KI-Glossar

Ein KI-Agent ist ein Softwaresystem, das eigenständig Aufgaben bearbeitet: Es nimmt ein Ziel entgegen, plant die Schritte, nutzt Werkzeuge (z. B. Suche, Datenbanken, APIs) und handelt, um das Ziel zu erreichen – ohne dass jeder Einzelschritt vorgegeben wird.

Funktionsweise: Ein Agent kombiniert ein Sprachmodell (LLM) mit einem Gedächtnis und Werkzeugen. Er zerlegt eine Aufgabe in Teilschritte, entscheidet bei jedem Schritt, welches Werkzeug er aufruft, wertet das Ergebnis aus und plant den nächsten Schritt – bis das Ziel erreicht ist.

Unternehmensbeispiel: Ein Mittelständler setzt einen Agenten im Einkauf ein: Er liest Angebots-E-Mails, gleicht Preise mit dem ERP ab, erstellt eine Vergleichstabelle und legt einen Bestellvorschlag zur Freigabe vor.

Anwendungsfelder:

• Automatisierung wiederkehrender Büro- und Verwaltungsprozesse
• Recherche und Aufbereitung von Informationen
• Kundenservice mit Zugriff auf interne Systeme
• Datenpflege und Abgleich zwischen Anwendungen

Abgrenzung: Im Gegensatz zu einem Bot, der festen Regeln folgt, trifft ein Agent eigene Entscheidungen und nutzt Werkzeuge flexibel.

Verwandte Begriffe: Agentic AI, Bot

Agentic AI bezeichnet KI-Systeme, die aus mehreren zusammenarbeitenden Agenten bestehen und komplexe Vorhaben weitgehend selbstständig umsetzen. Statt einer einzelnen Anfrage-Antwort verfolgen sie über viele Schritte ein übergeordnetes Ziel.

Funktionsweise: Mehrere spezialisierte Agenten übernehmen Teilrollen (z. B. Planer, Rechercheur, Prüfer) und stimmen sich untereinander ab. Sie planen, führen aus, kontrollieren ihre Zwischenergebnisse und korrigieren sich selbst, bis das Gesamtergebnis vorliegt.

Unternehmensbeispiel: Für die Angebotserstellung arbeiten drei Agenten zusammen: einer sammelt Anforderungen, einer kalkuliert auf Basis des ERP, einer formuliert das Angebot – der Mitarbeiter prüft nur noch das Endergebnis.

Anwendungsfelder:

• Durchgängige Automatisierung mehrstufiger Geschäftsprozesse
• Erstellung und Prüfung von Dokumenten und Berichten
• Datenanalyse mit anschließender Handlungsempfehlung
• Orchestrierung mehrerer Fachsysteme

Abgrenzung: Während ein einzelner Agent eine Aufgabe übernimmt, koordiniert Agentic AI mehrere Agenten für größere, mehrstufige Vorhaben.

Verwandte Begriffe: Agent, Bot

Eine API (Application Programming Interface) ist eine klar definierte Schnittstelle, über die verschiedene Softwareanwendungen miteinander kommunizieren und Daten austauschen können. Die API legt fest, welche Anfragen gestellt werden können, in welchem Format Daten übertragen werden und wie Fehler behandelt werden.

Funktionsweise: Eine API funktioniert nach dem Prinzip von Anfrage und Antwort. Eine Anwendung sendet eine strukturierte Anfrage (Request) an die API, diese verarbeitet sie und liefert eine Antwort (Response) – häufig im JSON- oder XML-Format – zurück.

Unternehmensbeispiel: Ein Online-Shop bindet über eine API den Versanddienstleister ein: Sobald eine Bestellung eingeht, übermittelt die API automatisch die Lieferdaten, ohne dass ein Mitarbeiter manuell eingreifen muss.

Anwendungsfelder:

• Verbindung von Business-Intelligence-Tools mit verschiedenen Datenquellen
• Integration von Zahlungsdienstleistern, Versanddiensten oder CRM-Systemen
• Nutzung externer KI-Modelle (z.B. OpenAI, Google) in eigenen Anwendungen
• Automatisierung von Datenpipelines zwischen internen Systemen

Abgrenzung: Im Gegensatz zu einer direkten Datenbankverbindung abstrahiert eine API die technische Infrastruktur – der Aufrufer muss nicht wissen, wie die Daten intern gespeichert sind.

