI-Verfahren, die neue Inhalte wie Text, Bilder, Audio oder Code erzeugen. Im Betrieb können sie etwa Entwürfe oder Zusammenfassungen vorbereiten. Neu erzeugter Inhalt ist nicht allein deshalb korrekt, vollständig oder zur Veröffentlichung geeignet; Quellen und gewünschter Einsatz bestimmen die nötige Prüfung.
#Generative Pre-trained Transformer: eine Bezeichnung für generativ vortrainierte Transformer-Sprachmodelle. Solche Modelle erzeugen unter anderem Text auf Basis einer Eingabe. Die Bezeichnung sagt allein noch nichts über konkrete Werkzeuge, Datenzugriffe oder die Zuverlässigkeit in einem bestimmten Betriebsablauf aus.
#Generative Engine Optimization bezeichnet Bemühungen, Inhalte in KI-gestützten Such- und Antwortsystemen auffindbar zu machen. Verständliche Inhalte, erreichbare Seiten und passende strukturierte Daten bleiben wichtig. Google erklärt, dass seine bestehenden SEO-Grundlagen auch für KI-Funktionen gelten; eine Aufnahme oder Platzierung wird nicht garantiert.
Google Search Central · KI-Funktionen in der Suche
#Ein neuronales Netz, das auf Graphstrukturen arbeitet — also auf Daten mit Beziehungen zwischen Knoten. Wird eingesetzt für Empfehlungssysteme, Betrugserkennung und Wissensnetze. Ideal, wenn Beziehungen zwischen Datenpunkten genauso wichtig sind wie die Daten selbst.
#Eine Familie von KI-Modellen von Google und ein darauf aufbauendes Assistentenangebot. Je nach Modell werden verschiedene Eingabe- und Ausgabearten unterstützt. Die konkreten Fähigkeiten, Zugänge und Bedingungen müssen am eingesetzten Angebot geprüft werden; der Familienname allein beschreibt keinen vollständigen Leistungsumfang.
#Eine überzeugend klingende, aber unbelegte oder falsche Modellausgabe. Beispielsweise kann ein Entwurf eine Quelle oder ein Datum erfinden. Dokumentenabruf, klare Vorgaben und menschliche Prüfung können das Risiko begrenzen, schließen es jedoch nicht grundsätzlich aus.
#Ein Systemdesign, bei dem ein Mensch in kritischen Schritten eingebunden bleibt — zur Kontrolle, Freigabe oder Korrektur. Empfohlen für Prozesse mit rechtlichen oder finanziellen Konsequenzen. Die KI arbeitet vor, der Mensch entscheidet.
#Einstellungen, die vor dem Training eines KI-Modells festgelegt werden — etwa Lernrate, Batchgröße oder Modelltiefe. Die richtige Wahl der Hyperparameter beeinflusst maßgeblich, wie gut das Modell lernt und wie effizient das Training abläuft.
#Die Anwendung eines trainierten Modells auf eine neue Eingabe. Dabei entsteht etwa eine Antwort, Klassifikation oder Bildauswertung. Kosten und Dauer hängen unter anderem von Modell, Umfang, Hardware und Betriebsweise ab. Eine schnelle Ausgabe ist nicht automatisch eine qualitativ bessere Ausgabe.
#Die automatische Erkennung der Absicht hinter einer Nutzeranfrage. Ein Telefonassistent erkennt zum Beispiel, ob ein Anrufer einen Termin vereinbaren, eine Beschwerde melden oder eine Auskunft einholen möchte — und leitet den Anruf entsprechend weiter.
#Ein Ablauf zur Verarbeitung von Dokumenten, der Erkennung, Klassifikation, Datenauslese und Übergabe verbindet. KI kann einzelne Schritte unterstützen. Qualität wird mit den eigenen Dokumenten einschließlich schlechter Scans, Dubletten und fehlender Seiten geprüft; eine generell geringere Fehlerrate wird nicht vorausgesetzt.
