
Künstliche Intelligenz
Gut zu wissen – Kleines ABC der KI
Dr. Julia König hat die wichtigsten Begriffe rund um KI zusammengestellt:
- Big Data: auch Massendaten genannt, ist ein Begriff, der sich auf Datensätze bezieht, die so groß und komplex sind, dass sie nicht-traditionelle Softwareanwendungen für die Datenverarbeitung erfordern, um sie richtig zu verarbeiten.
- Data Mining: beschäftigt sich mit dem Erkennen von bisher unbekannten Strukturen und Mustern in Daten, die der Menschen nicht mehr durch herkömmliche Analysen erkennen kann, weil die Datenmenge zu groß und unübersichtlich oder die Abhängigkeiten innerhalb der Datenpunkte zu komplex sind.
- Data Science: Ist ein interdisziplinäres Gebiet, das wissenschaftliche Methoden, Prozesse und Systeme zur Gewinnung von Wissen oder zum besseren Verständnis von Daten in ihren verschiedenen Formen umfasst.
- Deep Learning: Teilgebiet des ML, bei dem mithilfe von sogenannten Neuronalen Netzen Probleme in Anlehnung an die Funktionsweise des biologischen Gehirns gelöst werden.
- KI: Teilgebiet der Informatik, das sich mit der Erstellung von Systemen beschäftigt, die komplexe Probleme automatisiert lösen können, die ursprünglich von Menschen gelöst wurden.
Schwache KI: System, das klar definierte Aufgaben lösen kann. Erkennt von selbst keine neuen Problemstellungen. Heutige KI-Systeme sind ausschließlich dieser Art von KI zuzuordnen.
Starke KI: Kann universelle Probleme identifizieren und diese lösen und ist nicht nur auf eine Aufgabe spezialisiert. Dies wurde bisher nicht erreicht und es ist noch nicht verlässlich abzusehen, wann diese Stufe erreicht werden kann. - Künstliche neuronale Netze: Systeme zur Lösung von Aufgaben, deren Architektur und Funktionsweise an der des menschlichen Gehirns angelehnt ist.
- Maschinelles Lernen (ML): Teilgebiet der KI. Entspricht der Generierung von Wissen aus Erfahrung, indem generalisierende Modelle basierend auf Beispielen erstellt werden.
- Mean Absolute Error (MAE): ist eine statistische Messgröße, mit der man die Genauigkeit von Prognosen bestimmen kann, indem man die durchschnittliche absolute Abweichung der Vorhersagen von den Beobachtungen berechnet.
- Mean Absolute Percentage Error (MAPE): ist eine statistische Messgröße, mit der man die Genauigkeit von Prognosen bestimmen kann, indem man die durchschnittliche prozentuale Abweichung der Vorhersagen von den Beobachtungen berechnet.
- Modellvalidierung: Nach dem Training des Algorithmus wird mithilfe von Daten, die im Training nicht genutzt wurden (sog. Testdaten), die Güte des Algorithmus beurteilt, indem dessen Genauigkeit auf den Testdaten bestimmt wird.
- Natural Language Processing: ist ein Teilgebiet der Künstlichen Intelligenz und der Linguistik, das sich mit der Interaktion zwischen Computern und menschlicher Sprache beschäftigt, um Schlüsse aus gesprochener oder geschriebener Sprache zu ziehen.
- Objekterkennung: ist die Fähigkeit eines Computerprogramms, ein bestimmtes Objekt oder auch dessen optische Abweichungen vom Soll-Zustand in einer Sequenz von Bildern oder Videos zu identifizieren.
- Overfitting: Ein KI-Modell ist beim Overfitting so sehr auf die Trainingsdaten angepasst, dass es nicht auf andere Datenbeispiele übertragbar ist und somit eine Verallgemeinerung auf die Realität nicht möglich ist.
- Predictive Analytics: sind Prognosen, die von KI-Algorithmen getroffen werden.
- Prescriptive Analytics: Von Prescriptive Analytics spricht man, wenn aus den Prognosen einer KI optimale Handlungsempfehlungen vorgeschlagen oder selbstständig getroffen werden.
- Python: Ist eine Programmiersprache, die bei Anwendungen im Bereich von KI sehr häufig verwendet wird und die eine große Auswahl an Open-Source Bibliotheken bietet.
- Testdaten: Daten, die ein trainierter Algorithmus noch nicht verarbeitet hat und mit deren Hilfe man die Güte des Algorithmus testet.
- Trainingsdaten: Datensatz, mithilfe dessen ein KI-Algorithmus lernt.
- Topic Modeling: Wenn Computersysteme durch probabilistische Modelle abstrakten Themen oder Schlüsselbegriffe in einer Rede, Text, Dokument oder einer anderen Form von natürlicher Sprache ableiten, spricht man von Topic Modeling.
- Underfitting: Dabei handelt es sich um das Gegenteil von Overfitting. Das trainierte Modell ist zu generalisierend und weist deshalb eine große Fehlerrate bei Trainingsdaten und unbekannten Daten auf.
- Überwachtes Lernen: Bei diesem Teilgebiet des ML bestehen die Trainingsdaten aus Merkmalsausprägungen und den richtigen Zielwerten, die vorhergesagt werden sollen (man spricht dabei auch von gelabelten Daten).
- Unüberwachtes Lernen: Bei diesem Teilgebiet des ML liegen nur die Merkmalsausprägungen vor und es besteht kein A-Priori-Wissen über die Zielwerte. Ziel bei diesem Lernverfahren ist es häufig, Muster oder Gruppen in Daten zu erkennen (engl. Clustering).
- Zeitreihenvorhersage: Eine Zeitreihe ist eine Folge von Daten, die zu bestimmten Zeitpunkten gemessen und chronologisch angeordnet werden. Für die Analyse dieser Zeitreihen werden Methoden verwendet, die bei ihrer Interpretation helfen und die es ermöglichen, repräsentative Informationen über die zugrunde liegenden Beziehungen zwischen den Daten der Reihe oder mehrerer Reihen zu gewinnen und die Daten für die Zukunft vorherzusagen.
About
Dr. Julia König ist Gründerin und Geschäftsführerin des KI-Unternehmens Ehrenmüller GmbH, das maßgeschneiderte KI-Lösungen für innovative mittelständische Unternehmen entwickelt.
Sie studierte Mathematik an der TU München und École Polytechnique in Frankreich und promovierte an der TU Hamburg im Bereich der Graphentheorie und Kombinatorik. Nach ihrer Promotion arbeitete sie zunächst als Data Scientist bei Sixt und Bosch und gründete 2018 das Unternehmen Ehrenmüller – https://www.ehrenmueller.ai/


Sie wollen mehr über Pondus erfahren?
Lernen Sie PONDUS kennen und vereinbaren Sie einen unverbindlichen Präsentationstermin.