Start here
Read this as one nested system. Start with AI as the umbrella, narrow into Machine Learning, narrow again into Deep Learning, and end at Foundation Models as the reusable engines behind modern generative products.
AI is the umbrella field. Everything below sits inside it.
Machine Learning is a child of AI. It learns patterns from data instead of relying only on fixed rules.
Deep Learning is a child of Machine Learning. It uses many neural-network layers to learn complex features.
Foundation Models are a modern child of Deep Learning. They become reusable engines for many downstream tasks.
Core mechanism
Neural Networks are the architecture that make Deep Learning possible.
Why it matters
Deep Learning describes the method. Neural Networks explain the architecture underneath it: neurons, layers, weights, activation, and backpropagation.
What foundation models can handle
How machines learn
Kapitel 1
Starten Sie mit KI als Oberbegriff und gehen Sie dann schrittweise zu den untergeordneten Ebenen über, die moderne Systeme ermöglichen.
Nach diesem Kapitel
Sie sollten die verschachtelte Beziehung zwischen KI, Maschinellem Lernen, Deep Learning, neuronalen Netzen und Foundation Models verstehen.
Von Turing-Maschinen zu Transformer-Modellen.
Wo es im Stack sitzt
KI-Überblick
Schlüsselfrage
What do people actually mean when they say AI?
Warum das wichtig ist
Most confusion starts when teams use AI to mean the whole field, one technique, and one product at the same time. The guide has to fix that first.
Lernpfad
This is the starting point. Treat AI as the umbrella before you zoom into any child layer.
Was es als Nächstes ermöglicht
Once the umbrella is clear, the next question is how a machine improves from data instead of fixed rules. That is Machine Learning.
Überblick
Gemeinsame Sprache für 2026
Künstliche Intelligenz ist die breite Disziplin der Schaffung intelligenter Maschinen. Es ist der Überbegriff, der alles umfasst, von einfachen regelbasierten Systemen bis hin zu den komplexen Large Language Models von heute.
Konzeptkarte
4 theorieblöcke
Theorie
Um KI zu verstehen, stellen Sie sich konzentrische Kreise vor. Der äußerste Kreis ist Künstliche Intelligenz – die große Vision. Darin befindet sich Maschinelles Lernen – die Technik des Lernens aus Daten. Darin befindet sich Deep Learning – die Verwendung neuronaler Netze. Und an der Spitze finden wir Generative KI – Modelle, die erschaffen.
Theorie
Wir klassifizieren KI-Fähigkeiten in drei Stufen:
Theorie
Es ist die Konvergenz von drei Faktoren:
Theorie
Beispiel
Was Sie behalten sollten
AI is the broad field. Everything else in this guide is a more specific layer inside it.
Häufige Frage
Die Schätzungen variieren stark von wenigen Jahren bis zu einigen Jahrzehnten. Der rasante Fortschritt von LLMs hat diese Zeitpläne beschleunigt, aber es bleiben signifikante Hürden beim logischen Denken und dem Verständnis der physischen Welt.
Verwandte Konzepte
Als Nächstes im Ablauf
Maschinelles LernenComputer, die aus Daten lernen und sich durch Erfahrung verbessern.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen
Schlüsselfrage
How does a machine get better without being reprogrammed for every case?
Warum das wichtig ist
Machine Learning is where AI stops being only hand-written rules and starts learning patterns from examples.
Lernpfad
AI gave you the umbrella term. Machine Learning is the first practical child inside that umbrella.
Was es als Nächstes ermöglicht
After ML, the next step is to understand the approach that became dominant for complex data like text, images, and audio: Deep Learning.
Überblick
Gemeinsame Sprache für 2026
Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz (KI), bei dem Computer aus Daten lernen und sich durch Erfahrung verbessern, ohne explizit programmiert zu sein. Algorithmen werden trainiert, um Muster und Zusammenhänge in großen Datensätzen zu finden, um fundierte Entscheidungen und Vorhersagen zu treffen.
