Glossar

In unserem Glossar finden Sie verständliche Erläuterungen zu wichtigen Begriffen rund um Künstliche Intelligenz und Lernende Systeme.

oonal/iStock
  • A
  • Aktorik

    Teilgebiet der Antriebstechnik, das sich mit dem Erzeugen einer Bewegung oder Verformung beschäftigt. Aktoren wandeln Signale, die etwa von einem Steuerungscomputer ausgehen, in physikalische Effekte um, insbesondere in mechanische Bewegungen. Im Kontext Lernender Systeme können Aktionen auch rein digital umgesetzt werden. Aktorik ist neben Sensorik und Selbstregulation eine der drei Hauptkomponenten von autonomen Systemen.

  • Algorithmus, Lernalgorithmus

    Ein Algorithmus ist eine genaue Berechnungsvorschrift für einen oder mehrere Computer, eine Aufgabe zu lösen. Eine besondere Klasse von Algorithmen sind Lernalgorithmen: Dabei handelt es sich um Verfahren des maschinellen Lernens, die aus Beispieldaten (Lerndaten oder Trainingsdaten) ein Modell abstrahieren, das auf neue Beispieldaten angewendet werden kann.

  • Assistenzsysteme

    Softwaresysteme, die den Menschen in bestimmten Situationen oder bei bestimmten Handlungen unterstützten. Sie analysieren dazu die gegenwärtige Situation und treffen gegebenenfalls darauf aufbauend Vorhersagen. So werden sie mit Hilfe von Methoden des maschinellen Lernens kontextsensitiv und können sukzessive besser mit Menschen interagieren. Um den Nutzer nicht zu überlasten, sollte sich die Interaktion seinem natürlichen Handlungsablauf anpassen und die Ausgabe komprimiert vorliegen. Assistenzsysteme können vom Menschen aktiviert und von ihm übersteuert werden. Sie sind heute bereits weit verbreitet und zu unterscheiden von automatisierten Systemen und autonomen Systemen

  • Automatisierte Systeme

    Maschinen, Roboter und Softwaresysteme, die einen vorgegebenen Handlungsablauf ausführen. Sie können dabei weder den Ablauf ändern oder anpassen noch die Folgen einer Aktion prognostizieren. Dadurch unterscheiden sie sich von autonomen Systemen bzw. Lernenden Systemen.

  • Automatisierungsstufe

    Bezeichnet den Automatisierungsgrad eines Systems. Je höher dieser ist, desto weniger Überwachung und Kontrolle durch den Menschen ist nötig. Man unterscheidet ferngesteuerte (teleoperierte) Systeme, Assistenzsysteme, automatisierte Systeme und autonome Systeme. Bei Fahrzeugen besteht bereits eine normierte Einteilung in teil-, hoch- und vollautomatisierte Systeme.

  • Autonome Systeme

    Maschinen, Roboter und Softwaresysteme gelten als autonom, wenn sie ohne menschliche Steuerung und detaillierte Programmierung ein vorgegebenes Ziel selbständig und an die Situation angepasst erreichen. Autonome Systeme haben die Fähigkeit sich der Umwelt anzupassen, zu lernen und gegebenenfalls mit anderen Systemen oder Menschen zu kooperieren. Sie nehmen ihre Umgebung über Sensoren wahr (Sensorik), generieren proaktiv, situationsgerecht und in Echtzeit eine angemessene Aktion (Selbstregulation) und führen diese über Aktoren aus (Aktorik). Jedes autonome System ist ein Lernendes System, denn die Lernfähigkeit ist für die Anpassung des Handlungsablaufs notwendig. Allerdings sind nicht alle Lernenden Systeme autonom, sondern werden teilweise weiterhin bewusst von Menschen gesteuert (z.B. intelligente Prothesen).

  • Autonomes Fahren

    Beschreibt nach der normierten Einteilung der Automatisierungsstufen von Fahrzeugen die höchste Stufe „fahrerlos“: Dabei übernimmt das System die Aufgaben des Fahrers in vollem Umfang, auf allen Straßentypen sowie in allen Geschwindigkeitsbereichen und Umfeldbedingungen.

