AI-Lexikon

Eine einheitliche, mit AI angereicherte Sicht auf Historie, Verhalten und Präferenzen eines Kunden über Systeme hinweg (CRM, Support, Marketing).

Ein offenes Kommunikationsprotokoll, das AI-Agenten verschiedener Anbieter und Frameworks zusammenarbeiten und Informationen plattformübergreifend austauschen lässt.

Ein Netzwerk vieler unabhängiger AI-Agenten, die dezentral zusammenarbeiten, um komplexe, großskalige Aufgaben zu lösen.

AI-Systeme mit einem Grad an Handlungsfähigkeit (Agency) - sie können planen, Entscheidungen treffen und Handlungen autonom ausführen, um ein Ziel zu erreichen.

Eine neue Form des Handels, bei der AI-Agenten selbstständig Recherchen durchführen, vergleichen und Käufe im Namen von Verbrauchern oder Unternehmen abschließen.

Die Disziplin und die Prozesse, die Kontrolle, Überwachung und Verantwortlichkeit über die Flotte autonomer AI-Agenten eines Unternehmens sicherstellen.

Eine Skalierungsmethode, bei der AI-Agenten mit anderen Agenten und Werkzeugen interagieren, um komplexe Aufgaben zu lösen - eine neue Phase über traditionelles Training und Inferenz hinaus.

Oberbegriff für Maschinen und Systeme, die Aufgaben ausführen können, die normalerweise menschliche Intelligenz erfordern (z. B. Problemlösung und Mustererkennung).

Ein autonomes AI-System, das nicht nur Fragen beantwortet, sondern aktiv Aktionen in anderen Softwaresystemen ausführen kann.

Eine Plattform oder ein Marktplatz, auf dem Unternehmen spezialisierte AI-Agenten für konkrete Geschäftsaufgaben finden, vergleichen und implementieren können.

Gemeinsame Standards und Protokolle, die sicherstellen, dass AI-Agenten verschiedener Anbieter sicher kommunizieren und zusammenarbeiten können.

Ein nachvollziehbares Protokoll über Entscheidungen, Modellversionen, Trainingsdaten und Änderungen, das die Revision eines AI-Systems ermöglicht.

Eine wirtschaftliche Begründung für ein AI-Projekt, die Implementierungskosten gegen erwarteten ROI, Zeitersparnis und höheren Umsatz abwägt.

Ein interdisziplinäres Team, das AI-Strategie, Standards, Governance und Best Practices im gesamten Unternehmen vorantreibt.

Der praktische Prozess, sicherzustellen, dass die Nutzung von AI in einem Unternehmen geltende Gesetze, Regeln und Branchenstandards erfüllt - einschließlich des EU AI Act.

Die Automatisierung der Inhaltserstellung (Text, Bilder, Video) für SEO, Social Media und E-Mail-Marketing mithilfe generativer AI.

Eine integrierte Infrastruktur, die den gesamten Lebenszyklus von AI-Trainingsdaten automatisiert - von Generierung und Augmentierung bis zu Qualitätskontrolle und Evaluierung im großen Maßstab.

Ein Rechenzentrum, das speziell dafür konzipiert und optimiert ist, AI-Modelle im großen Maßstab zu trainieren und auszuführen - eine Fabrik, die Intelligenz produziert.

Das interne Regelwerk, Framework und die Prozesse, die ein Unternehmen aufsetzt, um sicherzustellen, dass AI ethisch, sicher und rechtmäßig entwickelt und genutzt wird.

Algorithmen, die eingehende Leads automatisch bewerten und priorisieren, oft direkt in CRM-Systeme wie HubSpot integriert.

Das allgemeine Wissensniveau in der Organisation darüber, was AI kann und was nicht, damit Führungskräfte und Mitarbeitende qualifizierte Entscheidungen treffen können.

Die Nutzung von AI, um Marketingkampagnen kanalübergreifend zu automatisieren, zu optimieren und zeitlich zu steuern.

