KI & ML Glossar

Agentic AI bezeichnet KI-Systeme, die darauf ausgelegt sind, autonom zu handeln, Entscheidungen zu treffen und Ziele mit minimaler menschlicher Überwachung zu verfolgen, was die nächste Evolution der KI-Fähigkeiten darstellt.

AI Agents sind autonome Systeme, die ihre Umgebung wahrnehmen, Entscheidungen treffen und Aktionen ausführen, um spezifische Ziele mit KI-Fähigkeiten zu erreichen.

Aktivierungen sind die berechneten Ausgangswerte eines Neurons und bestimmen, wie stark Informationen im Netzwerk weitergegeben werden.

Eine Aktivierungsfunktion ist eine mathematische Funktion, die auf neuronale Netzwerkknoten angewendet wird, um deren Ausgabe zu bestimmen, Nicht-Linearität einzuführen und Netzwerken zu ermöglichen, komplexe Muster zu lernen.

Artificial General Intelligence bezieht sich auf KI-Systeme mit menschlichen kognitiven Fähigkeiten über alle Domänen hinweg, die Intelligenz so flexibel verstehen, lernen und anwenden können wie Menschen.

Aufmerksamkeitsmechanismus ist eine neuronale Netzwerktechnik, die es Modellen ermöglicht, sich auf relevante Teile von Eingabedaten zu fokussieren und die Leistung bei Sequenz-zu-Sequenz-Aufgaben zu verbessern.

Utilization beschreibt, wie stark Hardware-Ressourcen wie GPU, CPU oder Speicher tatsächlich genutzt werden.

Ein Autoencoder ist eine unüberwachte neuronale Netzwerkarchitektur, die effiziente Datenrepräsentationen lernt, indem sie Eingabedaten komprimiert und dann rekonstruiert.

Backpropagation ist ein überwachtes Lernalgorithmus, der zum Training neuronaler Netzwerke verwendet wird, indem Gradienten der Verlustfunktion bezüglich Netzwerkgewichten durch Rückwärtspass-Berechnung kalkuliert werden.

Bandbreite beschreibt, wie viele Daten pro Sekunde ein Netzwerk, Speicherbus oder Beschleuniger übertragen kann.

Batch Normalization ist eine Technik, die Schichteingaben normalisiert, indem Aktivierungen angepasst und skaliert werden, wodurch Trainingsstabilität verbessert und schnellere Konvergenz in tiefen neuronalen Netzwerken ermöglicht wird.

BERT (Bidirectional Encoder Representations from Transformers) ist ein bahnbrechendes Sprachmodell, das die NLP durch bidirektionales Kontextverständnis revolutionierte.

Spezialisierte Hardware, die KI- und ML-Workloads schneller und energieeffizienter verarbeitet als herkömmliche CPUs.

Ein Cache speichert häufig benötigte Daten oder Berechnungen zwischen, um Zugriffe drastisch zu beschleunigen.

Chain-of-Thought-Prompts ermutigen Sprachmodelle, ihre Zwischenschritte auszuschreiben und dadurch präzisere Antworten zu liefern.

Ein Chatbot ist ein KI-gestützter Konversationsagent, der menschenähnliche Dialoge durch Text- oder Sprachinteraktionen simuliert und automatisierte Antworten auf Benutzeranfragen bereitstellt.

CNN (Convolutional Neural Network) ist eine Deep-Learning-Architektur, die auf die Verarbeitung gitterartiger Daten wie Bilder spezialisiert ist und Convolutional Layer zur Erkennung räumlicher Muster und Features verwendet.

Compiler übersetzen Code aus einer Hochsprache in optimierte Maschinenanweisungen und machen KI-Modelle erst performant ausführbar.

Computer Vision ist ein Bereich der KI, der Computer darauf trainiert, visuelle Informationen aus der Welt zu interpretieren und zu verstehen, wodurch Maschinen Objekte, Gesichter und Szenen in Bildern und Videos identifizieren können.

Conversational AI ermöglicht natürliche Dialoge zwischen Menschen und Maschinen über Text, Sprache oder multimodale Interfaces.

Convolutional Neural Networks sind Deep-Learning-Architekturen für gitterartige Daten wie Bilder, die konvolutionelle Schichten zur Erkennung räumlicher Muster verwenden.

Erfahren Sie mehr über Cosine und seine Anwendungen in künstlicher Intelligenz und maschinellem Lernen.