  • B
  • Big Data

    Datenmengen, die sich auszeichnen durch ihr Volumen (Volume), die Vielfalt der Datentypen und Quellen (Variety), die Geschwindigkeit, mit der sie anfallen (Velocity) sowie die Unsicherheit bezüglich der Qualität der Daten (Veracity). Oft handelt es sich dabei um größtenteils unstrukturierte Daten, die etwa von sozialen Netzwerken oder mobilen Geräten stammen (IoT). 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.

  • Black Box-, White Box-, Grey Box-Modelle

    Black-Box-Modelle des maschinellen Lernens sind Modelle rein statistischer Art. White-Box-Modelle dagegen bezeichnen analytische und physikalische Beschreibungen, deren Modellierung meist sehr aufwändig ist. Bei Grey-Box-Modellen kombiniert man beide Ansätze, um die jeweiligen Vorteile zu vereinen (aus: Maschinelles Lernen/Fraunhofer 2018).

  • Bot

    Computerprogramm, das weitgehend automatisch wiederkehrende Aufgaben abarbeitet. Beispiele, die vom maschinellen Lernen profitieren könnten, sind Chatbots, Social Bots und Gamebots (aus: Maschinelles Lernen/Fraunhofer 2018).

  • C
  • Chat Bot

    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.

  • D
  • Data Mining

    Einsatz von Methoden der Statistik oder des maschinellen Lernens, um neue Zusammenhänge und Muster in einer Datenmenge aufzuspüren. Ziel ist es beispielsweise, Empfehlungen für Entscheidungen zu geben oder Vorhersagen zu treffen. Genutzt werden dazu beispielsweise Clusteranalysen, Entscheidungsbäume, aber auch künstliche neuronale Netze.

  • Data Science

    Gewinnung von Wissen aus Daten. Data Science bildet dabei die gesamte „Daten-Wertschöpfungskette“ ab: von der Erhebung und Aufbereitung über die Modellbildung, die auch mit Hilfe von Methoden des maschinellen Lernens erfolgt, bis zur Anwendung der Modelle, etwa für die Unterstützung von Entscheidungen.

  • Deep Learning

    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.

  • E
  • Ende-zu-Ende-Lernen

    Beim Ende-zu-Ende-Lernen werden alle nötigen Zwischenschritte von Eingabe zu Ausgabe innerhalb eines Modelles integriert (aus: Maschinelles Lernen/Fraunhofer 2018).

  • Erklärbare KI

    Black-Box-Modelle, wie insbesondere tiefe künstliche neuronale Netze, sind für Menschen nicht nachvollziehbar. Die erklärbare KI sucht nach Möglichkeiten, die versteckte Logik oder die einzelnen Ausgaben besser nachvollziehbar oder erklärbar zu machen (aus: Maschinelles Lernen/Fraunhofer 2018).

  • Expertensystem

    Computerprogramm, das Wissen zu einem speziellen Gebiet repräsentiert, anreichert und daraus zu einem konkreten Problem automatisch Schlussfolgerungen ziehen kann. Dazu muss das Expertenwissen in Form von Fakten und Regeln (Wenn-Dann-Aussagen) formalisiert und eingegeben werden. In einem wissensbasierten Expertensystem lässt sich auch heuristisches Wissen formulieren und – je nach der zu Grunde liegenden Logik – auch unsicheres Wissen.

  • F
  • Ferngesteuerte Systeme

    Maschinen, Roboter und Softwaresysteme, die durch den Menschen aus der Ferne gesteuert und häufig für Arbeiten in lebensfeindlichen Umgebungen eingesetzt werden. Sie sind zu unterscheiden von Assistenzsystemen, automatisierten Systemen und autonomen Systemen

  • G
  • Gegnerisches Lernen (Adversarial Learning)

    Beim gegnerischen Lernen wird versucht, ein Modell durch Lernen mit sogenannten gegnerischen Beispielen (adversarial examples) robuster gegenüber Angriffe zu machen. Die Beispiele sind absichtlich gestört, um gezielt falsche Ergebnisse herbeizuführen (aus: Maschinelles Lernen/Fraunhofer 2018).

