KI-Testen Glossar (CT-AI)

Vokabelkarten zu KI-spezifischen Begriffen und Definitionen des Certified Tester AI Testing Lehrplans.

Aktivierungsfunktion

Die einem Neuron in einem neuronalen Netz zugeordnete Formel, welche die Ausgabe des Neurons aus den Eingaben des Neurons bestimmt.

Aktivierungswert

Die Ausgabe einer Aktivierungsfunktion eines Neurons in einem neuronalen Netz.

Algorithmische Verzerrung (algorithmic bias)

Eine Art von Verzerrung, die durch den ML-Algorithmus verursacht wird.

Allgemeine Datenschutzverordnung (GDPR)

Verordnung der Europischen Union (EU) zum Schutz naturlicher Personen bei der Verarbeitung personenbezogener Daten.

Allgemeine KI (general AI)

KI, die uber das gesamte Spektrum der kognitiven Fahigkeiten ein dem Menschen vergleichbares intelligentes Verhalten zeigt; Synonym: starke KI.

Annotation

Die Identifizierung von Objekten in Bildern mit Begrenzungsrahmen, um gekennzeichnete Daten fur die Klassifikation zu erhalten.

Anreicherung (augmentation)

Die Erstellung neuer Datenpunkte auf der Grundlage eines bestehenden Datensatzes.

Argumentationsverfahren

KI, die mit Hilfe logischer Techniken Schlussfolgerungen aus verfügbaren Informationen zieht.

Assoziation

Eine unuberwachte Lerntechnik, die Beziehungen und Abhangigkeiten zwischen Stichproben identifiziert.

Ausreißer

Eine Beobachtung, die außerhalb des allgemeinen Musters der Datenverteilung liegt.

Automatisierungsverzerrung

Eine Art von Verzerrung, die dadurch entsteht, dass eine Person die Empfehlungen eines automatisierten Entscheidungssystems gegenuber anderen Quellen bevorzugt; Synonym: Bequemlichkeitsverzerrung.

Autonomes System

Ein System, das uber langere Zeitraume ohne menschliches Zutun funktioniert.

Autonomie

Die Fahigkeit eines Systems, uber einen langeren Zeitraum ohne menschliches Eingreifen zu funktionieren.

Bayessches Modell

Ein statistisches Modell, das die Unbestimmtheit von Modell-Inputs und -Outputs mit Hilfe von Wahrscheinlichkeiten darstellt.

Belohnungsfunktion (reward function)

Eine Funktion, die den Erfolg des bestarkenden Lernens definiert.

Belohnungs-Hacking (reward hacking)

Die von einem intelligenten Agenten ausgefuhrte Tatigkeit zur Maximierung seiner Belohnungsfunktion auf Kosten der Erfullung des ursprunglichen Ziels.

Bestarkendes Lernen (reinforcement learning)

Die Erstellung eines ML-Modells durch einen Prozess des Ausprobierens und Belohnens, um ein Ziel zu erreichen.

Big Data

Umfangreiche Datensatze, deren Merkmale in Bezug auf Volumen, Vielfalt, Geschwindigkeit und/oder Variabilitat spezielle Techniken zur Verarbeitung erfordern.

Chatbot

Eine Anwendung, die dazu dient, ein Gesprach uber Text oder Text-to-Speech zu fuhren.

Clustering

Eine Art von ML-Algorithmus zur Gruppierung ähnlicher Objekte in Clustern.

Datenkennzeichnung (labelling)

Das Hinzufugen aussagekraftiger Tags zu Objekten in Rohdaten zur Unterstutzung der Klassifikation in ML.

Datenpipeline

Die Durchfuhrung von Datenvorbereitungstatigkeiten zur Bereitstellung von Eingabedaten zur Unterstutzung des Trainings oder der Vorhersage.

Datensatz

Eine Sammlung von Daten, die fur das Training, die Evaluierung, das Testen und die Vorhersage in ML verwendet werden.

Datenverunreinigung (data poisoning)

Die absichtliche und boswillige Manipulation von Trainings- oder Eingabedaten fur ein ML-Modell.

Deterministisches System

Ein System, das aus einer gegebenen Menge von Eingaben und einem gegebenen Ausgangszustand dieselbe Menge von Ausgaben und denselben Endzustand erzeugt.

Edge-Computing

Teil einer verteilten Architektur, in dem die Informationsverarbeitung in der Nahe des Ortes erfolgt, an dem die Informationen verwendet werden.

Entscheidungsschwelle

Ein Wert, der das Ergebnis einer Vorhersagefunktion in ein binares Ergebnis von entweder uber oder unter dem Wert umwandelt.

Epoche

Eine Iteration des ML-Trainings mit dem gesamten Trainingsdatensatz.

Erklärbare KI (explainable AI, XAI)

Bereich der Studie, der sich mit dem Verständnis der Faktoren befasst, welche die Ergebnisse von KI-Systemen beeinflussen.

