Im Glossar enthaltene Begriffe sind im Fließtext hervorgehoben.
A B C D E F G H I J K L M N O P Q R S T U V W Y Z
Ein Algorithmus ist eine genaue Handlungsanweisung oder Berechnungsvorschrift für Computer, um eine Aufgabe zu lösen, ähnlich einem Backrezept. Machine Learning Verfahren nutzen einen Lernalgorithmus.
Roboter, Maschinen und Software, die einen vorher genau definierten → Algorithmus ausführen. Sie können – im Unterschied zu → Autonomen Systemen – ihre Handlungsanweisungen nicht verändern, um die Ausfüh- rungen an die Situation anzupassen.
Roboter, Maschinen oder Software, die selbstständig ein Ziel erreichen können. Dabei sind sie so umfassend programmiert, dass sie flexibel in verschiedensten Situationen angemessen reagieren können, ohne dass sie in der Situation selbst auf menschliche Steuerung angewiesen sind. Autonome Systeme sind lernende Systeme, andernfalls wäre eine flexibel angepasste Reaktion nicht möglich. Es gibt jedoch auch lernende Systeme, die nicht autonom sind, weil sie weiterhin von Menschen gesteuert werden.
Der Ausdruck Big Data beschreibt Datenmengen, die sich vor allem durch ihren großen Umfang (Volumen) sowie die Geschwindigkeit auszeichnen, mit der sie anfallen. Oft handelt es sich dabei um größtenteils unstruk- turierte Daten, die etwa von Sozialen Netzwerken oder mobilen Geräten stammen (Internet der Dinge). Ein weiterer Aspekt von Big Data umfasst die Lösungen und Systeme, die dabei helfen, mit diesen Datenmengen umzugehen, um darin beispielsweise neue Muster und Zusammenhänge zu erkennen.
Bei der Bild- und Videoanalyse werden visuelle Daten verarbeitet. Ziel ist eine inhaltliche Erkennung der dargestellten Objekte, Stimmungen und kognitiver Konzepte. Die Daten können auch in Echtzeit von Kameras stammen und die aktuelle Umgebung des Systems darstellen.
Der Code ist die Basis für jedes Computerprogramm. Programmierer*innen schreiben in der jeweils notwendigen Programmiersprache die Anweisungen auf, die das fertige Programm ausführen soll.
Deep Learning ist ein Teilbereich des Machine Learnings. Er beschreibt einen vom menschlichen Gehirn inspirierten Aufbau des Programms aus künstlichen neuronalen Verbindungen: das Neuronale Netzwerk. Während klassische Machine Learning Algorithmen auf feste Modellgruppen zur Erkennung und Klassifizierung zurückgreifen, entwickeln Deep Learning Algorithmen eigenständig diese Modelle weiter bzw. erstellen eigenständig neue Modellebenen innerhalb Neuronaler Netzwerke.
Maschine zur → Verschlüsselung von Texten, bei der die Tastatur mit mehreren, sich drehenden Buchstabenwalzen elektrisch verbunden ist. Wird eine Buchstabentaste gedrückt, drehen sich die Walzen und ein anderer Buchstabe als der gedrückte wird angesteuert. Dadurch wird jeder Buchstabe immer wieder neu und anders verschlüsselt. Die → Entschlüsselung der Texte funktionierte mit manuellen Entschlüsselungsmethoden nicht und wurde erst durch eine maschinelle Entzifferung möglich.
Bei der Entschlüsselung werden → verschlüsselte Daten und Informationen mithilfe eines Schlüssels verändert, sodass sie wieder sinnvoll gelesen werden können.
Die Gesichtserkennung ist ein Verfahren zur Erkennung von Personen. Durch das Erkennen typischer Merkmale in Gesichtern können z.B. Kamerasysteme automatisch auf Gesichter fokussieren oder Personen auf Fotos in Sozialen Netzwerken erkennen. Außerdem kann Gesichtserkennung auch zur Sicherung von Zugängen genutzt werden. Mithilfe eines vorher aufgenommenen und gespeicherten Referenzbildes der Person kann ein Abgleich der Merkmale mit der aktuell betrachteten Person erfolgen. Bei Nicht-Übereinstimmung wird falschen Personen kein Zugang gewährt.
Das Internet der Dinge bezeichnet die zunehmende Vernetzung von Geräten, Sensoren, Autos etc. durch Computersysteme, die mitunter unsichtbar eingebaut sind. Sie können über das Internet miteinander und mit anderen Computersystemen kommunizieren und erhobene Daten zur Verfügung stellen. Dabei können sehr große Datenmengen entstehen (→ Big Data), die von lernenden Systemen genutzt werden können.
