AI Glossary

Deep Learning

Deep Learning stapelt viele Schichten einfacher mathematischer Einheiten, sodass jede Schicht eine etwas abstraktere Repräsentation lernt als die darunter. Erst diese Tiefe bringt ein Modell von Pixeln über Kanten und Formen zu ‘Katze’, ohne dass jemand definiert hätte, was eine Kante ist. Jedes große Sprachmodell und jeder Bildgenerator, der heute im Einsatz ist, ist Deep Learning. In der Praxis: Die ersten Schichten eines Vision-Modells erkennen Kanten, die letzten Gesichter — programmiert hat niemand einen der beiden Schritte. ...

Deepfake

Deepfakes verbinden generatives Video oder Voice Cloning mit dem Abbild einer realen Person. Die Erkennung ist unzuverlässig und wird schlechter, die praktikablen Abwehrmittel sind deshalb Herkunftsnachweise, Verifikationswege und organisatorische Prozesse. Der EU AI Act legt für solche Inhalte Offenlegungspflichten fest. In der Praxis: Eine geklonte CEO-Stimme, die in einem Telefonat eine Überweisung freigibt.

Differential Privacy

Differential Privacy fügt kalibriertes Rauschen hinzu, sodass sich einzelne Datensätze nicht aus den Ausgaben zurückrechnen lassen; ein einstellbares Privacy-Budget beziffert die Garantie. Anders als Anonymisierung ist sie ein Beweis und keine Hoffnung. Der Preis ist Genauigkeit, und das Budget ist über alle Abfragen hinweg endlich. In der Praxis: Aggregierte Statistiken veröffentlichen, aus denen sich keine einzelne befragte Person identifizieren lässt.

Diffusionsmodell

Ein Diffusionsmodell wird darauf trainiert, einen Verrauschungsprozess umzukehren. Aus reinem Rauschen und einem Text-Prompt entrauscht es Schritt für Schritt, bis ein Bild entsteht, das zum Prompt passt. Es hat GANs als Standard abgelöst, weil es stabiler trainiert und besser skaliert. In der Praxis: Fünfzig Entrauschungsschritte zwischen zufälligem Rauschen und einer fertigen Illustration.

Distillation

Bei der Distillation erzeugt ein großes Lehrer-Modell Ausgaben, mit denen ein kleineres Schüler-Modell trainiert wird. Das Schülermodell ist am Ende günstiger und schneller und behält auf der Zielverteilung viel vom Verhalten des Lehrers. Die meisten bezahlbaren Produktionsmodelle sind aus etwas Größerem destilliert. In der Praxis: Ein Modell, das 10× kleiner und 20× günstiger ist und 90% deines Traffics genauso gut bedient.

Durchsatz

Durchsatz ist die Frage nach der Kapazität, getrennt von der Frage nach der Geschwindigkeit, für die die Latenz steht. Batching erhöht den Durchsatz und erhöht dabei die einzelne Latenz — genau der Tausch, den du für Offline-Jobs willst, und genau der falsche für Chat. In der Praxis: Eine Million Klassifikationen über Nacht als Batch; niemand schaut auf die Uhr.

Embedding

Ein Embedding verwandelt Text, ein Bild oder ein Objekt in einen Vektor in einem hochdimensionalen Raum, der so angeordnet ist, dass semantische Ähnlichkeit zu geometrischer Nähe wird. Diese eine Eigenschaft trägt die semantische Suche, Empfehlungen, Clustering und die Retrieval-Hälfte von RAG. In der Praxis: ‘Auto’ und ‘Wagen’ landen nah beieinander; ‘Auto’ und ‘Automat’ nicht, obwohl sie sich fast alle Buchstaben teilen.

Emotionserkennungssystem

Artikel 3(39) definiert den Begriff, Artikel 5 verbietet den Einsatz am Arbeitsplatz und in der Bildung, mit engen Ausnahmen für medizinische und Sicherheitszwecke. Ansonsten gilt er in der Regel als hochriskant. Die wissenschaftliche Grundlage dafür, Emotionen aus Gesicht oder Stimme abzuleiten, ist umstritten — auch deshalb ist die Beschränkung so streng. In der Praxis: Software, die behauptet, die Begeisterung von Bewerbern aus einem Video-Interview zu bewerten.

Epoche

Training braucht normalerweise viele Epochen, weil ein einziger Blick auf die Daten selten reicht. Zu wenige, und das Modell lernt zu wenig; zu viele, und es fängt an auswendig zu lernen. Sehr große Modelle trainieren manchmal weniger als eine einzige Epoche, schlicht weil der Datensatz riesig ist. In der Praxis: Zehn Epochen über 50.000 Bilder heißt: Das Modell hat jedes Bild zehnmal gesehen.

Erklärbarkeit

Bei Erklärbarkeit geht es um das Publikum: Eine Erklärung muss für die Person brauchbar sein, die sie braucht — für Antragstellende, für Prüfende, für Entwickelnde. Oft entsteht sie durch nachgelagerte Verfahren, die das Verhalten des Modells annähern, statt seinen tatsächlichen Mechanismus offenzulegen. Diese Annäherung ist eine echte Einschränkung, keine Spitzfindigkeit. In der Praxis: ‘Abgelehnt vor allem wegen des Verhältnisses von Schulden zu Einkommen und der kurzen Kredithistorie.’