Künstliche Intelligenz (KI) ist heute allgegenwärtig – von Sprache über Bilder bis hin zu Datenanalyse.

Künstliche Intelligenz verändert bereits heute die Arbeitswelt im Büro. Von smarter Dokumentenverarbeitung, Textbearbeitung, über automatische Zusammenfassungen bis hin zur Datenanalyse sowie vorausschauender Termin-, Personal- und Ressourcenplanung.

KI verspricht Effizienz, Genauigkeit und neue Freiräume für komplexe Aufgaben. Doch wo Licht ist, gibt es auch Schatten: Datenschutz, Fachkompetenz, Veränderungsmanagement und Kostenfallen gilt es zu beachten.

Eine klare Begriffskenntnis hilft, Entwicklungen zu verstehen, fundierte Entscheidungen zu treffen und verantwortungsvoll zu handeln.

Die weiter unten aufgeführte Begriffsliste deckt zentrale Bereiche ab:

  • grundlegende Konzepte (KI, ML, DL, Neuronale Netze),
  • spezialisierte Modelle und Anwendungen (LLMs, Chatbots, NLP, Prompting),
  • Lernparadigmen (überwacht/unüberwacht),
  • Reinforcement Learning, Transfer Learning),
  • Qualitäts- und Ethikaspekte (Explainable AI, Bias, Datenschutz, Data Governance)
  • Betriebsmethoden (MLOps, Model Governance, Drift).

Wer diese Begriffe kennt, bewertet Chancen und Risiken realistischer und kann KI-Initiativen sicherer, effizienter und zielgerichteter steuern und kommunizieren. Wir haben einige der gängigsten Begriffe (ohne Anspruch auf Vollständigkeit) zusammengetragen und deren Bedeutung recherchiert.