Die CPU ist der universelle Prozessor eines Systems und koordiniert alle Abläufe vom Betriebssystem bis zu KI-Workloads.

Ein gerichteter azyklischer Graph strukturiert abhängige Aufgaben so, dass sie effizient geplant und parallelisiert werden können.

Ein Datensatz ist eine kuratierte Sammlung von Beispielen, auf deren Basis KI-Modelle lernen, validiert und getestet werden.

Der Decoder ist der Teil eines Sequenzmodells, der aus internen Repräsentationen wieder menschenlesbare Ausgaben erzeugt.

Deep Learning ist ein Teilbereich des maschinellen Lernens, der mehrschichtige neuronale Netzwerke verwendet, um komplexe Muster in Daten zu modellieren und zu verstehen, wobei die Informationsverarbeitung des menschlichen Gehirns nachgeahmt wird.

Diffusionsmodelle erzeugen Bilder, Videos oder Audio, indem sie schrittweise Rauschen entfernen und so neue Inhalte synthetisieren.

In der künstlichen Intelligenz, insbesondere im maschinellen Lernen und der natürlichen Sprachverarbeitung (NLP), beziehen sich Dimensionen auf die Anzahl numerischer Werte (Merkmale) in einem Vektor-Embedding.

Distanzmetriken quantifizieren, wie ähnlich oder unterschiedlich zwei Datenpunkte im Vektorraum sind.

Erfahren Sie mehr über Dot Product und seine Anwendungen in künstlicher Intelligenz und maschinellem Lernen.

Dropout ist eine Regularisierungstechnik, die zufällig einen Bruchteil der Eingabeeinheiten während des Trainings auf null setzt, um Overfitting zu verhindern und die Generalisierung in neuronalen Netzwerken zu verbessern.

Edge AI ist der Einsatz von Algorithmen und Modellen künstlicher Intelligenz direkt auf lokalen Geräten am Netzwerkrand, wodurch Echtzeitverarbeitung ohne Abhängigkeit von Cloud-Konnektivität ermöglicht wird.

Ein Eigenvektor bleibt bei einer linearen Transformation bis auf einen Skalierungsfaktor in seiner Richtung erhalten.

Eigenwerte beschreiben, wie stark eine lineare Transformation einen Eigenvektor streckt oder staucht.

Embeddings sind dichte Vektorrepräsentationen, die semantische Bedeutung und Beziehungen zwischen Wörtern, Sätzen oder anderen Datentypen in einem kontinuierlichen mathematischen Raum erfassen.

Der Encoder wandelt Rohdaten in kompakte, bedeutungstragende Repräsentationen um.

Ensemble Learning ist eine Machine Learning-Technik, die mehrere Modelle kombiniert, um einen stärkeren Prädiktor zu schaffen als jedes individuelle Modell, wodurch Genauigkeit und Robustheit durch Modell-Diversität verbessert werden.

Entropie misst die Unsicherheit oder den Informationsgehalt einer Wahrscheinlichkeitsverteilung.

Erfahren Sie mehr über Euclidean und seine Anwendungen in künstlicher Intelligenz und maschinellem Lernen.

Der F1-Score ist das harmonische Mittel aus Precision und Recall und bewertet damit Gleichgewicht zwischen Genauigkeit und Abdeckung.

Ein Feature ist ein messbares Merkmal eines Datenpunkts, das ein Modell zur Vorhersage nutzt.

Federated Learning ist ein verteilter maschineller Lernansatz, der Modelle über dezentrale Geräte oder Server mit lokalen Datenmustern trainiert, ohne die Daten zu zentralisieren.

Feedforward beschreibt den gerichteten Informationsfluss in neuronalen Netzen von Eingabe zu Ausgabe ohne Rückkopplung.

Fine-tuning ist der Prozess der Anpassung eines vortrainierten KI-Modells an eine spezifische Aufgabe oder Domäne durch Training mit zusätzlichen aufgabenspezifischen Daten.

Ein Float32Array ist ein typisiertes Array zur Speicherung von 32-Bit-Gleitkommazahlen. In der KI wird es oft verwendet, um Vektoren (z.B. Embeddings) in speichereffizienten Formaten zu speichern.

Float64Array speichert 64-Bit-Gleitkommazahlen und ermöglicht doppelte Präzision. Es wird verwendet, wenn hohe numerische Genauigkeit wichtiger ist als Speicher zu sparen.

