KI-Glossar: Die 60 wichtigsten Begriffe der künstlichen Intelligenz erklär

 

Few technology topics are currently developing as rapidly as artificial intelligence (AI). Terms like Large Language Model (LLM) , Prompt Engineering , Generative AI , and tokens are now commonplace in news, business, and everyday applications. However, these technical terms often seem complex or confusing to beginners.

This AI glossary explains the most important terms in the modern world of AI in easy-to-understand language. Whether you are just getting started with the topic, work professionally with AI, or want to understand the background of current developments – this glossary offers concise definitions, practical examples, and helpful contextualizations.

The terms are sorted alphabetically and are also suitable as a reference work.

Key findings 

• The glossary explains 60 key terms from the world of artificial intelligence.
• All definitions are deliberately formulated in a simple and practical way.
• In addition to basic principles, modern topics such as LLMs, embeddings, and hallucinations are also explained.
• The glossary is suitable for both beginners and advanced users.
• Regular updates ensure that new developments are taken into account.

A

Agent (AI agent)

Ein KI-Agent ist ein Softwaresystem, das eigenständig Aufgaben ausführen kann. Im Gegensatz zu einem klassischen Chatbot kann ein KI-Agent Entscheidungen treffen, Informationen beschaffen, Werkzeuge verwenden und mehrere Arbeitsschritte miteinander verbinden.

Beispiel: Ein Reise-Agent plant automatisch einen Urlaub, vergleicht Hotels, erstellt eine Reiseroute und bereitet Buchungsvorschläge vor.

AGI (Artificial General Intelligence)

AGI bezeichnet eine hypothetische Form der künstlichen Intelligenz, die menschliche Fähigkeiten in nahezu allen Bereichen erreichen oder übertreffen könnte.

Im Gegensatz zu heutigen KI-Systemen wäre AGI nicht nur auf einzelne Aufgaben spezialisiert.

Algorithmus

Ein Algorithmus ist eine eindeutig definierte Abfolge von Regeln oder Anweisungen zur Lösung eines Problems.

In der KI bilden Algorithmen die Grundlage dafür, wie Modelle lernen, Daten verarbeiten oder Vorhersagen treffen.

API (Application Programming Interface)

Eine API ermöglicht es verschiedenen Programmen, miteinander zu kommunizieren.

Viele KI-Anwendungen stellen ihre Modelle über APIs bereit, sodass Entwickler sie in eigene Software integrieren können.

Beispiel: Eine Kundenservice-App nutzt über eine API ein Sprachmodell, um automatisch Antworten zu erstellen.

Aufmerksamkeit (Attention)

Attention ist ein Verfahren moderner KI-Modelle, mit dem wichtige Informationen innerhalb eines Textes erkannt und unterschiedlich stark gewichtet werden.

Dieses Konzept bildet die Grundlage der Transformer-Architektur.

B

Bias

Bias beschreibt systematische Verzerrungen in KI-Systemen.

Sie entstehen häufig durch unausgewogene Trainingsdaten oder fehlerhafte Annahmen während der Entwicklung.

Ein Modell kann dadurch bestimmte Personengruppen benachteiligen oder stereotype Ergebnisse liefern.

Benchmark

Ein Benchmark ist ein standardisierter Test, mit dem sich die Leistung verschiedener KI-Modelle vergleichen lässt.

Bekannte Benchmarks prüfen beispielsweise:

• Sprachverständnis
• mathematische Fähigkeiten
• Programmierung
• logisches Denken

Big Data

Big Data bezeichnet extrem große Datenmengen, die mit klassischen Methoden kaum verarbeitet werden können.

Viele moderne KI-Systeme werden mithilfe solcher Daten trainiert.

C

Chatbot

Ein Chatbot ist ein Programm, das Gespräche mit Menschen simuliert.

Frühe Chatbots arbeiteten meist mit festen Regeln. Moderne Chatbots nutzen häufig große Sprachmodelle und können deutlich flexibler antworten.