Konzeptkarte
5 theorieblöcke
Theorie
Stellen Sie sich konzentrische Kreise vor. Künstliche Intelligenz ist der Überbegriff. Maschinelles Lernen ist ein Teilbereich, der es Maschinen ermöglicht, aus Daten zu lernen. Darin befindet sich Deep Learning, und darin wiederum die künstlichen neuronalen Netze. KI verarbeitet Daten; ML ermöglicht es der KI, ohne zusätzliche Programmierung schlauer zu werden.
Theorie
Künstliche neuronale Netze ahmen das biologische Gehirn nach, mit Knoten (Neuronen), die in Schichten gruppiert sind und parallel arbeiten.
Deep Learning umfasst viele Schichten dieser Netzwerke und riesige Datenmengen. Es extrahiert Merkmale hierarchisch: Ein System erkennt vielleicht eine Pflanze in der ersten Schicht, eine Blume in der nächsten und eine gelbe Margerite in der letzten.
Theorie
Theorie
Theorie
Verzerrung (Bias) und Scheinkorrelationen: Modelle können falsche Zusammenhänge lernen (z. B. Margarinekonsum und Scheidungsrate), wenn Daten fehlerhaft sind.
Das Black-Box-Problem: Komplexe Modelle sind oft schwer zu interpretieren. Es ist oft unklar, wie oder warum eine Entscheidung getroffen wurde, was in kritischen Bereichen Risiken birgt.
Beispiel
Was Sie behalten sollten
Machine Learning is the learning engine inside AI, powered by data rather than explicit instructions for every outcome.
Häufige Frage
ML ist ein Teilbereich der KI. KI ist das übergeordnete Konzept intelligenter Maschinen, während ML der Prozess ist, durch den Maschinen aus Daten lernen, ohne für jede Aufgabe explizit programmiert zu werden.
Verwandte Konzepte
Als Nächstes im Ablauf
Deep LearningDie Kraft hochdimensionaler Daten freisetzen.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen -> Deep Learning
Schlüsselfrage
Why did modern AI become dramatically more capable?
Warum das wichtig ist
Deep Learning explains the performance leap that unlocked language, vision, speech, and the current generative wave.
Lernpfad
Machine Learning taught the machine to learn from data. Deep Learning shows what happens when that learning is scaled with many layers.
Was es als Nächstes ermöglicht
To understand why deep systems work, you need to see the architecture underneath them: Neural Networks.
Überblick
Gemeinsame Sprache für 2026
Deep Learning ist ein spezialisierter Teilbereich des maschinellen Lernens, der von der Struktur des menschlichen Gehirns inspiriert ist. Es verwendet mehrschichtige neuronale Netze, um aus riesigen Mengen unstrukturierter Daten wie Bildern, Audio und Text zu lernen.
Konzeptkarte
4 theorieblöcke
Theorie
Das "Deep" (tief) in Deep Learning bezieht sich auf die Anzahl der Schichten im neuronalen Netz. Traditionelle neuronale Netze haben vielleicht 2-3 Schichten. Deep-Learning-Modelle können Hunderte oder Tausende haben. Diese Tiefe ermöglicht es dem Modell, eine Hierarchie von Merkmalen zu lernen – von einfachen Kanten und Texturen bis hin zu komplexen Formen und Objekten.
Theorie
Im traditionellen ML mussten Menschen Merkmale manuell auswählen (z. B. "hat dieses Bild Ohren?"). Im Deep Learning führt das Netzwerk eine automatische Merkmalsextraktion durch. Es lernt direkt aus den Rohpixeln oder dem Text, welche Merkmale wichtig sind.
Theorie
Deep Learning ist die Technologie hinter selbstfahrenden Autos, Sprachassistenten, Gesichtserkennung und dem jüngsten Boom der generativen KI. Es lebt von Skalierung – mehr Daten und mehr Rechenleistung führen in der Regel zu besserer Leistung.
Theorie
Beispiel
Deep Learning ist die Technologie hinter selbstfahrenden Autos, Sprachassistenten, Gesichtserkennung und dem jüngsten Boom der generativen KI. Es lebt von Skalierung – mehr Daten und mehr Rechenleistung führen in der Regel zu besserer Leistung.