Verwandte Begriffe: Microservices, Data Engineer, ETL

Bilderkennung (Computer Vision) bezeichnet die Fähigkeit von Softwaresystemen, Inhalte in Bildern oder Videos automatisch zu identifizieren, zu klassifizieren und zu interpretieren. Grundlage sind neuronale Netzwerke, insbesondere Convolutional Neural Networks (CNNs).

Funktionsweise: Das Modell wird auf großen, beschrifteten Bilddatensätzen trainiert. Es lernt dabei schrittweise, einfache Merkmale (Kanten, Farben) zu komplexeren Strukturen (Formen, Objekte) zusammenzusetzen. Nach dem Training kann es neue, unbekannte Bilder klassifizieren.

Unternehmensbeispiel: Ein Maschinenhersteller setzt Bilderkennung in der Qualitätskontrolle ein: Eine Kamera fotografiert jedes Bauteil, das Modell erkennt Risse oder Abweichungen in Millisekunden – zuverlässiger und schneller als das menschliche Auge.

Anwendungsfelder:

• Qualitätssicherung in der Produktion
• Gesichtserkennung und Zugangskontrolle
• Medizinische Bildanalyse (Röntgen, MRT)
• Autonomes Fahren (Objekterkennung im Straßenverkehr)
• Pflanzenkrankheits- oder Schädlingserkennung in der Landwirtschaft

Abgrenzung: Bilderkennung klassifiziert Bilder (z.B. "Katze" oder "Hund"). Objekt-Detektion geht einen Schritt weiter und lokalisiert mehrere Objekte gleichzeitig innerhalb eines Bildes mit Rahmen (Bounding Boxes).

Verwandte Begriffe: Neuronales Netzwerk, Deep Learning, Überwachtes Lernen

Eine Blockchain ist eine dezentrale, manipulationsresistente Datenstruktur, die Transaktionen oder Informationen in einer chronologischen Kette von Blöcken speichert. Kein zentraler Akteur kontrolliert die Daten – stattdessen wird die Kette auf vielen Computern gleichzeitig gespeichert und von allen Teilnehmern gemeinsam validiert.

Funktionsweise: Jeder Block enthält einen kryptografischen Hash des vorherigen Blocks, einen Zeitstempel und die eigentlichen Transaktionsdaten. Wird ein Block nachträglich verändert, ändert sich sein Hash – und damit werden alle nachfolgenden Blöcke ungültig. Dies macht Manipulation praktisch unmöglich.

Unternehmensbeispiel: Ein Lebensmittelhersteller nutzt Blockchain, um die gesamte Lieferkette vom Bauernhof bis zum Supermarktregal zu dokumentieren. Jede Station wird unveränderlich erfasst – im Rückruffall lässt sich die Herkunft eines Produkts in Sekunden nachverfolgen.

Anwendungsfelder:

• Kryptowährungen (Bitcoin, Ethereum)
• Supply-Chain-Transparenz
• Digitale Verträge (Smart Contracts)
• Beglaubigung von Dokumenten und Zertifikaten
• Gesundheitswesen (sichere Patientendaten)

Abgrenzung: Eine Blockchain ist keine Datenbank im klassischen Sinne – sie ist optimiert für Unveränderlichkeit und Vertrauen, nicht für schnelle Abfragen oder flexible Datenstrukturen.

Verwandte Begriffe: Data Warehouse, Strukturierte Daten

Ein Bot ist ein Programm, das definierte, wiederkehrende Aufgaben automatisch ausführt – etwa das Beantworten von Standardfragen oder das Ausfüllen von Formularen. Klassische Bots folgen dabei festen Regeln oder Skripten.

Funktionsweise: Ein Bot reagiert auf einen Auslöser (z. B. eine Nachricht oder einen Zeitplan) und arbeitet eine vorgegebene Abfolge ab. Moderne Chatbots kombinieren dies mit einem Sprachmodell, um freier formulierte Anfragen zu verstehen.

Unternehmensbeispiel: Ein Chatbot auf der Website beantwortet häufige Kundenfragen zu Öffnungszeiten, Versand und Preisen und leitet nur komplexe Fälle an einen Mitarbeiter weiter.

Anwendungsfelder:

• Kundenservice und FAQ-Automatisierung
• Terminbuchung und Formularausfüllung
• Überwachung und Benachrichtigung (Monitoring)
• Routineaufgaben in Chat- und Messaging-Kanälen

Abgrenzung: Ein Bot folgt festen Regeln; ein Agent plant eigenständig und nutzt Werkzeuge flexibel, um ein Ziel zu erreichen.