Computer Vision

Computer Vision ermöglicht Computern, Bilder und Videos zu analysieren und zu verstehen.

Typische Einsatzbereiche sind:

• Gesichtserkennung
• Qualitätskontrolle
• Medizin
• autonomes Fahren

Kontextfenster (Context Window)

Das Kontextfenster beschreibt die maximale Informationsmenge, die ein Sprachmodell gleichzeitig berücksichtigen kann.

Ein größeres Kontextfenster erlaubt beispielsweise:

• längere Dokumente
• umfangreiche Gespräche
• komplexere Analysen

Corpus

Ein Corpus ist eine strukturierte Sammlung von Texten, Bildern oder anderen Daten, die zum Training oder Testen von KI-Systemen verwendet wird.

Je vielfältiger und hochwertiger ein Corpus ist, desto besser kann ein Modell lernen.

D

Datenannotation

Bevor viele KI-Modelle trainiert werden können, müssen Daten gekennzeichnet werden.

Dieser Prozess heißt Datenannotation.

Beispiele:

• Bilder markieren
• Objekte erkennen
• Texte kategorisieren
• Sprache transkribieren

Datensatz (Dataset)

Ein Datensatz ist die Grundlage jedes KI-Modells.

Er enthält die Informationen, mit denen ein Modell trainiert oder getestet wird.

Die Qualität eines Datensatzes beeinflusst unmittelbar die Qualität der KI.

 

Deep Learning

Deep Learning ist ein Teilgebiet des Machine Learning.

Dabei kommen künstliche neuronale Netze mit vielen Schichten zum Einsatz, die komplexe Muster in Daten erkennen können.

Deep Learning wird beispielsweise eingesetzt für:

• Bilderkennung
• Übersetzungen
• Sprachmodelle
• Spracherkennung

Diffusionsmodell (Diffusion Model)

Ein Diffusionsmodell erzeugt Inhalte, indem es schrittweise aus zufälligem Rauschen ein Bild oder einen anderen Datentyp erstellt.

Diese Technik wird häufig bei modernen KI-Bildgeneratoren eingesetzt.

E

Embedding

Embeddings sind mathematische Darstellungen von Wörtern, Bildern oder Dokumenten.

Sie ermöglichen es KI-Systemen, Ähnlichkeiten zwischen verschiedenen Informationen zu erkennen.

Embeddings spielen eine wichtige Rolle bei:

• semantischer Suche
• Empfehlungssystemen
• Retrieval-Augmented Generation (RAG)

Ethik in der KI

KI-Ethik beschäftigt sich mit den gesellschaftlichen Auswirkungen künstlicher Intelligenz.

Wichtige Fragestellungen sind:

• Fairness
• Transparenz
• Datenschutz
• Verantwortlichkeit
• Diskriminierung

F

Fine-Tuning

Beim Fine-Tuning wird ein bereits trainiertes KI-Modell mit zusätzlichen Daten für einen speziellen Anwendungsbereich angepasst.

Beispiele:

• medizinische Beratung
• juristische Dokumente
• Kundenservice
• Finanzanalysen

Foundation Model

Ein Foundation Model ist ein sehr großes Basismodell, das auf umfangreichen Daten trainiert wurde und anschließend für viele unterschiedliche Aufgaben eingesetzt werden kann.

Bekannte Foundation Models bilden die Grundlage zahlreicher KI-Anwendungen.

Few-Shot Learning

Beim Few-Shot Learning erhält das Modell nur wenige Beispiele, bevor es eine Aufgabe bearbeiten soll.

Dadurch kann es auch neue Aufgaben lösen, ohne vollständig neu trainiert zu werden.

G

Generative KI (Generative Artificial Intelligence)

Generative KI bezeichnet KI-Systeme, die selbstständig neue Inhalte erstellen können. Dazu gehören Texte, Bilder, Videos, Musik, Programmcode oder Audio.

