Vergleiche häufig verwechselter KI-Begriffe, Rollen und Techniken.
165 Vergleiche veröffentlicht
Ein direkter Vergleich von Bias und Fairness. Verstehen Sie den Unterschied zwischen einer systematischen Tendenz, die Ergebnisse beeinflusst, und einem Governance-Prinzip für gerechte Behandlung.
Ein direkter Vergleich von Kontextfenster und Token. Er erklärt, wie sich die Menge an Text, Tokens oder sonstiger Eingabeinformation, die ein Modell gleichzeitig berücksichtigen kann von die kleinste Eingabe- oder Ausgabeeinheit, die ein Sprachmodell verarbeitet unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Unterscheiden Sie zwischen Prompt Injection, also dem Kapern des Modellverhaltens durch bösartige Eingaben, und Jailbreaking, also dem Umgehen von Sicherheitsleitplanken zur Erzeugung eingeschränkter Inhalte. Beide sind LLM-Sicherheitsbedrohungen, unterscheiden sich jedoch in Mechanismus und Ziel.
Ein direkter Vergleich von Precision und Recall. Verstehen Sie, wie Precision die Korrektheit vorhergesagter positiver Fälle bewertet, während Recall misst, wie viele tatsächliche positive Fälle gefunden wurden.
Ein direkter Vergleich von Risiko und Schaden. Er erklärt, wie sich die Kombination aus Eintrittswahrscheinlichkeit eines nachteiligen Ereignisses und Schwere eines möglichen Schadens von eine nachteilige Auswirkung auf Personen, Gruppen, Organisationen oder Systeme unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von False Positive und False Negative. Verstehen Sie, welcher Fehlertyp etwas markiert, das nicht vorhanden ist, und welcher Fehlertyp etwas Vorhandenes übersieht.
Ein direkter Vergleich von Chatbot und KI-Agent. Verstehen Sie, wie sich eine Gesprächsschnittstelle von einem zielgerichteten System unterscheidet, das Eingaben interpretieren und Handlungen ausführen kann.
Ein direkter Vergleich von Anbieter und Betreiber. Verstehen Sie, wer ein KI-System entwickelt oder in Verkehr bringt und wer es unter eigener Verantwortung nutzt.
Ein direkter Vergleich von KI-System und KI-Modell. Verstehen Sie, warum ein Modell meist eine Komponente ist, während ein KI-System die umfassendere bereitgestellte Anordnung umfasst, die Eingaben und Ziele in Ausgaben umsetzt.
Ein direkter Vergleich von [KI] Detektoren und [KI] Watermarking. Er erklärt, wie sich nachträgliche Erkennung vom Einbetten von Kennzeichen unterscheidet, die Inhaltshierkunft oder Generierungsstatus anzeigen.
Ein direkter Vergleich von Einführer und Händler. Verstehen Sie den Unterschied zwischen dem Inverkehrbringen eines nicht-europäisch gebrandeten KI-Systems auf dem EU-Markt und dem Bereitstellen eines KI-Systems in der EU-Lieferkette.
Ein direkter Vergleich von Retrieval-Augmented Generation und Fine-Tuning. Verstehen Sie, wann externer Kontext zur Laufzeit abgerufen werden sollte und wann ein vortrainiertes Modell durch zusätzliches Training angepasst werden sollte.
Ein direkter Vergleich von Retrieval-Augmented Generation und Fine-Tuning. Verstehen Sie, wann externer Kontext zur Laufzeit abgerufen werden sollte und wann ein vortrainiertes Modell durch zusätzliches Training angepasst werden sollte.
Ein direkter Vergleich von Large Language Model und Sprachmodell. Verstehen Sie, warum ein LLM eine großskalige Form eines Sprachmodells mit breiteren Aufgabenfähigkeiten und Governance-Anforderungen ist.
Ein direkter Vergleich von Large Language Model und Foundation Model. Verstehen Sie, warum ein LLM sprachzentriert ist, während ein Foundation Model ein breit vortrainiertes Basismodell ist, das viele nachgelagerte Aufgaben unterstützen kann.
Ein direkter Vergleich von generativer KI und Large Language Model. Verstehen Sie, warum generative KI eine breitere Kategorie für Inhaltserzeugung ist, während ein LLM ein sprachzentrierter Modelltyp ist, der häufig innerhalb generativer KI-Systeme verwendet wird.
Ein direkter Vergleich von Prompt Injection und Data Poisoning. Verstehen Sie, wie sich Manipulation von Anweisungen zur Laufzeit von Angriffen auf Trainingsdaten oder den Trainingsprozess unterscheidet.
Ein direkter Vergleich von Prompt Engineering und Prompt Tuning. Verstehen Sie, wie sich menschlich gestaltete Modelleingaben von gelernten aufgabenspezifischen Soft Prompts unterscheiden.
Ein direkter Vergleich von Instruction Tuning und Fine-Tuning. Verstehen Sie, wie sich Anpassung zur besseren Befolgung von Anweisungen von breiterer Aufgaben-, Domänen- oder Stilanpassung unterscheidet.
Ein direkter Vergleich von Prompt Tuning und Fine-Tuning. Verstehen Sie, wie sich ein gelernter Soft Prompt vom erneuten Training eines vortrainierten Modells auf einem spezialisierten Datensatz unterscheidet.
Ein direkter Vergleich von Grounding und Groundedness. Verstehen Sie den Unterschied zwischen dem Prozess, Ausgaben mit Quellen zu verbinden, und der Eigenschaft, dass eine Ausgabe durch Nachweise gestützt ist.
Ein direkter Vergleich von Guardrails und Content Moderation / Safety Filters. Verstehen Sie den Unterschied zwischen breiten KI-Systemgrenzen und spezifischen Kontrollen für schädliche oder unzulässige Inhalte.
