Glossary

0-9

1-shot learning 3D convolution 5G + AI 6DoF pose estimation 7D representation 8-bit quantization 2-stage detector 9-layer network 0-shot learning 4D data

A

AGI / Artificial General Intelligence Attention Autoencoder Algorithm Artificial Intelligence (AI)

B

Backpropagation Batch Normalization BERT Bias Boosting

C

Clustering CNN / Convolutional Neural Network Chatbot Classifier / Classification Cross-Validation

D

Data Augmentation Deep Learning Deepfake Deterministic Model Discriminative Model

E

Encoder Embedding Ensemble Learning Epoch Explainable AI (XAI)

F

Foundation Model Fine-tuning Fusion / Multimodal Fusion Feature Extraction Forward Propagation

G

Graph Neural Network (GNN)GAN / Generative Adversarial Network Generative AI Gradient Descent Grounding

H

Hierarchical Model Hyperparameter Hidden Layer Hallucination Heuristic

I

Instance / Sample Instruction tuning Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

JAX Jittering Joint Embedding JSONL / JSON-lines Juxtaposition

K

Kernel Trick KL Divergence (Kullback–Leibler Divergence)K-means Clustering K-Shot Learning Knowledge Distillation

L

Learning Rate Large Language Model (LLM)Latent Variable Loss Function LSTM / Long Short-Term Memory

M

Model Machine Learning (ML)Meta-learning Multi-head Attention Multimodal / Multimodality

N

Neural Network Novelty Detection / Anomaly Detection NLP / Natural Language Processing NLU / Natural Language Understanding Normalization

O

Objective Function Optimizer One-hot Encoding Online Learning Overfitting

P

Parameter Prompt Policy / Reinforcement Learning Policy Pooling Pretraining

Q

Query Q-learning Quality Estimation Quantization Queue / Buffer

R

Representation Learning Regularization Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)RNN / Recurrent Neural Network

S

Sampling Self-Supervised Learning Sequence Modeling Softmax Supervised Learning

T

Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning Training Data

U

Universal Approximation Theorem U-Net Underfitting Uncertainty Estimation Unsupervised Learning

V

Validation Set Vanishing / Exploding Gradient Variational Autoencoder (VAE)Vector Embedding Vision Transformer (ViT)

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

XOR problem X-axis / feature axis XAI / Explainable AI XLM XLNet

Y

Y-axis / feature axis Y-transform / YUV YAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI

Z

Zero-gradient phenomenon Zero-centric / Zero-bias initialization Z-score Normalization Zero-shot Learning / Zero-shot inference Zygosity in augmentation

Was ist erklärbare KI (XAI)

Erklärbare KI (XAI) bezieht sich auf Methoden der künstlichen Intelligenz, die menschlich verständliche Erklärungen für ihre Entscheidungen und Handlungen bereitstellen. Da KI-Systeme in kritischen Sektoren wie Gesundheitswesen und Finanzen zunehmend verbreitet sind, ist die Notwendigkeit von Transparenz von entscheidender Bedeutung. Benutzer müssen die Logik hinter den Entscheidungen der KI verstehen, um der Technologie zu vertrauen.

XAI funktioniert durch verschiedene Techniken, einschließlich der Analyse der Merkmalswichtigkeit, der Modellvisualisierung und der Generierung interpretierbarer Entscheidungsregeln. Diese Methoden ermöglichen es den Benutzern, die Ausgaben der KI-Modelle besser zu verstehen, was das Vertrauen in die Systeme erhöht. Beispielsweise können Tools wie LIME (Lokale Interpretable Modell Unabhängige Erklärungen) und SHAP (SHapley Additive Erklärungen) aufzeigen, wie bestimmte Eingangsmerkmale die Vorhersagen beeinflussen.

In Zukunft wird erwartet, dass XAI zu einem Branchenstandard wird, da sich die KI-Anwendungen ausweiten, insbesondere im Kontext zunehmender regulatorischer Anforderungen. Zu den Vorteilen gehören die Verbesserung des Benutzervertrauens, die Erhöhung der Akzeptanz von Modellen und die Unterstützung von Entwicklern bei der Identifizierung von Vorurteilen und ethischen Problemen in den Modellen. Allerdings hat XAI auch Nachteile, wie zusätzliche Rechenkosten, die Möglichkeit einer übermäßigen Vereinfachung der Erklärungen und Schwierigkeiten bei der Anwendung auf alle Arten von KI-Systemen.

Bei der Implementierung von XAI müssen Entwickler das Gleichgewicht zwischen Erklärbarkeit und Modellleistung wahren und sicherstellen, dass die bereitgestellten Erklärungen für die Endbenutzer tatsächlich nützlich sind. Insgesamt ist XAI ein entscheidender Schritt zur Förderung von Transparenz und Verantwortung in der KI und unterstützt die Entwicklung einer sichereren und gerechteren KI.