Was Sie behalten sollten
Deep Learning is scaled Machine Learning built on many layers, which makes it strong on high-dimensional and unstructured data.
Häufige Frage
Deep Learning ist im Wesentlichen die Verwendung von *tiefen* neuronalen Netzen. Also beinhaltet alles Deep Learning neuronale Netze, aber nicht alle neuronalen Netze sind 'tief' (obwohl die Begriffe im modernen Kontext oft austauschbar verwendet werden).
Verwandte Konzepte
Als Nächstes im Ablauf
Neuronale NetzeDie mathematische Architektur des Geistes.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen -> Deep Learning -> Neuronale Netze
Schlüsselfrage
What is the actual mechanism doing the learning inside Deep Learning?
Warum das wichtig ist
Without neural networks, Deep Learning stays abstract. This lesson makes the architecture visible.
Lernpfad
Deep Learning described the method. Neural Networks explain the machinery that makes that method work.
Was es als Nächstes ermöglicht
Once the mechanism is clear, the next step is to see how these architectures became reusable, general-purpose engines: Foundation Models.
Überblick
Gemeinsame Sprache für 2026
Künstliche Neuronale Netze (ANNs) sind Rechensysteme, die vage von den biologischen neuronalen Netzen inspiriert sind, die tierische Gehirne bilden. Sie sind die fundamentalen Bausteine des Deep Learning.
Konzeptkarte
3 theorieblöcke
Theorie
Ein Neuron nimmt mehrere Eingaben, multipliziert sie mit Gewichten (Wichtigkeit), addiert einen Bias (Schwellenwert) und leitet das Ergebnis durch eine Aktivierungsfunktion (Nichtlinearität). Wenn das Signal stark genug ist, "feuert" das Neuron und gibt Informationen an die nächste Schicht weiter.
Theorie
Theorie
Sie lernen durch einen Prozess namens Backpropagation. Das Netzwerk macht eine Schätzung, vergleicht sie mit der tatsächlichen Antwort, um den Verlust (Fehler) zu berechnen, und arbeitet dann rückwärts, um die Gewichte anzupassen und diesen Fehler zu minimieren. Dies wird millionenfach wiederholt.
Beispiel
Es ist eine mathematische Funktion (wie ReLU oder Sigmoid), die an jedem Neuron angebracht ist und entscheidet, ob es aktiviert werden soll. Sie führt Nichtlinearität ein, was dem Netzwerk ermöglicht, komplexe Muster zu lernen.
Was Sie behalten sollten
Neural Networks are the mathematical structure that powers Deep Learning and makes modern model scaling possible.
Häufige Frage
Neuronale Netze können so komplex sein, dass selbst ihre Schöpfer nicht vollständig verstehen, wie sie zu einer bestimmten Entscheidung gelangen. Dieser Mangel an Interpretierbarkeit ist eine große Herausforderung in Bereichen mit hohem Einsatz wie der Medizin.
Verwandte Konzepte
Als Nächstes im Ablauf
Foundation ModelsEin Modell, unendliche Anwendungen.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen -> Deep Learning -> Foundation Models
Schlüsselfrage
Why do a few large models now power so many different tasks?
Warum das wichtig ist
Foundation Models are the bridge between technical architectures and the products people actually use today.
Lernpfad
Neural Networks gave you the structure. Foundation Models show what that structure becomes at internet scale.
Was es als Nächstes ermöglicht
Once you understand foundation models, it becomes much easier to explain Generative AI as an application layer on top of them.
Überblick
Gemeinsame Sprache für 2026
Ein Foundation Model ist ein groß angelegtes KI-Modell, das auf einer riesigen Datenmenge (oft im Internet-Maßstab) trainiert wurde und an eine Vielzahl von nachgelagerten Aufgaben angepasst werden kann. Sie stellen einen Paradigmenwechsel von aufgabenspezifischen Modellen zu Allzweckmotoren dar.
Konzeptkarte
4 theorieblöcke
Theorie
Es muss breit fähig sein. Im Gegensatz zu früheren Modellen, die für eine Aufgabe entwickelt wurden (z. B. Stimmungsanalyse), kann ein Foundation Model Gedichte schreiben, Code debuggen, Sprachen übersetzen und Text zusammenfassen, alles ohne spezifisches Neutraining.
