Definition:

Verordnung der Europäischen Union (EU), die Regeln für die Entwicklung und den Einsatz von KI-Systemen festlegt und einen einheitlichen, verbindlichen Rechtsrahmen schafft. Ziel ist es, vertrauenswürdige KI zu gestalten, die entsprechend den europäischen Wertvorstellungen eingesetzt wird. So sollen KI-Systeme, die in der EU verwendet werden, sicher, transparent, ethisch, unparteiisch und unter menschlicher Kontrolle sein. Gleichzeitig verfolgt die Verordnung den Anspruch, KI-Technik und Forschung innerhalb der EU wettbewerbsfähig zu halten und Innovationen zu ermöglichen. Der 2024 verabschiedete AI Act ist das weltweit erste transnationale KI-Regelwerk.

Quelle: Lernende Systeme

Bezug zum AI Act: (coming soon)

Definition:

Modelle des maschinellen Lernens, die mit Hilfe von Deep Learning (z. B. Transformer) auf umfangreichen Datensätzen (z.B. Text, Bilder, Videos) aus Internet, Social Media oder anderen Quellen vortrainiert wurden. Hierfür benötigen Basismodelle derzeit eine hohe Rechenleistung. Charakteristisch für Basismodelle sind u.a. ihre Wiederverwendbarkeit und Anpassungsfähigkeit für spezifische Aufgaben und Domänen (siehe: Finetuning). Ein weiteres Kennzeichen ist, dass nach dem Trainieren Fähigkeiten des Modells entdeckt werden, an die zuvor nicht explizit gedacht wurde (sog. Emergenz). Basismodelle können sowohl Sprachmodelle als auch multimodale Modelle sein. Basismodelle bilden die Grundlage für viele Anwendungen, die auf generativer KI beruhen, wie Chatbots oder Bild- und Videogeneratoren. Bekannte Basismodelle sind etwa GPT-4 (Open AI), Llama (Meta) oder Gemini (Google). Der Begriff “Foundation Models” wurde 2021 vom Stanford Institute for Human-Centered Artificial Intelligence’s (HAI) geprägt.

Quelle: Lernende Systeme

Bezug zum AI Act: (coming soon)

Definition:

KI-Modelle, die für viele verschiedene Aufgaben infrage kommen. Basismodelle (Foundation Models) bilden die Grundlage – die Basis – für viele weitere KI-Anwendungen. Sie zeichnen sich vor allem dadurch aus, dass sie eine Vielzahl von verschiedenen Aufgaben lösen können, beispielsweise Texte oder Bilder erstellen, Musik erzeugen oder Programmiercode ausgeben. Solche Anwendungen werden auch als „General Purpose AI“ bezeichnet. ChatGPT basiert zum Beispiel auf einem Foundation Model. Damit die KI-Anwendungen gut funktionieren, müssen sie von Menschen feinjustiert werden. Bei Programmen zur Texterstellung bewerten Menschen beispielweise, ob eine Aussage Sinn ergibt oder nicht. Basismodelle können immense Datenmengen und Parameter – Knotenpunkte für Gewichtungen von Daten – in ihre Berechnungen einbeziehen. Sie verarbeiten unter anderem Bilder, Videos und Texte. In Abgrenzung zu Basismodellen erfüllen bisher gängige KI-Systeme eine bestimmte und eindeutig vorgegebene Aufgabe und können nicht einfach angepasst werden. Bei Foundation Models handelt es sich dennoch NICHT um sogenannte starke KI. Ihre Einsatzmöglichkeiten sind zwar vielfältig, aber weiterhin klar begrenzt.