#Verfahren zum Erkennen oder Zuordnen von Bildinhalten, etwa Bauteilen, Produkten oder sichtbaren Schäden. Die Eignung hängt von Aufgabe und Bildbedingungen ab. Ein System kann kleine Merkmale übersehen oder falsch zuordnen; eine pauschale Überlegenheit gegenüber menschlicher Prüfung ist nicht gegeben.
#Oberbegriff für Software-Systeme, die kognitive Aufgaben übernehmen: Sprache verstehen, Muster erkennen, Entscheidungen treffen. Für den Mittelstand bedeutet KI vor allem Automatisierung von Routineaufgaben und bessere Entscheidungsgrundlagen auf Basis von Daten.
#Eine Wissenssammlung, etwa mit freigegebenen Produktangaben, Arbeitsanweisungen und Antworten auf häufige Fragen. Für KI-Anwendungen sind Quelle, Aktualität und Zugriffsrechte wichtig. Eine gepflegte Sammlung hilft, garantiert aber nicht, dass das Modell die passende Stelle findet oder richtig verwendet.
#Ein Datenmodell aus benannten Objekten und Beziehungen, etwa Kunde, Vertrag und zugehörigem Gebäude. Es kann Zusammenhänge systematisch abfragbar machen. Die dargestellten Beziehungen müssen aus geeigneten Grundlagen stammen; eine Verbindung im Graphen ist kein automatischer Wahrheitsnachweis.
#Large Language Model: ein großes Sprachmodell, das statistische Muster in umfangreichen Daten gelernt hat und Texte verarbeiten oder erzeugen kann. Es wird für Dialoge, Zusammenfassungen und andere Aufgaben eingesetzt. Sprachliche Plausibilität ist dabei von überprüfter fachlicher Richtigkeit zu unterscheiden.
#Low-Rank Adaptation: ein Verfahren zur Modellanpassung, bei dem die vorhandenen Grundgewichte eingefroren bleiben und zusätzliche Matrizen mit niedrigem Rang trainiert werden. Das kann den Trainingsaufwand verringern. Eignung und Qualität müssen dennoch für die konkrete Aufgabe bewertet werden.
#Ein Framework zum Aufbau von Anwendungen mit Sprachmodellen, Werkzeugen und weiteren Komponenten. Es bietet gemeinsame Schnittstellen und Bausteine für entsprechende Abläufe. Die Verwendung eines Frameworks übernimmt nicht automatisch Berechtigungen, fachliche Freigaben oder die Qualitätsprüfung der eigenen Anwendung.
LangChain · offizielle Einführung
#Eine zugewiesene Kategorie oder Zielangabe für einen Datensatz, etwa „Rechnung“ oder „Beschwerde“. Solche Labels werden unter anderem beim überwachten Lernen verwendet. Einheitliche Regeln und die Prüfung strittiger Beispiele helfen, widersprüchliche Trainingsgrundlagen zu vermeiden.
#Maschinelles Lernen bezeichnet Verfahren, die Modellparameter anhand von Daten anpassen. Statt jede Einzelfallantwort fest zu programmieren, wird ein Zusammenhang gelernt. Mehr Daten oder längere Nutzung garantieren keine Verbesserung; Datenqualität, Aufgabe und unabhängige Bewertung bleiben entscheidend.
#Model Context Protocol: ein offenes Protokoll, über das KI-Anwendungen mit Datenquellen und Werkzeugen verbunden werden können. Beispielsweise kann ein eingerichteter Server eine Suche bereitstellen. Das Protokoll allein erteilt keine Zugriffsrechte und garantiert weder aktuelle Daten noch eine erfolgreiche Handlung.
Model Context Protocol · Einführung
#Im KI-Kontext ein trainiertes System, das Eingaben verarbeitet und Ausgaben erzeugt. Ein Modell enthält die gelernten Muster und Parameter, die bei der Inference angewendet werden. Unterschiedliche Modelle eignen sich für unterschiedliche Aufgaben.
