Glossar

KI & Machine Learning

• A2A-Protokoll - wie KI-Agenten miteinander zusammenarbeitenKI & Machine Learning

  Das A2A- oder Agent-to-Agent-Protokoll ist ein Standard, über den KI-Agenten miteinander kommunizieren und Aufgaben gemeinsam lösen - anders als MCP.

• Agent Evaluation - KI-Agenten mit mehrstufigen Abläufen bewertenKI & Machine Learning

  Agent Evaluation bewertet KI-Agenten samt mehrstufiger Abläufe, Tool-Nutzung und Regressionen bei Updates - mehr als die Antwort eines einzelnen LLM-Aufrufs.

• Agenten-Gedächtnis (Agent Memory) - wie KI-Agenten sich erinnernKI & Machine Learning

  Agenten-Gedächtnis gibt KI-Agenten ein Kurz- und Langzeitgedächtnis über einzelne Anfragen hinaus - episodisch, semantisch und abgegrenzt vom Kontextfenster.

• Agentic Coding - KI-gestützte Softwareentwicklung mit autonomen AgentenKI & Machine Learning

  Agentic Coding: autonome KI-Agenten planen, implementieren und testen - der Mensch steuert als Architekt und Reviewer. Professioneller Weg zur KI-Entwicklung.

• Agentic Engineering: die neue Disziplin der Softwareentwicklung mit KIKI & Machine Learning

  Agentic Engineering ist die Ingenieurdisziplin der Orchestrierung von KI-Agenten. Der Mensch agiert als Architekt und Quality Gate, KI-Agenten planen autonom.

• Agentic RAG - RAG mit planendem KI-AgentenKI & Machine Learning

  Agentic RAG verbindet RAG mit einem KI-Agenten, der mehrstufig plant, mehrfach sucht, Quellen bewertet und iterativ verfeinert - statt einmalig abzurufen.

• Agentic WorkflowKI & Machine Learning

  Ein Agentic Workflow ist ein automatisierter Arbeitsablauf, in dem KI-Agenten Aufgaben eigenständig planen, ausführen und den Ablauf dynamisch anpassen.

• AgentOps - KI-Agenten zuverlässig in Produktion betreibenKI & Machine Learning

  AgentOps steht für den zuverlässigen Betrieb von KI-Agenten in Produktion - analog zu DevOps. Monitoring von Qualität, Kosten, Latenz plus Regressionen.

• AI Evals (KI-Evaluierung) - KI-Anwendungen systematisch testenKI & Machine Learning

  AI Evals testen KI- und LLM-Anwendungen gegen ein definiertes Testset mit klaren Kriterien - warum Ausprobieren nicht reicht, Offline- vs. Online-Evals.

• AI Gateway - zentrale Kontrollebene für LLM-ZugriffeKI & Machine Learning

  Ein AI Gateway ist eine zentrale Proxy-Schicht zwischen den eigenen Anwendungen und den Modell-Anbietern - Routing, Caching, Logging und Budgets laufen zentral.

• AI Pair Programming - KI als ProgrammierpartnerKI & Machine Learning

  AI Pair Programming bezeichnet den Einsatz eines KI-Agenten als gleichwertigen Programmierpartner - verfügbar rund um die Uhr, mit konsistenter Qualität.

• Batch-Inferenz: mehrere Anfragen gebündelt verarbeitenKI & Machine Learning

  Batch-Inferenz bündelt mehrere Anfragen zu einem gemeinsamen Durchlauf, um die GPU besser auszulasten und die Kosten pro Anfrage zu senken.

• Chain of Thought - schrittweises Reasoning von KIKI & Machine Learning

  Chain of Thought lässt ein Sprachmodell eine Aufgabe in Zwischenschritten durchdenken, statt sofort zu antworten - das verbessert das Reasoning.

• Chunking - Dokumente für RAG richtig zerlegenKI & Machine Learning

  Chunking zerlegt Dokumente in durchsuchbare Textabschnitte für RAG. Chunk-Größe, Overlap und semantisches Schneiden entscheiden über die Retrieval-Qualität.

• CLAUDE.md - Project Instructions für KI-gestützte EntwicklungKI & Machine Learning

  CLAUDE.md ist eine Projektdatei, die automatisch in jede Claude Code Sitzung geladen wird und projektspezifische Regeln für KI-Assistenten definiert.

