AI Glossary

EU AI Act

Die Verordnung (EU) 2024/1689 ist am 1. August 2024 in Kraft getreten und gilt in Stufen: verbotene Praktiken ab Februar 2025, Pflichten für KI-Modelle mit allgemeinem Verwendungszweck ab August 2025 und der Großteil des Rahmens ab August 2026. Sie sortiert Systeme in inakzeptables, hohes, begrenztes und minimales Risiko, die Pflichten skalieren entsprechend. Sie erfasst auch Anbieter außerhalb der EU, deren Ergebnisse in der EU genutzt werden. In der Praxis: Ein US-SaaS-Unternehmen, das in die EU verkauft, fällt darunter — unabhängig davon, wo es sitzt. ...

Evaluation (Evals)

Evals sind die automatisierte Testsuite für probabilistische Software: ein fester Satz an Fällen mit erwarteten Ergebnissen, ausgeführt bei jeder Änderung. Nur so erfährst du, ob eine Prompt-Anpassung oder ein Modellwechsel geholfen oder still und leise etwas kaputt gemacht hat. Öffentliche Benchmarks sagen dir etwas über das Modell, Evals sagen dir etwas über dein System. In der Praxis: 200 echte Tickets mit korrekten Antworten, laufen gelassen bei jeder Prompt-Änderung.

Fairness

Fairness klingt nach einer Eigenschaft, ist aber viele: gleiche Genauigkeit über Gruppen hinweg, gleiche Falsch-Positiv-Raten, gleiche Ergebnisse. Es ist mathematisch bewiesen, dass sich außer in trivialen Fällen nicht alle vernünftigen Definitionen gleichzeitig erfüllen lassen. Fairness-Arbeit heißt deshalb: entscheiden, welche Definition dein Kontext verlangt, und diese Entscheidung begründen. In der Praxis: Gleiche Fehlerraten über Gruppen hinweg zu erzwingen, kann ungleiche Zusagequoten erzwingen — und umgekehrt.

Feature

Ein Feature ist eine einzelne messbare Eigenschaft eines Beispiels — ein Preis, ein Pixel, eine Wortzahl. Klassisches ML hing davon ab, dass Menschen gute Features konstruierten; Deep Learning lernt sie größtenteils selbst aus den Rohdaten, und das ist ein großer Teil des Grundes, warum es sich durchgesetzt hat. In der Praxis: Für die Vorhersage von Hauspreisen: Quadratmeter, Postleitzahl, Baujahr — jedes davon ist ein Feature.

Few-Shot-Prompting

Few-Shot-Prompting unterrichtet per Demonstration innerhalb des Kontextfensters, ganz ohne Training. Für Konsistenz ist es die wirkungsvollste Prompting-Technik, besonders bei Klassifikation und Formatierung. Wähle Beispiele, die auch die Randfälle abdecken, nicht nur die einfachen — das Modell kopiert alles, was du ihm zeigst, inklusive der Lücken. In der Praxis: Fünf gelabelte Tickets im Prompt, und die Genauigkeit der Kategorien springt nach oben, ganz ohne Fine-Tuning.

Fine-Tuning

Fine-Tuning aktualisiert die Gewichte eines vortrainierten Modells auf einem kleineren, gezielten Datensatz. Es ist das richtige Werkzeug, um Form beizubringen — Tonfall, Format, ein Klassifikationsschema — und das falsche, um Fakten beizubringen; das erledigt RAG besser und günstiger. Die meisten Teams greifen zu früh zum Fine-Tuning; Prompt-Arbeit und Retrieval lösen mehr Probleme als erwartet. In der Praxis: 500 Beispiele für deinen Support-Tonfall, damit Antworten nicht mehr wie eine Pressemitteilung klingen. ...

Foundation Model

Die Idee des Foundation Model dreht den alten Arbeitsablauf um: Statt für jedes Problem ein frisches Modell zu trainieren, trainierst du ein allgemeines Modell mit gewaltigem Aufwand und passt es günstig per Prompting oder Fine-Tuning an. Diese Ökonomie ist der Grund, warum eine Handvoll Labore Modelle trainiert und alle anderen darauf aufbauen. Der EU AI Act behandelt weitgehend dasselbe unter dem Namen KI-Modell mit allgemeinem Verwendungszweck. In der Praxis: Ein Basismodell betreibt einen Support-Bot, einen Coding-Assistenten und einen Zusammenfasser — alle mit denselben Gewichten. ...

Frontier Model

Frontier Model hat keine saubere technische Schwelle; gemeint ist, was gerade am leistungsfähigsten und damit am wenigsten gut verstanden ist. Relevant ist der Begriff vor allem in der Politik, wo zusätzliche Prüf- und Berichtspflichten an die Spitze der Entwicklung geknüpft werden. Das nächstliegende Konzept im EU AI Act ist ein KI-Modell mit allgemeinem Verwendungszweck mit systemischem Risiko. In der Praxis: Mit jeder Generation wird das Frontier Model von gestern zum gewöhnlichen Standardmodell von heute. ...

Function Calling

Du beschreibst deine Funktionen und ihre Parameter; das Modell liefert eine strukturierte Anfrage zurück, die eine davon benennt und Argumente mitgibt. Entscheidend ist: Das Modell führt nichts aus — das tut deine Anwendung, und genau dorthin gehören Validierung und Autorisierung. Es ist die Installation unter fast jedem Agenten-Produkt. In der Praxis: Das Modell gibt get_order_status(order_id=‘A-4471’) aus; dein Backend entscheidet, ob es das ausführt.

GAN (Generative Adversarial Network)

In einem GAN versucht ein Generator, überzeugende Beispiele zu erzeugen, während ein Diskriminator versucht, sie zu erwischen; beide werden durch den Wettstreit besser. Vor Diffusion dominierten GANs die Bildgenerierung, und wo Geschwindigkeit zählt, sind sie weiterhin nützlich — auch wenn sie berüchtigt instabil zu trainieren sind. In der Praxis: Die Gesichter von ’this person does not exist’ waren GAN-Output.