#KI-Systeme, die mehrere Datentypen gleichzeitig verarbeiten: Text, Bilder, Audio und Video. Multimodale Modelle können zum Beispiel ein Foto eines Schadens analysieren und einen Bericht dazu verfassen — alles in einem Schritt.
#Ein Architekturstil, bei dem eine Anwendung aus getrennten Diensten mit definierten Schnittstellen besteht. Einzelne Dienste können unabhängig weiterentwickelt werden. Ihre Abhängigkeiten, Fehlerbehandlung und Überwachung bleiben dennoch Teil des Gesamtsystems; eine Änderung ist nicht grundsätzlich folgenlos für andere Teile.
#Verarbeitung natürlicher Sprache — das Teilgebiet der KI, das sich mit dem Verstehen und Erzeugen menschlicher Sprache befasst. Grundlage für Chatbots, Übersetzungen, Textanalyse und Sprachassistenten. NLP macht die Mensch-Maschine-Kommunikation natürlich.
#Ein rechnerisches Modell mit miteinander verbundenen Einheiten und veränderbaren Gewichten. Beim Training werden diese Gewichte angepasst, um eine Aufgabe zu bearbeiten. Die biologische Analogie ist vereinfacht; ein solches Netz ist keine Nachbildung sämtlicher Eigenschaften des menschlichen Gehirns.
#Werkzeuge, mit denen Anwendungen oder Abläufe über Oberflächen und mit wenig oder ohne eigenen Programmcode erstellt werden. Sie können die Einrichtung erleichtern. Für Datenzugriffe, Fehlerbehandlung, Betrieb und fachliche Abnahme braucht es weiterhin passende Kenntnisse und Zuständigkeiten.
#Eine Plattform für Workflow-Automatisierung mit visuellem Editor und vielen Verbindungsmöglichkeiten. Sie kann auch selbst gehostet werden. Die Community-Ausgabe steht unter der Sustainable Use License; öffentlich zugänglicher Quellcode ist deshalb nicht mit uneingeschränkter Open-Source-Nutzung gleichzusetzen. Der konkrete Nutzungsfall muss zur Lizenz passen.
n8n · Lizenzhinweise, Stand 6. Oktober 2026
#Die automatische Erkennung und Klassifizierung von Eigennamen, Orten, Daten und Beträgen in Texten. Zentrale Technik bei der automatischen Dokumentenverarbeitung und Informationsextraktion. Macht unstrukturierte Texte maschinenlesbar und durchsuchbar.
#Optical Character Recognition: die Umwandlung von Zeichen in Bildern oder Scans in maschinenlesbaren Text. Sie kann gedruckte und je nach Verfahren handschriftliche Inhalte erfassen. Schlechte Auflösung, Tabellen und verdeckte Zeichen können Fehler verursachen; das Original bleibt für die Prüfung wichtig.
#KI-Software oder Modelle mit offen verfügbaren Bestandteilen und entsprechenden Nutzungsrechten. Quellcode, Modellgewichte und Trainingsdaten können unterschiedlich zugänglich sein. Die konkrete Lizenz ist entscheidend. Ein selbst betriebener offener Bestandteil allein garantiert weder vollständige Datenkontrolle noch die Sicherheit der gesamten Anwendung.
#Eine formale Beschreibung von Begriffen und ihren Beziehungen innerhalb einer Domäne. Ontologien helfen KI-Systemen, Fachsprache einer Branche zu verstehen und korrekt einzuordnen. Besonders wertvoll, wenn branchenspezifisches Vokabular eindeutig interpretiert werden muss.
#Das Unternehmen hinter ChatGPT und verschiedenen KI-Modellen. Über eine API können Modelle in eigene Anwendungen eingebunden werden. Produktfunktionen, Zugang und Bedingungen richten sich nach dem konkret genutzten Angebot; der Anbietername allein ist keine Aussage über den eingerichteten Arbeitsablauf.
#Die Eingabe an ein Modell, etwa eine Aufgabe mit Kontext, Beispielen und gewünschtem Ausgabeformat. Eine klare Anweisung kann helfen, den Auftrag genauer einzugrenzen. Sie ersetzt jedoch weder fehlende Quellen noch die Prüfung einer inhaltlich bedeutsamen Antwort.
