1619 Begriffe
Also known as: A star Search · A-star Search
A*-Suche ist ein Graphsuch- und Pfadfindungsalgorithmus, der sowohl die bereits entstandenen Kosten als auch eine heuristische Schätzung der verbleibenden Kosten nutzt, um den nächsten zu untersuchenden Pfad auszuwählen. Wenn die Heuristik angemessen beschränkt ist, kann der Algorithmus effizient einen optimalen Pfad finden und wird häufig in Planung, Navigation und Suchproblemen eingesetzt.
Also known as: A and B Testing · A B Testing
A/B-Testing ist ein kontrollierter statistischer Vergleich von zwei oder mehr Varianten eines Systems, Modells, einer Schnittstelle oder eines Prozesses. Es misst, ob eine Variante bei ausgewählten Metriken besser abschneidet und ob der beobachtete Unterschied voraussichtlich bedeutsam und nicht nur zufällig ist.
Abduktive Logikprogrammierung ist ein deklarativer Ansatz der Wissensrepräsentation, der abduktives Schließen nutzt, um plausible Erklärungen für Beobachtungen abzuleiten. Sie erweitert die gewöhnliche Logikprogrammierung, indem ausgewählte Prädikate als mögliche Annahmen offenbleiben können, die zur Erfüllung eines Ziels gewählt werden.
Abduktives Schließen ist eine Inferenzform, die von Beobachtungen ausgeht und nach der plausibelsten Erklärung für sie sucht. Anders als die Deduktion stützt es eine vernünftige Hypothese, liefert aber kein schlüssig bewiesenes Ergebnis.
Ablation ist die gezielte Entfernung eines Merkmals, einer Komponente, eines Subsystems oder eines Prozesses aus einem KI- oder Machine-Learning-System, um dessen Beitrag zu bewerten. Eine Ablationsstudie vergleicht das Systemverhalten vor und nach der Entfernung, häufig durch erneutes Training oder erneute Tests, um festzustellen, ob das entfernte Element Leistung oder Zuverlässigkeit wesentlich beeinflusst.
Ein abstrakter Datentyp ist eine mathematische oder logische Beschreibung eines Datentyps auf Grundlage seines extern beobachtbaren Verhaltens. Er legt die Werte und Operationen fest, die Nutzern zur Verfügung stehen, ohne Kenntnisse der zugrunde liegenden Implementierung zu verlangen.
Abstraktion ist die Praxis, Details auszublenden, die für eine bestimmte Analyse, Gestaltung oder Repräsentation nicht relevant sind. In KI- und Softwaresystemen hilft Abstraktion, die Aufmerksamkeit auf wesentliche Eigenschaften zu richten, während Implementierungsdetails sowie physische, zeitliche oder räumliche Komplexität auf niedrigerer Ebene verborgen bleiben.
Also known as: XLA
XLA, oder Accelerated Linear Algebra, ist eine Open-Source-Compilertechnologie zur Optimierung von Machine-Learning-Berechnungen auf CPUs, GPUs und spezialisierten Beschleunigern. Sie übersetzt Modelloperationen aus Frameworks wie TensorFlow, JAX oder PyTorch in Formen, die auf der Zielhardware effizienter ausgeführt werden sollen.
Beschleunigter Wandel ist die Auffassung, dass technologische Entwicklung im Laufe der Zeit an Geschwindigkeit und Wirkung zunimmt. In KI-Diskussionen wird der Begriff häufig verwendet, um Erwartungen zu beschreiben, dass künftige technische, wirtschaftliche und gesellschaftliche Veränderungen schneller eintreten könnten als frühere historische Muster.
Also known as: Accessibility (Technology) · Accessibility Technology
Barrierefreiheit in der Technologie ist die Gestaltung und Bereitstellung digitaler Systeme, damit Menschen mit unterschiedlichen Fähigkeiten sie wirksam nutzen können. Dazu gehören inklusive Gestaltungspraktiken und assistive Technologien wie Screenreader, Spracherkennung, Untertitel und alternative Eingabegeräte.
Accuracy ist eine Klassifikationsmetrik, die dem Anteil korrekter Vorhersagen an allen abgegebenen Vorhersagen entspricht. Sie ist in manchen Evaluationsumgebungen nützlich, kann aber bei unausgewogenen Klassen irreführend sein, wenn Precision, Recall oder andere Metriken die Modellleistung besser abbilden.
Handeln ist die Phase eines agentischen Prozesses, in der ein Agent eine ausgewählte Operation ausführt. Die Handlung kann den Aufruf eines Tools, das Senden einer API-Anfrage, die Änderung eines Systemzustands oder die sonstige Ausführung des Ergebnisses eines vorherigen Schlussfolgerungsschritts umfassen.
Im Reinforcement Learning ist eine Aktion eine von einem Agenten getroffene Wahl, die den Zustand der Umgebung verändert oder zu verändern versucht. Aktionen werden gemäß einer Policy ausgewählt und anhand ihrer Folgen und Belohnungen bewertet.
Eine Aktionssprache ist eine formale Sprache, mit der beschrieben wird, wie Aktionen den Zustand eines Systems im Zeitverlauf verändern. Sie wird in KI und Robotik eingesetzt, um Aktionseffekte, Vorbedingungen und Übergänge für Planung und Schlussfolgern zu modellieren.
Action Model Learning ist ein Bereich des maschinellen Lernens, der sich mit dem Lernen oder Überarbeiten des Aktionswissens eines Agenten einschließlich Vorbedingungen und Effekten befasst. Das gelernte Modell wird häufig in einer formalen Aktionssprache dargestellt und von automatisierten Planern verwendet.