Verwandte Begriffe: Agent, Agentic AI

Business Intelligence bezeichnet den systematischen Einsatz von Technologien, Prozessen und Methoden zur Erfassung, Aufbereitung und Visualisierung von Unternehmensdaten – mit dem Ziel, fundierte Entscheidungen auf Basis von Fakten zu ermöglichen.

Funktionsweise: BI-Systeme greifen auf Daten aus verschiedenen Quellen zu (ERP, CRM, Datenbanken), bereiten sie in einem zentralen Data Warehouse auf und stellen sie über Dashboards und Berichte übersichtlich dar. Nutzer können Daten interaktiv filtern, aufschlüsseln und analysieren – ohne Programmierkenntnisse.

Unternehmensbeispiel: Der Vertriebsleiter öffnet morgens sein BI-Dashboard und sieht sofort: Welche Region hat gestern die Umsatzziele verfehlt? Welches Produkt läuft besser als geplant? Auf dieser Basis trifft er noch vor dem ersten Meeting fundierte Entscheidungen.

Anwendungsfelder:

• Umsatz- und Kostenanalysen
• Kunden- und Marktsegmentierung
• Operative Kennzahlen-Überwachung (KPIs)
• Finanz- und Budgetplanung

Abgrenzung: BI erklärt, was in der Vergangenheit passiert ist (Deskriptive Analytik). Prädiktive Analytik geht einen Schritt weiter und sagt voraus, was als nächstes passieren wird.

Verwandte Begriffe: Data Warehouse, Deskriptive Analytik, Data Scientist

Clustering ist ein Verfahren des unüberwachten Lernens, bei dem ein Algorithmus Datenpunkte anhand ihrer Ähnlichkeit automatisch in Gruppen (Cluster) einteilt – ohne dass die Gruppen vorab definiert wurden.

Funktionsweise: Der Algorithmus misst die Ähnlichkeit zwischen Datenpunkten (z.B. anhand von Abständen) und gruppiert ähnliche Punkte zusammen. Verschiedene Methoden gewichten dabei unterschiedlich: K-Means teilt Daten in eine vorher festgelegte Anzahl von Clustern, hierarchisches Clustering baut schrittweise eine Baumstruktur auf, DBSCAN erkennt auch unregelmäßig geformte Cluster und filtert Ausreißer heraus.

Unternehmensbeispiel: Ein E-Commerce-Unternehmen clustert seine Kunden anhand von Kaufverhalten und Interessen. Ergebnis: Cluster wie "Schnäppchenjäger", "Markenfans" und "seltene Gelegenheitskäufer" – auf die dann gezielt unterschiedliche Marketingmaßnahmen zugeschnitten werden.

Anwendungsfelder:

• Kundensegmentierung im Marketing
• Anomalie- und Betrugserkennung
• Dokumentenklassifizierung
• Genexpressionsanalyse in der Bioinformatik

Abgrenzung: Beim Clustering gibt es keine vordefinierten Kategorien – der Algorithmus entdeckt die Struktur selbst. Bei der Klassifizierung hingegen sind die Kategorien bekannt, und das Modell lernt, neue Daten zuzuordnen.

Verwandte Begriffe: Unüberwachtes Lernen, Klassifizierung, Feature Engineering

Data Engineers sind die Architekten der Dateninfrastruktur. Sie bauen, betreiben und optimieren die Datenpipelines, die Rohdaten aus verschiedenen Quellen erfassen, transformieren und für die Analyse bereitstellen. Ihre Arbeit bildet das Fundament, auf dem Data Scientists arbeiten können.

Funktionsweise: Data Engineers entwickeln und warten ETL-Prozesse (Extrahieren, Transformieren, Laden), implementieren Datenbanken und Data Warehouses, verwalten Cloud-Infrastrukturen und stellen sicher, dass Daten vollständig, korrekt und rechtzeitig verfügbar sind.

Unternehmensbeispiel: Ein Einzelhandelskonzern hat Verkaufsdaten in fünf verschiedenen regionalen Systemen. Der Data Engineer baut eine Pipeline, die diese Daten nächtlich zusammenführt, bereinigt und in ein zentrales Data Warehouse lädt – sodass das BI-Team morgens aktuelle, konsistente Daten vorfindet.

Kernaufgaben:

• Aufbau und Wartung von Datenpipelines
• Datenbereinigung und -transformation
• Implementierung und Verwaltung von Datenbanken
• Cloud-Plattform-Management (AWS, Azure, GCP)
• Sicherstellung von Datenqualität und -verfügbarkeit
• Entwicklung von APIs zur Datenverteilung

Abgrenzung: Data Engineers bauen die Infrastruktur, Data Scientists nutzen sie. Ein Data Scientist analysiert Daten und entwickelt Modelle – ein Data Engineer sorgt dafür, dass die richtigen Daten in der richtigen Qualität ankommen.

