• Künstliche Intelligenz (KI) – Maschinen oder Software, die menschenähnliche Denkprozesse nachahmen, um Probleme zu lösen oder Entscheidungen zu treffen.
• Maschinelles Lernen (ML, Machine Learning) – Ein Teilbereich der KI, bei dem Algorithmen aus Daten lernen, ohne explizit programmiert zu sein.
• Neuronale Netze – Computermodelle, die die Struktur des menschlichen Gehirns nachahmen, um Muster in Daten zu erkennen.
• Deep Learning (DL) – Eine spezielle Form des maschinellen Lernens, die mit tiefen neuronalen Netzen arbeitet und besonders leistungsfähig für komplexe Aufgaben wie Bilderkennung ist.
• Algorithmus – Eine Reihe von Regeln oder Anweisungen, die von einer KI befolgt werden, um ein Problem zu lösen.
• Big Data – Große Datenmengen, die für das Training von KI-Modellen genutzt werden.

• Überwachtes Lernen (Supervised Learning) – Das Modell wird mit gekennzeichneten Daten (Labeln) trainiert, z. B. bei Bilderkennung (Hund vs. Katze).
• Unüberwachtes Lernen (Unsupervised Learning) – Das Modell sucht selbstständig nach Mustern in unmarkierten Daten.
• Bestärkendes Lernen (Reinforcement Learning) – Die KI verbessert ihr Verhalten durch Belohnungen oder Strafen, ähnlich wie bei einem Computerspiel.
• Reinforcement Learning from Human Feedback (RLHF) ist eine Methode, bei der bestärkendes Lernen (Reinforcement Learning, RL) mit menschlichem Feedback kombiniert wird, um KI-Modelle gezielt zu verbessern.

• Natural Language Processing (NLP) – Verarbeitung natürlicher Sprache, z. B. für Chatbots oder Übersetzungen.
• Computer Vision – KI-gestützte Bilderkennung, z. B. für Gesichtserkennung oder Qualitätskontrolle in der Industrie.
• Transformer-Modelle – Moderne KI-Modelle für Sprachverarbeitung, z. B. GPT (Generative Pretrained Transformer).
• Generative KI – KI, die neue Inhalte erzeugt, z. B. Texte, Bilder oder Musik.

Ein neuronales Netzwerk kann man sich wie ein künstliches Gehirn vorstellen, das aus vielen vernetzten Knotenpunkten (Neuronen) besteht. Diese Neuronen arbeiten zusammen, um Muster in Daten zu erkennen und Entscheidungen zu treffen.

• Perzeptron & Multilayer Perceptron (MLP) – Die Basis für neuronale Netze.
• Convolutional Neural Networks (CNNs) – Besonders gut für Bildverarbeitung, z. B. ResNet, VGG, EfficientNet.
• Recurrent Neural Networks (RNNs) – Gut für Sequenzverarbeitung (z. B. Zeitreihen, Sprache), aber oft durch Transformer ersetzt.
• Long Short-Term Memory (LSTM) – Eine spezielle RNN-Variante zur Verarbeitung längerer Abfolgen von Daten.

• Wie vermeide ich Diskriminierung in der KI? Sind Verzerrungen (Bias) in den Daten oder Algorithmen enthalten?
• Wie sorge ich für transparente und nachvollziehbare Entscheidungen? Insbesondere bei kritischen Anwendungen (Justiz, Medizin, Kreditvergabe).

• Wie gehe ich mit sensiblen Daten um? DSGVO (Europa), CCPA (Kalifornien) und andere Datenschutzgesetze beachten.
• Wie anonymisiere oder schütze ich Nutzerdaten? Differential Privacy oder Federated Learning?
• Welche gesetzlichen Vorschriften sind zu beachten? Wie beeinflusst der EU AI Act oder andere Gesetze die KI-Nutzung?

• Welche Jobs werden durch KI ersetzt? Und wie entstehen neue Berufe?
• Wie bereite ich mein Team auf KI vor? Schulungen und Weiterbildungen notwendig?