Ein direkter Vergleich von Halluzination und Konfabulation. Verstehen Sie, wie beide plausible, aber unbelegte oder erfundene KI-Ausgaben beschreiben und warum Halluzination häufig als breiterer operativer Begriff verwendet wird.
Ein direkter Vergleich von LoRA und Fine-Tuning. Verstehen Sie, wie Low-Rank Adaptation die Änderungsoberfläche durch Training zusätzlicher Parameter verkleinert, während breiteres Fine-Tuning ein vortrainiertes Modell an spezialisierte Anforderungen anpasst.
Ein direkter Vergleich von System Prompt und User Prompt. Er erklärt, wie sich anwendungsbezogene Verhaltensanweisungen von der unmittelbaren Aufgabe oder Frage unterscheiden, die ein Nutzer liefert.
Ein direkter Vergleich von KI-Inhaltserkennung und KI-Wasserzeichen. Er erklärt, wie sich probabilistische Erkennung KI-generierter Inhalte vom Einbetten von Kennungen unterscheidet, die Ursprung, Provenienz oder Generierungsstatus anzeigen.
Ein direkter Vergleich von Halluzination und Fehlinformation. Er erklärt, wie sich eine plausibel wirkende, aber falsche, unbelegte, irreführende oder erfundene KI-Ausgabe von falsche, ungenaue oder irreführende Information, unabhängig von einer Täuschungsabsicht unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Information Retrieval und Retrieval Augmented Generation. Er erklärt, wie sich das Suchen und Auffinden relevanter Informationen in Dokumenten, Datensätzen oder Inhalten von die Kombination von Abruf externer Informationen mit generativer KI zur Erzeugung quellenbasierter Antworten unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Approximate Nearest Neighbor und Semantische Suche. Er erklärt, wie sich Methoden zum effizienten Finden wahrscheinlich nächster oder ähnlichster Elemente ohne vollständigen Vergleich aller Elemente von ein Suchansatz, der Bedeutung und Kontext von Anfrage und Inhalten berücksichtigt unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Kontextfenster und Token. Er erklärt, wie sich die Menge an Text, Tokens oder sonstiger Eingabeinformation, die ein Modell gleichzeitig berücksichtigen kann von die kleinste Eingabe- oder Ausgabeeinheit, die ein Sprachmodell verarbeitet unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Data Poisoning und Adversariales Lernen. Er erklärt, wie sich ein Angriff, bei dem Daten oder Trainingsprozess eines Modells manipuliert werden von ein Trainingsansatz, bei dem Modelle gezielt schwierigen oder angriffsähnlichen Eingaben ausgesetzt werden unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Prompt und Kontextfenster. Er erklärt, wie sich eine Eingabe an ein generatives KI-Modell, die dessen Antwort steuert von die Menge an Text, Tokens oder sonstiger Eingabeinformation, die ein Modell gleichzeitig berücksichtigen kann unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Red Teaming und KI-Audit. Er erklärt, wie sich ein strukturierter adversarialer Testprozess zur Identifikation von Schwächen, unsicherem Verhalten oder schädlichen Ausgaben von eine strukturierte Bewertung eines KI-Systems, Modells oder Governance-Prozesses anhand definierter Kriterien unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Security by Design und Guardrails. Er erklärt, wie sich ein Entwicklungsansatz, bei dem Sicherheit von Beginn an in Architektur, Daten, Zugriff, Monitoring und Resilienz integriert wird von technische, prozedurale oder policybezogene Kontrollen, die KI-Verhalten in akzeptablen Grenzen halten unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von [KI] Detektoren und [KI] Watermarking. Er erklärt, wie sich nachträgliche Erkennung vom Einbetten von Kennzeichen unterscheidet, die Inhaltshierkunft oder Generierungsstatus anzeigen.
Ein direkter Vergleich von Deepfakes und Synthetische Medien. Er erklärt, wie sich KI-generierte oder manipulierte Medien, die fälschlich authentisch wirken von die breitere Kategorie KI-generierter oder KI-veränderter Medien unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Temperature und Deterministisch. Er erklärt, wie sich einen Generierungsparameter zur Steuerung von Zufälligkeit von eine Systemeigenschaft gleicher Ausgabe bei gleicher Eingabe und gleichem Zustand unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Content Chunking und Kontextfenster. Er erklärt, wie sich das Aufteilen von Quellmaterial in abrufbare Abschnitte von die Eingabekapazität eines Modells zu einem Zeitpunkt unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Embedding und Word Embedding. Er erklärt, wie sich Vektorrepräsentationen vieler Datentypen von dichte Vektorrepräsentationen von Wörtern in NLP unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Provenienz / Watermarking und C2PA. Er erklärt, wie sich das allgemeine Kontrollkonzept für Herkunftssignale von einem konkreten offenen Standard für Content Provenance unterscheidet.
Ein direkter Vergleich von Datenindexierung und semantischer Suche. Er erklärt, wie das Organisieren abrufbarer Informationen sich von der bedeutungsbasierten Suche nach Ergebnissen unterscheidet.
Ein direkter Vergleich von Embedding-Vektor und Embedding-Raum. Er erklärt, wie sich eine einzelne numerische Repräsentation vom Vektorraum unterscheidet, in dem Repräsentationen verglichen werden.
Ein direkter Vergleich von KI-System und KI-Modell. Verstehen Sie, warum ein Modell meist eine Komponente ist, während ein KI-System die umfassendere bereitgestellte Anordnung umfasst, die Eingaben und Ziele in Ausgaben umsetzt.
Ein direkter Vergleich von Bias und Fairness. Verstehen Sie den Unterschied zwischen einer systematischen Tendenz, die Ergebnisse beeinflusst, und einem Governance-Prinzip für gerechte Behandlung.
