AI Glossary — Terms You Should Know.

50+ AI terms explained clearly — written for decision makers, not scientists.

Agentic AI

KI-Systeme, die eigenständig mehrstufige Aufgaben ausführen, Werkzeuge nutzen und Entscheidungen treffen können — im Gegensatz zu einfachen Chatbots, die nur auf einzelne Anfragen reagieren.

AI Agent

Ein autonomes KI-System, das eigenständig Aufgaben ausführen, Entscheidungen treffen und mit anderen Systemen interagieren kann. Agenten kombinieren Sprachmodelle mit Werkzeugen und Datenquellen.

API (Application Programming Interface)

Standardisierte Schnittstelle, über die Softwaresysteme miteinander kommunizieren. APIs ermöglichen die Integration von KI-Diensten in bestehende Geschäftsprozesse.

Automation

Automatisierung wiederkehrender Geschäftsprozesse durch regelbasierte oder KI-gestützte Systeme. Reduziert manuelle Arbeit und Fehlerquoten bei gleichzeitiger Skalierung.

CI/CD (Continuous Integration / Deployment)

Automatisierte Build-, Test- und Deployment-Pipelines, die Codeänderungen schnell und zuverlässig in die Produktion bringen. Grundlage für agile Softwareentwicklung.

Cloud Computing

Bereitstellung von IT-Ressourcen (Rechenleistung, Speicher, KI-Dienste) über das Internet statt lokaler Server. Ermöglicht flexible Skalierung ohne eigene Hardware-Investitionen.

Computer Vision

Teilbereich der KI, der Computern ermöglicht, Bilder und Videos zu verstehen und daraus Informationen zu extrahieren. Anwendungen: Qualitätskontrolle, Objekterkennung, Gesichtserkennung.

Data Pipeline

Automatisierte Verarbeitungskette für Datenerfassung, -transformation und -bereitstellung. Sorgt dafür, dass KI-Modelle stets mit aktuellen, sauberen Daten arbeiten.

Digital Twin

Digitales Abbild eines physischen Systems (Maschine, Gebäude, Prozess) für Simulation, Monitoring und Optimierung in Echtzeit.

Edge AI

KI-Modelle, die direkt auf lokalen Geräten (Edge Devices) ausgeführt werden, ohne Cloud-Verbindung. Vorteile: geringe Latenz, Datenschutz, Offline-Fähigkeit.

Embedding

Numerische Vektordarstellung von Text, Bildern oder anderen Daten. Ermöglicht semantische Suche, Ähnlichkeitsvergleiche und ist die Grundlage für RAG-Systeme.

Federated Learning

Verteiltes Machine-Learning-Training auf dezentralen Datensätzen, ohne dass Rohdaten zentral gesammelt werden müssen. Besonders relevant für datenschutzsensible Branchen.

Fine-Tuning

Anpassung eines vortrainierten KI-Modells an spezifische Aufgaben oder Domänen durch Training mit zusätzlichen, spezialisierten Daten.

Generative AI

KI-Systeme, die neue Inhalte erzeugen können — Text, Bilder, Code, Audio oder Video. Die Technologie hinter ChatGPT, Claude und Midjourney.

Hallucination

Fehlerhafte KI-Ausgaben, die plausibel klingen, aber faktisch falsch sind. Ein zentrales Problem bei LLMs, das durch RAG und Faktenprüfung gemindert wird.

Inference

Ausführung eines trainierten KI-Modells zur Vorhersage oder Generierung. Die „Produktionsphase" eines Modells — im Gegensatz zum Training.

Knowledge Graph

Strukturierte Wissensdatenbank, die Entitäten und deren Beziehungen zueinander abbildet. Ermöglicht kontextbewusste Abfragen und wird oft mit RAG kombiniert.

Latenz

Verzögerung zwischen Anfrage und Antwort eines KI-Systems. Kritisch für Echtzeit-Anwendungen wie Sprachassistenten, Qualitätskontrolle oder autonome Systeme.

LLM (Large Language Model)

Große Sprachmodelle wie Claude, GPT oder Gemini, die auf riesigen Textmengen trainiert wurden und natürliche Sprache verstehen und generieren können.

MCP (Model Context Protocol)

Standardisiertes Protokoll für den Kontext-Austausch zwischen KI-Modellen und externen Werkzeugen. Ermöglicht Agenten den Zugriff auf Dateien, APIs und Datenbanken.

MLOps

Machine Learning Operations — Praktiken und Werkzeuge für das Deployment, Monitoring und die Verwaltung von ML-Modellen in der Produktion.

Multimodale KI

KI-Modelle, die verschiedene Eingabetypen gleichzeitig verarbeiten können — Text, Bilder, Audio, Video. Ermöglicht natürlichere Interaktion und umfassendere Analyse.

NLP (Natural Language Processing)

Verarbeitung natürlicher Sprache — KI-Technologien, die menschliche Sprache in Text- oder Sprachform verstehen, analysieren und generieren.

Predictive Maintenance

Vorausschauende Wartung — KI-basierte Vorhersage von Maschinenausfällen auf Basis von Sensordaten, um Wartung zum optimalen Zeitpunkt durchzuführen.

Prompt Engineering

Optimierung von Eingabeanweisungen (Prompts) für bessere KI-Ergebnisse. Systematischer Ansatz zur Steuerung von Sprachmodellen für spezifische Aufgaben.

RAG (Retrieval-Augmented Generation)

Kombination aus Datenbanksuche und KI-Textgenerierung. Das Modell greift auf externe Wissensdatenbanken zu, um präzisere und aktuellere Antworten zu liefern.

Responsible AI

Ethische und transparente Entwicklung und Nutzung von KI-Systemen. Umfasst Fairness, Erklärbarkeit, Datenschutz und menschliche Kontrolle.

ROS 2 (Robot Operating System)

Open-Source-Framework für die Entwicklung von Robotersoftware. Standard für die Kommunikation zwischen Roboterkomponenten, Sensorik und Steuerung.

Sensor Fusion

Kombination von Daten mehrerer Sensoren (Kamera, LiDAR, Radar, Ultraschall) zu einem kohärenten Lagebild für präzisere Entscheidungen.

Tokenization

Zerlegung von Text in einzelne Einheiten (Tokens) für die Verarbeitung durch Sprachmodelle. Bestimmt, wie viel Kontext ein Modell auf einmal verarbeiten kann.

Transfer Learning

Übertragung des Wissens eines auf einer großen Datenmenge trainierten Modells auf eine neue, verwandte Aufgabe — reduziert den Trainingsbedarf erheblich.

Ready for the next step?

Let's find out together how AI can move your business forward.

Start a project →