Die Fähigkeit von AI-Systemen, Kontext, Präferenzen und frühere Gespräche über Sitzungen hinweg zu speichern - im Gegensatz zu traditionellen stateless Modellen.

Die Art und Weise, wie ein Unternehmen Rollen, Verantwortlichkeiten, Prozesse und Technologien rund um AI organisiert, damit sie ein integrierter Teil des Geschäfts wird.

Eine Bewertung, wie bereit ein Unternehmen für die Implementierung von AI ist - gemessen an Daten, Infrastruktur, Kultur und Kompetenzen.

Eine kontrollierte Testumgebung, die von einer nationalen Behörde eingerichtet wird und in der Unternehmen innovative AI-Systeme unter Aufsicht der Behörde entwickeln und erproben können - bevor sie auf den Markt gebracht werden.

Der systematische Prozess, Risiken bei AI zu identifizieren, zu bewerten und zu mitigieren - von Datensicherheit und Bias bis zu regulatorischen Folgen.

Ein konkreter Plan, der die AI-Reise des Unternehmens über 12-36 Monate beschreibt - von Pilotprojekten bis zur vollständigen Skalierung.

Eine geschlossene, sichere Testumgebung, in der Mitarbeitende mit AI-Tools experimentieren können, ohne das Risiko, Daten ins Internet leaken zu lassen.

Eine integrierte Desktop- oder Mobilanwendung, die mehrere AI-Werkzeuge - Chat, Coding, Browsing und Agenten - in einer gemeinsamen Oberfläche vereint.

Die Schicht aus spezifischen Tools und Plugins, die einem AI-Agenten die Fähigkeit gibt, in externen Systemen Aktionen auszuführen.

Der Prozess, bei dem ein Unternehmen AI in seine Kernprozesse integriert, um das Geschäftsmodell zu verändern und zu optimieren.

Die systematische Arbeit, den Geschäftswert zu messen, zu dokumentieren und zu optimieren, den AI-Lösungen nach dem Go-live tatsächlich schaffen.

Die Steuerung und Koordination mehrerer AI-Komponenten und Workflows (z. B. RAG, Agenten, API-Aufrufe) in einer gemeinsamen Lösung.

Techniken, die es AI-Agenten ermöglichen, die Richtigkeit ihrer eigenen Antworten und Handlungen automatisch zu überprüfen.

Das Prinzip, dass eine Organisation oder Nation die Kontrolle über ihre AI-Systeme, Daten und Infrastruktur behält - unabhängig von ausländischen Anbietern und Cloud-Plattformen.

Die Einteilung von AI-Systemen in Risikostufen (unakzeptabel, hoch, begrenzt, minimal) gemäß EU AI Act.

AI-Tools, die Vertriebsmitarbeitern helfen, Meetings vorzubereiten, E-Mails zu schreiben, Kundengespräche zusammenzufassen und die nächsten Schritte vorzuschlagen.

Eingebaute Vorurteile oder Verzerrungen in einem AI-Modell, die meist entstehen, weil die Trainingsdaten mangelhaft oder voreingenommen waren.

Der Code, der es zwei Systemen (z. B. HubSpot und einem LLM) ermöglicht, miteinander zu kommunizieren und Daten auszutauschen.

Eine Prompting-Technik, bei der die AI aufgefordert wird, laut zu denken und ihre Zwischenschritte Schritt für Schritt zu erklären, bevor sie die endgültige Antwort gibt.

Organisatorische Maßnahmen, Schulung und Kommunikation, die nötig sind, damit Mitarbeitende neue AI-Lösungen in der Praxis akzeptieren und nutzen.

Der Prozess, bei dem lange Dokumente in kleinere, sinnvolle Einheiten (Chunks) zerlegt werden, bevor sie in eine AI-Datenbank aufgenommen werden.

AI-Modelle, die Kunden identifizieren, bei denen ein hohes Risiko besteht, dass sie ihr Abonnement kündigen oder das Unternehmen verlassen, bevor es passiert.