Im Gegensatz zu klassischen KI-Systemen, die hauptsächlich Daten analysieren oder Vorhersagen treffen, erzeugt generative KI neue Inhalte auf Basis ihres Trainingswissens.

Typische Anwendungsbereiche:

• Texterstellung
• Bildgenerierung
• Programmierung
• Marketing
• Produktdesign
• Kundenservice

GPU (Graphics Processing Unit)

Eine GPU ist ein Hochleistungsprozessor, der ursprünglich für die Darstellung von Grafiken entwickelt wurde.

Heute sind GPUs unverzichtbar für das Training großer KI-Modelle, da sie viele Berechnungen gleichzeitig durchführen können und neuronale Netze deutlich schneller trainieren als herkömmliche Prozessoren (CPUs).

H

Halluzination

Als Halluzination bezeichnet man den Fall, dass ein KI-Modell eine Antwort erzeugt, die überzeugend klingt, aber sachlich falsch oder frei erfunden ist.

Halluzinationen können beispielsweise auftreten, wenn:

• Quellen erfunden werden
• Personen falsche Zitate zugeschrieben bekommen
• nicht existierende Studien genannt werden
• Fakten miteinander vermischt werden

Praxis-Tipp: Kritische Informationen sollten immer anhand vertrauenswürdiger Quellen überprüft werden.

Hyperparameter

Hyperparameter sind Einstellungen, die vor dem Training eines KI-Modells festgelegt werden und den Lernprozess beeinflussen.

Beispiele sind:

• Lernrate
• Batch-Größe
• Anzahl der Trainingsdurchläufe (Epochen)
• Größe des neuronalen Netzes

Sie werden nicht vom Modell selbst gelernt, sondern von Entwicklern oder automatisierten Optimierungsverfahren festgelegt.

I

Inferenz (Inference)

Die Inferenz beschreibt den Moment, in dem ein bereits trainiertes KI-Modell auf neue Eingaben reagiert und Ergebnisse erzeugt.

Während das Training Wissen aufbaut, nutzt die Inferenz dieses Wissen praktisch.

Beispiel: Wenn Sie eine Frage an einen KI-Chatbot stellen und eine Antwort erhalten, findet Inferenz statt.

K

KI (Künstliche Intelligenz)

Künstliche Intelligenz (KI) ist ein Oberbegriff für Technologien, die Aufgaben übernehmen können, für die normalerweise menschliche Intelligenz erforderlich ist.

Dazu zählen unter anderem:

• Sprachverarbeitung
• Bilderkennung
• Entscheidungsunterstützung
• Mustererkennung
• Problemlösung

Heute basiert ein Großteil moderner KI auf Machine Learning und Deep Learning.

KI-Modell

Ein KI-Modell ist das Ergebnis eines Trainingsprozesses.

Es enthält die mathematischen Zusammenhänge, die aus Trainingsdaten gelernt wurden, und kann dieses Wissen anschließend auf neue Aufgaben anwenden.

Je nach Einsatzzweck gibt es beispielsweise:

• Sprachmodelle
• Bildmodelle
• Audiomodelle
• Multimodale Modelle

KI-Training

Beim KI-Training verarbeitet ein Modell große Mengen an Daten, um Muster und Zusammenhänge zu erkennen.

Je umfangreicher und hochwertiger die Trainingsdaten sind, desto besser kann das Modell in vielen Fällen generalisieren. Gleichzeitig ist die Qualität der Daten entscheidend, um Verzerrungen (Bias) zu vermeiden.

Knowledge Graph

Ein Knowledge Graph verknüpft Informationen in Form von Beziehungen zwischen Personen, Orten, Organisationen oder Begriffen.

Dadurch kann KI Zusammenhänge besser verstehen.

Beispiel: Ein Knowledge Graph erkennt, dass Berlin die Hauptstadt Deutschlands ist und Deutschland zu Europa gehört.