• Coding Agent - Autonome KI-Systeme für die SoftwareentwicklungKI & Machine Learning

  Ein Coding Agent ist ein autonomes KI-System, das selbständig programmiert: Dateien liest, Code schreibt, Tests ausführt und Git-Operationen durchführt.

• Computer Vision - wie Maschinen Bilder verstehenKI & Machine Learning

  Computer Vision bringt Maschinen das Sehen bei: Bilder klassifizieren, Objekte finden, ähnliche Aufnahmen vergleichen und fast identische Objekte unterscheiden.

• Context Engineering - KI-Assistenten optimal briefenKI & Machine Learning

  Context Engineering ist die Disziplin, KI-Assistenten durch strukturierte Kontextinformationen optimal zu briefen und über Sessions hinweg produktiv zu halten.

• Datenanalyse (Data Analytics)KI & Machine Learning

  Prozess der Untersuchung, Bereinigung, Transformation und Modellierung von Daten mit dem Ziel, nützliche Informationen und Erkenntnisse zu gewinnen.

• Dokumentenklassifizierung - Belege automatisch dem richtigen Typ zuordnenKI & Machine Learning

  Dokumentenklassifizierung ordnet eingehende Dokumente automatisch einem Typ zu - Rechnung, Lieferschein, Vertrag - als Weiche für jede weitere Verarbeitung.

• E-Rechnung, ZUGFeRD und XRechnung - strukturierte Rechnungsformate erklärtKI & Machine Learning

  E-Rechnung, ZUGFeRD und XRechnung erklärt: Unterschied zwischen Hybrid-Format (PDF+XML) und reinem XML - plus E-Rechnungspflicht in Deutschland.

• Embeddings - Vektoren als Bedeutungs-FingerabdruckKI & Machine Learning

  Ein Embedding übersetzt Text oder Bild in einen Vektor, der Bedeutung als Position im Raum abbildet - Grundlage für Ähnlichkeitssuche, Empfehlungen und RAG.

• Enterprise Search - unternehmensweite Suche über alle SystemeKI & Machine Learning

  Enterprise Search durchsucht per KI mehrere Unternehmenssysteme wie Confluence, SharePoint und Tickets zugleich - mit semantischer Suche und Zugriffsrechten.

• Few-Shot Prompting - Aufgaben mit Beispielen lösenKI & Machine Learning

  Few-Shot Prompting gibt einem LLM einige Beispiele direkt im Prompt vor, damit es die Aufgabe im gewünschten Format löst. Zero-Shot arbeitet ganz ohne Beispiel.

• Fine-Tuning - KI-Modelle auf eigene Daten anpassenKI & Machine Learning

  Fine-Tuning ist das gezielte Nachtrainieren eines vortrainierten KI-Modells auf eigene Daten - für eine konkrete Aufgabe statt eines generischen Modells.

• Foundation Model (Basismodell)KI & Machine Learning

  Ein Foundation Model ist ein breit vortrainiertes Basismodell, das als Grundlage für viele KI-Aufgaben dient - Sprachmodelle sind eine Teilmenge davon.

• GPU-Inferenz - warum lokale Sprachmodelle Grafikprozessoren brauchenKI & Machine Learning

  GPU-Inferenz beschreibt das Ausführen von Sprachmodellen auf Grafikprozessoren. Sizing, Auslastung, Quantisierung und Batching bestimmen Tempo und Kosten.

• GraphRAG - RAG mit Wissensgraph statt nur VektorenKI & Machine Learning

  GraphRAG erweitert RAG um einen Wissensgraph. Statt nur ähnliche Textabschnitte zu suchen, folgt es den Beziehungen zwischen Entitäten und Fakten.

• Hybrid Search - semantische und Stichwortsuche kombiniertKI & Machine Learning

  Hybrid Search verbindet semantische Vektorsuche mit Stichwortsuche (BM25). Die Kombination findet Treffer, die keiner der beiden Ansätze allein liefert.

• IDP (Intelligent Document Processing) - Dokumente automatisch verstehenKI & Machine Learning

  Intelligent Document Processing (IDP) verarbeitet Dokumente KI-gestützt: klassifizieren, Daten extrahieren, validieren und übergeben - über reine OCR hinaus.

• Inferenz (KI): die Anwendungsphase eines trainierten ModellsKI & Machine Learning

  Inferenz ist die Phase, in der ein fertig trainiertes KI-Modell angewendet wird und Vorhersagen oder Antworten erzeugt - abgegrenzt vom Training.