FLOPS (Floating Point Operations per Second) messen, wie viele Gleitkommaberechnungen ein System pro Sekunde durchführen kann.

Foundation Models sind großangelegte KI-Modelle, die auf breiten Datensätzen trainiert wurden und als Grundlage für multiple nachgelagerte Anwendungen durch Anpassung und Fine-Tuning dienen.

Foundation Models sind große KI-Modelle, die auf umfangreichen Daten trainiert wurden und als Basis für die Anpassung an verschiedene nachgelagerte Aufgaben dienen.

GAN (Generative Adversarial Network) ist eine Machine Learning-Architektur, bei der zwei neuronale Netzwerke konkurrieren, um realistische synthetische Daten durch adversariales Training zu generieren.

GELU (Gaussian Error Linear Unit) ist eine Aktivierungsfunktion, die glatte Übergänge zwischen linearer und nichtlinearer Verarbeitung schafft.

Accuracy misst, welcher Anteil aller Vorhersagen eines Modells korrekt war, und dient als leicht verständliche Qualitätskennzahl.

Generative KI ist eine Kategorie künstlicher Intelligenz, die neue, originale Inhalte wie Text, Bilder, Audio, Code und andere Medien erstellen kann, indem sie Muster aus bestehenden Daten lernt.

GPT (Generative Pre-trained Transformer) ist eine Familie großer Sprachmodelle, die Transformer-Architektur nutzt, um menschenähnlichen Text durch autoregressive Vorhersage zu generieren.

GPUs sind massiv parallele Prozessoren, die KI-Training und -Inference beschleunigen.

Gradient Descent ist ein fundamentaler Optimierungsalgorithmus, der im maschinellen Lernen verwendet wird, um Kostenfunktionen zu minimieren, indem iterativ in Richtung des steilsten Abstiegs des Gradienten bewegt wird.

LMMs kombinieren Text, Bilder, Audio oder Video in einem einzigen Modell und verstehen dadurch komplexe Eingaben.

Guardrails sind Sicherheits- und Qualitätsregeln, die generative KI daran hindern, unerwünschte oder riskante Inhalte zu erzeugen.

Hallucination in der KI bezieht sich auf das Phänomen, wenn Sprachmodelle plausibel klingende aber faktisch inkorrekte, unsinnige oder erfundene Informationen generieren, die nicht durch Trainingsdaten oder Realität gestützt sind.

Erfahren Sie mehr über HNSW (Hierarchical Navigable Small World) und seine Anwendungen in künstlicher Intelligenz und maschinellem Lernen.

Hugging Face ist eine offene Plattform für KI-Modelle, Datensätze und Tools, die den Austausch in der Community beschleunigt.

Erfahren Sie mehr über Index und seine Anwendungen in künstlicher Intelligenz und maschinellem Lernen.

Ein Index ist eine durchsuchbare Sammlung von Vektoren in einer Vektordatenbank wie Pinecone, Weaviate oder Cloudflare Vectorize. Er wird verwendet, um ähnliche Elemente mittels Ähnlichkeitssuche oder Nächste-Nachbarn-Suche effizient abzurufen.

Inference in der KI bezeichnet den Prozess der Verwendung eines trainierten Modells zur Vorhersage, Ausgabegenerierung oder Schlussfolgerung aus neuen Eingabedaten ohne weiteres Training.

Erfahren Sie mehr über IVF (Inverted File Index) und seine Anwendungen in künstlicher Intelligenz und maschinellem Lernen.

Jailbreaks versuchen, Sicherheitsvorgaben eines KI-Modells zu umgehen, um gesperrte Antworten zu erhalten.

Als Core bezeichnet man eine eigenständige Recheneinheit innerhalb eines Prozessors oder Beschleunigers, die Instruktionen unabhängig ausführen kann.

Ein Kernel ist eine Funktion, die Daten in einen höherdimensionalen Raum abbildet oder als kleiner Berechnungsblock auf GPUs läuft.

Ein KI-Assistent ist eine Software, die natürliche Sprache versteht, Aufgaben automatisiert und Nutzern im Alltag oder im Business echte Entlastung verschafft.

KI-Automatisierung ist der Einsatz von Technologien künstlicher Intelligenz zur automatischen Ausführung von Aufgaben, Entscheidungsfindung und Prozessausführung, die traditionell menschliche Intervention erforderten.

Ein Node ist ein Element in einem Graphen, Cluster oder Workflow und repräsentiert eine Recheneinheit oder Aufgabe.