Verwandte Begriffe: Data Scientist, Data Warehouse, Datenpipeline

Ein Data Lake ist ein zentraler Speicherort, in dem große Mengen an Rohdaten in ihrem ursprünglichen Format abgelegt werden – strukturiert, halbstrukturiert oder unstrukturiert. Anders als ein Data Warehouse erzwingt ein Data Lake keine vorher definierte Datenstruktur.

Funktionsweise: Daten werden zunächst unverändert gespeichert ("Schema on Read"). Die Struktur wird erst beim Lesen und Analysieren definiert – je nach Fragestellung. Moderne Data Lakes werden meist auf Cloud-Speichersystemen wie AWS S3, Azure Data Lake Storage oder Google Cloud Storage aufgebaut.

Unternehmensbeispiel: Ein Pharmaunternehmen speichert klinische Studiendaten, Laborergebnisse, Patientenakten und Sensordaten aus Produktionsanlagen in einem Data Lake. Je nach Analysebedarf – Wirksamkeit, Sicherheit oder Produktionseffizienz – werden unterschiedliche Teilmengen dieser Daten abgerufen und analysiert.

Vorteile:

• Maximale Flexibilität bei der Datenspeicherung
• Kostengünstig für sehr große Datenmengen
• Geeignet für explorative Analysen und Machine Learning

Nachteile:

• Ohne sorgfältige Verwaltung entsteht schnell ein unübersichtlicher "Data Swamp"
• Langsamere Abfragen als bei optimierten Data Warehouses

Abgrenzung: Ein Data Warehouse speichert strukturierte, bereits aufbereitete Daten für definierte Analysen. Ein Data Lake speichert alles – roh und unbearbeitet – für noch unbekannte, zukünftige Fragestellungen.

Verwandte Begriffe: Data Warehouse, Data Engineer, Unstrukturierte Daten

Data Scientists verbinden statistische Expertise, Programmierkenntnisse und Domänenwissen, um aus großen Datenmengen verwertbare Erkenntnisse zu gewinnen. Sie entwickeln Modelle, die Muster in Daten erkennen und Vorhersagen ermöglichen.

Funktionsweise: Ein typisches Data-Science-Projekt folgt einem iterativen Prozess: Problemdefinition → Datenbeschaffung → Data Wrangling → Explorative Analyse → Modellentwicklung → Validierung → Deployment → Monitoring.

Unternehmensbeispiel: Ein Versicherungsunternehmen beauftragt einen Data Scientist, ein Modell zur Betrugserkennung zu entwickeln. Das Modell analysiert historische Schadensmeldungen, erkennt verdächtige Muster und markiert neue Fälle automatisch zur manuellen Prüfung – das entlastet die Sachbearbeitung spürbar.

Kernaufgaben:

• Explorative Datenanalyse (EDA)
• Entwicklung und Validierung von Machine-Learning-Modellen
• Statistische Auswertungen und Hypothesentests
• Kommunikation von Ergebnissen an nicht-technische Stakeholder
• Zusammenarbeit mit Data Engineers für den Produktiveinsatz

Abgrenzung: Ein Data Scientist entwickelt Modelle und gewinnt Erkenntnisse. Ein Data Engineer baut die Infrastruktur dafür. Ein BI-Analyst erstellt Berichte und Dashboards auf Basis bestehender Strukturen – ohne Modellentwicklung.

Verwandte Begriffe: Data Engineer, Machine Learning, Feature Engineering

Eine Data Staging Area ist ein temporärer Zwischenspeicher im ETL-Prozess. Hier werden Daten aus verschiedenen Quellsystemen gesammelt, bevor sie transformiert und in das Zielsystem (z.B. ein Data Warehouse) geladen werden.

Funktionsweise: Die Staging Area isoliert den Ladevorgang vom Produktivsystem. Rohdaten werden zunächst unverändert abgelegt, geprüft und erst nach erfolgreicher Validierung weiterverarbeitet. Bei Fehlern kann der Prozess ohne Auswirkungen auf das Zielsystem wiederholt werden.