Quelle: ZVKI

Bezug zum AI Act: (coming soon)

Definition:

Verzerrung, Vorurteil oder Voreingenommenheit. Im Zusammenhang mit Künstlicher Intelligenz meint der englische Begriff bias, dass das Ergebnis bzw. die Ausgabe einer KI-Anwendung verzerrt ist. Die Ursachen hierfür sind vielfältig. Beispielsweise können subjektive Sichtweisen von Entwickler:innen oder die generellen strukturellen Ungleichheiten unserer Gesellschaft (beabsichtigt oder unbeabsichtigt) in die Programmierung von Algorithmen einfließen. So können etwa die ausgewählten Trainingsdaten fehlerhaft und/ oder unvollständig sein, weil bestimmte (Bevölkerungs-)Gruppen unterrepräsentiert sind. Die sich darin spiegelnden Diskriminierungen und Rassismen reproduzieren das algorithmische System. Die Beispiele für algorithmenvermittelte Diskriminierung sind zahlreich. So hat unter anderem Google ein KI-Modell zur Bilderkennung entwickelt, das Schwarze Menschen deutlich schlechter erkannte als weiße Menschen. Ein anderes Beispiel ist ein von Amazon entwickeltes KI-Modell, das dabei helfen sollte, geeignete Bewerber:innen für offene Stellen auszuwählen. Das Programm benachteiligte systematisch Frauen, weil Amazon in der Vergangenheit vor allem Männer eingestellt hatte und sich dies in den Trainingsdaten für das System widerspiegelte.

Quelle: ZVKI

Bezug zum AI Act: (coming soon)

Definition:

Virtuelle Dialogsysteme, die zunehmend im Kundenservice und für Benutzerschnittstellen im Allgemeinen eingesetzt werden. Über eine Textein- und Textausgabemaske (z.B. ein Dialogfenster auf einer Website) kommunizieren sie in natürlicher Sprache mit dem Menschen. Durch Methoden des maschinellen Lernens können Chatbots aus Eingaben ständig dazu lernen – um etwa die Stimmlage des Menschen zu interpretieren oder personalisierte Antworten zu geben.

Quelle: Lernende Systeme

Bezug zum AI Act: (coming soon)

Definition:

Computerprogramme, die per Text- oder Spracheingabe Daten verarbeiten. Nutzer*innen können mit einem Chatbot interagieren, indem sie Eingaben tätigen – zum Beispiel, indem sie schriftliche oder mündliche Fragen stellen – und im Gegenzug Antworten bzw. Aussagen des Systems lesen oder hören. Chatbots werden beispielsweise in der Kund*innenbetreuung eingesetzt, in der sie mitunter helfen, Fragen gezielt an die entsprechenden Mitarbeiter:innen weiterzuleiten. Sprachbasierte Chatbots sind digitale Assistenten wie Siri, Alexa und Google Assistant. Dank stetiger Fortschritte beim natural language processing nimmt die Qualität von Chatbots rasant zu. Den Turing-Test bestehen sie aber noch nicht.

Quelle: ZVKI

Bezug zum AI Act: (coming soon)

Definition:

Realistisch anmutende, aber künstlich erzeugte bzw. manipulierte Foto-, Video- oder Tonaufnahme.Der Begriff setzt sich aus Deep Learning und Fake (auf Deutsch: Fälschung) zusammen. Erstellt werden Deep Fakes mithilfe von künstlichen neuronalen Netzen. Dafür werden beispielsweise Videoaufnahmen einer Person analysiert, um ihre Gesichtsbewegungen simulieren zu können. Mit natural language processing können auch Aussagen stimmlich nachgebildet werden. Auf diese Weise kann man Menschen Dinge sagen lassen, die sie in Wirklichkeit nie von sich gegeben haben. Deep Fakes können ein Mittel sein, um gezielt Desinformationen zu verbreiten oder jemanden in ein schlechtes Licht zu rücken. Für ein überzeugendes Ergebnis sind allerdings sehr viele Bild- oder Tonaufnahmen des Opfers erforderlich.