L

Large Language Model (LLM)

Ein Large Language Model (LLM) ist ein großes Sprachmodell, das auf riesigen Textmengen trainiert wurde.

LLMs können:

• Texte schreiben
• Fragen beantworten
• Inhalte zusammenfassen
• programmieren
• übersetzen
• Ideen entwickeln

Die Qualität eines LLM hängt unter anderem von den Trainingsdaten, der Modellgröße und der Architektur ab.

Lernen ohne Aufsicht (Unsupervised Learning)

Beim Unsupervised Learning erhält das Modell keine vorgegebenen Lösungen.

Es sucht selbstständig nach Mustern oder Strukturen in den Daten.

Typische Einsatzgebiete:

• Kundensegmentierung
• Anomalieerkennung
• Datenanalyse
• Clustering

Lernen mit Aufsicht (Supervised Learning)

Beim Supervised Learning wird das Modell mit bereits korrekt gekennzeichneten Beispielen trainiert.

Es lernt dadurch, Eingaben mit den richtigen Ausgaben zu verknüpfen.

Beispiele:

• Spam-Erkennung
• Bilderkennung
• Kreditbewertung
• medizinische Diagnostik

M

Machine Learning

Machine Learning ist ein Teilgebiet der künstlichen Intelligenz.

Anstatt jede Regel explizit zu programmieren, lernt das System aus vorhandenen Daten und verbessert seine Ergebnisse mit zunehmender Erfahrung.

Machine Learning bildet die Grundlage vieler moderner KI-Anwendungen.

Modellparameter

Parameter sind die Werte, die ein KI-Modell während des Trainings selbst lernt.

Sie bestimmen letztlich, wie das Modell Informationen verarbeitet und Vorhersagen trifft.

Große Sprachmodelle besitzen häufig Milliarden oder sogar Billionen von Parametern.

Multimodale KI

Eine multimodale KI kann verschiedene Datentypen gleichzeitig verarbeiten.

Dazu gehören beispielsweise:

• Text
• Bilder
• Audio
• Video
• Dokumente

Dadurch können komplexere Aufgaben gelöst werden als mit Modellen, die nur einen Datentyp verstehen.

N

Neuronales Netz

Ein neuronales Netz ist ein mathematisches Modell, das lose am menschlichen Gehirn orientiert ist.

Es besteht aus miteinander verbundenen Schichten künstlicher Neuronen.

Neuronale Netze bilden die Grundlage von Deep Learning.

Natural Language Processing (NLP)

Natural Language Processing (NLP) beschäftigt sich mit der Verarbeitung natürlicher Sprache durch Computer.

Typische Anwendungen:

• Übersetzungen
• Chatbots
• Suchmaschinen
• Sprachassistenten
• Zusammenfassungen
• Sentiment-Analysen

Viele moderne NLP-Systeme basieren heute auf großen Sprachmodellen.

O

Open Source

Open Source bedeutet, dass Software oder Modelle öffentlich zugänglich sind und unter bestimmten Lizenzbedingungen genutzt, geprüft und weiterentwickelt werden können.

Im KI-Bereich existieren sowohl vollständig offene als auch teilweise offene Modelle.

OCR (Optical Character Recognition)

OCR bezeichnet die automatische Erkennung von Text in Bildern oder eingescannten Dokumenten.

Die Technologie wird unter anderem eingesetzt für:

• Digitalisierung von Akten
• Rechnungsverarbeitung
• Archivierung
• Dokumentensuche

P

Parameter

Parameter sind die internen Werte eines KI-Modells, die während des Trainings angepasst werden.

Sie unterscheiden sich von Hyperparametern, die vor dem Training festgelegt werden.

Die Anzahl der Parameter gilt häufig als Hinweis auf die Größe eines Modells, sagt allein jedoch nichts über dessen tatsächliche Leistungsfähigkeit aus.