Ein direkter Vergleich von KI-Risikobewertung und KI-Audit. Verstehen Sie, wie ein Risikoprozess Entscheidungen vor und während der Bereitstellung unterstützt, während ein Audit Systeme oder Governance anhand definierter Kriterien bewertet.
Ein direkter Vergleich von KI-Assurance und KI-Audit. Verstehen Sie, wie Assurance eine breitere vertrauensbildende Praxis zur Nachweiserzeugung ist, während ein Audit eine strukturierte Bewertung anhand definierter Kriterien ist.
Ein direkter Vergleich von generativer KI und künstlicher Intelligenz. Verstehen Sie, warum generative KI eine inhaltserzeugende Teilmenge innerhalb des breiteren KI-Feldes ist.
Ein direkter Vergleich von KI-Verantwortlichkeit und algorithmischer Verantwortlichkeit. Verstehen Sie, wie Verantwortung für KI-Systeme mit der breiteren Verantwortlichkeit algorithmischer Systeme und ihrer Auswirkungen zusammenhängt.
Ein direkter Vergleich von KI-Governance und KI-Managementsystem. Verstehen Sie, wie sich der breitere Aufsichtsrahmen von den strukturierten Prozessen oder der Plattform unterscheidet, mit denen KI über den Lebenszyklus hinweg gesteuert wird.
Ein direkter Vergleich eines KI-Managementsystems und ISO/IEC 42001. Verstehen Sie den Unterschied zwischen dem KI-Governance-System einer Organisation und dem internationalen Standard zu dessen Einrichtung und Verbesserung.
Ein direkter Vergleich eines KI-Inventars oder Systemregisters und einer KI-Nutzungsrichtlinie. Verstehen Sie, wie sich ein Katalog von KI-Systemen von Regeln für zulässige organisatorische Nutzung unterscheidet.
Ein direkter Vergleich von KI-Risikobewertung und ISO/IEC 23894. Verstehen Sie, wie sich ein konkreter Risikobewertungsprozess von einem internationalen Standard für KI-Risikomanagement unterscheidet.
Ein direkter Vergleich von Modellmonitoring und Evaluierung. Er erklärt, wie sich die laufende Beobachtung eines bereitgestellten Modells hinsichtlich Leistung, Inputs, Outputs, Drift, Fehlern und Gesundheit von die Messung von Qualität, Verhalten oder Leistung anhand definierter Kriterien unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von MLOps und Foundation Model Operations [FMOps]. Er erklärt, wie sich Engineering- und Betriebspraktiken zum zuverlässigen Bauen, Bereitstellen, Überwachen und Pflegen von ML-Systemen von Betriebsdisziplin für Deployment, Anpassung, Monitoring und Governance von Foundation Models in Produktion unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Schwerwiegender Vorfall und KI-Vorfall. Er erklärt, wie sich ein KI-Systemvorfall oder eine Fehlfunktion, die schwere Schäden oder vergleichbare hochwirksame Folgen verursacht von ein Ereignis oder eine Ereignisreihe mit einem KI-System, die Schaden verursacht oder verursachen könnte unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Transparenz und Explainable AI. Er erklärt, wie sich breite Sichtbarkeit über Zweck, Datennutzung, Betrieb und Grenzen eines KI-Systems von Methoden oder Systemeigenschaften, die Output-Treiber verständlich machen unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Black-Box-Modell und Explainable AI. Er erklärt, wie sich Opazität in Modelllogik oder Entscheidungswegen von Methoden oder Systemeigenschaften, die Output-Treiber verständlich machen unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Explainable AI und Interpretierbarkeit. Er erklärt, wie sich Methoden oder Systemeigenschaften, die Output-Treiber verständlich machen von den Grad, zu dem Menschen Modellverhalten verstehen können unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Shadow AI und KI-Inventar / Systemregister. Er erklärt, wie sich unverwaltete KI-Nutzung von einem Governance-Kontrollinstrument für Sichtbarkeit und Auditfähigkeit unterscheidet.
Ein direkter Vergleich von Anbieterrisiko und Anbieter-Due-Diligence. Er erklärt, wie sich die Exposition durch Anbieterabhängigkeit vom Prüfprozess zur Steuerung dieser Risiken unterscheidet.
Ein direkter Vergleich von vertrauenswürdiger KI und Responsible AI. Er erklärt, wie Systemqualitäten, die Vertrauen ermöglichen, sich von den Lebenszykluspraktiken zur verantwortlichen Governance unterscheiden.
Ein direkter Vergleich von ethischer KI und Responsible AI. Er erklärt, wie ethikorientierte Prinzipien sich von operativen Governance-Praktiken über den KI-Lebenszyklus unterscheiden.
Ein direkter Vergleich von Anbieter und Betreiber. Verstehen Sie, wer ein KI-System entwickelt oder in Verkehr bringt und wer es unter eigener Verantwortung nutzt.
Ein direkter Vergleich von General-Purpose AI und Foundation Model. Verstehen Sie, wie der eine Begriff breite Anpassungsfähigkeit beschreibt und der andere ein großes vortrainiertes Basismodell, das nachgelagerte Aufgaben unterstützt.
Ein direkter Vergleich von General-Purpose AI und Frontier AI. Verstehen Sie den Unterschied zwischen breit anpassbarer KI und hochfähigen General-Purpose-Systemen, die mit neuartigen Sicherheits- und Politikrisiken verbunden sind.
Ein direkter Vergleich von Einführer und Händler. Verstehen Sie den Unterschied zwischen dem Inverkehrbringen eines nicht-europäisch gebrandeten KI-Systems auf dem EU-Markt und dem Bereitstellen eines KI-Systems in der EU-Lieferkette.