Quelle: ZVKI

Bezug zum AI Act: (coming soon)

Definition:

Methode des maschinellen Lernens in künstlichen neuronalen Netzen. Diese umfassen mehrere Schichten – typischerweise eine Eingabe- und Ausgabeschicht sowie mehr als eine „versteckte“ dazwischenliegende Schicht. Die einzelnen Schichten bestehen aus einer Vielzahl künstlicher Neuronen, die miteinander verbunden sind und auf Eingaben von Neuronen aus der jeweils vorherigen Schicht reagieren. In der ersten Schicht wird etwa ein Muster erkannt, in der zweiten Schicht ein Muster von Mustern und so weiter. Je komplexer das Netz (gemessen an der Anzahl der Schichten von Neuronen, der Verbindungen zwischen Neuronen sowie der Neuronen pro Schicht), desto höher ist der mögliche Abstraktionsgrad – und desto komplexere Sachverhalte können verarbeitet werden. Angewendet wird Deep Learning bei der Bild-, Sprach- und Objekterkennung sowie dem verstärkenden Lernen.

Quelle: Lernende Systeme

Bezug zum AI Act: (coming soon)

Definition:

(auf Deutsch: tiefes Lernen) Komplexe künstliche neuronale Netze, die mehr als drei Schichten künstlicher Neuronen umfassen. Der Begriff „deep“ bzw. „tief“ bezieht sich auf die Menge der Schichten künstlicher Neuronen. Mit jeder zusätzlichen Schicht erhöht sich der Abstrahierungsgrad des Systems und die Fähigkeit, komplexere Aufgaben zu bewältigen. Dazu gehört die Erstellung von realistischen Deep Fakes. Gleichzeitig verstärkt sich dabei allerdings das Problem von Künstlicher Intelligenz als Blackbox.

Quelle: ZVKI

Bezug zum AI Act: (coming soon)

Definition:

KI-Systeme, die mit großen Datensätzen trainiert wurden und in der Lage sind, Inhalte zu erzeugen (z. B. Text, Programmcode, Videos, Bilder, Proteinstrukturen, Bauteile). Sie stützen sich dabei auf große Rechenleistung und spezielle Algorithmen, die unter anderem auf dem so genannten Transformer-Modell basieren. Die Anwendungsbereiche generativer KI-Systeme sind breit, zu den bekanntesten Systemen zählen das Ende 2022 veröffentlichte Sprachmodell ChatGPT (Open AI) sowie BARD (Google) und LLaMA (Meta). Im Fall von ChatGPT erfolgt das Training der generativen KI in einem mehrstufigen Prozess auf Basis von Deep Learning und anderen Lernmethoden wie folgt:
- Der Transformer lernt auf Grundlage von Wahrscheinlichkeiten vorherzusagen, welches Wort auf die vorangehende Wortfolge folgt. Das KI-System lernt hier selbstüberwacht – und benötigt keine vom Menschen vorgenommene Datenetikettierung (Labeling).
- Menschen erstellen idealtypische Texte für bestimmte Arbeitsanweisungen und vermitteln dem KI-System so, welche Texte erwünscht sind. Dann stellen Menschen Anfragen und ordnen die Antworten der KI gemäß ihrer Qualität in Rangfolgen an.
- Auf dieser Basis lernt das KI-System, seine eigenen Ausgaben zu bewerten und sich für gute Ausgaben zu belohnen (verstärkendes Lernen). So nähert es sich den Qualitätsansprüchen des Menschen an und verbessert sich stetig.
Neben Wörtern können generative KI-Systeme auch Pixel, Töne, Programm- oder DNA-Code verarbeiten.

Quelle: Lernende Systeme

Bezug zum AI Act: (coming soon)

Definition:

KI-Modelle, die in der Lage sind, Inhalte zu erstellen. Modelle generativer KI (Generative AI) können beispielsweise Texte, Bilder, Audiodateien, Videos oder Programmiercode erzeugen. Zu den verbreiteten Anwendungen zählen die Bildgeneratoren Stable Diffusionund Midjourney oder der Textgenerator ChatGPT. Viele generative KI-Systeme basieren auf Basismodellen. Einfachen Chatbots, die etwa bestimmte Serviceanfragen beantworten können, liegen aber weniger komplexe KI-Modelle zugrunde.