Aktionsauswahl ist das Problem zu entscheiden, was ein intelligentes System als Nächstes tun soll. Sie betrifft Agenten, Roboter und kognitive Systeme, die zwischen möglichen Verhaltensweisen entsprechend Zielen, Kontext und Umweltbedingungen wählen müssen.
Ein Aktionsraum ist die Menge der Tools, Operationen, Berechtigungen oder Züge, die einem Agenten bei der Ausführung einer Aufgabe zur Verfügung stehen. Ein gut abgegrenzter Aktionsraum sollte für die Aufgabe ausreichen und zugleich unnötige Fähigkeiten begrenzen, die Fehler oder Governance-Risiken erhöhen können.
Handlungsrelevante Erkenntnisse sind Informationen, die spezifisch, relevant und zuverlässig genug sind, um eine Entscheidung oder Intervention zu unterstützen. In KI-Governance und Betrieb wandeln sie Daten oder Analysen in Orientierung um, auf deren Grundlage gehandelt werden kann.
Eine Aktivierungsfunktion ist eine Funktion, die in einem Knoten eines neuronalen Netzes gewichtete Eingaben in eine an spätere Schichten weitergegebene Ausgabe umwandelt. Durch die Einführung nichtlinearen Verhaltens ermöglichen Aktivierungsfunktionen neuronalen Netzen, komplexe Beziehungen statt nur einfacher linearer Muster zu modellieren.
Active Learning ist ein Trainingsansatz, bei dem ein Modell oder Lernsystem gezielt die Beispiele oder Labels anfordert, die für die Leistungsverbesserung am nützlichsten sind. Es ist besonders wertvoll, wenn gelabelte Daten knapp, teuer oder von fachkundiger menschlicher Annotation abhängig sind.
AdaGrad ist ein adaptiver gradientenbasierter Optimierungsalgorithmus, der Lernraten für einzelne Modellparameter getrennt anpasst. Er erhöht die Sensitivität gegenüber parameterspezifischen Aktualisierungshistorien, was bei spärlichen Merkmalen hilfreich sein kann, die Lernraten im Zeitverlauf jedoch erheblich verringern kann.
Anpassungsfähige KI bezeichnet KI-Systeme, die ihr Verhalten, ihre Strategien oder ihre internen Modelle als Reaktion auf veränderte Aufgaben, Umgebungen oder Nutzerbedürfnisse anpassen können. Das Konzept betont Robustheit und Flexibilität, ohne für jede neue Bedingung eine vollständige manuelle Neuprogrammierung zu verlangen.
Adaptation ist der Prozess, ein Modell oder System besser an eine bestimmte Aufgabe, Domäne, einen Datensatz oder einen betrieblichen Kontext anzupassen. Im maschinellen Lernen wird der Begriff häufig synonym mit Tuning oder Fine-Tuning verwendet.
Ein adaptiver Algorithmus ist ein Algorithmus, der sein Verhalten während des Betriebs gemäß definierten Kriterien, Feedback oder Belohnungssignalen ändert. Solche Algorithmen sind darauf ausgelegt, auf veränderte Daten, Umgebungen oder Leistungsbedingungen zu reagieren, statt einem festen Ausführungsmuster zu folgen.
Adaptives Lernen bezeichnet Bildungssysteme, die Unterricht, Feedback, Tempo oder Inhalte anhand von Daten über Bedürfnisse und Leistungen eines Lernenden personalisieren. KI-gestützte adaptive Lernplattformen zielen darauf ab, Lernerfahrungen an individuelle Fähigkeiten, Fortschritte und Kontexte anzupassen.
Ein adaptives neuro-fuzzy Inferenzsystem ist ein hybrides Modell, das Lernen in neuronalen Netzen mit Schlussfolgern auf Basis von Fuzzy-Logik kombiniert. Es verwendet typischerweise Fuzzy-Wenn-dann-Regeln mit trainierbaren Parametern, um nichtlineare Funktionen zu approximieren und interpretierbare Entscheidungsprozesse zu unterstützen.
Eine zulässige Heuristik ist eine heuristische Funktion, die die tatsächlichen Mindestkosten zum Erreichen eines Ziels niemals überschätzt. In Pfadfindungs- und Suchalgorithmen wie A* trägt Zulässigkeit dazu bei, die Optimalität der Lösung zu erhalten.
Adversarial Learning ist ein Trainingsansatz, bei dem Modelle gezielt herausfordernden, manipulativen oder angriffsförmigen Eingaben ausgesetzt werden. Ziel ist es, Robustheit, Sicherheit und Zuverlässigkeit gegenüber adversarialem Verhalten oder verteilungsbezogenem Stress zu verbessern.
Also known as: AEO (Answer Engine Optimization) · AEO · Answer Engine Optimization · Answer Engine Optimisation (AEO)
AEO, oder Answer Engine Optimization, ist die Praxis, Inhalte so zu strukturieren und zu verbessern, dass KI-gestützte Antwortsysteme sie als nützliche Quelle erkennen, zusammenfassen und zitieren können. Sie erweitert Suchoptimierung auf Direktantwort-Umgebungen wie KI-Suche, Chat-Oberflächen, Sprachassistenten und generierte Übersichten.
Affective Computing ist das Fachgebiet, das sich mit Systemen befasst, die menschliche Emotionen und affektive Zustände erkennen, interpretieren, verarbeiten oder simulieren. Es stützt sich auf Informatik, Psychologie und Kognitionswissenschaft und kann Signale wie Stimme, Gesichtsausdruck, Text oder Interaktionsverhalten einbeziehen.