#Die systematische Gestaltung und Prüfung von Modelleingaben. Dazu gehören verständliche Aufgaben, relevante Quellen, Beispiele und Ausgabevorgaben. Ob eine Änderung hilft, sollte an unterschiedlichen Fällen geprüft werden. Eine einzelne gut klingende Antwort genügt nicht zur Bewertung.
#Eine grundlegende Trainingsphase, in der ein Modell Muster aus umfangreichen Daten lernt. Darauf können weitere Anpassungen folgen. Aufwand und Kosten hängen von Modell und Verfahren ab; Pre-Training allein liefert noch keine auf einen bestimmten Betrieb abgestimmte Anwendung.
#Eine Folge verbundener Verarbeitungsschritte, beispielsweise Eingang, Auslese, Prüfung und Übergabe. Ein sinnvoller Ablauf macht Fehler und Zwischenstände sichtbar. Bei Wiederholungen muss er verhindern, dass bereits ausgeführte Schritte unbemerkt doppelte Vorgänge erzeugen.
#Die Verarbeitung personenbezogener Daten so, dass sie ohne zusätzliche Informationen nicht mehr einer bestimmten Person zugeordnet werden können. Diese zusätzlichen Informationen müssen gesondert und geschützt gehalten werden. Pseudonymisierte Daten bleiben personenbezogene Daten; Pseudonymisierung ist von Anonymisierung zu unterscheiden.
BfDI: Datenschutz-Grundverordnung · Stand März 2026
#Methoden, die anhand vorhandener Daten mögliche zukünftige Entwicklungen schätzen, etwa Nachfrage oder Wartungsbedarf. Eine Prognose hängt von Annahmen und Daten ab und bleibt unsicher. Veränderte Bedingungen können ihre Aussagekraft einschränken; sie ist keine Garantie für einen künftigen Verlauf.
#Eine Anfrage an ein Daten-, Such- oder KI-System. Bei einer Dokumentensuche bestimmt sie, welche Inhalte gesucht werden. Die Formulierung, der verfügbare Bestand und die Berechtigungen beeinflussen das Ergebnis. Eine präzise Query garantiert nicht, dass eine fehlende Information vorhanden ist.
#Die Darstellung von Modellwerten mit geringerer numerischer Genauigkeit. Das kann Speicherbedarf und Rechenaufwand reduzieren. Auswirkungen auf Geschwindigkeit und Ergebnisqualität hängen von Verfahren, Modell, Hardware und Aufgabe ab und sollten vor dem Einsatz geprüft werden.
#Retrieval-Augmented Generation verbindet einen Dokumentenabruf mit der Erzeugung einer Antwort. Ein System sucht passende Inhalte und gibt sie dem Modell als Kontext. Qualität und Aktualität hängen von den Quellen und der Suche ab. Auch mit RAG können Antworten falsch oder unvollständig sein.
Lewis et al. · Retrieval-Augmented Generation (2020)
#Bestärkendes Lernen: Ein lernendes System erhält Rückmeldungen zu seinen Handlungen und passt sein Verhalten an ein Ziel an. Das Verfahren wird unter anderem für Steuerung und Modellanpassung eingesetzt. Eine hohe Bewertung innerhalb des Trainings bedeutet nicht automatisch, dass das Verhalten in jedem realen Einsatz geeignet ist.
#Robotic Process Automation automatisiert wiederkehrende Interaktionen mit Software, etwa Eingaben in eine Oberfläche. RPA und KI können zusammen eingesetzt werden und haben unterschiedliche Aufgaben. Änderungen an der Oberfläche oder unerwartete Dialoge benötigen ein geregeltes Fehlerverfahren.
#Die deutsche Bezeichnung für RPA. Software führt vorbereitete Bedienhandlungen wie Klicks und Eingaben aus. Das kann bei klaren Abläufen helfen, wenn kein passender Datenaustausch verfügbar ist. Berechtigungen, Änderungen an Oberflächen und bestätigte Ergebnisse müssen trotzdem geprüft werden.