Vorteile:

• Erhöhte Datensicherheit und -integrität
• Fehlertoleranz: Probleme werden abgefangen, bevor sie das Data Warehouse erreichen
• Ermöglicht schnelle Wiederholung fehlgeschlagener Ladevorgänge

Nachteile:

• Zusätzlicher Speicher- und Wartungsaufwand
• Erhöhte Komplexität der Datenpipeline

Verwandte Begriffe: Data Warehouse, Daten extrahieren, Data Engineer

Ein Data Warehouse ist eine zentrale, strukturierte Datenbank, die Daten aus verschiedenen Quellsystemen zusammenführt, vereinheitlicht und für Analysen und Berichte optimiert bereitstellt. Es ist das Herzstück vieler Business-Intelligence-Architekturen.

Funktionsweise: Daten werden über ETL-Prozesse aus operativen Systemen extrahiert, transformiert (vereinheitlicht, bereinigt) und in das Data Warehouse geladen. Die Datenstruktur wird im Voraus definiert ("Schema on Write"), was schnelle, konsistente Abfragen ermöglicht.

Unternehmensbeispiel: Ein Handelskonzern konsolidiert Verkaufsdaten aus 200 Filialen, dem Online-Shop und dem ERP-System in einem zentralen Data Warehouse. Das BI-Team kann damit regionsübergreifende Auswertungen in Echtzeit abrufen.

Gängige Lösungen:

• Cloud-basiert: AWS Redshift, Google BigQuery, Snowflake, Azure Synapse
• On-Premises: SAP BW, Oracle Warehouse Builder, IBM Db2

Abgrenzung: Ein Data Warehouse ist strukturiert und für bekannte Analysen optimiert. Ein Data Lake speichert Rohdaten flexibel für unbekannte, zukünftige Fragestellungen.

Verwandte Begriffe: Data Lake, Business Intelligence, ETL

Data Wrangling (auch: Datenmunging) bezeichnet den Prozess der Bereinigung, Transformation und Vereinheitlichung von Rohdaten, um sie für die Analyse oder den Einsatz in Machine-Learning-Modellen nutzbar zu machen. In der Praxis entfällt auf diesen Schritt oft der größte Teil der Arbeitszeit eines Data Scientists.

Funktionsweise: Rohdaten aus der realen Welt sind selten sauber: Es fehlen Werte, Formate sind inkonsistent, Duplikate existieren, Einheiten stimmen nicht überein. Data Wrangling adressiert all das systematisch, bevor die eigentliche Analyse beginnt.

Typische Schritte:

• Zusammenführung von Daten aus verschiedenen Quellen
• Behandlung fehlender Werte (löschen, interpolieren, ersetzen)
• Entfernung von Duplikaten und Ausreißern
• Vereinheitlichung von Formaten (Datum, Währung, Schreibweise)
• Typ-Konvertierungen und Einheitenumrechnung
• Erstellung neuer, abgeleiteter Variablen

Unternehmensbeispiel: Ein Logistikunternehmen erfasst Lieferdaten aus drei Systemen in unterschiedlichen Formaten. Bevor Routen optimiert werden können, müssen Adressen normalisiert, fehlende Zeitstempel geschätzt und doppelte Einträge entfernt werden – das ist Data Wrangling.

Abgrenzung: Data Wrangling ist ein vorbereitender Schritt vor der eigentlichen Analyse. Es geht nicht darum, Erkenntnisse zu gewinnen, sondern darum, die Datenqualität sicherzustellen. "Garbage in, garbage out" – ohne sorgfältiges Wrangling sind alle nachgelagerten Analysen unzuverlässig.

Verwandte Begriffe: Data Engineer, Feature Engineering, Dateningestion

Eine Datenpipeline ist ein automatisierter Prozess, der Daten von einer oder mehreren Quellen erfasst, transformiert und in ein Zielsystem überführt. Sie ist die technische Infrastruktur, auf der datengetriebene Anwendungen basieren.

Funktionsweise: Eine Pipeline besteht aus einer Abfolge von Schritten: Daten werden extrahiert (z.B. aus einer API oder Datenbank), transformiert (bereinigt, angereichert, aggregiert) und geladen (in ein Data Warehouse, einen Data Lake oder direkt in eine Anwendung). Moderne Pipelines sind event-getrieben oder zeitgesteuert und laufen vollautomatisch.

Unternehmensbeispiel: Ein FinTech-Unternehmen hat eine Echtzeit-Datenpipeline, die Transaktionsdaten in unter einer Sekunde auf Betrugsanzeichen prüft und bei Verdacht automatisch eine Benachrichtigung auslöst.