AI-Modelle, die mehrere Medientypen gleichzeitig verstehen und verarbeiten können, etwa Text, Bilder, Audio und Video.

AI-Dienste, die über das Internet von großen Anbietern (wie Google Cloud oder Azure) bereitgestellt werden und nur minimale lokale Infrastruktur erfordern.

Ein Ansatz, der mehrere AI-Techniken - z. B. Machine Learning, Wissensgraphen, NLP und regelbasierte Systeme - in einer gemeinsamen Lösung kombiniert, um komplexe Geschäftsprobleme zu lösen.

Eine Sicherheitstechnologie, die Daten schützt, während sie aktiv von AI-Modellen verarbeitet werden, indem Berechnungen in verschlüsselten Hardware-Enklaven ausgeführt werden.

Der formale Prozess, in dem bewertet wird, ob ein Hochrisiko-AI-System die Anforderungen des AI Act vor der Markteinführung erfüllt.

Ein AI-Sicherheitsansatz, bei dem das Modell durch einen Satz niedergeschriebener Prinzipien ('eine Verfassung') gesteuert wird und sich weitgehend selbst bewertet, statt ausschließlich von menschlichem Feedback abhängig zu sein.

Die Disziplin, den Kontext - Daten, Anweisungen und Gedächtnis -, den ein AI-Modell erhält, zu entwerfen und zu steuern, um präzise und relevante Antworten sicherzustellen.

Die maximale Menge an Text (Input plus Verlauf), die ein LLM gleichzeitig 'im Kopf' behalten kann.

Fortgeschrittene Chatbots und Sprachassistenten, die natürliche, dynamische Gespräche mit Kunden führen können, statt starren Regelwerken zu folgen.

Ein AI-Assistent, der Seite an Seite mit einem menschlichen Nutzer arbeitet, um die Produktivität zu steigern, aber die ständige Steuerung durch den Nutzer erfordert.

Veränderungen in der Verteilung der Eingabedaten im Zeitverlauf, die bestehende Modelle weniger zuverlässig machen können.

Anforderungen an Qualität, Repräsentativität und Dokumentation der Datensätze, die zum Trainieren, Validieren und Testen von AI-Modellen verwendet werden.

Die automatisierten Flows, die Daten sammeln, bereinigen, transformieren und an AI-Modelle liefern.

Wenn Angreifer Trainingsdaten oder RAG-Dokumente bewusst verunreinigen, sodass das AI-Modell falsche Muster lernt.

Der Schutz personenbezogener Daten (GDPR) im Zusammenhang mit der Erhebung von Trainingsdaten sowie Input und Output in AI-Modellen.

Eine fortgeschrittene Form von Machine Learning, inspiriert vom menschlichen Gehirn (neuronale Netze), die für komplexe Aufgaben wie Bild- und Spracherkennung eingesetzt wird.

Eine Sicherheitsstrategie, bei der mehrere Schutzschichten kombiniert werden, um das Risiko von AI-Systemen zu verringern - statt sich auf einen einzelnen Sicherheitsmechanismus zu verlassen.

Eine virtuelle Kopie eines physischen Objekts, Systems oder Prozesses, die mit Echtzeitdaten aktualisiert wird und für Simulation, Überwachung und Optimierung genutzt wird.

Eine neuere Methode, das Verhalten von AI-Modellen an menschliche Präferenzen anzupassen - einfacher und stabiler als der ältere RLHF-Ansatz.

Inhalte auf Website oder in E-Mails, die auf Basis des Verhaltens und Profils des Nutzers automatisch verändert werden - angetrieben von AI.

AI-Berechnungen, die direkt auf dem lokalen Gerät stattfinden (z. B. auf einem Smartphone, einer Produktionsmaschine oder in einem Auto) statt in der Cloud.

Numerische Repräsentationen von Text, Bildern oder anderen Objekten in einem mehrdimensionalen Raum.