  • I
  • Internet der Dinge (Internet of Things, IoT)

    Zunehmende Vernetzung von Werkzeugen, Geräten, Sensoren, Fahrzeugen etc. durch eingebaute Computersysteme sowie die Vergabe von eindeutigen digitalen Kennungen (IP-Adresse). Mit Hilfe ihrer Sensoren erheben die vernetzten Geräte Daten, die sie untereinander sowie über das Internet austauschen und zur Verfügung stellen können.“ Dadurch entstehen extrem große Datenmengen (Big Data), die wiederum Grundlage für Lernende Systeme darstellen können.

  • K
  • Klassische/traditionelle Lernverfahren

    Zu den klassischen oder traditionellen Lernverfahren gehören symbolische Verfahren und ältere statistische Verfahren. Nicht dazu zählen Verfahren für tiefe neuronale Netze (aus: Maschinelles Lernen/Fraunhofer 2018).

  • Korpus

    Sammlung von Daten und Algorithmen, aus denen durch Methoden der Künstlichen Intelligenz Informationen abgeleitet werden.

  • Künstliche Intelligenz (KI)

    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 Computersystemen zu realisieren. 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 entwickelte sich daher stets das Verständnis darüber weiter, was als KI bezeichnet wird.

  • Künstliches neuronales Netz (KNN)

    Modelle des maschinellen Lernens, die durch Aspekte des menschlichen Gehirns motiviert wurden. Sie bestehen aus in Software realisierten Schichten von Knoten, die als künstliche Neuronen bezeichnet werden. Die einzelnen Verbindungen zwischen den Neuronen haben eine numerische Gewichtung, die während des Trainingsprozesses angepasst wird, so dass die Ergebnisse immer besser werden. Von Schicht zu Schicht entstehen dabei immer abstraktere Repräsentationen der Eingabe, so dass bei einer sehr hohen Anzahl von Schichten (Deep Learning) sehr komplexe Muster abgebildet und erkannt werden können. 

  • L
  • Lernende Systeme

    Lernende Systeme sind Maschinen, Roboter und Softwaresysteme, die abstrakt beschriebene Aufgaben auf Basis von Daten, die ihnen als Lerngrundlage dienen, selbstständig erledigen, ohne dass jeder Schritt spezifisch vom Menschen programmiert wird. Um ihre Aufgabe zu lösen, setzen sie von Lernalgorithmen trainierte Modelle ein. Mit Hilfe des Lernalgorithmus können viele Systeme im laufenden Betrieb weiterlernen: Sie verbessern die vorab trainierten Modelle und erweitern ihre Wissensbasis.

    Lernende Systeme basieren auf Methoden der Künstlichen Intelligenz (KI), genauer: des maschinellen Lernens. Vor allem durch die Fortschritte im Deep Learning entwickelten sich Lernende Systeme in den letzten Jahren zum dynamischsten Bereich der KI-Forschung und -Anwendung

  • M
  • Machine-to-Machine (M2M)-Kommunikation

    Kommunikation zwischen zwei Maschinen.

  • Maschinelles Lernen (ML)

    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, unueberwachtes 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.

  • Mensch-Maschine-Interaktion

    Austausch von Aktionen und Informationen zwischen Mensch und Maschine über eine Mensch-Maschine-Schnittstelle (User Interface). Gute Schnittstellen sollten an menschliche Bedürfnisse und Fähigkeiten angepasst sein, um eine gute Benutzbarkeit (Usability) bzw. eine hohe Nutzerzufriedenheit (User Experience)  zu erreichen. Dem Design dieser Schnittstellen widmen sich verschiedene Wissenschaften wie die Informatik, die Kognitionswissenschaften oder die Psychologie.

  • Multimodales Lernen

    Beim multimodalen Lernen werden Eingabesignale von unterschiedlichen Quellen (wie Audio- und Bildsignale) herangezogen und in Zusammenhang gebracht, um darauf aufbauend eine passenden Aktion zur Bewältigung der Aufgabe abzuleiten (aus: Maschinelles Lernen/Fraunhofer 2018).

  • Multitask-Lernen

    Beim Multitask-Lernen wird versucht, verschiedene Aufgaben gleichzeitig auf einer gemeinsamen internen Repräsentation zu lernen, die dadurch tragfähiger wird (aus: Maschinelles Lernen/Fraunhofer 2018).

