Glossar A–Z
Start › Glossar A–Z
Glossar – alle Begriffe von A bis Z
Jeder Begriff mit deutscher Übersetzung/Bedeutung und Link zur ausführlichen Erklärung. Einfach lostippen zum Filtern:
| Begriff | Deutsch / Bedeutung | Vertiefung |
|---|---|---|
| Agent | Handelnder KI-Assistent: plant, nutzt Werkzeuge, arbeitet bis zum Ziel | Agenten |
| Agentic Coding | KI programmiert selbstständig (Dateien, Befehle, Tests) | Agentic Coding |
| Agentic Loop / agentische Schleife | Kreislauf wahrnehmen → planen → handeln → prüfen | Agenten (Schaubild 9) |
| AGENTS.md | Offener Standard: Steuer-Datei mit Projektregeln für Coding-Agenten | Agentic Coding |
| AGI | „Allgemeine KI“ – hypothetische KI mit menschlicher Denkbreite (noch nicht erreicht) | – |
| Air-Gapped | Netz ohne jede Internetverbindung – Modelle müssen vorab hineingetragen werden | Modellwahl |
| Alignment | Ausrichtung: KI-Verhalten an menschlichen Werten/Zielen ausrichten | – |
| API | Programmierschnittstelle („Steckdose“ zum Modell) | Zugriff |
| Artefakte (Artifacts) | Von KI erzeugte eigenständige Ergebnis-Objekte (Doku, App, Grafik) | Agenten |
| Attention | Aufmerksamkeits-Mechanismus: Tokens gewichten, was füreinander wichtig ist | Grundlagen |
| Backpropagation | Rechenverfahren, mit dem Netze beim Training aus Fehlern lernen | Grundlagen |
| Benchmark / Leaderboard | Standardisierte Tests mit Rangliste (MMLU, MTEB, HumanEval) | Modellwahl |
| Bias | Verzerrung: systematische Schieflagen aus den Trainingsdaten | Grundlagen |
| Chain-of-Thought | „Gedankenkette“: Modell denkt sichtbar Schritt für Schritt | Grundlagen |
| ChatGPT | OpenAIs Assistenten-Produkt rund um die GPT-Modelle | Modelle |
| Claude | Anthropics Assistenten-Produkt & Modellfamilie | Modelle |
| Claude Code | Anthropics Coding-Agent (CLI, IDE, Desktop, Web) | Agentic Coding |
| CLAUDE.md | Steuer-Datei mit dauerhaften Anweisungen für Claude (Code) | Agentic Coding |
| CLI | Kommandozeile: Steuerung per Textbefehl | Zugriff |
| Cloud-LLM | Modell beim Anbieter, Nutzung per Internet & Token-Abrechnung | Betrieb |
| Codex | OpenAIs Coding-Agent (CLI + Cloud-Container) | Agentic Coding |
| Commit-Hash | Eindeutige Kennung eines Repo-Stands – „pinnen“ = genau diesen Stand festnageln | Modellwahl |
| Compaction | Automatisches Zusammenfassen des Verlaufs bei vollem Kontextfenster | Grundlagen |
| Context Engineering | Gezieltes Zusammenstellen des gesamten Kontexts (Nachfolger des reinen Promptens) | Grundlagen |
| CUDA | Nvidias Programmierschicht für GPUs – Fundament fast aller KI-Software | Betrieb |
| Data Lake / Warehouse / Lakehouse | Datensee (roh) / Datenlager (strukturiert) / Kombination | Daten |
| Deep Learning | Maschinelles Lernen mit vielschichtigen neuronalen Netzen | Start (Schaubild 1) |
| Degradation | Qualitätsverlust durch Quantisierung – tückisch, weil die Antwort flüssig bleibt | Modellwahl |
| Derivat | Von einem Originalmodell abgeleitet: Quantisierung, Feintuning oder Merge | Modellwahl |
| design.md | Konventions-Datei für Architektur- & Designentscheidungen im Projekt | Agentic Coding |
| DGX OS | Nvidias vorinstalliertes Linux mit KI-Software-Stack | Betrieb |
| DGX Spark | Nvidias Desktop-KI-Rechner mit GB10-Chip, 128 GB | Betrieb |
| Diffusion | Technik der Bild-/Video-Generatoren: aus Rauschen schrittweise Bilder formen | – |
| Edge AI | KI direkt auf dem Endgerät (Handy, Auto, Sensor) | Betrieb |
| Embedding | Bedeutung als Zahlen-Vektor – Grundlage semantischer Suche | Daten |
| Eval-Set | Eigene Sammlung von 20–50 realistischen Testfällen – der einzig verlässliche Maßstab | Modellwahl |