Bezeichnung für AI-Lösungen, die für die gesamte Organisation entwickelt sind - über Abteilungen, Systeme und Prozesse hinweg - mit Fokus auf Skalierbarkeit, Governance und Geschäftswert.

Die EU-Gesetzgebung zu künstlicher Intelligenz (tritt 2026 vollständig in Kraft), die AI-Systeme in Risikoklassen einteilt und strenge Transparenzanforderungen stellt.

Ein automatisiertes Test-Setup, das Qualität, Genauigkeit und Sicherheit des Outputs eines AI-Modells systematisch bewertet.

AI-Systeme, die so gestaltet sind, dass Menschen verstehen können, wie und warum die AI eine bestimmte Entscheidung getroffen hat.

Eine zentrale Bibliothek für die Daten-Features, die über verschiedene AI-Modelle hinweg verwendet werden, sodass sie wiederverwendbar sind.

Eine Methode, AI-Modelle auf verteilten Datensätzen zu trainieren, ohne Rohdaten an einem Ort zu sammeln - das Modell reist zu den Daten statt umgekehrt.

Eine Prompting-Technik, bei der man der AI vor der eigentlichen Aufgabe ein paar Beispiele für die gewünschte Aufgabe und das gewünschte Output-Format gibt.

Der Prozess, bei dem man ein bestehendes AI-Modell nimmt und es auf unternehmensspezifischen Daten weitertrainiert.

Riesige, allgemeine AI-Modelle (wie GPT-4 oder Claude 3), die auf enormen Datenmengen trainiert wurden und die Basis für viele spezifische Anwendungen bilden.

Bezeichnung für die fortschrittlichsten und leistungsfähigsten AI-Modelle, die typischerweise von den größten AI-Laboren mit enormen Mengen an Daten und Rechenleistung trainiert werden.

Eine Art von AI, die auf Basis der Daten, mit denen sie trainiert wurde, neue Inhalte erzeugen kann - Text, Bilder, Code oder Audio.

Die Nutzung von AI, um Verkaufsgespräche oder Kundendienstgespräche automatisch zu transkribieren und Schlüsselthemen, Sentiment und nächste Schritte zu extrahieren.

Eine fortgeschrittene Weiterentwicklung von RAG, die semantische Suche mit Wissensgraphen kombiniert, um komplexe Beziehungen in Daten zu verstehen.

Die Technik, Antworten einer AI in spezifischen, verifizierbaren Quellen zu verankern, um erfundene Informationen (Halluzinationen) zu verhindern.

Eine Trainingsmethode für große Sprachmodelle, die ihre Reasoning-Fähigkeit verbessert, indem das Modell mehrere Lösungen erzeugt und die besten verstärkt - ohne dass ein separates Bewertungsmodell nötig ist.

Regeln und Filter um ein LLM herum, die unerwünschtes Verhalten verhindern - z. B. das Leaken von Personendaten oder diskriminierenden Output.

Wenn ein AI-Sprachmodell Fakten erfindet oder selbstsichere, aber völlig falsche Antworten generiert.

AI-Systeme, die die Sicherheit oder grundlegende Rechte von Menschen beeinflussen können (z. B. AI für Recruiting oder Bonitätsbewertung).

Anforderungen und Praktiken, die sicherstellen, dass Menschen wichtige AI-Entscheidungen überwachen und übersteuern können - besonders in Hochrisiko-Szenarien.

Ein Systemdesign, bei dem menschliches Urteilsvermögen, Freigabe oder Feedback direkt in den Arbeitsprozess der AI integriert sind.

Ein Architekturansatz, der verschiedene AI-Modelle oder Bereitstellungsformen kombiniert - typischerweise lokale (Edge-) und cloudbasierte AI -, um die beste Balance aus Geschwindigkeit, Sicherheit und Kapazität zu erreichen.

Die Nutzung von AI, um Inhalte, Produktempfehlungen und Botschaften in Echtzeit auf den einzelnen Nutzer zuzuschneiden.