F1-Wert (F1-Score)

Eine funktionale Leistungsmetrik von ML, die ein Gleichgewicht zwischen Recall und Prazision herstellt.

Falsch negativ (FN)

Eine ML-Modellvorhersage, bei der das Modell falschlicherweise die negative Klasse vorhersagt.

Falsch positiv (FP)

Eine ML-Modellvorhersage, bei der das Modell falschlicherweise die positive Klasse vorhersagt.

Merkmalsermittlung (Feature-Engineering)

Identifizierung der Attribute in Rohdaten, welche die zugrunde liegenden Beziehungen am besten reprasentieren.

Flache unter der Kurve (AUC)

Ein Maß dafur, wie gut ein Klassifikator zwischen zwei Klassen unterscheiden kann.

Fuzzy-Logik

Logik basierend auf Teilwahrheit, dargestellt durch Sicherheitsfaktoren zwischen $0$ und $1$.

Gegnerisches Beispiel (adversarial example)

Eine Eingabe erzeugt durch geringfugige Storungen eines funktionierenden Beispiels, die zu einem falschen Ergebnis fuhrt.

Genauigkeit (Accuracy)

Leistungsmetrik, die den Prozentsatz aller richtig vorhergesagten Klassifikationen misst.

Gewicht

Interne Variable einer Verbindung zwischen Neuronen, die sich auf die Berechnung der Ausgaben auswirkt.

Grundwahrheit

Informationen, die durch direkte Beobachtung gewonnen werden und von denen man weiß, dass sie real oder wahr sind.

Hyperparameter

Ein Parameter zur Steuerung des Trainings oder zur Festlegung der Konfiguration eines ML-Modells.

Interpretierbarkeit

Der Grad des Verstandnisses, wie die zugrunde liegende KI-Technik funktioniert.

Konzeptdrift

Veranderung in der wahrgenommenen Genauigkeit der Vorhersagen durch Veranderungen in Nutzererwartungen oder Einsatzumgebung.

Künstliche Intelligenz (KI)

Die Fahigkeit eines technischen Systems, Wissen und Fahigkeiten zu erwerben, zu verarbeiten, zu erzeugen und anzuwenden.

LIME-Methode

Algorithmus "Local Interpretable Model-Agnostic Explanations" zur Erklarung von ML-Vorhersagen.

Maschinelles Lernen (ML)

Prozess, bei dem computergestutzte Techniken eingesetzt werden, um Systeme in die Lage zu versetzen, aus Daten oder Erfahrungen zu lernen.

Mittlerer quadratischer Fehler (MSE)

Statistisches Maß fur die durchschnittliche quadratische Differenz zwischen geschatzten und tatsachlichen Werten.

Neuromorpher Prozessor

Integrierter Schaltkreis, der die biologischen Neuronen des menschlichen Gehirns nachbilden soll.

Neuronaler Netzwerktrojaner

Schwachstelle, die mittels Datenverunreinigung in ein neuronales Netz eingeschleust wird.

Nicht-deterministisches System

System, das bei gleichen Eingaben nicht immer dieselbe Menge von Ausgaben und denselben Endzustand erzeugt.

Prazision (precision)

Anteil der korrekten Ergebnisse unter den als positiv vorhergesagten Ergebnissen.

R-Quadrat

Statistisches Maß dafur, wie nahe die Datenpunkte an der angepassten Regressionslinie liegen; Synonym: Bestimmungskoeffizient.

Sensititvitat (recall)

Anteil der korrekt vorhergesagten Ergebnisse unter den tatsachlich positiven Fallen; Synonym: Empfindlichkeit.

Silhouettenkoeffizient

Clustermaß zwischen $-1$ und $+1$, basierend auf Unterschieden zwischen und innerhalb von Clustern.

Stichprobenverzerrung (sample bias)

Verzerrung, bei welcher der Datensatz nicht vollstandig reprasentativ fur den Datenraum ist.

Testorakel-Problem

Herausforderung festzustellen, ob ein Test bei bestimmten Eingaben bestanden oder nicht bestanden wurde.

Tiefes Lernen (deep learning, DL)

Maschinelles Lernen mit neuronalen Netzen mit mehreren Schichten.

Überanpassung

Erstellung eines Modells, das zu sehr dem Trainingsdatensatz entspricht und schwer auf neue Daten verallgemeinert werden kann.

Verarbeitung naturlicher Sprache (NLP)

Informatikbereich zur Erkennung, Manipulation und Ableitung von Bedeutung aus naturlichen Sprachen.

Von-Neumann-Architektur

Computerarchitektur bestehend aus Speicher, zentraler Verarbeitungseinheit, Steuereinheit, Ein- und Ausgabe.

Vortrainiertes Modell

Ein ML-Modell, das bereits trainiert wurde, als es erhalten wurde.