Theorie
Foundation Models zeigen Emergenz – Fähigkeiten, für die sie nicht explizit trainiert wurden. Zum Beispiel könnte ein Modell, das einfach darauf trainiert wurde, das nächste Wort in einem Satz vorherzusagen, mit der Fähigkeit hervorgehen, Sprachen zu übersetzen, Code zu schreiben oder Logikrätsel zu lösen.
Theorie
Der Lebenszyklus umfasst zwei Phasen:
Theorie
Prominente Foundation Models sind die GPT-Serie (OpenAI), BERT (Google), Claude (Anthropic) und Stable Diffusion (Stability AI).
Beispiel
Prominente Foundation Models sind die GPT-Serie (OpenAI), BERT (Google), Claude (Anthropic) und Stable Diffusion (Stability AI).
Was Sie behalten sollten
Foundation Models are general-purpose engines trained at massive scale and adapted to many downstream uses.
Häufige Frage
LLMs (Large Language Models) sind eine *Art* von Foundation Model, die sich auf Text konzentriert. Aber Foundation Models können auch multimodal sein und Bilder, Audio und Video verarbeiten.
Verwandte Konzepte
Kapitel 2
Sobald der Stack klar ist, wird verständlich, wie moderne Systeme Inhalte erzeugen und wer diese Ebene prägt.
Nach diesem Kapitel
Sie sollten erklären können, was Generative KI ist, warum sie auf Foundation Models aufbaut und wie sich die wichtigsten Anbieter unterscheiden.
Von der Analyse zur Kreation.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen -> Deep Learning -> Foundation Models -> Generative KI
Schlüsselfrage
How does modern AI move from analysis into creation?
Warum das wichtig ist
Generative AI is the part of the market most people encounter first, but it only makes sense once the model stack underneath is clear.
Lernpfad
Foundation Models explain the engine. Generative AI explains the visible behavior that engine enables.
Was es als Nächstes ermöglicht
After understanding generated output, the next practical question is who builds these systems and how their approaches differ.
Überblick
Gemeinsame Sprache für 2026
Generative KI bezieht sich auf Algorithmen, die neue Inhalte erstellen können – einschließlich Audio, Code, Bilder, Text, Simulationen und Videos. Im Gegensatz zur traditionellen KI, die klassifiziert oder vorhersagt, produziert Generative KI neuartige Ausgaben.
Konzeptkarte
4 theorieblöcke
Theorie
Traditionelle KI ist Diskriminativ: Sie zieht eine Linie, um Daten zu trennen (z. B. "Ist das eine Katze oder ein Hund?"). Generative KI ist Kreativ: Sie lernt die Verteilung der Daten, um neue Beispiele zu erstellen (z. B. "Zeichne mir eine Katze, die nie existiert hat").
Theorie
Generative Modelle, wie Diffusionsmodelle (für Bilder) oder Transformer (für Text), lernen die zugrunde liegende Struktur der Trainingsdaten. Sie nutzen dann Wahrscheinlichkeiten, um neue Muster zusammenzusetzen, die diesen Strukturen folgen, aber keine identischen Kopien sind.
Theorie
Generative KI demokratisiert Kreativität. Sie fungiert als Co-Pilot für Autoren, Künstler, Programmierer und Designer und ermöglicht es ihnen, schneller zu iterieren und neue Ideen zu erkunden. Sie verschiebt den Engpass von "Fähigkeit" zu "Fantasie".
Theorie
Beispiel
Was Sie behalten sollten
Generative AI is the creation layer. It uses modern models to produce new text, images, code, audio, and more.
Häufige Frage
Dies ist ein komplexes rechtliches und ethisches Problem. Modelle lernen aus vorhandenen Daten, aber sie 'kopieren und fügen nicht ein'. Sie lernen Stile und Konzepte. Die Rechte der ursprünglichen Ersteller der Trainingsdaten sind jedoch Gegenstand aktiver Debatten und Rechtsstreitigkeiten.