  • Künstliche Intelligenz (KI): Sammelbegriff für Systeme, die menschenähnliche Aufgaben ausführen, z. B. Lernen, Schlussfolgern, Muster erkennen oder Entscheidungen treffen.
  • Maschinelles Lernen (ML): Teilgebiet der KI, bei dem Modelle aus Daten/Erfahrungen lernen, Muster und Zusammenhänge erkennen und Vorhersagemodelle entwickeln oder Entscheidungen treffen, ohne explizit programmiert zu sein.
  • Tiefes Lernen (Deep Learning, DL): Auch das ist ein Teilbereich des maschinellen Lernens (s. o.), die mehrschichtige neuronale Netze (s. u.) nutzt und besonders leistungsstark bei Bild-, Ton- und Textverarbeitung ist, aber auch beim autonomen Fahren und der Analyse medizinischer Daten.
  • Künstliches neuronales Netz: Von der Struktur her ein an das menschliche Gehirn angelehntes Netzwerk, das eine Vielzahl von Schichten (Layer) künstlicher Neuronen (Knoten) organisiert, die Informationen verarbeiten und das Muster in Daten erkennt.
  • Large Language Model (LLM): Auf Deutsch „Großes Sprachmodell“, es versteht menschliche Texte, generiert sie und kann kontextbezogen antworten (z. B. GPT-Modelle). Ein beliebtes Beispiel für den Einsatz von KI-Sprachmodellen ist der Kundensupport durch automatisierte Chatbots (s. u.).
  • Chatbot: ein virtueller Assistent (Computerprogramm) mit KI-Unterstützung, d. h. eine Software, die in natürlicher Sprache mit Nutzern kommuniziert/interagiert und menschenähnliche Gespräche simuliert. „Bot“ ist die Abkürzung für Roboter. Chatbots (Siri, Alexa oder Kundendienst-/Arztpraxis-Bots) sollte man zwar gezielt für einfache Aufgaben einsetzen, aber nicht auf den menschlichen Faktor verzichten, dort, wo er wirklich zählt.
  • Natural Language Processing (NLP): Teilgebiet der KI, Informatik oder Computerlinguistik, das menschliche Sprache versteht, interpretiert, manipuliert und generiert. Verwendung findet NLP in Sprachassistenten, Kundenservice-Tools oder bei der maschinellen Übersetzung etwa.
  • Prompting: Vorgehen, Anweisungen oder Aufgabenstellungen so zu formulieren, dass ein KI-Modell gewünschte Antworten/Ergebnisse liefert. Auf Deutsch sind sogenannte Prompts „Eingabeaufforderungen“ in Form von Text, Fragen, Anweisungen seitens des Anwenders. Je präziser, zielgruppengenauer ein Prompt ist, umso effektiver und besser das Ergebnis.
  • Fine-Tuning: Die Feinanpassung eines vortrainierten KI-Modells (Basismodells) zielt darauf ab, durch weiteres Training auf spezifischen Daten bessere Resultate in einer bestimmten Domäne zu generieren.
  • Transfer Learning: Das Transferlernen stellt eine Wissensübertragung von einem schon vorhandenen Modell/einer Domäne auf eine andere dar, wobei es als Ausgangspunkt für eine neue, ähnliche Aufgabe wiederverwendet wird und oft wenig zusätzlichen Daten erfordert. Erlerntes Wissen oder Fähigkeiten werden auf eine neue Situation übertragen.
  • Bias: Verzerrungen in Daten oder Modellen, die zu systematischen Fehlern, Verfälschungen oder unfairen Ergebnissen führen können. Einen deckungsgleichen deutschen Begriff gibt es dafür nicht.
  • DSFA (Datenschutz-Folgenabschätzung): Die DSFA ist ein Instrument der EU-Datenschutz-Grundversorgung (DSGVO) zur Prüfung der potenziellen Datenschutzrisiken einer KI-Anwendung, besonders beim Verarbeiten persönlicher Daten.
  • KI-Ethik: Disziplin, die faire, transparente und verantwortungsvolle Nutzung von KI sicherstellen will.
  • Explainable AI (XAI)/Erklärbare künstliche Intelligenz: Ansätze, Modelle so zu gestalten oder zu erklären, dass ihre Entscheidungen nachvollziehbar sind. XAI liefert somit Erklärungen darüber, warum ein Modell eine genau diese Entscheidung getroffen hat, welche Merkmale ausschlaggebend waren. Entwickler können daher Systemfehler besser nachvollziehen und beheben.
  • Supervised Learning (überwachtes Lernen): Teilbereich des maschinellen Lernens (ML-Format), bei dem ein Modell/Algorithmus aus gekennzeichneten Beispielen lernt (Eingabe-Label), z. B. in der Spracherkennung, Fotomedizin oder für autonome Fahrzeuge.
  • Unsupervised Learning (unüberwachtes Lernen): Teilbereich des ML-Formates, bei dem ein Computer bisher versteckte Muster, Strukturen, Daten sucht, ohne dass diese Daten vorher kategorisiert („gelabelt“) wurden.
  • Reinforcement Learning (RL = be-/verstärkendes Lernen): Lernmethode, bei dem ein autonomer Agent (Roboter = KI-System, das Entscheidungen trifft) durch Versuch und Irrtum (Trial-and-Error) in einer Umgebung Erfahrungen sammelt, um Strategien zu verbessern, ohne dass ein menschlicher Nutzer ihn anleitet.
  • Data Governance: Rahmenwerk für die Verwaltung, Qualität, Sicherheit und Nutzbarkeit von Daten in einer Organisation/einem Unternehmen, das eine effektive Nutzung von Informationen ermöglicht und bei der Umsetzung der Ziele unterstützt.
  • Data Lake (DL = „Datensee“) oder Data Warehouse (DHW = Datenlager): Speicherformen für große Datenmengen; Data Lake speichert rohe, unstrukturierte Daten, Data Warehouse strukturierte, verarbeitete Daten zum Zwecke der fundierten Unternehmensentscheidungen.
  • Data Steward/Data Stewardship (Datenverantwortung/-verwaltung): Person oder Team, das Datenqualität, -sicherheit und -zugriff verantwortet, fungiert als Bindeglied zwischen IT-Abteilung und den Fachbereichen.
  • Data Minimization (Datenminimierung): Kernprinzip, nur die unbedingt notwendigen Daten zu erheben und zu speichern gemäß der Formel: „So viele Daten wie nötig, so wenig wie möglich“.
  • Tokenisierung: Prozess, sensible Daten/Text in kleinere Einheiten/Platzhalter (Token) zu zerlegen, oft Vorstufe für NLP-Modelle (siehe oben), dient dazu, eine fälschungssichere, transparente Möglichkeit zu schaffen, Reche und Pflichten digital zu übertragen.
  • Embedding (Einbettung): Bei dem Verfahren aus dem maschinellen Lernen werden numerische Reihen von Wörtern oder Objekten in einem Vektorraum zusammengefasst, semantische Ähnlichkeiten erfasst (z. B. Auto, Fahrzeug, Kfz …).
  • Application Programming Interface (API): Über diese Programmierschnittstelle kommunizieren die Softwarekomponenten miteinander; sie fungiert als Vermittler der Befehle, Protokolle und Funktionen und wird oft zur Anbindung von KI-Modellen an Systeme genutzt.
  • Edge KI/On-Device AI: Ausführung von KI-Berechnungen direkt auf dem Endgerät – am „Rand“ (Edge) des Netzwerks – statt in der Cloud, meist aus Datenschutz- oder Latenzgründen.
  • Cloud KI-Dienste: KI-Funktionen, die zentral in der Cloud betrieben werden, die es Anwendern ermöglichen, solche KI-Funktionen wie maschinelles Lernen, Sprach- und Bildverarbeitung zu nutzen, ohne selbst in spezialisierte Hard- und Software investieren zu müssen.
  • Model Governance: Die Modellsteuerung bezeichnet Strukturen und Prozesse zur Kontrolle von Modellentwicklung, -einsatz, -überwachung und -auditierung.
  • Drift: bezeichnet die langsame, unerwünschte Veränderung in der Datenverteilung oder die Modellleistung über Zeit, Wartung oder Neukalibrierung.
  • GPT/Transformer-Architektur: Architekturtypen für KI-Sprachmodelle, die auf Self-
    Attention (Selbstaufmerksamkeit) basieren und Sequenzen effizient verarbeiten.
  • AI Security (Sicherheit in KI): Maßnahmen gegen Missbrauch (adversarial attacks) von Daten, Modellen, Algorithmen auf der einen Seite, andererseits die Nutzung von KI zur Verbesserung der Cyberabwehr (Schutz vor Spionage, Sabotage …)

Weitere Gedanken zum Thema lesen Sie in unserem Beitrag Thema „KI im medizinischen Schreiben“ (https://www.u-schaecher.de/ki-im-medizinischen-schreiben-fuer-und-wider/)