Ein direkter Vergleich von Anbieter und nachgelagertem Anbieter. Verstehen Sie den Unterschied zwischen der allgemeinen Anbieterrolle und einem Anbieter, der ein KI-Modell in sein eigenes System oder Angebot integriert.
Ein direkter Vergleich von Bevollmächtigtem und Einführer. Verstehen Sie, wie sich ein beauftragter EU-Vertreter von dem Akteur unterscheidet, der das KI-System eines Nicht-EU-Anbieters auf den EU-Markt bringt.
Ein direkter Vergleich von Inverkehrbringen und Inbetriebnahme. Verstehen Sie, wie sich die erstmalige Bereitstellung auf dem EU-Markt von der erstmaligen operativen Nutzung für einen bestimmten Zweck unterscheidet.
Ein direkter Vergleich von Bereitstellung auf dem Markt und Inverkehrbringen. Verstehen Sie, wie sich allgemeine EU-Lieferung zum Vertrieb oder zur Nutzung vom ersten solchen Marktereignis unterscheidet.
Ein direkter Vergleich von Konformitätsbewertung und CE-Kennzeichnung. Verstehen Sie, wie sich der Compliance-Bewertungsprozess von dem Zeichen unterscheidet, das signalisiert, dass anwendbare EU-Anforderungen erfüllt wurden.
Ein direkter Vergleich von Zweckbestimmung und vernünftigerweise vorhersehbarer Fehlanwendung. Verstehen Sie, wie sich deklarierte Systemnutzung von plausibler zweckfremder Nutzung unterscheidet und warum beide für KI-Risikoklassifizierung und Compliance-Nachweise wichtig sind.
Ein direkter Vergleich von wesentlicher Änderung und Zweckbestimmung. Verstehen Sie, wie sich eine Änderung nach dem Inverkehrbringen von der deklarierten Nutzung unterscheidet, die Systemumfang und Compliance-Erwartungen definiert.
Ein direkter Vergleich von notifizierter Stelle und Konformitätsbewertungsstelle. Verstehen Sie, wie sich die formelle EU-Benennung von der breiteren Kategorie dritter Bewertungsorganisationen unterscheidet.
Ein direkter Vergleich von harmonisierter Norm und gemeinsamer Spezifikation. Verstehen Sie, wie beide Konformitätsnachweise unterstützen und wann Teams sich auf Normen oder regulatorisch anerkannte Spezifikationen stützen sollten.
Ein direkter Vergleich von notifizierter Stelle und notifizierender Behörde. Verstehen Sie, wer regulierte Systeme bewertet und wer die Bewertungsstellen benennt und überwacht.
Ein direkter Vergleich von [KI-]Reallabor und Testen unter Realbedingungen. Verstehen Sie, wie sich beaufsichtigte Innovationsrahmen von temporärem Testen in der beabsichtigten Betriebsumgebung unterscheiden.
Ein direkter Vergleich von Rückruf eines KI-Systems und Rücknahme eines KI-Systems. Er erklärt den Unterschied zwischen der Entfernung eines Systems aus der Nutzung nach seiner Verfügbarkeit und dem Stoppen eines bereits in der Lieferkette befindlichen Systems, damit es nicht auf dem Markt bereitgestellt wird.
Ein direkter Vergleich von Echtzeit-Fernidentifizierungssystem für biometrische Daten und Nachträgliches Fernidentifizierungssystem für biometrische Daten. Er erklärt, wie sich ein System, bei dem biometrische Erfassung, Abgleich und Identifizierung ohne wesentliche Verzögerung erfolgen von ein System, das biometrische Identifizierung nach der Erfassung und nicht in Echtzeit durchführt unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Sandbox-Plan und Plan für Tests unter Realbedingungen. Er erklärt, wie sich ein mit einer zuständigen Behörde abgestimmtes Dokument für Aktivitäten in einer regulatorischen Sandbox von ein Plan, der beschreibt, wie ein KI-System unter realen Betriebsbedingungen getestet wird unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Biometrische Identifizierung und Biometrische Verifikation. Er erklärt, wie sich automatisierte Erkennung einer natürlichen Person durch Abgleich biometrischer Daten mit gespeicherten biometrischen Daten von automatisierte Eins-zu-eins-Bestätigung einer Identität anhand zuvor bereitgestellter oder registrierter biometrischer Daten unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Fernidentifizierungssystem für biometrische Daten und Biometrische Identifizierung. Er erklärt, wie sich ein KI-System zur Identifizierung natürlicher Personen ohne deren aktive Beteiligung, typischerweise aus der Distanz von automatisierte Erkennung einer natürlichen Person durch Abgleich biometrischer Daten mit gespeicherten biometrischen Daten unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Systemisches Risiko und High-Impact-Fähigkeiten. Er erklärt, wie sich ein Risiko mit breiter Reichweite und möglicher Ausbreitung negativer Wirkungen auf Märkte, Gesellschaft, Sicherheit oder Grundrechte von Fähigkeiten, die den fortgeschrittensten General-Purpose-AI-Modellen entsprechen oder diese übertreffen unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Biometrisches Kategorisierungssystem und Emotionserkennungssystem. Er erklärt, wie sich die Zuordnung natürlicher Personen zu Kategorien anhand biometrischer Daten von die Erkennung oder Ableitung von Emotionen oder Absichten unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von nationaler zuständiger Behörde und Marktüberwachungsbehörde. Er erklärt, wie sich benannte nationale Regulierungsfunktionen von Marktaufsicht und Durchsetzung unterscheiden können.
Ein direkter Vergleich von KI-Büro und nationaler zuständiger Behörde. Er erklärt, wie sich die EU-Ebene der Europäischen Kommission von national benannten Behörden unterscheidet.
Ein direkter Vergleich von Gebrauchsanweisungen und Dokumentation. Er erklärt, wie sich providerseitige operative Hinweise von umfassenden Aufzeichnungen für Traceability, Reproduzierbarkeit und Auditfähigkeit unterscheiden.