Eine allgemein akzeptierte Definition zu Künstlicher Intelligenz (KI) gibt es nicht. KI ist zum einen ein Teilgebiet der Informatik, das versucht, kognitive Fähigkeiten wie Lernen, Planen oder Problemlösen in Computer- systemen zu realisieren. KI muss aufgrund der vielfältigen Anwendungsszenarien als Bereich betrachtet werden, der Einfluss auf die gesamte Zivilgesellschaft ausübt. Ziel moderner KI-Systeme mit lernenden → Algorithmen ist es, Maschinen, Roboter und Softwaresysteme zu befähigen, abstrakt beschriebene Aufgaben und Probleme eigenständig zu bearbeiten und zu lösen, ohne dass jeder Schritt vom Menschen programmiert wird. Diesen Bereich der KI nennt man → Machine Learning.
Der Begriff KI steht somit für Systeme, die ein Verhalten zeigen, für das gemeinhin menschliche Intelligenz vorausgesetzt wird und das bisher der menschlichen Kognition vorbehalten war: Muster erkennen, Ereignisse vorhersagen, deren Eintreffen durch Unsicherheit getrübt ist, Entscheidungen unter komplexen Bedingungen treffen.
Ein Label ist eine Bezeichnung für eine Gruppe von Elementen. Es ist z.B. das Ergebnis einer Bildanalyse, wobei einzelnen Bildern mehrere Labels zugeordnet werden können. Bei → überwachten Lernverfahren werden Datenmengen in verschiedene Kategorien sortiert. Dabei werden die Labels für die einzelnen Kategorien oft von Menschen vergeben. Manchmal wird auch der Begriff „Tag“ oder „Tagging“ als Synonym verwendet.
Machine Learning Anwendungen können unterschiedliche Verfahren benutzen, um die verfolgte Aufgabe erfüllen zu können. Zu den wichtigsten Lernstilen gehören → überwachtes Lernen und → unüberwachtes Lernen.
Machine Learning (ML) ist eine grundlegende Methode der Künstlichen Intelligenz (KI). Sie zielt darauf, dass Maschinen ohne explizite Programmierung eines konkreten Lösungswegs automatisiert sinnvolle Ergebnisse liefern. Dabei unterscheidet sich ML von der herkömmlichen Programmierung dadurch, dass es keine vordefinierten Regeln für das Programm gibt, sondern der Algorithmus anhand von Beispielen selbstständig „lernt“ und sich stetig anpasst und verbessert. ML-Algorithmen generieren ihr „Wissen“ also auf der Basis von → Trainingsdaten und Erfahrungen.
Bei einem Modell handelt es sich um ein Abbild der Wirklichkeit, das z.B. wichtige Eigenschaften eines Bauwerks in kleinerem Maßstab darstellt. Beim Machine Learning erstellt der Lernalgorithmus ein Modell, das auf den erlernten → Trainingsdaten basiert. Mithilfe des Modells kann das Programm z.B. Vorhersagen für neue Daten treffen.
Bei der Mustererkennung werden Daten auf Grundlage von Mustern in verschiedene Kategorien klassifiziert. Mögliche Muster können nicht nur Fotos und andere visuelle Daten sein, sondern auch Texte und Tonauf- nahmen.
Neuronale Netzwerke stellen eine Methode des maschinellen Lernens dar, die vom Aufbau des menschlichen Gehirns inspiriert ist. Das Computerprogramm besteht aus Schichten von Datenknoten, die als künstliche Neuronen bezeichnet werden. Anhand von Trainingsdaten werden die einzelnen Verbindungen zwischen den Knoten unterschiedlich stark gewichtet und angepasst, sodass die Ergebnisse immer besser werden. Von Schicht zu Schicht entstehen dabei immer komplexere Darstellungen, sodass bei einer sehr hohen Anzahl von Schichten (→ Deep Learning) sehr komplexe Muster abgebildet und erkannt werden können.
Digitale Bilddateien bestehen aus vielen einzelnen Bildpunkten, die Pixel genannt werden. Jedes Pixel hat genau einen Farbwert (Grundfarben oder Mischfarben), aus einer Menge von Pixeln entsteht ein Gesamtbild. Die Größe eines Bildes wird oft in Pixeln angegeben, z.B. 600 x 400 Pixel.