  • O
  • One-Shot-/Zero-Shot-Lernen

    Fähigkeit von Systemen, anhand weniger Beispiele einer Klasse oder ausschließlich durch die Kombination bekannter Beispiele anderer Klassen zu lernen.

  • Online-Lernen/Lernen auf Datenströmen

    Das Online-Lernen kommt ohne die konventionelle Einteilung in Trainingsdaten für die Modellentwicklung und Testdaten für die Modellbewertung aus. Online Lernen funktioniert also in Echtzeit und auf Datenströmen, die nicht abgespeichert werden.

  • R
  • Repräsentationen/Lernen von Repräsentationen

    Repräsentationen sind Darstellungen der Daten, die in subsymbolischen Modellen aus vielen Zahlenwerten bestehen. Beispielsweise kann das Bild eines Gesichtes durch alle Pixelwerte repräsentiert werden, oder durch die Angabe von Ort und Größe von Auge, Nase, Mund, usw. Beim Repräsentationslernen werden durch Transformation der Eingabe kompaktere Repräsentationen gelernt, die die eigentliche Lernaufgabe erleichtern (aus: Maschinelles Lernen/Fraunhofer 2018).

  • Roboter/Robotik

    Der Begriff Roboter leitet sich ab vom tschechischen Wort für Arbeiten, „robota“. Ein Roboter ist somit ein System, dass dem Menschen Arbeit abnimmt. Allerdings werden nur solche Maschinen als Roboter bezeichnet, die physische Arbeit verrichten. Zur Steuerung von Robotern werden immer häufiger Lernende Systeme eingesetzt.

  • S
  • Schwache KI

    Systeme, die in einem spezifischen, eng definierten Kontext intelligent agieren und dort sogar menschliche Fähigkeiten übersteigen können. Beispiele für spezifische Anwendungen sind Strategiespiele wie Schach und Go oder Produktempfehlungen sowie medizinische Diagnosen. Sämtliche heute verfügbare Künstliche Intelligenz ist als schwache KI zu definieren. Das Gegenmodell ist die starke KI.

  • Selbstregulation

    Fähigkeit von autonomen Systemen, sich an die Umgebung oder das Verhalten von Menschen anzupassen und eigene Aktionen zu korrigieren. Unterstützt wird die Selbstregulation durch Wahrnehmung und Interpretation, Planung und Planerkennung, Lernen und Schlussfolgern sowie Kommunikation und Kollaboration. Neben Aktorik und Sensorik ist Selbstregulation eine der drei Hauptkomponenten von autonomen Systemen.

  • Sensoren

    Technische Bauteile, die bestimmte physikalische oder chemische Eigenschaften und/oder die stoffliche Beschaffenheit ihrer Umgebung erfassen und in elektrische Signale umformen können. Neben Aktorik und Selbstregulation ist die Sensorik eine der drei Hauptkomponenten von autonomen Systemen.

  • Smart Data

    Datenbestände, die mit Hilfe von Algorithmen/Lernalgorithmen aus sehr großen Datenmengen (Big Data) extrahiert wurden und sinnvolle Informationen enthalten.

  • Social Bots

    Softwaresysteme, die als menschenähnliche Akteure mit Menschen auf digitalen Plattformen kommunizieren. Sie werden vor allem in sozialen Netzwerken und Chat-Programmen eingesetzt. Social Bots basieren zunehmend auf Lernenden Systemen.

  • Soft Bots/Software Roboter

    Ein Computerprogramm, das selbstständig Aufgaben in einer virtuellen Umgebung ausführt. Es archiviert z.B. Dateien oder indexiert Webseiten (Web Bot). Das Programm nimmt dazu Informationen auf, analysiert sie und interagiert mit anderen Programmen oder auch mit Menschen (Chat Bot bzw. Social Bot).

  • Sprachassistenzsysteme

    Softwaresysteme, die mittels Spracherkennung und -analyse die Anweisungen des Anwenders aufnehmen und so eine intuitive Schnittstelle bilden (Mensch-Maschine-Interaktion). Fortschrittliche Sprachassistenten können Fragen beantworten und Dialoge führen. Sie werden häufig als Intelligenter Persönlicher Assistent (IPA) bezeichnet.