Anwendungsfelder:

• Echtzeit-Analysen (Streaming-Pipelines)
• Nächtliche Batch-Verarbeitung für BI-Systeme
• ML-Feature-Pipelines für Modelltraining und -inferenz

Abgrenzung: Eine Datenpipeline ist der Transportweg der Daten. ETL ist das Muster, nach dem viele Pipelines aufgebaut sind. Ein Data Warehouse ist das Zielsystem, in das eine Pipeline häufig liefert.

Verwandte Begriffe: Data Engineer, ETL, Data Lake

Datenwissenschaft ist ein interdisziplinäres Feld, das Methoden aus Statistik, Informatik und Domänenwissen kombiniert, um aus Daten Erkenntnisse zu gewinnen und datengetriebene Entscheidungen zu ermöglichen. Sie verbindet Theorie und Praxis: von der Datenerhebung über die Modellentwicklung bis zur Kommunikation von Ergebnissen.

Kernbereiche:

• Statistische Analyse und Wahrscheinlichkeitsrechnung
• Machine Learning und Modellierung
• Data Wrangling und Datenaufbereitung
• Datenvisualisierung und Storytelling
• Deployment und Monitoring von Modellen (MLOps)

Unternehmensbeispiel: Ein Krankenhaus setzt Data Science ein, um Wiederaufnahmeraten zu senken: Modelle analysieren Patientendaten, um Risikopatienten frühzeitig zu identifizieren und gezielt nachzubehandeln.

Abgrenzung: Data Science ist breiter als Business Intelligence (das primär historische Daten auswertet) und breiter als Machine Learning allein (das nur einen Teilbereich der eingesetzten Methoden umfasst). Data Science schließt den gesamten Prozess von der Frage bis zur Entscheidung ein.

Verwandte Begriffe: Data Scientist, Maschinelles Lernen, Business Intelligence

Dateningestion beschreibt den ersten Schritt einer Datenpipeline: den Import von Daten aus verschiedenen Quellen in ein Zielsystem zur unmittelbaren Verarbeitung oder Speicherung.

Funktionsweise: Es wird zwischen Batch-Ingestion (Daten werden in regelmäßigen Abständen gesammelt, z.B. täglich) und Streaming-Ingestion (Daten werden kontinuierlich in Echtzeit übertragen) unterschieden. Während der Ingestion werden Daten auf Vollständigkeit und grundlegende Konsistenz geprüft.

Typische Quellen:

• Relationale Datenbanken (SQL)
• REST-APIs und Webservices
• Dateibasierte Quellen (CSV, JSON, Parquet)
• Streaming-Systeme (Kafka, Kinesis)
• IoT-Sensoren und Gerätedaten

Abgrenzung: Dateningestion ist der Einstiegspunkt der Datenpipeline – noch vor dem Data Wrangling. Sie überträgt Daten, verändert sie aber möglichst nicht.

Verwandte Begriffe: Datenpipeline, Data Wrangling, ETL

Das Extrahieren ist der erste Schritt im ETL-Prozess. Dabei werden Daten aus einer oder mehreren Quellsystemen ausgelesen und für die weitere Verarbeitung bereitgestellt.

Funktionsweise: Die Extraktion muss die Quellsysteme möglichst wenig belasten (z.B. durch inkrementelle Extraktion – nur neue oder geänderte Datensätze werden geladen) und gleichzeitig Vollständigkeit sicherstellen.

Typische Quellen: Datenbanken, ERP-Systeme, Web-APIs, Log-Dateien, externe Datenfeeds.

Verwandte Begriffe: Daten transformieren, Daten laden, Datenpipeline

Die Transformation ist der zweite Schritt im ETL-Prozess. Rohdaten werden in ein einheitliches, analysierbares Format gebracht.

Typische Transformationsschritte:

• Entfernung von Duplikaten und inkonsistenten Werten
• Vereinheitlichung von Formaten und Datentypen
• Anreicherung mit Daten aus anderen Quellen
• Aggregation (z.B. tägliche Summen aus einzelnen Transaktionen bilden)
• Berechnung abgeleiteter Kennzahlen

Verwandte Begriffe: Daten extrahieren, Daten laden, Data Wrangling

Das Laden ist der letzte Schritt im ETL-Prozess: Die transformierten Daten werden in das Zielsystem geschrieben – typischerweise ein Data Warehouse, eine Datenbank oder ein Data Lake.

Varianten:

• Full Load: Kompletter Neuschrieb aller Daten (einfach, aber ressourcenintensiv)
• Incremental Load: Nur neue oder geänderte Datensätze werden geladen (effizienter)
• Upsert: Neue Datensätze werden eingefügt, bestehende aktualisiert

Verwandte Begriffe: Daten extrahieren, Daten transformieren, Data Warehouse

Die deskriptive Analytik beantwortet die Frage: "Was ist passiert?" Sie analysiert historische Daten und fasst sie in verständlichen Berichten, Kennzahlen und Visualisierungen zusammen.