Verwandte Konzepte
Als Nächstes im Ablauf
LLM-AkteureDie Titanen, die die Zukunft der Intelligenz formen.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen -> Deep Learning -> Foundation Models -> LLM-Akteure
Schlüsselfrage
Who is shaping the model layer that everyone builds on?
Warum das wichtig ist
The ecosystem matters because strategy, safety, privacy, deployment, and cost all depend on who provides the model.
Lernpfad
Generative AI showed what the systems can do. This lesson explains who is building the core engines and why the market feels fragmented.
Was es als Nächstes ermöglicht
Once the provider layer is clear, the next step is to see how those models turn into tools for actual work.
Überblick
Gemeinsame Sprache für 2026
Die Landschaft der Large Language Models wird von einigen wenigen Technologiegiganten und ehrgeizigen Startups dominiert. Zu verstehen, wer sie sind und was sie anbieten, ist entscheidend, um sich im KI-Ökosystem zurechtzufinden.
Konzeptkarte
2 theorieblöcke
Theorie
Theorie
Beispiel
Was Sie behalten sollten
Model providers are not interchangeable. Each one makes different tradeoffs in openness, performance, integration, and control.
Häufige Frage
Das hängt vom Anwendungsfall ab. GPT-4 ist oft der Maßstab für logisches Denken. Claude eignet sich hervorragend für lange Dokumente und Programmierung. LLaMA ist am besten für die lokale Bereitstellung. Gemini integriert sich am besten in Google Workspace.
Verwandte Konzepte
Kapitel 3
Nach der Modellebene folgt die Frage, wie Menschen KI in der Arbeit einsetzen und wie sie Intuition aufbauen.
Nach diesem Kapitel
Sie sollten verstehen, wie aus KI Werkzeuge werden, wie Produkte verglichen werden und wie praktische Übungen die Konzepte festigen.
Erweiterung der menschlichen Fähigkeiten.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen -> Deep Learning -> Foundation Models -> Generative KI -> KI-Tools
Schlüsselfrage
How do models become useful products in everyday work?
Warum das wichtig ist
Most learners do not adopt AI at the model layer. They adopt it through tools that wrap models into jobs to be done.
Lernpfad
The provider landscape explains the engines. AI tools show how those engines are packaged into user-facing products.
Was es als Nächstes ermöglicht
After seeing the product categories, the next step is comparison: which tools belong in which workflow.
Überblick
Gemeinsame Sprache für 2026
KI-Tools sind Anwendungen, die künstliche Intelligenz nutzen, um spezifische Probleme zu lösen. Sie sind die praktische Schnittstelle zwischen komplexen Modellen und Endbenutzern.
Konzeptkarte
2 theorieblöcke
Theorie
Theorie
Beispiel
Was Sie behalten sollten
AI tools are the interface layer between advanced models and real human tasks.
Häufige Frage
KI wird Ihren Job eher verändern als ersetzen. Der Konsens ist: 'Sie werden nicht durch KI ersetzt, sondern durch einen Menschen, der KI nutzt.' Das Erlernen dieser Tools ist eine Karriere-Superkraft.
Verwandte Konzepte
Als Nächstes im Ablauf
KI-Tools VerzeichnisEine kuratierte Sammlung der besten KI-Ressourcen.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen -> Deep Learning -> Foundation Models -> Generative KI -> KI-Tools -> KI-Tools Verzeichnis
Schlüsselfrage
How do you evaluate the crowded tool market without getting lost?
Warum das wichtig ist
A directory is useful only if it turns abundance into categories and buying criteria.
Lernpfad
AI tools introduced the categories. The directory organizes the landscape so the learner can compare options more quickly.
Was es als Nächstes ermöglicht
After comparison, the best next move is practice. Concepts stick when the learner can interact with them.
Überblick
Gemeinsame Sprache für 2026
Die Explosion von KI-Tools zu navigieren, kann überwältigend sein. Dieses Verzeichnis kategorisiert die zuverlässigsten und wirkungsvollsten Tools, die heute verfügbar sind.