#Überwachtes Lernen: Ein Modell wird mit Beispielen trainiert, denen gewünschte Ergebnisse oder Kategorien zugeordnet sind. Es lernt einen Zusammenhang zwischen Eingabe und Ziel. Die Bewertung erfolgt an getrennten Fällen, damit bloßes Wiedererkennen der Trainingsbeispiele nicht als allgemeine Fähigkeit gilt.
#Die automatische Einschätzung einer in Text ausgedrückten Stimmung oder Wertung, etwa positiv oder negativ. Sie kann beim Überblick über Rückmeldungen helfen. Ironie, Sprache und Kontext erschweren die Zuordnung; ein solcher Wert ist kein verlässliches Urteil über die tatsächlichen Gefühle einer Person.
#Die Umwandlung gesprochener Sprache in Text, beispielsweise für Diktate oder Gesprächsnotizen. Namen, Fachbegriffe, Dialekte und Hintergrundgeräusche können Fehler verursachen. Bei wichtigen Angaben muss die Transkription geprüft oder eine Rückfrage gestellt werden.
#Ein gemeinsames Vokabular zur strukturierten Beschreibung von Webinhalten, etwa Artikel, Organisationen oder Begriffe. Die Angaben sollen zum sichtbaren Inhalt passen. Markup kann Maschinen beim Einordnen helfen, garantiert aber weder besondere Suchdarstellung noch Aufnahme in KI-Antworten.
Google Search Central · KI-Funktionen in der Suche
#Die Anpassung von Kapazität an veränderte Last, etwa mehr Anfragen oder Dokumente. Zusätzliche Ressourcen können helfen, aber gemeinsame Datenbanken oder andere Engpässe bleiben möglich. Last, Antwortzeit, Kosten und Fehler werden zusammen gemessen; unbegrenzte Leistung wird nicht vorausgesetzt.
#Ein Verfahren, das Text in verarbeitbare Einheiten, sogenannte Token, zerlegt. Ein Token kann etwa ein Wortteil, Zeichen oder eine Zeichenfolge sein. Die Zahl hängt vom konkreten Tokenizer und Text ab. Sie kann Kosten und verfügbare Kontextlänge beeinflussen.
#Die Nutzung eines bereits trainierten Modells als Ausgangspunkt für eine andere oder verwandte Aufgabe. Das kann gegenüber einem vollständigen Neutraining Aufwand sparen. Wie gut die Übertragung funktioniert, hängt von den ursprünglichen Fähigkeiten, der neuen Aufgabe und der weiteren Anpassung ab.
#Eine 2017 vorgestellte Architektur neuronaler Netze, die auf Attention beruht. Sie ist Grundlage vieler Sprachmodelle. Teile der Verarbeitung und des Trainings lassen sich parallel ausführen; die Ausgabe eines autoregressiven Sprachmodells entsteht dennoch typischerweise schrittweise.
Vaswani et al. · Attention Is All You Need (2017)
#Die Umwandlung von Text in gesprochene Ausgabe. Sie wird beispielsweise für Vorlesefunktionen oder Telefonassistenz verwendet. Verständlichkeit, Aussprache und Umgang mit Namen müssen zur Anwendung passen. Eine natürlich klingende Stimme sagt nichts über die Richtigkeit ihres Inhalts aus.
#Der Prozess, in dem Modellparameter anhand von Daten und einer Lernaufgabe angepasst werden. Verfahren, Datenqualität und Bewertung beeinflussen das Ergebnis. Training unterscheidet sich von der späteren Nutzung des Modells; eine gewöhnliche Anfrage verändert nicht zwangsläufig seine Gewichte.
#Unüberwachtes Lernen — ein Trainingsverfahren, bei dem das KI-Modell eigenständig Muster und Strukturen in Daten erkennt, ohne vorgegebene Labels. Wird für Kundensegmentierung, Anomalie-Erkennung und die Entdeckung versteckter Zusammenhänge eingesetzt.