Funktionsweise: Auf Basis von Datenaggregation und statistischen Kennzahlen (Mittelwert, Median, Verteilungen) werden Trends, Muster und Anomalien sichtbar gemacht – häufig in Dashboards oder standardisierten Berichten.

Unternehmensbeispiel: Ein Retailer analysiert die vergangene Weihnachtssaison: Welche Produkte haben sich am besten verkauft? In welchen Regionen? Welche Rabattaktionen haben den Umsatz am stärksten gesteigert?

Typische Visualisierungen:

• Balken- und Liniendiagramme
• Heatmaps und geografische Karten
• Pivot-Tabellen und KPI-Kacheln

Abgrenzung: Deskriptive Analytik schaut zurück. Prädiktive Analytik schaut voraus. Präskriptive Analytik empfiehlt Handlungen.

Verwandte Begriffe: Business Intelligence, Prädiktive Analytik, Präskriptive Analytik

Ein Embedding ist eine numerische Darstellung von Objekten – typischerweise Text, Bilder oder andere Daten – als Vektor in einem hochdimensionalen Raum. Ähnliche Objekte liegen dabei nah beieinander, unähnliche weiter voneinander entfernt.

Funktionsweise: Ein Embedding-Modell (z.B. Word2Vec, BERT oder text-embedding-ada von OpenAI) verarbeitet einen Eingabewert und gibt einen Zahlenvektor zurück – z.B. 1536 Zahlen für einen Text. Dieser Vektor kodiert die semantische Bedeutung. Wenn "König" minus "Mann" plus "Frau" ungefähr "Königin" ergibt – dann funktionieren Embeddings.

Unternehmensbeispiel: Ein Kundenservice-System speichert alle bisherigen Supportanfragen als Embeddings. Kommt eine neue Anfrage herein, findet das System sofort die semantisch ähnlichsten alten Anfragen und schlägt bewährte Antworten vor.

Anwendungsfelder:

• Semantische Suche (Suche nach Bedeutung, nicht nur Stichwörtern)
• Empfehlungssysteme
• Duplikaterkennung in großen Textmengen
• Grundlage für RAG-Systeme
• Ähnlichkeitsanalysen in Produktkatalogen

Abgrenzung: Ein Embedding ist keine Klassifizierung – es ordnet nichts einer Kategorie zu, sondern repräsentiert Objekte als Punkt in einem semantischen Raum. Erst durch Vergleich von Embeddings (z.B. via Kosinus-Ähnlichkeit) entstehen Aussagen über Ähnlichkeit.

Verwandte Begriffe: Large Language Model, RAG, Tokenisierung

Feature Engineering bezeichnet den Prozess, aus Rohdaten die relevantesten und informativsten Merkmale (Features) für ein Machine-Learning-Modell zu extrahieren, zu transformieren oder neu zu erzeugen. Gutes Feature Engineering ist oft entscheidender für die Modellgüte als die Wahl des Algorithmus.

Funktionsweise: Ein Feature ist eine einzelne messbare Eigenschaft eines Datenpunkts. Aus einem Transaktions-Zeitstempel z.B. kann man ableiten: Wochentag, Uhrzeit, Tage seit letztem Kauf, Jahreszeit – alles potenziell informative Features. Feature Selection wählt dann die relevantesten aus, um Overfitting zu vermeiden.

Unternehmensbeispiel: Für ein Kreditrisiko-Modell sind die Rohdaten (Kontonummer, Geburtsdatum, Transaktionen) wenig aussagekräftig. Feature Engineering erzeugt daraus: durchschnittliches Monatseinkommen, Volatilität der Ausgaben, Anzahl Zahlungsausfälle in den letzten 12 Monaten – Features, die das Modell tatsächlich nutzen kann.

Wichtige Techniken:

• Normalisierung und Standardisierung numerischer Werte
• One-Hot-Encoding kategorischer Variablen
• Zeitbasierte Features aus Zeitstempeln ableiten
• Interaktions-Features (Produkt oder Verhältnis zweier Features)
• Dimensionsreduktion (PCA)

Abgrenzung: Feature Engineering ist manuell und domänenwissensgetrieben. Deep-Learning-Modelle können viele Features automatisch erlernen (automatisches Feature Learning) – was manuelles Feature Engineering in manchen Bereichen verdrängt, aber nicht überall ersetzt.