Unterscheiden Sie zwischen Prompt Injection, also dem Kapern des Modellverhaltens durch bösartige Eingaben, und Jailbreaking, also dem Umgehen von Sicherheitsleitplanken zur Erzeugung eingeschränkter Inhalte. Beide sind LLM-Sicherheitsbedrohungen, unterscheiden sich jedoch in Mechanismus und Ziel.
Ein direkter Vergleich von Data Drift und Model Drift. Verstehen Sie, wie sich Änderungen in der Eingabedatenverteilung von Änderungen oder Verschlechterungen der Modellleistung über die Zeit unterscheiden.
Ein direkter Vergleich von [KI-]Sicherheit und [KI-]Ethik. Verstehen Sie, wie Praktiken zur Schadensvermeidung mit breiteren Fragen menschlicher Werte, Rechte und verantwortungsvollen Designs zusammenhängen.
Ein direkter Vergleich von Data Drift und Concept Drift. Verstehen Sie, ob ein Modellproblem aus veränderten Eingabeverteilungen oder veränderten Beziehungen zwischen Eingaben und Ergebnissen entsteht.
Ein direkter Vergleich von Model Drift und Concept Drift. Er erklärt, wie sich eine Veränderung oder Verschlechterung der Modellleistung im Zeitverlauf von eine Änderung der statistischen Beziehung zwischen Eingaben und Zielergebnis unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Risiko und Schaden. Er erklärt, wie sich die Kombination aus Eintrittswahrscheinlichkeit eines nachteiligen Ereignisses und Schwere eines möglichen Schadens von eine nachteilige Auswirkung auf Personen, Gruppen, Organisationen oder Systeme unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Safety Case und KI-Risikobewertung. Er erklärt, wie sich eine evidenzgestützte Sicherheitsargumentation von einem strukturierten Prozess zur Risikoidentifikation und -minderung unterscheidet.
Ein direkter Vergleich von personenbezogenen Daten und nicht personenbezogenen Daten. Verstehen Sie, wie Identifizierbarkeit Datenschutzanalyse, rechtmäßige Nutzung und KI-Governance-Kontrollen verändert.
Ein direkter Vergleich von personenbezogenen Daten und besonderen Kategorien personenbezogener Daten. Verstehen Sie, warum alle Daten besonderer Kategorien personenbezogene Daten sind, aber nicht alle personenbezogenen Daten denselben erhöhten Schutz erhalten.
Ein direkter Vergleich von Anonymisierung / De-Identifizierung und Pseudonymisierung. Verstehen Sie den Unterschied zwischen der Verringerung der Identifizierbarkeit und dem Ersetzen von Identifikatoren, während Re-Identifizierung über getrennte Informationen möglich bleibt.
Ein direkter Vergleich von biometrischen Daten und besonderen Kategorien personenbezogener Daten. Verstehen Sie, wie biometrische Identifikatoren mit der breiteren Gruppe sensibler personenbezogener Daten zusammenhängen, die in der EU-Datenschutzanalyse geschützt sind.
Ein direkter Vergleich von Datenanonymisierung und Differential Privacy. Verstehen Sie, wie sich die Verringerung der Identifizierbarkeit in Daten davon unterscheidet, zu begrenzen, was aus Berechnungen oder Modellausgaben abgeleitet werden kann.
Ein direkter Vergleich von synthetischen Daten und personenbezogenen Daten. Verstehen Sie, wie sich künstlich erzeugte Daten von Informationen unterscheiden, die sich auf eine identifizierte oder identifizierbare Person beziehen.
Ein direkter Vergleich von Datenresidenz & Datensouveränität und KI-Souveränität. Verstehen Sie, wie sich rechtliche Kontrolle darüber, wo Daten gespeichert und gesteuert werden, von breiterer Kontrolle über KI-Systeme, Infrastruktur und Abhängigkeiten unterscheidet.
Ein direkter Vergleich von Algorithmic Impact Assessment und Privacy Impact Assessment (PIA). Verstehen Sie, wie sich eine breite algorithmische Risikoprüfung von einer datenschutzfokussierten Bewertung des Umgangs mit personenbezogenen Informationen unterscheidet.
Ein direkter Vergleich von Datenschutz und Data Governance. Verstehen Sie, wie der Schutz personenbezogener oder sensibler Informationen in ein breiteres Datenlebenszyklus-Management eingebettet ist.
Ein direkter Vergleich von Datenschutz-Grundverordnung (DSGVO) und EU AI Act. Verstehen Sie, wie sich Pflichten zum Schutz personenbezogener Daten von risikobasierten Pflichten für KI-Systeme und General-Purpose-AI-Modelle unterscheiden.
Ein direkter Vergleich von Datenverschlüsselung und Ende-zu-Ende-Verschlüsselung. Er erklärt, wie sich den allgemeinen Schutz lesbarer Daten durch Verschlüsselung von einen Schutz, bei dem Vermittler keinen Klartext lesen können unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Customer-managed Encryption Keys [CMEK] und Datenverschlüsselung. Er erklärt, wie sich Kundenkontrolle über den Lebenszyklus von Verschlüsselungsschlüsseln von den allgemeinen Schutz lesbarer Daten durch Verschlüsselung unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Produktionsdaten und Trainingsdaten. Er erklärt, wie sich Daten aus dem realen Betrieb von Daten unterscheiden, die zum Fitten oder Trainieren eines Modells genutzt werden.
Ein direkter Vergleich von Datenprovenienz und Datenquellenregister. Er erklärt, wie sich die Verlaufsgeschichte von Daten von einem gesteuerten Inventar der in KI-Workflows genutzten Quellen unterscheidet.