#Die gezielte Weiterbildung von Mitarbeitern im Umgang mit KI-Werkzeugen. Erfolgreiches Upskilling ist oft der entscheidende Faktor, ob ein KI-Projekt im Unternehmen angenommen wird. Technologie allein bringt wenig, wenn das Team sie nicht nutzen kann.
#Ein konkreter Anwendungsfall, für den eine KI-Lösung eingesetzt wird. Erfolgreiche KI-Projekte starten mit einem klar definierten Use Case statt mit der Technologie. Typische Use Cases im Mittelstand: Dokumentenverarbeitung, Kundenservice-Automatisierung und Angebotserstellung.
#KI-Anwendungen zur Verarbeitung und Erzeugung gesprochener Sprache. Eine Telefonassistenz kann Sprache erkennen, einen Dialog führen und vereinbarte Aufgaben vorbereiten. Erreichbarkeit, zulässige Auskünfte und Übergabewege müssen konkret eingerichtet werden; eine natürlich klingende Antwort ist keine bestätigte Handlung.
#Eine Suche über Abstände oder Ähnlichkeitsmaße zwischen Zahlenvektoren. Mit passenden Embeddings können inhaltlich verwandte Texte gefunden werden, auch bei anderen Wörtern. Relevanz, Quellenstand und Berechtigungen müssen zusätzlich berücksichtigt werden; der ähnlichste Treffer ist nicht automatisch der richtige.
#Die deutsche Bezeichnung für Natural Language Processing. Das Gebiet umfasst Verfahren zum Analysieren und Erzeugen menschlicher Sprache, etwa Klassifikation, Übersetzung oder Zusammenfassung. Bedeutung und Kontext können dabei falsch erfasst werden; die Eignung hängt von Aufgabe und Daten ab.
#Die technische Unterstützung einer Folge von Geschäftsaufgaben. Ein Workflow kann feste Regeln, KI-Vorschläge und menschliche Freigaben verbinden. Wichtig sind Zuständigkeiten, sichtbare Zwischenstände und bestätigte Übergaben, damit ein Fehler oder eine Wiederholung nicht unbemerkt falsche Ergebnisse erzeugt.
#Ein Mechanismus, bei dem ein System bei einem Ereignis eine Nachricht an einen eingerichteten Endpunkt sendet. Das kann einen weiteren Ablauf auslösen. Authentisierung, Wiederholungen und Fehlerbehandlung gehören zur Einrichtung; ein erfolgreicher HTTP-Aufruf bestätigt nicht automatisch den fachlichen Abschluss aller Folgeschritte.
#Die Erfassung, Pflege und Bereitstellung von Wissen im Unternehmen. KI kann vorhandene dokumentierte Informationen besser auffindbar machen. Nicht festgehaltenes Erfahrungswissen entsteht dadurch nicht automatisch in einer Datenbank; Quellen, Zuständigkeiten und Aktualisierung bleiben wichtig.
#Eine Software-Schicht, die eine komplexe API oder ein KI-Modell mit einer vereinfachten Oberfläche umhüllt. Viele KI-Tools für Unternehmen sind Wrapper um Foundation Models, die den Zugang vereinfachen und branchenspezifische Funktionen hinzufügen.
#Die Bearbeitung einer Aufgabe ohne eigens dafür bereitgestellte Beispiele in der konkreten Anwendung. Bei Sprachmodellen spricht man häufig von Zero-Shot-Prompting, wenn der Prompt keine Demonstrationsbeispiele enthält. Das bedeutet nicht, dass das Modell im Vortraining niemals ähnliche Inhalte gesehen hat.
#Die Analyse von Daten, die über einen Zeitraum gesammelt wurden — etwa Umsätze, Maschinenauslastung oder Kundenanfragen. KI erkennt Trends, Saisonmuster und Anomalien für bessere Vorhersagen. Essenziell für Bedarfsplanung und vorausschauende Wartung.
#
Buzzard AI