Prompt

Ein Prompt ist die Eingabe, mit der Nutzer ein KI-System steuern.

Ein Prompt kann aus einer einfachen Frage bestehen oder detaillierte Anweisungen enthalten.

Beispiel: „Erstelle eine Zusammenfassung dieses Artikels in fünf Stichpunkten.“

Je präziser ein Prompt formuliert ist, desto besser fällt häufig das Ergebnis aus.

Prompt Engineering

Prompt Engineering bezeichnet die gezielte Entwicklung und Optimierung von Eingaben, um möglichst präzise und nützliche Antworten eines KI-Modells zu erhalten.

Dabei spielen unter anderem folgende Aspekte eine Rolle:

• klare Zielbeschreibung
• ausreichender Kontext
• Rollenvergabe
• Beispiele
• gewünschtes Ausgabeformat
• Einschränkungen und Regeln

Gutes Prompt Engineering kann die Qualität der Ergebnisse deutlich verbessern, ohne das Modell selbst zu verändern.

Q

Quantisierung (Quantization)

Quantisierung bezeichnet ein Verfahren, bei dem die Genauigkeit der Zahlenwerte eines KI-Modells reduziert wird. Dadurch benötigt das Modell weniger Speicher und kann schneller ausgeführt werden – oft mit nur geringem Qualitätsverlust.

Typische Einsatzgebiete:

• Mobile Geräte
• Edge AI
• Lokale KI-Modelle
• Echtzeitanwendungen

R

RAG (Retrieval-Augmented Generation)

Retrieval-Augmented Generation (RAG) kombiniert ein Sprachmodell mit einer externen Wissensquelle. Vor der Antwort sucht das System gezielt nach relevanten Informationen und nutzt diese als zusätzliche Grundlage.

Vorteile:

• aktuellere Antworten
• unternehmensspezifisches Wissen
• weniger Halluzinationen
• bessere Nachvollziehbarkeit

RAG wird häufig in Unternehmens-Chatbots und Wissensdatenbanken eingesetzt.

Reinforcement Learning

Beim Reinforcement Learning lernt eine KI durch Belohnungen und Bestrafungen. Ziel ist es, durch wiederholtes Ausprobieren die beste Strategie für eine Aufgabe zu entwickeln.

Typische Anwendungsbereiche:

• Robotik
• Spiele-KI
• autonome Fahrzeuge
• Optimierungsprobleme

S

Small Language Model (SLM)

Ein Small Language Model (SLM) ist ein kompakteres Sprachmodell als ein LLM. Es benötigt weniger Rechenleistung und eignet sich besonders für lokale Anwendungen oder Geräte mit begrenzten Ressourcen.

Sprachmodell

Ein Sprachmodell berechnet die Wahrscheinlichkeit, mit der Wörter oder Satzteile aufeinander folgen. Moderne Sprachmodelle können dadurch Texte verstehen und erzeugen.

Große Sprachmodelle (LLMs) sind eine spezielle Form von Sprachmodellen mit deutlich größerem Trainingsumfang.

Supervised Fine-Tuning (SFT)

Beim Supervised Fine-Tuning wird ein bereits trainiertes Basismodell mit sorgfältig gekennzeichneten Beispieldaten weiter trainiert, um bestimmte Aufgaben besser zu erfüllen.

Diese Methode wird häufig genutzt, um Chatbots oder branchenspezifische KI-Systeme zu optimieren.

T

Token

Ein Token ist die kleinste Verarbeitungseinheit eines Sprachmodells. Ein Token kann ein vollständiges Wort, ein Wortteil, ein Satzzeichen oder eine Zahl sein.

Sprachmodelle verarbeiten Texte nicht direkt als Wörter, sondern als Folge von Tokens.

Die Anzahl der Tokens beeinflusst unter anderem:

• die maximale Eingabelänge
• Verarbeitungsgeschwindigkeit
• Nutzungskosten bei vielen KI-Diensten

Tokenisierung

Die Tokenisierung beschreibt den Prozess, bei dem ein Text in einzelne Tokens zerlegt wird.