• InferenzkostenKI & Machine Learning

  Inferenzkosten sind die laufenden Kosten pro Anfrage, wenn ein trainiertes KI-Modell Antworten erzeugt - je nach Weg pro Token oder als eigene GPU-Kosten.

• Jailbreak (LLM) - Umgehung der Sicherheitsvorgaben eines ModellsKI & Machine Learning

  Ein LLM-Jailbreak umgeht die Sicherheitsvorgaben eines Sprachmodells, um verbotene Ausgaben zu erzwingen. Abgrenzung zu Prompt Injection und Schutzansätze.

• KI Red TeamingKI & Machine Learning

  KI Red Teaming greift ein KI-System gezielt an, um Schwachstellen zu finden, bevor Angreifer es tun - der adversariale Sicherheitstest für LLM-Anwendungen.

• KI-Agent - Autonome KI-Systeme in der SoftwareentwicklungKI & Machine Learning

  Ein KI-Agent ist ein autonomes KI-System, das Ziele selbstständig verfolgt, Tools nutzt und mehrstufige Aufgaben ohne manuelle Eingriffe ausführt.

• KI-Guardrails - Leitplanken für Ein- und Ausgaben eines LLMKI & Machine Learning

  KI-Guardrails sind technische Leitplanken, die Ein- und Ausgaben eines LLM begrenzen - für Sicherheit, erlaubte Themen, festes Format und Halluzinationsschutz.

• KI-Halluzination - wenn ein Sprachmodell Fakten erfindetKI & Machine Learning

  Eine KI-Halluzination ist eine plausibel klingende, aber falsche Ausgabe eines Sprachmodells. Warum das passiert - und wie RAG und Guardrails gegensteuern.

• KI-Kennzeichnungspflicht nach AI Act Art. 50 - technisch umsetzenKI & Machine Learning

  Art. 50 AI Act gilt seit 02.08.2026: Chatbot-Hinweis, maschinenlesbare Kennzeichnung, Deepfakes. Frist für Altsysteme: 02.12.2026. So setzen Sie es um.

• Knowledge Distillation - Wissen ins kleine Modell überführenKI & Machine Learning

  Knowledge Distillation überführt das Können eines großen Lehrer-Modells in ein kleines Schüler-Modell. Das senkt Inferenzkosten bei ähnlicher Qualität.

• Kontextfenster (Context Window): Das Kurzzeitgedächtnis von KI-Modellen erklärtKI & Machine Learning

  Kontextfenster (Context Window): die maximale Token-Menge, die ein KI-Modell gleichzeitig verarbeiten kann. Wie viel Text ein LLM auf einmal sieht - erklärt.

• Künstliche Intelligenz (KI)KI & Machine Learning

  Teilgebiet der Informatik, das sich mit der Automatisierung intelligenten Verhaltens und dem maschinellen Lernen befasst.

• LLM (Large Language Model) - Was ist ein Sprachmodell?KI & Machine Learning

  Large Language Models (LLMs) verstehen und generieren natürliche Sprache - die Basis von GPT-4, Claude, Llama und moderner KI in Unternehmen. Kurz erklärt.

• LLM-as-a-Judge - ein Sprachmodell bewertet KI-AusgabenKI & Machine Learning

  Beim LLM-as-a-Judge bewertet ein Sprachmodell automatisiert die Ausgaben eines anderen KI-Systems anhand von Kriterien. Vorteile, Grenzen und Bias.

• LLM-KostenoptimierungKI & Machine Learning

  LLM-Kostenoptimierung senkt die laufenden Kosten von KI-Systemen systematisch - über Modellwahl, Routing, Caching und Token-Reduktion, ohne Qualitätsverlust.

• LLM-ObservabilityKI & Machine Learning

  LLM-Observability überwacht LLM-Systeme: Kosten, Token-Verbrauch, Latenz, Qualität und Tracing. Kern ist die Kostenattribution - was treibt das Budget?

• LoRA & QLoRA - ressourcenschonendes Fine-TuningKI & Machine Learning

  LoRA und QLoRA sind ressourcenschonende Fine-Tuning-Methoden. Statt alle Gewichte anzupassen, trainieren sie nur kleine Zusatzmatrizen - günstig und schnell.

• MCP (Model Context Protocol) - Standard für KI-Tool-IntegrationKI & Machine Learning

  Das Model Context Protocol (MCP) ist ein von Anthropic entwickelter Standard, um Tools und Datenquellen in KI-Assistenten wie Claude Code zu integrieren.