Der eigentliche Laufzeitpunkt, an dem ein AI-Modell Input entgegennimmt und Output erzeugt.

AI-Funktionalität, die so tief in bestehende Produkte und Dienste integriert ist, dass der Nutzer nicht aktiv erlebt, mit AI zu interagieren.

Der internationale Standard für ein Managementsystem zur verantwortungsvollen Nutzung von künstlicher Intelligenz - die AI-Antwort auf ISO 27001 für Informationssicherheit.

Methoden, mit denen ein Nutzer eine AI bewusst manipuliert, damit sie ihre eigenen ethischen und sicherheitsbezogenen Richtlinien bricht.

Ein zentralisiertes, strukturiertes Archiv des internen Wissens, der Dokumente und Daten eines Unternehmens, auf das AI-Systeme zugreifen können.

Eine Technik, bei der Wissen aus einem großen, komplexen AI-Modell in ein kleineres und schnelleres Modell übertragen wird, das den Großteil der ursprünglichen Qualität bewahrt.

Die Zeit, die vergeht, nachdem ein Nutzer eine Anfrage sendet, bis die AI eine Antwort zurückgibt.

Modelle, die die Wahrscheinlichkeit berechnen, dass ein Lead zum Kunden konvertiert - auf Basis von Verhalten, Demografie und Historie.

Große Sprachmodelle, die auf enormen Mengen an Textdaten trainiert wurden, um menschenähnliche Sprache verstehen und erzeugen zu können.

Laufendes Logging von Input, Output und Modellversionen, damit eine AI-Entscheidung im Nachhinein untersucht werden kann.

Eine Unterkategorie von AI, bei der Systeme aus Daten lernen und sich verbessern, ohne für jede einzelne Aufgabe explizit programmiert zu werden.

Ein Forschungsfeld innerhalb der AI-Sicherheit, das darauf abzielt, genau zu verstehen, wie die internen Neuronen und Schaltkreise eines AI-Modells bestimmte Antworten erzeugen.

Eine AI-Architektur, bei der mehrere spezialisierte Untermodelle ('Experten') zusammenarbeiten und für jede Aufgabe nur die relevantesten aktiviert werden.

Ein Set aus Praktiken und Werkzeugen, das den gesamten Lebenszyklus von ML-Modellen automatisiert und standardisiert.

Ein standardisiertes Dokumentationsblatt, das Zweck, Trainingsdaten, Einschränkungen und Testergebnisse eines AI-Modells beschreibt - und für Anbieter allgemeiner AI-Modelle unter dem EU AI Act inzwischen gesetzlich vorgeschrieben ist.

Ein offener Standard, der AI-Modelle mit externen Werkzeugen, Datenbanken und Geschäftssystemen verbindet - denken Sie daran wie an einen universellen Adapter zwischen AI und den Daten des Unternehmens.

Der Prozess, bei dem ein AI- oder ML-Modell von der Entwicklungsumgebung in den Betrieb überführt wird.

Wenn die Genauigkeit eines AI-Modells im Laufe der Zeit sinkt, weil sich die Welt und die Daten im Verhältnis zu seinen Trainingsdaten verändern.

Die laufende Überwachung der Performance eines AI-Modells in Produktion, um Fehler, Data Drift oder Bias zu erkennen.

Eine Optimierungstechnik, die die Größe und den Rechenbedarf eines AI-Modells reduziert, indem die Präzision seiner internen Zahlenrepräsentation gesenkt wird.

Ein Katalog aller AI-Modelle in der Organisation mit Versionen, Eigentümerschaft, Performance-Metriken und Freigabestatus.

Der Schutz von AI-Modellen vor Cyberangriffen wie Model Theft, Prompt Injection, Data Poisoning und Adversarial Attacks.

Eine Architektur, in der mehrere spezialisierte AI-Agenten zusammenarbeiten, um bei einer Aufgabe bessere Ergebnisse zu erzielen.