Konzeptkarte
3 theorieblöcke
Theorie
Theorie
Theorie
Beispiel
Was Sie behalten sollten
The right tool choice depends on workflow, privacy, integration, and the model sitting underneath the interface.
Verwandte Konzepte
Als Nächstes im Ablauf
Interaktive ÜbungenLernen durch Tun.
Wo es im Stack sitzt
KI-Überblick -> Maschinelles Lernen -> Interaktive Übungen
Schlüsselfrage
How do abstract AI ideas become intuition instead of memorized jargon?
Warum das wichtig ist
Practice is where the concepts stop sounding impressive and start becoming usable mental models.
Lernpfad
The directory helps you compare tools. Interactive exercises help you internalize how the underlying systems behave.
Was es als Nächstes ermöglicht
After the technical and practical stack, the last move is to reconnect all of this to human judgment.
Überblick
Gemeinsame Sprache für 2026
Theorie ist essenziell, aber Übung macht den Meister. Diese interaktiven Simulationen und Spiele sind darauf ausgelegt, Ihre Intuition dafür zu stärken, wie KI-Systeme tatsächlich funktionieren.
Konzeptkarte
2 theorieblöcke
Theorie
KI-Konzepte wie "Gradientenabstieg" oder "Backpropagation" können abstrakt und mathematisch sein. Interaktive Visualisierungen ermöglichen es Ihnen, die Mathematik in Aktion zu sehen und ein tieferes, intuitives Verständnis aufzubauen.
Theorie
Beispiel
Was Sie behalten sollten
Interactive learning is the shortest path from theory to intuition.
Verwandte Konzepte
Kapitel 4
Zum Schluss wird KI wieder mit Menschen verbunden: menschliche Intelligenz, augmentierte Entscheidungen und gemeinsames Vokabular.
Nach diesem Kapitel
Sie sollten über KI präziser, urteilsstärker und mit einer gemeinsamen Sprache im Team sprechen können.
IQ, EQ und KI prägen unsere Entscheidungsfindung.
Wo es im Stack sitzt
KI-Überblick -> Intelligenz
Schlüsselfrage
What still belongs to humans in an AI-shaped world?
Warum das wichtig ist
A good guide should not end with tools. It should end with judgment, augmentation, and the boundary between machine capability and human responsibility.
Lernpfad
You have now seen the stack, the model layer, and the product layer. This lesson brings the conversation back to people.
Was es als Nächstes ermöglicht
Once the human role is clear, the final step is to lock in a shared vocabulary so teams can speak precisely.
Überblick
Gemeinsame Sprache für 2026
Zu verstehen, wie sich menschliche Intelligenz, künstliche Intelligenz und erweiterte Intelligenz (Augmented Intelligence) ergänzen, ist der Schlüssel zur Gestaltung der Zukunft. Intelligenz ist nicht nur Rechenleistung; es geht um die Synergie zwischen biologischer und synthetischer Kognition.
Konzeptkarte
3 theorieblöcke
Theorie
Wir können Intelligenz in drei verschiedene Formen einteilen, die in der modernen Welt interagieren:
| Merkmal | Menschen | Maschinen | Erweiterte Intelligenz |
|---|---|---|---|
| Datenverarbeitung | Konzepte verstehen und verallgemeinern | Große Datenmengen verarbeiten und analysieren | Kontext mit datengestützten Erkenntnissen kombinieren |
| Wiederholung | Anfällig für Ermüdung | Repetitive Aufgaben mit hoher Genauigkeit ausführen | Aufgaben automatisieren bei gleichzeitiger menschlicher Aufsicht |
| Kreativität | Flexible Problemlösung | Begrenzte kreative Kapazität | Menschliche Kreativität mit intelligenten Tools erweitern |
| Emotionale Einsicht | Empathie & Kundenbetreuung | Kein emotionales Verständnis | Menschlich geführte Empathie, unterstützt durch intelligente Assistenz |
Theorie
Definition: Die Fähigkeit von Maschinen, wie Menschen zu denken und zu reflektieren, mit dem Versuch, menschliche Intelligenz mit Maschinen nachzubilden.