Ein direkter Vergleich von Precision und Recall. Verstehen Sie, wie Precision die Korrektheit vorhergesagter positiver Fälle bewertet, während Recall misst, wie viele tatsächliche positive Fälle gefunden wurden.
Ein direkter Vergleich von Accuracy und Precision. Verstehen Sie, warum Gesamt-Korrektheit schwache Leistung in der positiven Klasse verbergen kann und warum Precision wichtig ist, wenn False Positives teuer sind.
Ein direkter Vergleich von Accuracy und Recall. Verstehen Sie, wie sich Gesamt-Korrektheit von der Fähigkeit unterscheidet, tatsächliche positive Fälle zu finden, insbesondere wenn verpasste positive Fälle teuer sind.
Ein direkter Vergleich von Accuracy und F1 Score. Verstehen Sie, wie sich Gesamt-Korrektheit von einem ausgewogenen Maß aus Precision und Recall unterscheidet.
Ein direkter Vergleich von F1 Score und Area Under the ROC Curve. Verstehen Sie, wie sich ein schwellenwertabhängiges Gleichgewicht aus Precision und Recall von Ranking-Diskriminierung über Schwellenwerte hinweg unterscheidet.
Ein direkter Vergleich von Receiver Operating Characteristic Curve und Precision-Recall-Kurve. Verstehen Sie, wie sich True-Positive-gegen-False-Positive-Trade-offs von Precision-gegen-Recall-Trade-offs unterscheiden.
Ein direkter Vergleich von Area Under the ROC Curve und Area Under the PR Curve. Verstehen Sie, wie sich Ranking-Diskriminierung von Precision-Recall-Leistung über Schwellenwerte hinweg unterscheidet.
Ein direkter Vergleich von False Positive und False Negative. Verstehen Sie, welcher Fehlertyp etwas markiert, das nicht vorhanden ist, und welcher Fehlertyp etwas Vorhandenes übersieht.
Ein direkter Vergleich von False-Positive-Rate und False-Negative-Rate. Er erklärt, wie sich den Anteil tatsächlich negativer Beispiele, die fälschlich als positiv vorhergesagt werden von den Anteil tatsächlich positiver Beispiele, die fälschlich als negativ vorhergesagt werden unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Faktizität und Groundedness. Er erklärt, wie sich die Eigenschaft einer Modellausgabe, mit Realität oder etablierten Fakten übereinzustimmen von die Eigenschaft einer Modellausgabe, durch konkretes Quellenmaterial oder bereitgestellten Kontext gestützt zu sein unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von True-Positive-Rate und False-Positive-Rate. Er erklärt, wie sich die Erkennung tatsächlich positiver Fälle von fälschlichen positiven Vorhersagen bei tatsächlich negativen Fällen unterscheidet.
Ein direkter Vergleich von Zitationspräzision und Zitations-Recall. Er erklärt, wie sich die Prüfung, ob Zitationen die zugehörigen Aussagen tatsächlich stützen von die Prüfung, ob die verwendete Evidenzbasis in den Zitationen offengelegt wird unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Unsupported-claim Rate und Halluzination. Er erklärt, wie sich eine Metrik für unbelegte Aussagen in einer Antwort von falsche, unbelegte, irreführende oder erfundene KI-Ausgaben unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Klassifikationsschwelle und Entscheidungsschwelle. Er erklärt, wie sich den Cutoff, der Scores in Klassenvorhersagen umwandelt von den Cutoff, der Scores in operative Entscheidungen oder Klassen umwandelt unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Metrik und Benchmark. Er erklärt, wie sich das gemessene quantitative Maß vom standardisierten Test- oder Datensatzrahmen für Leistungsvergleiche unterscheidet.
Ein direkter Vergleich von Evaluierung und Benchmark. Er erklärt, wie sich der übergreifende Messprozess von einem standardisierten Test innerhalb oder zwischen Evaluierungen unterscheidet.
Ein direkter Vergleich von mittlerem absolutem Fehler und mittlerem quadratischem Fehler. Er erklärt, wie beide Regressionsmetriken Vorhersagefehler unterschiedlich behandeln und warum dies Validierungsergebnisse beeinflusst.
Ein direkter Vergleich von Exact Match und ROUGE-L. Er erklärt, wie sich eine strikte Alles-oder-nichts-Metrik von einer Sequenzüberlappungsmetrik auf Basis der längsten gemeinsamen Teilsequenz unterscheidet.
Ein direkter Vergleich von Chatbot und KI-Agent. Verstehen Sie, wie sich eine Gesprächsschnittstelle von einem zielgerichteten System unterscheidet, das Eingaben interpretieren und Handlungen ausführen kann.
Ein direkter Vergleich von agentischer KI und KI-Agent. Verstehen Sie, wie agentische KI eine Klasse autonomer zielverfolgender Systeme beschreibt, während ein KI-Agent die handelnde Entität oder das Softwaresystem ist.
Ein direkter Vergleich von agentischem Workflow und Prompt Chaining. Verstehen Sie, wie sich autonomes mehrstufiges Agentenverhalten von sequenziellem Prompt-Design unterscheidet.
Ein direkter Vergleich von agentischer KI und autonomen Systemen. Er erklärt, wie sich KI-Systeme, die planen und zielgerichtet handeln, von der breiteren Kategorie von Systemen unterscheiden, die ohne kontinuierliche menschliche Intervention arbeiten.