Kontext beschreibt die Menge an Informationen, die ein Sprachmodell gleichzeitig betrachten kann, um konsistente Antworten zu formulieren.

Die Kreuzentropie misst den Unterschied zwischen zwei Wahrscheinlichkeitsverteilungen und dient als Loss-Funktion in Klassifikationsaufgaben.

Künstliche Intelligenz (KI) ist die Simulation menschlicher Intelligenzprozesse durch Maschinen, insbesondere Computersysteme, die Aufgaben ausführen können, die normalerweise menschliche kognitive Fähigkeiten erfordern.

Künstliche Superintelligenz beschreibt hypothetische Systeme, die Menschen in jedem kognitiven Bereich überlegen wären und neue Innovationssprünge auslösen könnten.

Ein Large Language Model (LLM) ist ein fortschrittliches KI-System, das auf riesigen Mengen von Textdaten trainiert wurde, um menschliche Sprache mit bemerkenswerten Fähigkeiten zu verstehen, zu generieren und zu manipulieren.

Llama ist die Open-Weight-Modellfamilie von Meta und dient als Basis für zahlreiche spezialisierte Sprach- und Agentensysteme.

Ein Large Language Model (LLM) ist eine Form künstlicher Intelligenz, die mit großen Mengen an Textdaten trainiert wurde, um menschliche Sprache zu verstehen und zu erzeugen.

Logits sind die rohen Ausgabewerte eines Modells vor Anwendung einer Aktivierungs- oder Normalisierungsfunktion.

LoRA ermöglicht leichtgewichtiges Finetuning großer Modelle, indem nur kleine Low-Rank-Matrizen trainiert werden.

LPUs sind Spezialchips, die Transformer-Inferenz extrem effizient verarbeiten und Tokens pro Sekunde maximieren.

Erfahren Sie mehr über LSH (Locality-Sensitive Hashing) und seine Anwendungen in künstlicher Intelligenz und maschinellem Lernen.

LSTM (Long Short-Term Memory) ist eine fortgeschrittene rekurrente neuronale Netzwerkarchitektur, die entwickelt wurde, um langfristige Abhängigkeiten in sequenziellen Daten zu lernen, indem sie das Vanishing-Gradient-Problem löst.

Maschinelles Lernen (ML) ist ein Teilbereich der künstlichen Intelligenz, der es Computern ermöglicht, aus Erfahrungen zu lernen und sich zu verbessern, ohne für jede Aufgabe explizit programmiert zu werden.

Eine Matrix ist eine rechteckige Anordnung von Zahlen, die lineare Transformationen kompakt beschreibt.

MBU misst, wie effizient ein System die verfügbare Speicherbandbreite während KI-Workloads ausnutzt.

MCP ist ein offener Standard von Anthropic, der KI-Assistenten sicher mit externen Datenquellen und Tools verbindet.

MFU zeigt, wie viel Prozent der theoretischen Rechenleistung ein KI-Job tatsächlich nutzt.

Mixture of Experts ist eine Machine Learning Architektur, die mehrere spezialisierte Modelle (Experten) mit einem Gating-Mechanismus nutzt, um Eingaben dynamisch an relevante Experten zu routen.

Erfahren Sie mehr über ML (Machine Learning) und seine Anwendungen in künstlicher Intelligenz und maschinellem Lernen.

Multi-Head Attention zerlegt Aufmerksamkeit in mehrere parallele Projektionen, um verschiedene Beziehungsmuster gleichzeitig zu erfassen.

Multimodale KI bezieht sich auf Systeme künstlicher Intelligenz, die Inhalte über mehrere Datentypen hinweg verarbeiten, verstehen und generieren können, einschließlich Text, Bilder, Audio und Video.

Natural Language Processing (NLP) ist ein Zweig der KI, der sich darauf konzentriert, Computer zu befähigen, menschliche Sprache auf bedeutungsvolle Weise zu verstehen, zu interpretieren und zu generieren.

Neuromorphic Computing ahmt die Struktur und Funktion biologischer neuronaler Netzwerke in Hardware nach und ermöglicht energieeffiziente KI-Verarbeitung inspiriert von Gehirnarchitektur.

Ein Neuron ist die kleinste Recheneinheit eines neuronalen Netzes und verarbeitet Eingaben zu einer Aktivierung.