Dieser Schritt erfolgt vor jeder Verarbeitung durch ein Sprachmodell.

Transformer

Der Transformer ist eine KI-Architektur, die seit ihrer Einführung im Jahr 2017 die Entwicklung moderner Sprachmodelle maßgeblich geprägt hat.

Durch den sogenannten Attention-Mechanismus können Transformer Zusammenhänge auch über lange Texte hinweg erkennen.

Fast alle bekannten LLMs basieren heute auf dieser Architektur.

Trainingsdaten

Trainingsdaten sind die Informationen, mit denen ein KI-Modell lernt.

Sie können beispielsweise bestehen aus:

• Texten
• Bildern
• Videos
• Audiodateien
• Tabellen
• Sensordaten

Die Qualität, Aktualität und Vielfalt der Trainingsdaten haben großen Einfluss auf die Leistungsfähigkeit eines Modells.

U

Überwachtes Lernen

Überwachtes Lernen ist die deutsche Bezeichnung für Supervised Learning.

Dabei trainiert das Modell mit Daten, deren richtige Lösung bereits bekannt ist.

V

Vektor

Ein Vektor ist eine mathematische Darstellung von Informationen in Form von Zahlen.

In der KI werden Texte, Bilder oder Dokumente häufig als Vektoren gespeichert, um Ähnlichkeiten berechnen zu können.

Vektor-Datenbank

Eine Vektor-Datenbank speichert Vektoren und ermöglicht eine besonders schnelle semantische Suche.

Sie bildet die Grundlage vieler moderner RAG-Systeme und KI-Suchmaschinen.

X

xAI

xAI ist ein 2023 gegründetes KI-Unternehmen mit dem Ziel, leistungsfähige KI-Systeme zu entwickeln. Das Unternehmen arbeitet unter anderem an Sprachmodellen und KI-Anwendungen.

Der Begriff sollte nicht mit Explainable AI (XAI) verwechselt werden.

Y

YAML

YAML ist eine leicht lesbare Auszeichnungssprache zur Strukturierung von Daten.

Im KI-Bereich wird YAML häufig für:

• Konfigurationsdateien
• Modellparameter
• Trainingsprozesse
• Automatisierungs-Workflows

verwendet.

Z

Zero-Shot Learning

Beim Zero-Shot Learning löst ein Modell Aufgaben, für die es zuvor keine speziellen Trainingsbeispiele erhalten hat.

Das gelingt, weil moderne Sprachmodelle auf umfangreichem Allgemeinwissen basieren und Zusammenhänge übertragen können.

Zero-Shot Prompting

Beim Zero-Shot Prompting erhält die KI lediglich eine Aufgabenbeschreibung – ohne Beispiele.

Beispiel: „Fasse diesen Artikel in drei Sätzen zusammen.“

Im Gegensatz dazu werden beim Few-Shot Prompting zusätzlich Musterlösungen mitgeliefert.

Empfohlene Lektüre: Wie künstliche Intelligenz die tägliche Arbeit verändert

Empfohlene Lektüre: Künstliche Intelligenz: Der komplette Leitfaden für Einsteiger und Unternehmen (2026) 

Fazit

Die Welt der künstlichen Intelligenz entwickelt sich rasant – und mit ihr wächst die Zahl neuer Fachbegriffe. Ein fundiertes Verständnis zentraler Konzepte wie Machine Learning, Large Language Models, Prompt Engineering oder RAG erleichtert nicht nur den Einstieg, sondern hilft auch dabei, aktuelle Entwicklungen besser einzuordnen.

This AI glossary provides a concise overview of 60 key terms and is suitable as a permanent reference work. Since technologies, models, and standards are constantly evolving, the glossary should be updated regularly to incorporate new concepts and developments.