Ein direkter Vergleich von Agentischer Workflow und Agentische Schleife. Er erklärt, wie sich ein Prozess, in dem ein KI-Agent mehrere Schritte zu einem definierten Ziel plant und ausführt von ein wiederholter Zyklus aus Beobachten, Schlussfolgern, Handeln und Feedbacknutzung durch einen KI-Agenten unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von KI-Agent und KI-Worker. Er erklärt, wie sich eine Entität oder ein Softwaresystem, das eine Umgebung wahrnimmt, Eingaben interpretiert und Handlungen zur Zielerreichung ausführt von ein KI-gestützter digitaler Worker oder Unternehmensagent für komplexe Aufgaben in Geschäftsprozessen unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von KI-Agent und Bot. Er erklärt, wie sich eine Entität oder ein Softwaresystem, das eine Umgebung wahrnimmt, Eingaben interpretiert und Handlungen zur Zielerreichung ausführt von eine Softwareanwendung zur Automatisierung von Aufgaben, teilweise mit Interaktion mit Menschen unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Model Context Protocol und Plugins. Er erklärt, wie sich ein Protokoll zur standardisierten Verbindung von KI-Modellen oder Assistenten mit Tools, Datenquellen und Diensten von modulare Tools oder Erweiterungen, die an ein KI-System oder einen Agenten angebunden werden können unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Robotic Process Automation (RPA) und Agentische Prozessautomatisierung. Er erklärt, wie sich softwarebasierte Automatisierung repetitiver regelbasierter Geschäftsaufgaben durch Nachahmung menschlicher Aktionen in digitalen Systemen von der Einsatz autonomer oder teilautonomer KI-Agenten zur Ausführung von Geschäftsprozessen und aufgabenbezogenen Entscheidungen unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Action Space und Identity-and-Access-Management-Berechtigungen. Er erklärt, wie sich die verfügbaren Aktionen eines Agenten von Zugriffskontrollen unterscheiden, die Aktionen auf Ressourcen autorisieren.
Ein direkter Vergleich von [KI] Orchestrierung und Agentischer Workflow. Er erklärt, wie sich die Koordination und Weiterleitung über KI-Komponenten, Modelle, Tools und Agenten hinweg von die mehrstufige zielgerichtete Ausführung durch einen KI-Agenten unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Function Calling und Plugins. Er erklärt, wie sich den strukturierten Aufruf externer Tools, APIs oder Funktionen von modulare Erweiterungen, die Fähigkeiten eines KI-Systems ausbauen unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Function Calling und Prompt Engineering. Er erklärt, wie sich den strukturierten Aufruf externer Tools, APIs oder Funktionen von das Gestalten von Modelleingaben zur Verbesserung des Antwortverhaltens unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Angriffsfläche und Action Space. Er erklärt, wie sich ausnutzbare Systemexposition und Angriffspunkte von die Tools, Berechtigungen und Operationen, die ein Agent nutzen kann unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Automatisierung und Agentische Prozessautomatisierung. Er erklärt, wie sich technologiegestützte Aufgabenausführung mit weniger menschlichem Eingreifen von autonome oder teilautonome KI-Agenten in Geschäftsprozessen unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Router-Agent und KI-Orchestrierung. Er erklärt, wie sich eine Routing-Komponente von der breiteren Koordination von Aufgaben, Tools, Modellen und Agenten unterscheidet.
Ein direkter Vergleich von überwachtem Lernen und unüberwachtem Lernen. Verstehen Sie, wie sich Lernen aus gelabelten Beispielen davon unterscheidet, Muster in Daten ohne vorhandene Labels zu finden.
Ein direkter Vergleich von Trainingsdaten und Testdatensatz. Verstehen Sie, warum die Daten, mit denen ein Modell angepasst wird, von den reservierten Daten getrennt werden müssen, mit denen es bewertet wird.
Ein direkter Vergleich von Trainingsdaten und Validierungsdaten. Verstehen Sie, wie sich Daten, die zur Anpassung des Modells verwendet werden, von Daten unterscheiden, die während der Entwicklung zur Abstimmung von Entscheidungen und zur Erkennung von Generalisierungsproblemen genutzt werden.
Ein direkter Vergleich von Machine Learning und Deep Learning. Verstehen Sie, wie sich das breitere Feld des Lernens aus Daten von neuronalen Netzwerkmethoden mit mehreren Schichten unterscheidet.
Ein direkter Vergleich von überwachtem Lernen und semi-überwachtem Lernen. Verstehen Sie, wie sich Lernen aus gelabelten Beispielen von der Kombination gelabelter und ungelabelter Daten unterscheidet.
Ein direkter Vergleich von selbstüberwachtem Lernen und semi-überwachtem Lernen. Verstehen Sie, wie beide ungelabelte Daten nutzen und warum sich die Rolle von Labels unterscheidet.
Ein direkter Vergleich von Validierungsdaten und Testdatensatz. Verstehen Sie, warum Daten für Entwicklungs-Tuning von unabhängigen Evaluierungsdaten getrennt bleiben müssen.
Ein direkter Vergleich von Reinforcement Learning und überwachtem Lernen. Er erklärt, wie sich Lernen aus Belohnungen in einer Umgebung vom Lernen von Abbildungen aus gelabelten Beispielen unterscheidet.
Ein direkter Vergleich von Active Learning und überwachtem Lernen. Er erklärt, wie sich das selektive Anfordern der nützlichsten Labels vom Training auf einem bestehenden gelabelten Datensatz unterscheidet.