Neuronale Netzwerke sind Computersysteme, die von biologischen neuronalen Netzwerken inspiriert sind und lernen, Aufgaben durch Analyse von Beispielen und Identifikation von Mustern in Daten auszuführen.

NPUs sind KI-Beschleuniger, die speziell für neuronale Netze mit geringem Stromverbrauch optimiert wurden.

OCR erkennt Text in Bildern oder PDFs und wandelt ihn in durchsuchbare, editierbare Daten um.

Ein Optimizer ist ein Algorithmus, der Parameter neuronaler Netzwerke anpasst, um die Verlustfunktion während des Trainings zu minimieren und bestimmt, wie das Modell aus Daten lernt.

Overfitting tritt auf, wenn ein Machine Learning-Modell die Trainingsdaten zu gut lernt, einschließlich Rauschen und irrelevanter Muster, was zu schlechter Leistung bei neuen, ungesehenen Daten führt.

Parameter sind die lernbaren Gewichte eines KI-Modells und bestimmen dessen Verhalten.

Perplexity misst, wie gut ein Sprachmodell die nächste Token-Sequenz vorhersieht – je niedriger, desto besser.

Eine Pipeline beschreibt eine Abfolge von Verarbeitungsschritten, die Daten oder Modelle automatisiert durchlaufen.

Pooling-Schichten reduzieren Feature-Maps in neuronalen Netzen, senken Rechenaufwand und bewahren wichtige räumliche Informationen bei Translationsinvarianz.

Precision gibt an, wie viele der als positiv eingestuften Ergebnisse tatsächlich korrekt sind.

Erfahren Sie mehr über Product Quantization und seine Anwendungen in künstlicher Intelligenz und maschinellem Lernen.

Ein Prompt ist die Eingabe oder Instruktion, die ein Sprachmodell steuert und Kontext liefert.

Prompt Engineering ist die Praxis der Erstellung und Optimierung von Eingabe-Prompts, um effektiv mit KI-Sprachmodellen zu kommunizieren und gewünschte Ausgaben zu erzielen.

Beim Pruning werden unwichtige Gewichte oder Neuronen entfernt, um Modelle schlanker und schneller zu machen.

Quantisierung reduziert die numerische Präzision eines Modells, um Speicher und Rechenaufwand zu sparen.

Ein Quantizer ist der Algorithmus oder das Modul, das Werte in diskrete Stufen überführt.

Eine Queue (Warteschlange) puffert Anfragen oder Jobs, damit Systeme skalierbar und fehlertolerant bleiben.

RAG (Retrieval-Augmented Generation) ist eine KI-Technik, die große Sprachmodelle mit externem Wissensabruf kombiniert, um genauere und kontextuell relevantere Antworten zu liefern.

Reasoning-Modelle sind auf logisches Schlussfolgern optimiert und lösen Aufgaben mit mehreren Denk- und Prüfschritten.

Recall misst, wie viele der tatsächlich relevanten Elemente ein Modell gefunden hat.

Regularisierung ist ein Satz von Techniken im maschinellen Lernen zur Verhinderung von Overfitting durch Hinzufügung von Beschränkungen oder Strafen zu Modellen, wodurch ihre Fähigkeit zur Generalisierung auf neue Daten verbessert wird.

Reinforcement Learning ist ein maschineller Lernansatz, bei dem Agenten optimales Verhalten durch Versuch und Irrtum lernen, indem sie Belohnungen oder Strafen für ihre Aktionen erhalten.

RLHF ist ein Machine Learning Ansatz, der menschliche Präferenzen und Feedback nutzt, um KI-Modelle zu trainieren und Alignment mit menschlichen Werten durch Reward Learning zu ermöglichen.

ReLU ist eine Aktivierungsfunktion, die negative Werte auf null setzt und positive unverändert durchlässt.

Residualverbindungen überspringen Layer und addieren Eingabe und Ausgabe, um tiefe Netze stabil zu halten.

Retrieval-Augmented Generation kombiniert Sprachmodelle mit externem Wissensabruf zur Generierung genauerer, aktuellerer und faktisch fundierter Textantworten.

RNN (Recurrent Neural Network) ist ein Typ neuronaler Netzwerke, der für die Verarbeitung sequenzieller Daten entwickelt wurde, indem er Gedächtnis früherer Eingaben durch rekurrente Verbindungen aufrechterhält.

RoBERTa ist eine von Meta optimierte Variante des BERT-Modells mit besserem Training und größeren Datenmengen.