• MCP-Server - Werkzeuge und Daten für KI-Agenten bereitstellenKI & Machine Learning

  Ein MCP-Server stellt einem KI-Agenten nach dem Model Context Protocol Werkzeuge, Daten und Aktionen bereit - und bindet so ein Unternehmenssystem an die KI an.

• Metric Learning - Ähnlichkeit gezielt lernenKI & Machine Learning

  Metric Learning bringt einem Modell bei, Ähnlichkeit zu bewerten: gleiche Objekte liegen im Vektorraum nah, verschiedene weit entfernt - für Trennschärfe.

• Model Routing - je Anfrage das passende KI-Modell wählenKI & Machine Learning

  Model Routing verteilt jede Anfrage an das passende, oft günstigste Modell statt an ein teures Standardmodell - Kosten sinken ohne Qualitätsverlust.

• Multi-Agent-SystemKI & Machine Learning

  Multi-Agent-Systeme (MAS) sind KI-Architekturen, in denen mehrere spezialisierte Agenten zusammenarbeiten - ein Orchestrator delegiert an Sub-Agenten.

• Multimodale KI - Text, Bild und Audio gemeinsam verstehenKI & Machine Learning

  Multimodale KI verarbeitet Text, Bild und Audio in einem Modell. Vision-Language-Modelle verbinden die Modalitäten und öffnen neue Anwendungsfälle.

• n8n & DSGVOKI & Machine Learning

  n8n lässt sich self-hosted und quelloffen betreiben - dadurch bleiben die Daten im Haus, was DSGVO-konforme Automatisierung ohne fremde Cloud ermöglicht.

• Named Entity Recognition (NER) - EntitätenerkennungKI & Machine Learning

  Named Entity Recognition (NER) erkennt in Texten benannte Entitäten wie Personen, Orte, Organisationen, Daten oder Beträge und ordnet sie einem Typ zu.

• OCR vs. KI-basierte Dokumentenverarbeitung - Erkennen oder VerstehenKI & Machine Learning

  OCR wandelt Bilder in Text um, KI versteht den Inhalt. Wann klassische Texterkennung reicht und warum KI robuster gegen wechselnde Layouts ist - der Vergleich.

• On-Premise LLM - lokale KI auf eigener Infrastruktur betreibenKI & Machine Learning

  Ein On-Premise LLM läuft auf eigener oder EU-Infrastruktur statt in einer fremden Cloud - für Datensouveränität, DSGVO und Kontrolle über sensible Daten.

• Open-Source-LLM - frei verfügbare Sprachmodelle zum Selbst-HostenKI & Machine Learning

  Open-Source- bzw. Open-Weight-LLMs sind frei verfügbare Sprachmodelle wie Llama, Mistral oder Qwen - herunterladbar, selbst hostbar und frei anpassbar.

• PII-Anonymisierung - personenbezogene Daten vor der KI schützenKI & Machine Learning

  PII-Anonymisierung erkennt personenbezogene Daten vor der LLM-Verarbeitung und entfernt oder maskiert sie - ein DSGVO-Kern für KI-Anwendungen.

• Prompt Caching - LLM-Kosten für wiederkehrende Kontexte senkenKI & Machine Learning

  Prompt Caching speichert gleichbleibende Prompt-Teile zwischen und verwendet sie über viele Anfragen wieder - gecachte Token sind deutlich günstiger.

• Prompt Engineering - Effektive Kommunikation mit KIKI & Machine Learning

  Prompt Engineering ist die Kunst, effektive Anweisungen für KI-Modelle zu formulieren - mit Techniken wie Zero-Shot, Few-Shot und Chain-of-Thought.

• Prompt Injection - Angriff über eingeschleuste AnweisungenKI & Machine Learning

  Prompt Injection manipuliert ein LLM über eingeschleuste Anweisungen - direkt oder indirekt. Besonders riskant bei KI-Agenten mit Tool- und Systemzugriff.

• Quantisierung: KI-Modelle mit geringerer Zahlengenauigkeit betreibenKI & Machine Learning

  Quantisierung reduziert die Zahlengenauigkeit von Modellgewichten (z. B. FP16 auf INT8 oder INT4), um Speicher und Rechenaufwand bei der Inferenz zu senken.

• Query Rewriting / Query Expansion - die Suchanfrage vor RAG verbessernKI & Machine Learning

  Query Rewriting formuliert die Nutzerfrage vor der Suche um oder erweitert sie - für besseres RAG-Retrieval, noch bevor die Vektordatenbank durchsucht wird.

