KI-Begriffe verständlich erklärt.
KI, Machine Learning, LLM, Fine-Tuning, RAG, Halluzination — die 33 wichtigsten Begriffe, jeder mit Definition, Abgrenzung und Beispiel aus der Praxis. Kein Fachchinesisch, sondern Klartext für Entscheider.
1 · Die große Landkarte
GrundbegriffeKünstliche Intelligenz (KI)Artificial Intelligence (AI)
KI ist der Oberbegriff für alle Systeme, die Aufgaben lösen, für die man normalerweise menschliche Intelligenz braucht — ein System muss dafür nicht lernen.
Begriff öffnen →Machine Learning (ML)Maschinelles Lernen
Machine Learning ist das Teilgebiet der KI, bei dem ein System Muster aus Daten lernt, statt dass ein Mensch alle Regeln von Hand programmiert.
Begriff öffnen →Deep Learning (DL)Tiefes Lernen
Deep Learning ist die Unterform von ML mit vielschichtigen neuronalen Netzen, die die relevanten Merkmale selbst aus Rohdaten lernen.
Begriff öffnen →Neuronales NetzNeural Network
Ein neuronales Netz ist die Grundstruktur des Deep Learning: viele einfache Recheneinheiten in Schichten, deren „Wissen“ in den Gewichten der Verbindungen steckt.
Begriff öffnen →Natural Language Processing (NLP)Verarbeitung natürlicher Sprache
NLP ist das Fachgebiet, das Computer menschliche Sprache verarbeiten, verstehen und erzeugen lässt — es liegt quer zur KI-Hierarchie.
Begriff öffnen →Large Language Model (LLM)Großes Sprachmodell
Ein LLM ist ein sehr großes neuronales Netz, das auf riesigen Textmengen darauf trainiert wurde, das jeweils nächste Token vorherzusagen.
Begriff öffnen →Generative KIGenerative AI, GenAI
Generative KI erzeugt neue Inhalte — Text, Bilder, Audio, Video, Code — statt nur zu klassifizieren oder vorherzusagen.
Begriff öffnen →Transformerdie Architektur hinter LLMs
Der Transformer ist die Netzwerk-Architektur hinter fast allen heutigen LLMs; ihr Kern ist der Attention-Mechanismus.
Begriff öffnen →2 · Die Lernarten
Wie Modelle lernenSupervised LearningÜberwachtes Lernen
Supervised Learning lernt aus Beispielpaaren von Eingabe und richtiger Antwort (Label), um für neue Fälle die richtige Antwort vorherzusagen.
Begriff öffnen →Unsupervised LearningUnüberwachtes Lernen
Unsupervised Learning bekommt nur Daten ohne Labels und soll selbst verborgene Strukturen darin finden — Gruppen, Muster, Ausreißer.
Begriff öffnen →Semi-Supervised LearningTeilüberwachtes Lernen
Semi-Supervised Learning kombiniert wenige gelabelte mit vielen ungelabelten Daten — es holt aus knappem Label-Budget das Maximum heraus.
Begriff öffnen →Self-Supervised LearningSelbstüberwachtes Lernen
Self-Supervised Learning erzeugt sein Lernsignal aus den Daten selbst — man verdeckt einen Teil und lässt das Modell ihn vorhersagen. So werden LLMs vortrainiert.
Begriff öffnen →Reinforcement Learning (RL)Bestärkendes Lernen
Beim Reinforcement Learning lernt ein Agent durch Belohnung und Bestrafung eine Strategie, die die langfristige Belohnung maximiert — ganz ohne Beispiel-Lösungen.
Begriff öffnen →3 · Wie ein LLM trainiert wird
Die Trainings-PipelinePretrainingVortraining
Pretraining ist die erste und teuerste Trainingsphase: Das Modell lernt self-supervised auf Billionen Tokens, immer nur das nächste Token vorherzusagen.
Begriff öffnen →Fine-Tuning (SFT)Supervised Fine-Tuning · Feinabstimmung
Fine-Tuning trainiert ein fertiges Modell auf einem kleinen, gezielten Datensatz nach — es ändert Verhalten und Stil, ist aber der falsche Weg, um Wissen einzubauen.
Begriff öffnen →RLHFReinforcement Learning from Human Feedback
RLHF ist die Alignment-Stufe: Menschen ranken Modell-Antworten, daraus wird ein Reward Model, und das LLM wird per Reinforcement Learning darauf optimiert.
Begriff öffnen →Token & Tokenizer
Tokens sind die Einheiten, in die ein LLM Text zerlegt — meist Wortbestandteile; Faustregel Deutsch/Englisch: ein Token ≈ ¾ Wort.
