Diese Liste ist nach Themen-Reihenfolge sortiert, nicht streng alphabetisch — so bauen die Erklärungen aufeinander auf. Über das Inhaltsverzeichnis Ihres Browsers (Strg+F) finden Sie jeden Begriff schnell.
Modelle und Architektur
- Modell
- Die eigentliche „KI-Datei“. GPT-4, Llama 3.1, Claude 3 sind Modelle. Bestimmt, was die KI weiß und kann.
- LLM (Large Language Model)
- Großes Sprachmodell. Ein Modell, das auf Text trainiert wurde und Text erzeugt, versteht, übersetzt.
- Parameter
- Innere Stellschrauben des Modells. Mehr Parameter bedeutet meist mehr Wissen, aber auch mehr Hardware-Bedarf. Heute übliche Größen: 7B, 70B, 405B (Milliarden).
- Open Weight
- Modell, dessen Gewichte (also die Modell-Datei) frei verfügbar sind. Beispiele: Llama, Mistral, Qwen. Können lokal laufen — im Gegensatz zu GPT-4 oder Claude.
- Quantisierung
- Modell verkleinern, damit es auf weniger Hardware läuft. Spart RAM und Speicher, kostet wenig Qualität. Üblich: 4-bit Quantisierung halbiert den Speicherbedarf bei minimalem Genauigkeitsverlust.
- Fine-Tuning
- Ein vortrainiertes Modell mit eigenen Daten weitertrainieren. Aufwendig, lohnt sich nur in seltenen Fällen — RAG ist meist die bessere Wahl für KMU.
Anfragen und Antworten
- Token
- Bausteine, in die Text zerlegt wird. Ein deutsches Wort wie „Werkstattauftrag“ wird in 3-4 Tokens zerlegt. Eine Seite Text hat ca. 500-700 Tokens.
- Kontext / Kontextfenster
- Die Menge an Tokens, die das Modell auf einmal lesen kann. Moderne Modelle: 8.000 bis 128.000 Tokens.
- Prompt
- Die Anweisung an die KI. Beispiel: „Schreibe eine kurze Zusammenfassung dieses Auftrags.“
- System Prompt
- Die unsichtbare Grundregel für das Modell. Beispiel: „Du bist ein höflicher Assistent in einer KFZ-Werkstatt. Antworte knapp und in deutscher Sprache.“
- Inferenz
- Der Vorgang, bei dem die KI auf eine Frage antwortet (im Gegensatz zum Training). Inferenz braucht GPU-Leistung und Strom — Training braucht beides x 1000.
Verlässlichkeit und Sicherheit
- Halluzination
- Die KI erfindet plausibel klingende, aber falsche Inhalte. Siehe eigener Artikel.
- Bias (Verzerrung)
- Wenn die Trainingsdaten einseitig waren, sind die Antworten einseitig. Klassisches Beispiel: KI bevorzugt Berufsbezeichnungen in einem Geschlecht.
- Jailbreak
- Versuch, die KI durch trickreiche Prompts zu Antworten zu bewegen, die sie eigentlich verweigern soll. Relevanz im Betrieb meist gering, aber existiert.
Eigenes Wissen einbinden
- Embedding
- Mathematischer „Fingerabdruck“ eines Textes. Zwei ähnliche Texte haben ähnliche Embeddings — daher findet RAG zu einer Frage die passenden Stellen.
- Vektor-Datenbank
- Speichert Embeddings und sucht ähnliche Vektoren in Millisekunden. Beispiele: Qdrant, Chroma, pgvector.
- RAG (Retrieval-Augmented Generation)
- KI mit eigenen Dokumenten verbinden. Die wichtigste Technik für nützliche Betriebs-KI. Siehe eigener Artikel.
Werkzeuge und Automatisierung
- Tool Use
- Die KI nutzt externe Werkzeuge — Taschenrechner, Datenbank, Web-Suche, E-Mail-API. So wird sie verlässlicher bei Aufgaben, die Genauigkeit verlangen.
- Agent
- Eine KI, die selbständig mehrere Schritte abarbeitet. Beispiel: „Lies die E-Mail, erstelle ein Angebot, schicke es zur Freigabe.“ Verbindet Tool-Use mit Mehrschritt-Logik.
- Workflow-Automation
- Mehrere Aufgaben in einer Kette automatisieren — oft mit Werkzeugen wie n8n, Zapier oder Make. KI ist dabei einer von mehreren Schritten.
Hardware
- GPU (Grafikkarte)
- Hier nicht zum Spielen, sondern als Rechenchip für KI. Profi-GPUs (NVIDIA H100, RTX 6000 Ada) sind heute der Standard für lokale KI-Workstations.
- VRAM
- Speicher auf der GPU. Bestimmt, wie groß ein Modell sein kann. Faustregel: 1 Milliarde Parameter brauchen ca. 1 GB VRAM (4-bit-quantisiert).
Begriff fehlt oder unklar?
Schreiben Sie uns kurz — wir ergänzen das Glossar laufend.
Erstgespräch vereinbaren