| Fine-Tuning | Nachtraining eines Modells für Aufgabe/Stil/Domäne | Modelle |
| Foundation Model | Breit vortrainiertes Basismodell als Ausgangspunkt vieler Anwendungen | Modelle |
| Function Calling / Tool Use | Modell „bestellt“ Werkzeug-Aufrufe in strukturierter Form | Agenten |
| Gated Model | Modell mit Freischaltung: Lizenz akzeptieren, Zugang beantragen (Llama, Gemma) | Modellwahl |
| GB10 | Nvidias Grace-Blackwell-Superchip (CPU+GPU, ~1 PetaFLOP) | Betrieb |
| Gemini | Googles Modellfamilie & Assistenten-Produkt | Modelle |
| Generative KI (GenAI) | KI, die Neues erzeugt: Text, Bilder, Code, Video, Audio | Start (Schaubild 1) |
| GGUF | Dateiformat für quantisierte Modelle – alles in einer Datei, Standard für lokal | Modellwahl |
| Git-LFS | Git-Erweiterung für sehr große Dateien – technische Basis des Model Hub | Modellwahl |
| GitHub / GitLab | Code-Verwaltung & Team-Zusammenarbeit auf Git-Basis | Agentic Coding |
| GPT-OSS | OpenAIs offene Modelle (20b / 120b, Apache 2.0) | Modelle |
| GPU | Grafikprozessor: tausende parallele Rechenkerne für Tensor-Mathematik | Betrieb |
| Halluzination | Überzeugt vorgetragene, aber falsche KI-Antwort | Grundlagen |
| Harness (agentic) | Software-Gerüst um ein Modell, das es handlungsfähig macht | Agenten |
| Hermes | Bekannte Community-Feintuning-Reihe (Nous Research) | Modelle |
| Hooks | Automatische Handler an festen Punkten im Agenten-Lebenszyklus | Agentic Coding |
| Hugging Face | Zentrale Plattform für offene Modelle & Datensätze | Betrieb |
| Hyperparameter | Einstellwerte des Trainings (z.B. Lernrate) – nicht vom Modell gelernt | – |
| Imatrix | Kalibrier-Messung vor der Quantisierung: wichtige Gewichte werden geschont | Modellwahl |
| Inferenz (Inference) | Anwendung des fertigen Modells: Anfrage → Antwort | Grundlagen |
| Konnektoren (Connectors) | Per Klick aktivierbare Dienst-Verbindungen (Drive, Slack …) | Agenten |
| Kontamination | Benchmark-Testfragen stecken in den Trainingsdaten – Ergebnis wird bedeutungslos | Modellwahl |
| Kontextfenster (Context Window) | „Arbeitsgedächtnis“: maximale Token-Menge pro Sitzung | Grundlagen |
| KV-Cache | Zwischenspeicher während der Verarbeitung – wächst mit dem Kontext, frisst VRAM | Modellwahl |
| Latent Space | Innerer „Bedeutungsraum“, in dem Modelle Inhalte verorten | Daten |
| LiteLLM | Selbstbetriebener Universal-Proxy zu 100+ Modell-Anbietern | Zugriff |
| LLaMA / local LLaMA | Metas offene Modellfamilie / lokale KI-Szene | Modelle |
| LLM | Großes Sprachmodell – sagt Token für Token voraus | Modelle |
| Lokales LLM | Modell auf eigener Hardware – Datenschutz, keine Token-Kosten | Betrieb |
| LoRA | Sparsame Feinabstimmung per kleinem Adapter | Modelle |
| Machine Learning | Lernen aus Daten statt fester Programmierung | Start (Schaubild 1) |
| Markdown (.md) | Einfaches Textformat – „Muttersprache“ der KI-Welt | Agentic Coding |
| MCP (Model Context Protocol) | Standard-Anschluss („USB-C“) zwischen Agenten und Werkzeugen | Agenten |
| Merge | Rechnerische Vermischung mehrerer Modelle – billig gemacht, Qualität schwankt stark | Modellwahl |
| Modellkarte (Model Card) | Beschreibungsseite eines Modells: Lizenz, Prompt-Format, Sprachen, Benchmarks | Modellwahl |
| MoE (Mixture of Experts) | Modellbauform: nur „Experten“-Teilmengen rechnen pro Token | Grundlagen |
| Multimodal | Modell versteht/erzeugt mehrere Medienarten (Text, Bild, Audio …) | Modelle |
| Neuronales Netz | Rechengeflecht aus „Neuronen“-Schichten – Basis des Deep Learning | Grundlagen |
| NLP | Natural Language Processing: maschinelle Sprachverarbeitung | – |