Quelle: ZVKI

Bezug zum AI Act: (coming soon)

Definition:

Eine KI-Halluzination tritt auf, wenn ein KI-Modell falsche oder irreführende Informationen generiert. Diese generierten Inhalte können plausibel erscheinen, da die Modelle darauf ausgelegt sind, kohärente und flüssige Ausgaben zu produzieren, auch wenn sie nicht notwendigerweise der Realität entsprechen. KI-Halluzinationen können in verschiedenen Formen auftreten, wie beispielsweise falsche Behauptungen, inkonsistente Logik oder unrealistische Szenarien. Es ist wichtig, sich der Möglichkeit von Halluzinationen bewusst zu sein und die Ergebnisse von KI-Modellen kritisch zu hinterfragen.

Quelle: Uni Siegen

Bezug zum AI Act: (coming soon)

Definition:

KI-Modelle oder Modelle für künstliche Intelligenz sind Programme, die anhand einer Sammlung von Datensätzen bestimmte Muster erkennen. Es ist die Darstellung eines Systems, das Dateneingaben erhält und Schlussfolgerungen ziehtbzw. basierend auf diesen Schlussfolgerungen agieren kann. Ist ein KI-Modell einmal trainiert, kann es beispielsweise Zukunftsprognosen erstellen oder basierend auf zuvor überwachten Daten handeln. KI-Modelle können für zahlreiche Aktivitäten verwendet werden: in der Bild- und Videoerkennung, Natural Language Processing (NLP), Anomalieerkennung, für Empfehlungssysteme, zur vorausschauenden Modellerstellung und für Prognosen sowie in der Robotik und in Kontrollsystemen.

Quelle: HPE

Bezug zum AI Act: (coming soon)

Definition:

Maschinen als intelligente Partner. Künstliche Intelligenz (KI) ist der Schritt zur Realisierung der vierten Stufe der von KUKA postulierten Robotik-Revolutionen. Sie setzt voraus, dass Maschinen, Informationssysteme und Roboter in der Lage sind, noch sehr viel intelligenter und reaktiver zu werden. In den Bereichen Servicerobotik und Home Assisted Living werden diese intelligenten Maschinen mit ihren kognitiven und sensitiven Fähigkeiten als Helfer des Menschen immer mehr Bedeutung erlangen. Heute hängen diese Systeme noch vollständig von der Programmierung durch den Menschen ab. Je mehr jedoch der Autonomiegrad der Systeme steigt, desto dringlicher wird sich die Frage nach einem verantwortungsvollen Umgang mit künstlicher Intelligenz stellen.

Quelle: KUKA

Bezug zum AI Act: (coming soon)

Definition:

(auf Englisch: artificial intelligence, AI) Teilgebiet der Informatik, das sich damit beschäftigt, menschliche Intelligenz technisch nachzubilden. In diesem Teilgebiet werden Methoden entwickelt, mit denen Computerprogramme oder Maschinen automatisiert Aufgaben erfüllen sollen. Deswegen sprechen wir von verschiedenen KI-Methoden, die in KI-Systemen angewendet werden, anstatt von der „einen“ KI. Bisher fehlt eine einheitliche Definition für Künstliche Intelligenz. In der Regel werden als Künstliche Intelligenz aber insbesondere Methoden des maschinellen Lernens bezeichnet. Zudem wird zwischen starker und schwacher KI unterschieden.

Quelle: ZVKI

Bezug zum AI Act: (coming soon)

Definition:

Eine allgemein akzeptierte Definition zu Künstlicher Intelligenz (KI) gibt es nicht. KI ist zum einen ein Teilgebiet der Informatik, das versucht, mit Hilfe von Algorithmen kognitive Fähigkeiten wie Lernen, Planen oder Problemlösen in Computersystemen zu realisieren. Begründet wurde der Begriff Artificial Intelligence im Zuge des Dartmouth Workshops (1956), der auch heute noch die moderne KI-Forschung prägt. Das internationale Standardlehrbuch für Künstliche Intelligenz von Russel/Norvig behandelt folgende Forschungsfelder:
- Problemlösen
- Wissensrepräsentation und Schlussfolgern
- Unsicherheit und Schlussfolgern
- Maschinelles Lernen
- Wahrnehmung und Sehen
- Verstehen und Generieren von natürlicher Sprache
- Interaktion
- Robotik
Der Begriff KI steht zugleich für Systeme, die ein Verhalten zeigen, für das gemeinhin menschliche Intelligenz vorausgesetzt wird. Ziel moderner KI-Systeme (Lernende Systeme) 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. Dabei sollen sich die Systeme auch an veränderte Bedingungen und ihre Umwelt anpassen können. In diesem Sinne schafft Künstliche Intelligenz die Voraussetzungen für Lernende Systeme.
Die Lernfähigkeit der Systeme wurde bereits zu Beginn der KI-Forschung als grundlegende kognitive Fähigkeit definiert. Es ist jedoch schwierig, abschließend zu bestimmen, was als „intelligent“ gilt. Abhängig vom jeweiligen Stand der Technik entwickelt sich daher stets das Verständnis darüber weiter, was als KI bezeichnet wird.

Quelle: Lernende Systeme

Bezug zum AI Act: (coming soon)

Definition:

Ein künstliches neuronales Netz (KNN) (EN: Artificial Neural Network, ANN) ist ein Rechenmodell nach dem Vorbild des Gehirns. Es besteht aus vielen miteinander verbundener Verarbeitungsknoten (Neuronen), die zusammenarbeiten, um bestimmte Probleme zu lösen. KNNs werden verwendet, um zukünftige Ereignisse vorherzusagen, Muster zu erkennen und Entscheidungen zu treffen. Sie werden häufig für Aufgaben eingesetzt, die für herkömmliche Computersysteme zu schwierig sind – zum Beispiel Bild- und Spracherkennung. Im Vergleich zum Gehirn haben KNNs eine Reihe von Vorteilen.

- Sie können enorme Datenmengen viel schneller verarbeiten als das Gehirn.

-Sie sind nicht durch das Kurzzeitgedächtnis eingeschränkt.

- Darüber hinaus können künstliche neuronale Netze so konzipiert werden, dass sie fehlertolerant sind. Sie funktionieren auch dann, wenn einige ihrer Neuronen beschädigt oder zerstört werden.

Trotz dieser Vorteile haben KNNs immer noch eine Reihe von Einschränkungen. Es kann schwierig sein, sie zu entwerfen und zu trainieren, und sie benötigen oft eine große Menge an Daten, um effektiv zu sein. Außerdem können falsche Trainingsdaten die KNNs zu ungenauen Ergebnissen führen.

Quelle: CLICKWORKER

Bezug zum AI Act: (coming soon)

Definition:

Sprachmodell, das sich durch seine Größe auszeichnet. Large Language Models sind Basismodelle und können für viele verschiedene Aufgaben der Sprachverarbeitung eingesetzt werden, beispielsweise um Texte zu übersetzen, zusammenzufassen oder zu analysieren oder um Texte und andere Inhalte (z. B. Code) zu generieren. Verbreitete LLMs sind etwa GPT-3und GPT-4 von OpenAI oder LaMDA von Google. Die Entwicklung von Large Language Models ist ein Teilbereich der Forschung rund um Natural Language Processing.

Quelle: ZVKI

Bezug zum AI Act: (coming soon)

Definition:

Siehe hierzu Sprachmodelle

Quelle: Lernende Systeme

Bezug zum AI Act: (coming soon)

Definition:

Wissen aus Erfahrung. Intelligente Maschinen schöpfen ihr Wissen aus Erfahrung. Bei vernetzten Maschinen ist es dabei unerheblich, ob sie die Erfahrung selbst gemacht haben oder ob die Erfahrung aus der Schwarmintelligenz stammt. Dabei lernt ein künstliches System immer aus dem Abgleich zwischen dem angestrebten Ziel und auftretenden Anomalien. Es kann Korrelationen, Muster und Gesetzmäßigkeiten erkennen, daraus Schlüsse ziehen und sein zukünftiges Verhalten verändern – diesen synthetischen Prozess bezeichnet man als Machine Learning. Speziell in unstrukturierten Umgebungen und bei hochflexiblen Prozessen wie Industrie 4.0 ist Machine Learning im Schwarm oder in der Cloud eine effektive Methode, um Produktionsprozesse nahezu in Echtzeit intelligent und autonom an die jeweiligen Rahmenbedingungen anzupassen.