• RAG (Retrieval Augmented Generation) - Wissen statt HalluzinationKI & Machine Learning

  RAG verbindet ein Sprachmodell mit einer Wissensquelle: passende Dokumente werden als Kontext mitgegeben - gegen Halluzinationen und veraltetes Wissen.

• ReAct-Agent (Reasoning + Acting) - Denken und Handeln verschränktKI & Machine Learning

  ReAct verschränkt Reasoning und Acting: Ein KI-Agent denkt einen Schritt, ruft ein Werkzeug auf, wertet das Ergebnis aus und denkt weiter - in einer Schleife.

• Reasoning-Modelle - KI, die vor der Antwort nachdenktKI & Machine Learning

  Reasoning-Modelle denken vor der Antwort in Zwischenschritten (Test-Time-Compute). 2026 die dominante Modellkategorie - stärker bei Logik, aber teurer.

• Reflection / Self-Critique - wenn ein Agent sich selbst korrigiertKI & Machine Learning

  Reflection lässt einen KI-Agenten seine eigene Ausgabe bewerten und verbessern - eine interne Kritikschleife, abgegrenzt von externer Bewertung wie AI Evals.

• Reranking - Treffer in RAG nach Relevanz sortierenKI & Machine Learning

  Reranking sortiert die Treffer einer RAG-Suche nachgelagert nach Relevanz. Ein Reranker hebt die passendsten Abschnitte nach oben und verbessert die Antwort.

• Semantische Suche - nach Bedeutung statt nach StichwortKI & Machine Learning

  Semantische Suche findet Inhalte nach ihrer Bedeutung, nicht nach übereinstimmenden Wörtern. Basis sind Embeddings und Vektoren - der Kern moderner RAG-Systeme.

• Session Handover - Strukturierte Übergabe bei KI-gestützter EntwicklungKI & Machine Learning

  Session Handover ist die strukturierte Übergabe von Kontext und Aufgaben zwischen KI-Sessions, um Informationsverlust durch Context-Limits zu vermeiden.

• Shadow AI - unkontrollierte KI-Nutzung im UnternehmenKI & Machine Learning

  Shadow AI ist die Nutzung von KI-Tools durch Mitarbeitende ohne Freigabe oder Governance. Das erzeugt Datenschutz- und Compliance-Risiken - mit Gegenmitteln.

• Small Language Models (SLM) - kompakte KI zum SelbstbetriebKI & Machine Learning

  Small Language Models (SLM) sind kompakte Sprachmodelle für Eigenbetrieb und Edge. Sie laufen auf eigener Hardware - datenschutzfreundlich und günstig.

• Temperature (LLM-Parameter)KI & Machine Learning

  Temperature steuert, wie zufällig oder kreativ ein Sprachmodell antwortet: niedrige Werte machen die Ausgabe deterministisch, hohe Werte vielfältiger.

• Token-KostenKI & Machine Learning

  Sprachmodelle rechnen pro Token ab, der kleinsten Texteinheit. Kosten fallen getrennt für Input- und Output-Token an - Ausgabe-Token sind dabei oft teurer.

• Tokenisierung - wie ein LLM Text in Token zerlegtKI & Machine Learning

  Tokenisierung zerlegt Text in Token - die kleinen Einheiten, mit denen ein LLM rechnet. Ein Token ist meist ein Wortteil, kein ganzes Wort.

• Tool Calling (Function Calling) - wie ein Sprachmodell Werkzeuge aufruftKI & Machine Learning

  Tool Calling (Function Calling) beschreibt, wie ein Sprachmodell externe Werkzeuge und Funktionen aufruft - die Grundlage für handlungsfähige KI-Agenten.

• Transformer - die Architektur hinter modernen LLMsKI & Machine Learning

  Der Transformer ist das neuronale Netz hinter modernen LLMs. Sein Attention-Mechanismus lässt das Modell Wortbeziehungen im ganzen Text erfassen.

• Vektordatenbank - Ähnlichkeitssuche in Millionen ObjektenKI & Machine Learning

  Eine Vektordatenbank speichert Embeddings und findet in Sekunden die ähnlichsten Einträge - das Rückgrat von semantischer Suche, Empfehlungen und RAG.

• Vibe Coding - Der experimentelle Einstieg in die KI-EntwicklungKI & Machine Learning

  Vibe Coding beschreibt den experimentellen, intuitiven Ansatz der KI-gestützten Softwareentwicklung, geprägt von Andrej Karpathy 2025. Ideal für Prototypen.

Suche zurücksetzen