Ein Systemdesign, in dem mehrere spezialisierte AI-Agenten zusammenarbeiten, oft jeweils mit eigener Rolle und eigenen Werkzeugen.

NVIDIAs Sicherheitsplattform für AI-Agenten, die Sandboxing, Zugriffskontrolle und Datenschutz für autonome AI-Systeme in Unternehmen ergänzt.

NVIDIAs Familie von Open-Source-Sprachmodellen, die für den Enterprise-Einsatz mit hoher Leistung und geringem Ressourcenverbrauch über eine Mixture-of-Experts-Architektur entwickelt wurden.

Eine AI-getriebene Empfehlung für die relevanteste nächste Handlung gegenüber einem Kunden - z. B. welches Angebot oder welcher Inhalt jetzt folgen sollte.

NVIDIAs Plattform aus voroptimierten Containern, die es einfach macht, AI-Modelle in Produktion auf NVIDIA-Hardware zu deployen und auszuführen.

Die Fähigkeit, die inneren Prozesse eines AI-Systems in Echtzeit zu überwachen, zu messen und zu verstehen, um Qualität, Performance und Sicherheit sicherzustellen.

AI-Systeme, die Hunderte Sprachen verstehen und verarbeiten können, einschließlich unterrepräsentierter Sprachen, ohne für jede Sprache ein separates Modell zu benötigen.

AI-Lösungen, die lokal auf den eigenen Servern des Unternehmens gehostet werden statt in der Cloud.

AI-Modelle, deren Quellcode frei verfügbar ist, was Unternehmen große Freiheit gibt, sie anzupassen und lokal zu hosten.

Ein Open-Source-Werkzeug bzw. Framework, das dafür entwickelt wurde, AI-Agenten tief mit digitalen Umgebungen interagieren zu lassen und Daten effizient zu extrahieren.

Die Software-Infrastruktur, die verschiedene AI-Modelle, Datenbanken, APIs und Benutzeroberflächen zu einer funktionierenden Gesamtlösung verbindet.

Ein AI-Agent, der kontinuierlich im Hintergrund läuft, statt nur auf einzelne Anfragen zu reagieren - immer an, immer bereit.

AI-Systeme, die dafür entwickelt wurden, die physische Welt zu verstehen und mit ihr zu interagieren - von Robotern und autonomen Fahrzeugen bis zur industriellen Automatisierung.

Automatisierte Prozesse, die personenbezogene Informationen (PII) aus Daten entfernen oder unkenntlich machen, bevor sie an ein AI-Modell gesendet werden.

AI, die historische Daten analysiert, um zukünftige Ereignisse vorherzusagen - z. B. welche Leads dem Kauf am nächsten sind.

Eine Technik, bei der mehrere Prompts in einer Sequenz miteinander verbunden werden, sodass der Output eines Schritts zum Input des nächsten wird.

Die Kunst, präzise und effektive Anweisungen (Prompts) für ein AI-Modell zu formulieren, um den bestmöglichen Output zu erhalten.

Ein Sicherheitsangriff, bei dem böswillige Anweisungen im Input versteckt werden, um ein LLM dazu zu bringen, Regeln zu ignorieren und unerwünschte Handlungen auszuführen.

Eine wiederverwendbare Prompt-Struktur mit Platzhaltern, die in Workflows und Integrationen dynamisch ausgefüllt werden kann.

Ein kleines, abgegrenztes AI-Projekt, das in der Praxis getestet wird, um zu beweisen, dass die Technologie funktioniert und Wert schafft, bevor sie vollständig ausgerollt wird.

Eine Methode, bei der ein Sprachmodell mit den eigenen, geschlossenen Daten des Unternehmens verbunden wird, um Halluzinationen zu vermeiden.

Eine neue Kategorie von AI-Modellen, die dafür entwickelt wurden, komplexe Probleme 'Schritt für Schritt zu durchdenken', statt Antworten sofort zu generieren.

