AI Glossary

Artificial General Intelligence

AGI beschreibt KI, die über Domänen hinweg generalisiert, so wie ein Mensch es tut, statt in einem abgegrenzten Aufgabenbereich zu glänzen. Es ist keine technische Spezifikation: Labore, Forschende und Regulierer verwenden deutlich unterschiedliche Definitionen, weshalb sich Zeitprognosen so schwer vergleichen lassen. Behandle jede selbstsichere AGI-Vorhersage als Meinung mit einer versteckten Definition darin. In der Praxis: Heutige Systeme schreiben und programmieren gut und scheitern trotzdem an Aufgaben, die ein Kind bewältigt — die Lücke ist die Bandbreite, nicht das Können. ...

Attention-Mechanismus

Attention berechnet für jeden Token, wie stark jeder andere Token ihn beeinflussen soll. Self-Attention tut das innerhalb einer Sequenz und ist der Kern des Transformers. Der Aufwand wächst quadratisch mit der Sequenzlänge — genau deshalb sind große Kontextfenster teuer, und genau deshalb zielt so viel Forschung auf diesen Engpass. In der Praxis: Beim Lesen einer Vertragsklausel achtet das Modell stark auf den Begriff, der drei Seiten früher definiert wurde.

Autonomie

Autonomie reicht vom Vorschlagen über das Handeln nach Freigabe und das Handeln mit anschließendem Bericht bis zum stillen Handeln. Sie ist die wichtigste einzelne Designentscheidung in einem Agentenprodukt, weil sie festlegt, wer verantwortlich ist, wenn etwas schiefgeht. Die Definition eines KI-Systems im EU AI Act stellt ausdrücklich darauf ab, dass es mit unterschiedlich hohem Grad an Autonomie arbeitet. In der Praxis: Die Antwort entwerfen (niedrig) vs. die Antwort abschicken (hoch) — gleiches Modell, sehr unterschiedliches Risiko. ...

Backpropagation

Backpropagation schickt den Fehler Schicht für Schicht rückwärts durch das Netz und weist per Kettenregel jedem Gewicht seinen Anteil daran zu. Genau das macht das Training tiefer Netze rechnerisch machbar, und genau deshalb funktioniert Deep Learning überhaupt. In der Praxis: Die Ausgabe lag um 0,3 daneben — Backprop entscheidet, welche der Milliarden Gewichte dafür verantwortlich sind.

Batch-Größe

Die Batch-Größe wägt Stabilität gegen Speicher und Geschwindigkeit ab. Große Batches liefern glattere Gradientenschätzungen, brauchen aber mehr GPU-Speicher; kleine Batches sind verrauschter, generalisieren dafür manchmal besser. Sie hängt mit der Lernrate zusammen, deshalb werden beide meist gemeinsam eingestellt. In der Praxis: Batch-Größe 32 heißt: 32 Beispiele rein, ein Gewichts-Update raus.

Batch-Inferenz

Batch-Inferenz verarbeitet eine Warteschlange von Eingaben, bei denen Latenz keine Rolle spielt, und nutzt die Hardware dabei deutlich effizienter. Anbieter geben darauf oft kräftige Rabatte. Wenn kein Mensch auf die Antwort wartet, ist das der günstigere Weg. In der Praxis: Ein Jahr an Support-Tickets über Nacht klassifizieren, zum halben Preis.

Benchmark

Benchmarks machen Modelle auf dem Papier vergleichbar. Ihre Schwächen sind strukturell: Sie sickern mit der Zeit in Trainingsdaten ein, sie werden als Ziel wegoptimiert, und sie ähneln deiner Arbeitslast selten. Lies sie als grobes Signal und führe danach deine eigenen Evals aus. In der Praxis: Ein Modell führt einen Coding-Benchmark an und scheitert trotzdem an deiner Codebasis.

Beobachtung nach dem Inverkehrbringen

Artikel 3 Absatz 25 und Artikel 72 verpflichten Anbieter, Erfahrungen aus eingesetzten Systemen zu sammeln und auszuwerten, damit Probleme Korrekturmaßnahmen auslösen, statt sich anzuhäufen. Das schließt den Kreis, den ein Release sonst offen lässt, und greift mit den Meldepflichten für schwerwiegende Vorfälle ineinander. In der Praxis: Ein dokumentierter Plan, um Leistungsdaten aus dem Feld zu sammeln und darauf zu reagieren.

Betreiber

Wenn dein Unternehmen bei der Arbeit ein KI-System nutzt, bist du wahrscheinlich Betreiber. Rein private, nicht berufliche Nutzung ist ausgenommen. Betreiberpflichten sind leichter als Anbieterpflichten, bei Hochrisikosystemen aber real: das System wie vorgesehen einsetzen, kompetente menschliche Aufsicht benennen, Protokolle aufbewahren und betroffene Personen informieren. In der Praxis: Ein HR-Team, das ein fremdes Tool zum Screening von Lebensläufen nutzt, ist Betreiber eines Hochrisikosystems.

Bias

Bias hat in der KI zwei Bedeutungen, die ständig vermischt werden: eine statistische (eine systematische Abweichung) und eine gesellschaftliche (ungerechte Behandlung von Gruppen). NIST unterscheidet systemischen, statistischen und menschlich-kognitiven Bias, weil jede Form ein anderes Gegenmittel braucht. Zu benennen, welche Art du meinst, ist die halbe Arbeit. In der Praxis: Ein Modell, das auf zehn Jahren Einstellungsdaten trainiert wurde, reproduziert zehn Jahre Einstellungsmuster.