Eine Layer ist eine zusammenhängende Operationsebene in einem neuronalen Netz, die Eingaben transformiert und an die nächste Ebene weitergibt.

Self-Attention erlaubt einem Modell, bei jeder Position dynamisch zu gewichten, wie wichtig andere Positionen derselben Sequenz sind.

Sentiment-Analyse ist eine Natural Language Processing-Technik, die emotionale Tönung, Meinungen und Einstellungen aus Textdaten identifiziert und extrahiert, um öffentliche Stimmung zu verstehen.

Die Sigmoid-Funktion presst Werte in den Bereich zwischen 0 und 1 und eignet sich für Wahrscheinlichkeiten oder binäre Entscheidungen.

Similarity-Metriken bestimmen, wie ähnlich zwei Vektoren oder Dokumente sind und steuern somit Such- und Empfehlungssysteme.

Softmax wandelt Logits in Wahrscheinlichkeiten um, indem es exponentiell gewichtet und normalisiert.

Speicher umfasst alle Komponenten, die Daten für KI-Modelle vorhalten – vom HBM der GPU bis zum Datastore im Backend.

Die hyperbolische Tangens-Funktion skaliert Eingaben auf den Bereich -1 bis 1 und besitzt eine steilere Mitte als Sigmoid.

Ein Tensor ist eine mehrdimensionale Datenstruktur, die Vektoren und Matrizen verallgemeinert und als Grundformat in Deep-Learning-Frameworks dient.

Ein Thread ist ein leichtgewichtiger Ausführungsstrang innerhalb eines Prozesses und ermöglicht parallele Verarbeitung.

Tokens sind die kleinsten Einheiten, in die Texte für Sprachmodelle zerlegt werden.

Tokenisierung zerlegt Text in Tokens, damit Sprachmodelle ihn verarbeiten können.

Tokenize bezeichnet den Vorgang, einen konkreten Text mithilfe eines Tokenizers in IDs umzuwandeln.

Ein Tokenizer ist das Modul, das Text in Token-IDs übersetzt und wieder zurück verwandelt.

Ein Tool Call ist ein strukturierter Funktionsaufruf, mit dem ein Sprachmodell externe Dienste oder Agenten ansteuert.

TOPS gibt an, wie viele Billionen Operationen eine Hardware pro Sekunde verarbeiten kann – oft bei integerer Präzision.

TPUs sind Googles maßgeschneiderte KI-Prozessoren mit systolischen Arrays für schnelle Matrixmultiplikationen.

Training ist der Prozess, in dem ein KI-Modell aus Daten lernt, indem es seine Parameter iterativ anpasst.

Transfer Learning ist eine maschinelle Lerntechnik, bei der ein auf einer Aufgabe trainiertes Modell für die Verwendung bei einer verwandten Aufgabe angepasst wird und dabei vorhandenes Wissen nutzt, um Lerneffizienz und Leistung zu verbessern.

Transformer ist eine neuronale Netzwerkarchitektur, die Aufmerksamkeitsmechanismen nutzt, um sequenzielle Daten parallel zu verarbeiten und damit die natürliche Sprachverarbeitung und KI revolutioniert.

Tree-of-Thought-Prompts lassen Sprachmodelle mehrere Lösungswege erkunden und bewerten.

Erfahren Sie mehr über Vector und seine Anwendungen in künstlicher Intelligenz und maschinellem Lernen.

Ein Vektor ist eine Liste von Zahlen, die Daten in einem Format darstellt, das Maschinen verstehen können — wie die Bedeutung eines Wortes, Satzes, Bildes oder Tons.

Eine Vektor-Datenbank ist ein spezialisiertes Datenbanksystem, das für die Speicherung, Indexierung und Abfrage hochdimensionaler Vektordaten entwickelt wurde und schnelle Ähnlichkeitssuche für KI-Anwendungen ermöglicht.

Eine Verlustfunktion ist eine mathematische Funktion, die den Unterschied zwischen vorhergesagten und tatsächlichen Werten misst und das Training neuronaler Netzwerke leitet, indem sie Vorhersagefehler quantifiziert.

Das Vokabular ist die Menge aller Tokens, die ein Sprachmodell kennt und erzeugen kann.

VRAM ist der dedizierte Speicher einer GPU und speichert Gewichte, Aktivierungen und Texturen.

Ein Workflow beschreibt die strukturierte Abfolge von Aufgaben, die ein Ergebnis liefern – etwa beim Training oder bei KI-Agenten.