Quelle: KUKA

Bezug zum AI Act: (coming soon)

Definition:

beziehen die Development Operations (DevOps) auf das maschinelle Lernen mit dem Ziel, maschinelles Lernen, Softwareentwicklung und den laufenden Betrieb der Systeme zusammenzubringen. Angestrebt wird insbesondere eine effiziente, zuverlässige und qualitativ hochwertige Gestaltung der Entwicklung, Bereitstellung, Verwaltung und Überwachung von KI-Modellen.

Quelle: Lernende Systeme

Bezug zum AI Act: (coming soon)

Definition:

Mithilfe von Lernalgorithmen sowie der Anwendung statischer Modelle entwickelt eine Maschine auf Basis von Lerndaten ein komplexes Modell und erkennt Muster, aus denen Klassifikationen und Vorhersagen abgeleitet werden können. Genutzt wird diese Technologie beispielsweise in alltäglichen Anwendungen wie dem Spamfilter, in Mailprogrammen oder Übersetzungsprogrammen.

Quelle:Gaia-X Hub Germany

Bezug zum AI Act: (coming soon)

Definition:

Maschinelles Lernen ist eine grundlegende Methode der Künstlichen Intelligenz (KI). Sie zielt darauf, dass Maschinen ohne explizite Programmierung eines konkreten Lösungswegs automatisiert sinnvolle Ergebnisse liefern. Spezielle Algorithmen lernen aus den vorliegenden Beispieldaten Modelle, die dann auch auf neue, zuvor noch nicht gesehene Daten angewendet werden können. Dabei werden drei Lernstile unterschieden: überwachtes Lernen, unüberwachtes Lernen und verstärkendes Lernen. Maschinelles Lernen mit großen neuronalen Netzen wird als Deep Learning bezeichnet. Maschinelle Lernverfahren kommen zum Einsatz beim Data Mining, beim Generieren von Smart Data und in praktisch allen modernen KI-Systemen.

Quelle: Lernende Systeme

Bezug zum AI Act: (coming soon)

Definition:

(auch machine learning) Grundlegende Methode im Bereich Künstliche Intelligenz. Bei diesem Verfahren programmieren die Entwickler*innen den Algorithmus, der eine Aufgabe lösen soll, nicht selbst. Stattdessen legen die Entwickler*innen Zielvorgaben fest und bauen ein Computerprogramm, das den besten Lösungsalgorithmus selbstständig findet. Unterschieden werden drei grundlegende Lernmethoden: überwachtes Lernen, unüberwachtes Lernen und bestärkendes Lernen. Inzwischen werden immer häufiger künstliche neuronale Netze eingesetzt.

Quelle: ZVKI

Bezug zum AI Act: (coming soon)

Definition:

KI-Modelle, die auf einem Datensatz trainiert werden, der verschiedene Modalitäten (z.B. Text, Bild, Ton, Programmcode, Video) enthält. Durch deren Verknüpfung lassen sich bessere Ergebnisse erzielen und neue Aufgaben (z.B. Text-zu-Bild oder Text-zu-Code) erledigen. Die Integration von Daten aus verschiedenen Modalitäten kann komplex sein. Da Daten unterschiedliche Formate, Skalen und Bedeutungen haben können, sind spezielle Techniken der Datenkuratierung und -verarbeitung erforderlich, um qualitativ hochwertige, kohärente und nützliche Ergebnisse zu erzielen. GPT-4 ist ein multimodales KI-Modell, das sowohl Text als auch Bilder verarbeiten kann.