Ein direkter Vergleich von Diffusionsmodell und Generatives adversariales Netzwerk. Er erklärt, wie sich ein generatives Modell, das aus Rauschen durch schrittweises Entrauschen realistische Ausgaben erzeugt von eine Architektur, in der Generator und Diskriminator gegeneinander trainiert werden unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Overfitting und Underfitting. Er erklärt, wie sich das zu enge Lernen von Trainingsdaten einschließlich Rauschen oder zufälliger Details von das unzureichende Lernen aussagekräftiger Muster aus den Daten unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Entscheidungsbaum und Random Forest. Er erklärt, wie sich ein interpretierbares überwachtes Lernmodell, das Entscheidungsregeln in einer Baumstruktur abbildet von ein Ensemble-Verfahren, das viele Entscheidungsbäume bildet und deren Ergebnisse aggregiert unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Generatives Modell und Diskriminatives Modell. Er erklärt, wie sich ein Modell, das Datenverteilungen oder Datenstrukturen lernt, um neue Beispiele zu erzeugen oder Wahrscheinlichkeiten zu schätzen von ein Modell, das Labels oder Ausgaben aus beobachteten Features durch Lernen der bedingten Beziehung zwischen Eingaben und Zielwerten vorhersagt unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Neuronales Netzwerk und Tiefes neuronales Netzwerk. Er erklärt, wie sich ein ML-Modell aus verbundenen Recheneinheiten, das Eingaben durch gelernte Gewichte und Aktivierungen in Ausgaben transformiert von ein neuronales Netzwerk mit mehreren verborgenen Schichten, typischerweise mit Deep-Learning-Techniken trainiert unterscheidet und welche Folgen dies für Governance, Systemdesign und Nachweise hat.
Ein direkter Vergleich von Klassifikation und Regression. Er erklärt, wie sich die Vorhersage diskreter Kategorien von die Vorhersage kontinuierlicher oder numerischer Werte unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Clustering und Klassifikation. Er erklärt, wie sich das Gruppieren ähnlicher Datenpunkte ohne vordefinierte Labels von die Vorhersage diskreter Kategorien unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Random Forest und Gradient Boosting. Er erklärt, wie sich ein Ensemble vieler randomisierter Entscheidungsbäume von sequenzielles Verbessern schwacher Modelle zur Fehlerreduktion unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Testdatensatz und Holdout-Daten. Er erklärt, wie sich einen final reservierten Datensatz zur unabhängigen Evaluierung von Daten, die vom Training zurückgehalten und für Validierung oder Tests genutzt werden unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Causal Language Model und Masked Language Model. Er erklärt, wie sich links-nach-rechts-Textgenerierung durch Next-Token-Vorhersage von Vorhersage maskierter Tokens mit bidirektionalem Kontext unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Convolutional Neural Network und Transformer. Er erklärt, wie sich Architekturen zum Lernen lokaler oder räumlicher Muster von attentionbasierte Modellierung von Tokenbeziehungen und Langstreckenabhängigkeiten unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Cross-Validation und Holdout-Daten. Er erklärt, wie sich wiederholte Evaluierung über mehrere Daten-Splits von Daten, die vom Training zurückgehalten und für Validierung oder Tests genutzt werden unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von Data Augmentation und Synthetische Daten. Er erklärt, wie sich das Erweitern von Trainingsdaten durch Transformationen von künstlich erzeugte Daten, die Eigenschaften realer Daten nachbilden unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von K-means Clustering und Density-based Spatial Clustering of Applications with Noise. Er erklärt, wie sich zentroidbasiertes Clustering mit vorgegebener Clusteranzahl von dichtebasiertes Clustering mit Rausch- und Ausreißererkennung unterscheidet und was diese Unterscheidung für KI-Governance, Systemdesign und Nachweise bedeutet.
Ein direkter Vergleich von K-means-Clustering und hierarchischem Clustering. Er erklärt, wie sich flache zentroidbasierte Gruppierung von baumartigen verschachtelten Clusterstrukturen unterscheidet.
Ein direkter Vergleich von logistischer Regression und linearer Regression. Er erklärt, warum kategoriale Ergebnisse und kontinuierliche numerische Vorhersagen unterschiedliche Modellierung, Metriken und Governance-Nachweise erfordern.
Ein direkter Vergleich von rekurrenten neuronalen Netzwerken und Transformern. Er erklärt, wie sich zustandsbasierte sequenzielle Verarbeitung von Attention-basierter Sequenzmodellierung im modernen Maßstab unterscheidet.
Ein direkter Vergleich von Bagging und Boosting. Er erklärt, wie unabhängige Ensemble-Modelle zur Varianzreduktion sich von sequenzieller Fehlerkorrektur unterscheiden.
Ein direkter Vergleich von bidirektionalen und unidirektionalen Sprachmodellen. Er erklärt, wie Kontext von beiden Seiten eines Tokens sich von Next-Token-Vorhersage anhand vorheriger Tokens unterscheidet.
Ein direkter Vergleich von Encoder und Decoder. Er erklärt, wie sich die Umwandlung von Eingaben in interne Repräsentationen von der Umwandlung dieser Repräsentationen in Outputs unterscheidet.
Ein direkter Vergleich von Gradient Boosting und XGBoost. Er erklärt, wie sich die allgemeine Boosting-Technik von einer weit verbreiteten regularisierten Open-Source-Implementierung unterscheidet.
Ein direkter Vergleich von Regularisierung und Early Stopping. Er erklärt, wie sich die breite Familie von Overfitting-Kontrollen von einer konkreten Trainingsstopp-Technik unterscheidet.
Ein direkter Vergleich von Attention und Self-Attention. Er erklärt, wie sich ein allgemeiner Gewichtungsmechanismus vom sequenzinternen Mechanismus in Transformer-Architekturen unterscheidet.
Ein direkter Vergleich von Autoencoder und Variational Autoencoder. Er erklärt, wie sich rekonstruktionsorientiertes Repräsentationslernen von probabilistischer generativer Modellierung unterscheidet.
Ein direkter Vergleich von Datenannotation und Datenlabeling. Er erklärt, wie beschreibende Datenanreicherung mit der Zuweisung von Zielwerten oder korrekten Antworten für ML zusammenhängt.
Ein direkter Vergleich von L~1~- und L~2~-Regularisierung. Er erklärt, wie absolute Gewichtsstrafen und quadrierte Gewichtsstrafen Sparsity, Feature-Nutzung und Generalisierung unterschiedlich beeinflussen.