Roboter sind programmierbare Geräte, deren physischen Bestandteile (über alle drei Raumachsen) frei beweglich sind. Er ist in Abhängigkeit von seinen Bestandteilen für verschiedene Aufgaben einsetzbar.
Im Gegensatz zur → starken KI geht es bei der schwachen KI um die Simulation intelligenten Verhaltens mithilfe von mathematisch-informatischen Algorithmen. In einem eng definierten Aufgabenbereich kann sie reaktive Intelligenz vortäuschen. Schwache KI-Systeme beziehen verschiedene Daten und Informationen aus ihrer Umgebung in ihre Entscheidungsprozesse ein und passen ihre Reaktionen basierend auf mathematischen Berechnungen an die jeweilige Situation an.
Ein Sensor ist ein technisches Bauteil, das spezifische Eigenschaften seiner Umgebung misst, sodass er auch als Messfühler bezeichnet wird. Zu den messbaren physikalischen und chemischen Eigenschaften gehören
z.B. Helligkeit, Temperatur, Feuchtigkeit oder pH-Wert. Die Messdaten werden in ein elektrisches Signal umgeformt, das von einem digitalen System gelesen und weiterverarbeitet werden kann.
Automatisierung und Fernsteuerung verschiedener Elemente im Haus (→ Internet of Things). Dadurch können z.B. Geräte (wie Lampe oder Heizung) an die Bedürfnisse und den Tagesablauf ihrer Bewohner*innen angepasst werden.
Programme, die Anweisungen in Form von akustischen Spracheingaben analysieren können. Sie bilden für Menschen eine als natürlich empfundene Schnittstelle mit dem Computersystem.
Während die → schwache KI nur ein intelligentes Verhalten in engen Anwendungsbereichen vortäuscht, wäre eine starke Künstliche Intelligenz tatsächlich intelligent und selbstbestimmt wie der Mensch. Es gibt aktuell keine starken KI-Systeme, die diese Anforderungen erfüllen.
Streaming ist das Abspielen von Video- oder Audiodateien über das Internet. Dabei werden die Filme bzw. Musiktitel nicht auf dem Computer gespeichert, sondern nur vorübergehend auf den Computer geladen.
Mit Testdaten kann ein erstelltes Modell auf seine Qualität überprüft werden. Diese Überprüfung kann bspw. im Rahmen der Entwicklung von menschlichen Kontrolleur*innen durchgeführt werden, die wiederum ent- scheiden, ob die Einordnung eines Fotos zu einem bestimmten → Label richtig oder falsch war.
Ein Machine Learning Algorithmus erhält Daten zum Lernen, mit deren Hilfe es ein → Modell erstellt. Die Trainingsdaten sollten vielfältig sein, um verschiedene mögliche Merkmale lernen zu können. Die Qualität der Vorhersagen aus dem generierten Modell hängt auch von der Auswahl von Trainingsdaten ab.
Ein nach dem Mathematiker Alan Turing benanntes Testverfahren, um festzustellen, ob eine Maschine bzw. ein Computer als intelligent angesehen wird. Versuchspersonen kommunizierten dafür über eine Tastatur mit einer Maschine und einem anderen Menschen. Die Maschine galt dem- nach als intelligent, wenn es den Versuchspersonen nicht möglich war, den künstlichen Gesprächspartner zu erkennen.
Wenn bei der Entwicklung des Machine Learning Algorithmus nicht nur → Trainingsdaten, sondern auch die zu erwartenden Ergebnisse (→ Labels zur Klassifikation) vorgegeben werden.
Machine Learning Verfahren, die zu Beginn nur eine Menge von Daten erhalten, ohne ein zu erwartendes Ergebnis vorzugeben. Der Algorithmus klassifiziert die Daten nach einer selbst aufgebauten Klassifikation, die von den analysierten Eingabemustern abhängt.
Bei der Verschlüsselung werden Daten und Informationen mithilfe von mathematischen Algorithmen verändert, sodass sie nicht mehr sinnvoll lesbar sind. Ein häufiges Prinzip der digitalen Verschlüsselung ist die Verwendung einer Kombination aus einem privaten und einem öffentlichen Schlüssel.
Ein Wearable ist ein kleiner Mini-Computer, der am Körper getragen (engl. wear = tragen) wird. Manche Wearables werden z.B. dazu verwendet, Gesundheitsdaten (wie Herzfrequenz, Blutzuckerspiegel) des Trägers zu messen, zu verarbeiten oder weiterzuleiten, während andere Wearables mit anderen Dingen (→ Internet of Things) verbunden sind und diese über eine Distanz hinweg steuern können.