Quelle: Lernende Systeme

Bezug zum AI Act: (coming soon)

Definition:

Maschinelle Verarbeitung natürlicher Sprache. Damit ist zum einen gemeint, dass mithilfe algorithmischer Systeme der Inhalt einer gesprochenen oder geschriebenen Aussage ermittelt wird, damit eine Software diesen verarbeiten kann. Dafür müssen Computerprogramme zunächst mittels maschinellen Lernens und unzähliger Trainingsdaten umfangreich trainiert werden. Zum anderen ist damit die künstliche Erstellung von Aussagen in natürlicher Sprache gemeint, beispielsweise bei Vorleseprogrammen. Bei digitalen Sprachassistenten wie Siri, Alexa und Google Assistant kommen beide Formen von natural language processing zur Anwendung: Sie können unsere Befehle verarbeiten und Antworten ausgeben. Dass das nicht immer gelingt, verdeutlicht, wie anspruchsvoll diese Aufgabe ist.

Quelle: ZVKI

Bezug zum AI Act: (coming soon)

Definition:

Prompts sind textliche Anfragen oder Anweisungen, die von Nutzer:innen verwendet werden, um Antworten, Informationen oder Texte von Chat-KIs oder Bilder und Grafiken von Bild-KIs zu erhalten. Ist das Ergebnis nicht zufriedenstellend, muss die Anfrage optimiert oder erweitert werden. In der dialogischen Interaktion mit dem KI-System entsteht so nach und nach ein immer besseres Ergebnis.
Umfangreichere Eingabeaufforderungen oder Anfragen an ein KI-Modell, um komplexe Aufgaben oder Texte zu erstellen, werden Mega-Prompts genannt. Diese Prompts sind oft ausführlicher und detaillierter als gewöhnliche Anfragen, um hochwertige und präzise Ergebnisse zu erzielen. Sie dienen dazu, das Modell gezielt zu steuern und sicherzustellen, dass es den gewünschten Text oder das Bild generiert (Bsp.: „Ein Apfel auf einem Tisch“ – besser: „Ein roter Apfel in einer hölzernen, ovalen Schale auf einem braunen Holztisch, gemalt im impressionistischen Stil“, s. auch nachfolgend ‚Prompt-Labor‘).
Das sog. Prompt Engineering beinhaltet das Experimentieren mit verschiedenen Formulierungen, Strukturen und Kontexten, um die gewünschten Antworten oder Ausgaben zu optimieren. Es ist eine Methode, um die Leistung von KI-Modellen in natürlicher Sprachverarbeitung gezielt zu verbessern.
Tipp: Im Modul „Materialien zur Einführung“ des Selbstlernkurses „Prompt-Labor: Generative KI in der Hochschullehre“ der Lernplattform KI-Campus werden verschiedene Empfehlungen und Techniken vorgestellt, um durch geschicktes Vorgehen beim Prompt-Design bessere Ergebnisse zu erzielen (Anm.: Kostenlose Registrierung erforderlich).

Quelle: Uni Siegen

Bezug zum AI Act: (coming soon)

Definition:

KI-Modelle, die mit maschinellen Lernverfahren auf Textdatensätzen trainiert wurden, beispielsweise mit Transformern oder rekurrenten neuronalen Netzwerken. Solche Modelle sagen z.B. basierend auf Wahrscheinlichkeiten voraus, welche Wörter auf eine vorhandene Reihe an Wörtern folgt. Moderne Sprachmodelle werden oft als große Sprachmodelle (engl. Large Language Models) bezeichnet, da sie sehr große Parameterzahlen aufweisen und auf umfangreichen Textdaten trainiert wurden. Solche Modelle erkennen, produzieren, übersetzen und verarbeiten natürliche Sprache und können für eine Vielzahl von Aufgaben eingesetzt werden – etwa das Erstellen und Zusammenfassen von Text, das Beantworten von Fragen, das Generieren von Programmcode und vieles mehr. Aufgrund ihrer Einsatzbreite gelten große Sprachmodelle wie GPT 4, Gemini, Claude oder Mistral als Schlüsseltechnologie der Künstlichen Intelligenz. Große Sprachmodelle werden auch als Basismodelle bzw. Foundation Models bezeichnet, wenn sie an bestimmte Zwecke und Aufgaben angepasst werden können.

Quelle: Lernende Systeme

Bezug zum AI Act: (coming soon)