Kontrollierte Tests, bei denen Experten bewusst versuchen, eine AI zu schädlichem Verhalten zu bringen, um Sicherheitslücken zu schließen.

Der Prozess und die Infrastruktur, die relevante Informationen aus der Wissensbasis eines Unternehmens heraussuchen, um ein AI-Modell mit Kontext zu versorgen.

Anforderung im EU AI Act, dass Hochrisiko-AI-Systeme ein dokumentiertes Risikomanagementsystem haben müssen, das laufend aktualisiert wird.

Eine Suchtechnik, bei der AI die Bedeutung hinter einer Frage versteht und nicht nur exakte Keywords abgleicht.

Die Nutzung von AI-Tools durch Mitarbeitende ohne formale Genehmigung oder Überwachung durch die IT-Abteilung.

Kleinere und stärker spezialisierte Sprachmodelle, die deutlich weniger Rechenleistung und Daten benötigen als massive LLMs.

Das kollektive Verhalten und die Problemlösungsfähigkeit, die entstehen, wenn viele einfache AI-Agenten miteinander interagieren.

Die Steuerung und Koordination einer Gruppe von AI-Agenten (eines Schwarms), damit sie auf ein gemeinsames Ziel hinarbeiten, ohne sich gegenseitig zu behindern.

Künstlich erzeugte Daten, die statistisch echten Daten ähneln, aber keine echten personenbezogenen Informationen enthalten.

Die übergeordnete Anweisung, die festlegt, wie sich ein Sprachmodell verhalten soll, bevor der Nutzer Fragen stellt.

Die Dokumentation, die ein Unternehmen für ein AI-System vorlegen muss - einschließlich Zweck, Datensätzen, Modellen, Tests und Kontrollmechanismen.

Eine Einstellung in Sprachmodellen, die den Grad an Zufälligkeit und 'Kreativität' in den Antworten der AI steuert.

Eine Technik, bei der das AI-Modell zusätzliche Rechenzeit nutzt, um über schwierige Fragen 'länger nachzudenken', statt sofort zu antworten - das verbessert die Präzision deutlich.

Eine generative AI-Technologie, die Videosequenzen direkt aus Textbeschreibungen erzeugt - von einfachen Animationen bis zu realistischen Filmszenen.

Der kleinste Baustein von Text (typischerweise ein Wort oder eine Silbe), den ein Sprachmodell liest und erzeugt.

Wenn ein LLM automatisch externe Werkzeuge oder APIs aufrufen kann, um Aktionen auszuführen und Live-Daten abzurufen.

Die Methode, AI-Anwendungsfälle auf Basis von potenziellem Geschäftswert, technischer Komplexität und Risiko auszuwählen und zu priorisieren.

Eine spezialisierte Datenbank zum Speichern numerischer Vektorrepräsentationen (Embeddings) von Daten, die semantische Suche ermöglicht.

NVIDIAs nächste Generation von GPU-Architektur nach Blackwell, ausgelegt darauf, bis zu zehnmal bessere Energieeffizienz pro AI-Berechnung zu liefern.

Die Praxis, AI mit Fokus auf Ethik, Transparenz und Fairness zu designen und zu implementieren.

Eine AI-unterstützte Entwicklungsmethode, bei der man gewünschte Funktionalität in natürlicher Sprache beschreibt und die AI den Code erzeugen lässt - der Fokus verschiebt sich vom Schreiben von Code zur Steuerung des Ergebnisses.

Ein AI-Modell, das eine interne Repräsentation der physischen Welt aufbaut und vorhersagen kann, wie sich Objekte und Umgebungen im Zeitverlauf verhalten.

Ein Sicherheitsrahmen, der das Zero-Trust-Prinzip auf AI-Systeme ausweitet - keine AI-Komponente vertraut automatisch einer anderen, und jeder Zugriff wird laufend verifiziert.

Die Fähigkeit eines AI-Modells, eine Aufgabe auszuführen, für die es nie explizit trainiert wurde und von der es zuvor keine Beispiele gesehen hat.