  • Starke KI

    Hypothetische KI-Systeme, die mindestens über menschenähnliche Intelligenzleistung in allen Bereichen und nicht nur in eng definierten Anwendungsfeldern (schwache KI) verfügen. Eine Künstliche Superintelligenz wäre dem intelligentesten Menschen weit überlegen und wird damit als ein Kernelement für die Realisierung der technologischen Singularität gesehen.

  • Subsymbolische Modelle

    In subsymbolischen Modellen wie künstlichen neuronalen Netzen sind die Merkmale der Beispiele und die erlernten Zusammenhänge in vielen Zahlen versteckt, die keinen Einblick in die erlernten Lösungswege erlauben (aus: Maschinelles Lernen/Fraunhofer 2018).

  • Symbolische Modelle

    In symbolischen Modellen sind die Merkmale der Beispiele und die erlernten Zusammenhänge explizit und nachvollziehbar repräsentiert. Beispiele sind logische Regeln, Entscheidungsbäume und Wissensgraphen (aus: Maschinelles Lernen/Fraunhofer 2018).

  • T
  • Trolley-Problem

    Philosophisches Gedankenexperiment, das eine Dilemma-Situation beschreibt, in der beide Wahlmöglichkeiten zu einem unerwünschten Ergebnis führen. Ein typischer Fall: Eine führerlose Straßenbahn (engl.: trolley) rast auf fünf am Gleis festgekettete Menschen zu und kann nicht gestoppt werden. Durch die aktive Umstellung einer Weiche könnte die Bahn auf ein anderes Gleis umgeleitet werden, an das eine Person angekettet ist. Ziel ist es, (trotz geringer Wahrscheinlichkeit derartiger Fälle) zum Nachdenken über ethische Dilemmata anzuregen.

  • Turing-Test

    Vom britischen Mathematiker Alan Turing entwickelter Test, um festzustellen, ob eine Maschine als intelligent zu bewerten ist. Ein menschlicher Fragesteller kommuniziert dabei über eine Tastatur mit einem menschlichen Gesprächspartner und einer Maschine. Kann er am Ende nicht sagen, welcher Gesprächspartner die Maschine ist, gilt diese als intelligent.

  • Ü
  • Überwachtes Lernen

    Lernalgorithmen, die als Trainingsmaterial neben Rohdaten auch die erwarteten Ergebnisse erhalten. Weicht die Ausgabe des trainierten Modells vom gewünschten Ergebnis ab – wenn beispielsweise eine Tulpe als Rose identifiziert wird – passt der Lernalgorithmus das Modell an. Ziel ist es, dem Netz durch unterschiedliche Ein- und Ausgaben die Fähigkeit anzutrainieren, selbst Verbindungen herzustellen.

  • U
  • Unüberwachtes Lernen

    Lernalgorithmen, die in künstlichen neuronalen Netzen, bei dem kein Prognoseziel vorgegeben ist, nur die Rohdaten erhalten. Sie erzeugen ein Modell, das die Eingaben abstrakt beschreibt und Vorhersagen ermöglicht. Das Netz erstellt dann selbständig Klassifikatoren, nach denen es die Eingabemuster einteilt. Ziel ist es, in einem Datensatz interessante und relevante Muster zu erkennen oder die Daten kompakter zu repräsentieren.

  • V
  • Verstärkendes Lernen

    Prozess, bei dem ein Lernendes System Entscheidungen trifft, auf deren Basis es anschließend handelt. Dazu verwendet es einen Algorithmus der lernt, die Erfolgsaussichten der einzelnen Aktionen in den verschiedenen Situationen besser einzuschätzen. Für die gewählten Aktionen erhält es positives oder negatives Feedback. Ziel des Systems ist, möglichst viel positives Feedback zu erhalten. Beim Deep Reinforcement Learning werden dazu künstliche neuronale Netze als Modelle verwendet, die man erfolgreich in Spielen eingesetzt hat (z.B. Go, Poker, Atari).

  • W
  • Wissensbasierte Expertensysteme

    Siehe Expertensysteme