Fähigkeiten:
Eigenschaften:
Theorie
"Warum sind wir nicht mitfühlender?" — Daniel Goleman
Emotionale Intelligenz operiert durch die Basalganglien (das Weisheitszentrum des Gehirns). Sie leitet Entscheidungen basierend auf emotionaler Valenz (was sich gut/schlecht anfühlte). Im Gegensatz zum Neocortex spricht sie nicht in Worten, sondern ist mit Emotionen und dem Bauchgefühl verbunden.
Wichtige Erkenntnis: Kombinieren Sie EQ + IQ für bessere Entscheidungen.
Beispiel
Erweiterte Intelligenz (Augmented Intelligence) ist ein Designmuster für ein menschenzentriertes Partnerschaftsmodell, bei dem Menschen und KI zusammenarbeiten, um die kognitive Leistung zu verbessern, einschließlich Lernen, Entscheidungsfindung und neuer Erfahrungen.
Was Sie behalten sollten
The strongest future is not human or machine alone. It is augmented intelligence with clear human oversight.
Häufige Frage
Erweiterte Intelligenz (Augmented Intelligence) ist ein Designmuster für ein menschenzentriertes Partnerschaftsmodell, bei dem Menschen und KI zusammenarbeiten, um die kognitive Leistung zu verbessern, einschließlich Lernen, Entscheidungsfindung und neuer Erfahrungen.
Verwandte Konzepte
Als Nächstes im Ablauf
KI-Konzepte & TerminologieSprechen Sie die Sprache der Zukunft.
Wo es im Stack sitzt
KI-Überblick -> KI-Konzepte & Terminologie
Schlüsselfrage
Which terms should everyone use consistently after reading this guide?
Warum das wichtig ist
Shared language prevents shallow conversations, poor purchasing decisions, and avoidable confusion across teams.
Lernpfad
Human judgment sets the frame. The glossary gives the team a common language to carry that frame into daily work.
Was es als Nächstes ermöglicht
This is the reference layer at the end of the journey. Use it to keep future AI conversations precise.
Überblick
Gemeinsame Sprache für 2026
Das Feld der KI ist voll von Fachjargon. Dieses Wörterbuch bietet klare, prägnante Definitionen für die wichtigsten Begriffe, die Sie kennen müssen.
Konzeptkarte
3 theorieblöcke
Theorie
Algorithmus: Ein Satz von Regeln oder Anweisungen, die einer KI, einem neuronalen Netz oder einer anderen Maschine gegeben werden, um ihr zu helfen, selbstständig zu lernen.
Alignment (Ausrichtung): Das Problem sicherzustellen, dass KI-Systeme Ziele haben, die mit menschlichen Werten übereinstimmen.
Bias (Voreingenommenheit): Fehler in der KI-Ausgabe, die aus Vorurteilen in den Trainingsdaten resultieren.
Theorie
Fine-Tuning: Der Prozess des Trainings eines vorab trainierten Modells auf einem kleineren, spezifischen Datensatz, um es zu spezialisieren.
Halluzination: Wenn eine KI falsche oder unsinnige Informationen selbstbewusst generiert.
LLM (Large Language Model): Ein Deep-Learning-Algorithmus, der Text erkennen, zusammenfassen, übersetzen, vorhersagen und generieren kann.
Theorie
Multimodal: KI, die mehrere Arten von Medien (Text, Bilder, Audio) verstehen und generieren kann.
Parameter: Die internen Variablen (Gewichte), die das Modell während des Trainings anpasst. GPT-4 hat Billionen.
Token: Die Grundeinheit von Text für ein LLM (ungefähr 0,75 Wörter).
Beispiel
Fine-Tuning: Der Prozess des Trainings eines vorab trainierten Modells auf einem kleineren, spezifischen Datensatz, um es zu spezialisieren.
Halluzination: Wenn eine KI falsche oder unsinnige Informationen selbstbewusst generiert.
LLM (Large Language Model): Ein Deep-Learning-Algorithmus, der Text erkennen, zusammenfassen, übersetzen, vorhersagen und generieren kann.
Was Sie behalten sollten
A strong AI guide should end with alignment: people leaving with the same words for the same concepts.
Verwandte Konzepte