Begriff öffnen →Parameter & GewichteParameters, Weights
Parameter (Gewichte) sind die Milliarden Zahlenwerte im neuronalen Netz, die beim Training angepasst werden — sie sind das Modell.
Begriff öffnen →Transfer LearningWissenstransfer zwischen Aufgaben
Transfer Learning nimmt ein bereits trainiertes Modell als Ausgangspunkt für eine neue, verwandte Aufgabe — statt bei null anzufangen.
Begriff öffnen →Destillation & QuantisierungModelle verkleinern
Destillation und Quantisierung machen große Modelle praxistauglich: kleiner, schneller und billiger im Betrieb bei geringen Qualitätseinbußen.
Begriff öffnen →4 · Begriffe aus der Nutzung
Nach dem TrainingInferenceInferenz · „das Modell benutzen“
Inference ist der Betrieb des fertigen Modells: Eine Eingabe läuft durchs Netz, Token für Token entsteht die Antwort — die Gewichte bleiben unverändert.
Begriff öffnen →Prompt & Prompt Engineering
Der Prompt ist die gesamte Eingabe an das Modell; Prompt Engineering ist die Disziplin, sie so zu formulieren, dass verlässlich das gewünschte Ergebnis herauskommt.
Begriff öffnen →KontextfensterContext Window
Das Kontextfenster ist die maximale Menge an Tokens, die ein Modell gleichzeitig verarbeiten kann — sein „Arbeitsgedächtnis“.
Begriff öffnen →HalluzinationHallucination · Konfabulation
Eine Halluzination ist eine flüssige, plausibel klingende, aber falsche Aussage — kein Bug, sondern Folge davon, dass das Modell die wahrscheinlichste Fortsetzung erzeugt.
Begriff öffnen →Temperature & Samplingder „Kreativitätsregler“
Die Temperature steuert, wie streng das Modell aus den Wahrscheinlichkeiten wählt: nahe 0 präzise und deterministisch, höher kreativer, aber fehleranfälliger.
Begriff öffnen →EmbeddingVektor-Repräsentation von Bedeutung
Ein Embedding übersetzt Text (oder Bilder) in einen Zahlenvektor, der die Bedeutung erfasst — Ähnliches landet im Vektorraum nah beieinander.
Begriff öffnen →KI-AgentenAgentic AI
Ein KI-Agent antwortet nicht nur, sondern verfolgt ein Ziel über mehrere selbst geplante Schritte mit Werkzeugen — suchen, abrufen, ausführen, prüfen, weitermachen.
Begriff öffnen →5 · RAG: Dense, Sparse & Hybrid
Firmenwissen anbindenRAGRetrieval-Augmented Generation
RAG koppelt ein LLM mit einer durchsuchbaren Wissensbasis: Zur Frage werden die relevantesten eigenen Textstellen gesucht und dem Modell im Prompt mitgegeben — ohne Training.
Begriff öffnen →ChunkingDokumente zerlegen
Chunking zerlegt Dokumente in kleinere Abschnitte, die einzeln eingebettet und durchsucht werden — nur die treffendsten Chunks wandern in den Prompt.
Begriff öffnen →VektordatenbankVector Database
Eine Vektordatenbank speichert und durchsucht Embedding-Vektoren blitzschnell nach Ähnlichkeit — auch bei Millionen Einträgen in Millisekunden.
Begriff öffnen →Dense Retrievalsemantische Suche über Embeddings
Dense Retrieval sucht über Bedeutungsvektoren: gefunden wird, was im Vektorraum am nächsten liegt — auch bei völlig anderen Worten.
Begriff öffnen →Sparse RetrievalKeyword-Suche (BM25, TF-IDF)
Sparse Retrieval ist die klassische Stichwort-Suche (Standard: BM25) — stark bei exakten Treffern wie IDs, Namen und Paragrafen, schwach bei Synonymen.
Begriff öffnen →Hybrid Search & Re-Rankingdas Beste aus beiden Welten
Hybrid Search führt Dense- und Sparse-Suche parallel aus und verschmilzt die Trefferlisten; Re-Ranking sortiert die Top-Treffer danach final und präzise.
Begriff öffnen →Von den Begriffen zur Umsetzung.
Sie wissen jetzt, was RAG, Fine-Tuning und KI-Agenten sind — wir zeigen Ihnen, welcher Hebel in Ihrem Unternehmen zuerst zieht. Kostenlos und unverbindlich im Erstgespräch.
Termin buchenKostenlos · unverbindlich