| Nvidia NIM | Fertige, optimierte Modell-Container für Firmen | Betrieb |
| Ollama | Einfachster lokaler Modell-Starter | Betrieb |
| Open WebUI | Selbstgehostete Chat-Oberfläche für eigene Modelle | Zugriff |
| Open Weight | Modellgewichte frei verfügbar – lokal betreibbar & anpassbar | Modelle |
| openClaw | Offener autonomer Assistent (Messenger-gesteuert, dauerlaufend) | Agenten |
| OpenRouter | Gehosteter Marktplatz-Zugang zu hunderten Modellen | Zugriff |
| Overfitting | Modell lernt Trainingsdaten auswendig statt zu verallgemeinern | Grundlagen |
| Parameter / Gewichte | Milliarden Stellschrauben, in denen das Gelernte steckt | Grundlagen |
| Pickle / .bin | Älteres Python-Format – kann beim Laden Code ausführen. Meiden! | Modellwahl |
| Plugin | Installierbares Bündel aus Skills, MCP-Servern & Einstellungen | Agenten |
| Prompt / Prompt Engineering | Anweisung an die KI / Handwerk guter Anweisungen | Grundlagen |
| Prompt Injection | Versteckte Fremd-Anweisungen, die Agenten umlenken wollen (Angriff) | Grundlagen |
| Provenance | Nachweisbare Herkunft einer Datei – im Modellbereich noch schwach ausgeprägt | Modellwahl |
| Q4_K_M | Gängigste Quantisierungsstufe: 4 Bit, K-Verfahren, Medium – die Standardwahl | Modellwahl |
| Quantisierung | Modell-Kompression (weniger Bits pro Parameter) | Betrieb |
| RAG | Retrieval-Augmented Generation: antworten mit Nachschlagen | Daten |
| Registry (Modell-) | Eigener Server zur Modell-Verwaltung: Artifactory, Harbor, MinIO | Modellwahl |
| Reinforcement Learning | Lernen durch Belohnung/Bestrafung (Versuch & Irrtum) | Grundlagen |
| Reranker | Zweite RAG-Stufe: sortiert Suchtreffer präziser nach, langsamer als Embeddings | Daten |
| RLHF | Reinforcement Learning from Human Feedback: Menschen bewerten Antworten | Grundlagen |
| Safetensors | Sicheres Dateiformat für Gewichte – enthält nur Zahlen, keinen Code | Modellwahl |
| Skills | Anleitungspakete (SKILL.md) mit Vorgehenswissen für Agenten | Agenten |
| SLM | Small Language Model: kleines Modell für Gerät/Edge | Betrieb |
| Spiegeln (Mirror) | Lokale Kopie externer Modelle – schützt vor Löschung, spart Bandbreite | Modellwahl |
| Subagenten | Delegierte Hilfs-Agenten mit eigenem Kontextfenster | Agenten |
| Supply Chain | Lieferkette eines Modells: wer erstellt, konvertiert, hochgeladen hat | Modellwahl |
| System-Prompt | Unsichtbare Grundanweisung, die vor jedem Gespräch gilt | Grundlagen |
| Task (auf dem Hub) | Aufgabenkategorie eines Modells – bestimmt die Architektur (Chat vs. Embedding) | Modellwahl |
| Temperatur | Zufalls-Regler: 0 = nüchtern/deterministisch, hoch = kreativ | Grundlagen |
| Tensor | Mehrdimensionaler Zahlenblock – Recheneinheit der KI | Grundlagen |
| Token | Wortbaustein: Verarbeitungs-, Längen- & Abrechnungseinheit | Grundlagen |
| Transfer Learning | Gelerntes auf neue Aufgaben übertragen (Basis des Fine-Tunings) | Modelle |
| Transformer | Die Netz-Architektur hinter praktisch allen LLMs (2017) | Grundlagen |
| Turing-Test | Klassischer Test: Kann eine Maschine als Mensch durchgehen? | – |
| Uploader | Wer ein Repo veröffentlicht – bei Derivaten das wichtigste Qualitätssignal | Modellwahl |
| Vektor-Datenbank | Spezialspeicher für Embeddings mit Ähnlichkeits-Suche | Daten |
| Vibe Coding | Programmieren per Beschreibung, Ergebnisse kaum geprüft | Agentic Coding |
| vLLM | Hochleistungs-Serving für viele parallele Nutzer | Betrieb |
| VRAM | GPU-Speicher – entscheidet, welche Modellgröße lokal passt | Betrieb |
| Zero-Shot | Aufgabe ohne ein einziges Beispiel lösen (nur aus der Anweisung) | Grundlagen |