Verwandte Begriffe: Data Wrangling, Maschinelles Lernen, Überwachtes Lernen

Fine-Tuning bezeichnet den Prozess, ein vortrainiertes Modell – z.B. ein Large Language Model – auf einem spezifischen, kleineren Datensatz weiterzutrainieren, um es an eine bestimmte Aufgabe oder Domäne anzupassen.

Funktionsweise: Ein vortrainiertes Modell hat bereits ein breites Allgemeinwissen. Beim Fine-Tuning wird dieses Modell mit domänenspezifischen Beispielen (z.B. interne Dokumente, spezifische Schreibstile, Fachterminologie) weiter optimiert. Das Modell behält sein Grundwissen, lernt aber die spezifischen Anforderungen der neuen Aufgabe.

Unternehmensbeispiel: Ein Pharmaunternehmen nimmt ein allgemeines Sprachmodell und führt Fine-Tuning mit internen Forschungsberichten durch. Das resultierende Modell beantwortet Fragen zu internen Studien präziser und nutzt die unternehmenseigene Fachsprache korrekt.

Varianten:

• Full Fine-Tuning: Alle Modellparameter werden angepasst (aufwendig, teuer)
• Parameter-Efficient Fine-Tuning (PEFT): Nur ein kleiner Teil der Parameter wird angepasst (z.B. LoRA – effizienter und kostengünstiger)
• Instruction Tuning: Das Modell wird trainiert, Anweisungen besser zu folgen
• RLHF (Reinforcement Learning from Human Feedback): Modell wird anhand menschlicher Bewertungen optimiert

Abgrenzung: Fine-Tuning verändert das Modell selbst. Prompt Engineering verändert nur die Eingabe – das Modell bleibt unverändert. RAG reichert die Eingabe mit externem Wissen an, ohne das Modell zu verändern.

Verwandte Begriffe: Large Language Model, Prompt Engineering, Transfer Learning

Generative KI bezeichnet KI-Systeme, die neue Inhalte erzeugen können – Texte, Bilder, Audio, Video, Code oder synthetische Daten. Im Gegensatz zu klassischen KI-Modellen, die Daten nur klassifizieren oder vorhersagen, erschaffen generative Modelle originäre Ausgaben.

Funktionsweise: Generative Modelle lernen die statistische Struktur ihrer Trainingsdaten so gut, dass sie neue Daten erzeugen können, die dieser Struktur entsprechen. Die bekanntesten Architekturen sind Transformer-basierte Large Language Models für Text sowie Diffusionsmodelle für Bilder (z.B. Stable Diffusion, DALL·E).

Unternehmensbeispiel: Ein Marketingteam nutzt generative KI, um in Minuten dutzende Textvarianten für A/B-Tests zu erstellen. Ein Softwareunternehmen beschleunigt die Code-Entwicklung, indem Entwickler Codeschnipsel per natürlichsprachiger Anfrage generieren lassen.

Anwendungsfelder:

• Texterstellung und -zusammenfassung
• Code-Generierung und -Vervollständigung
• Bild- und Videosynthese
• Synthese von Trainingsdaten für andere Modelle
• Automatisierte Berichterstellung
• Personalisierte Kundenkommunikation

Abgrenzung: Klassische KI erkennt und klassifiziert (z.B. "Ist das Spam?"). Generative KI erschafft (z.B. "Schreibe eine E-Mail"). Generative KI birgt dabei auch Risiken: Halluzinationen, Deepfakes oder urheberrechtliche Fragen.

Verwandte Begriffe: Large Language Model, Transformer-Architektur, Halluzination

Halluzination bezeichnet das Phänomen, dass ein KI-Sprachmodell Aussagen generiert, die plausibel klingen, aber faktisch falsch oder frei erfunden sind – ohne dass das Modell dies kenntlich macht.

Funktionsweise: Sprachmodelle generieren Text, indem sie statistisch wahrscheinliche Fortsetzungen berechnen. Sie "wissen" nicht, ob eine Aussage wahr ist – sie erzeugen das, was sprachlich kohärent wirkt. In Bereichen, in denen das Modell wenig Trainingsdaten hat oder gezielt nach spezifischen Fakten gefragt wird, steigt das Halluzinationsrisiko.

Unternehmensbeispiel: Ein Mitarbeiter fragt ein KI-System nach einem internen Unternehmensstandard. Das Modell antwortet selbstsicher mit einem Dokument – das es frei erfunden hat. Ohne Gegenprüfung wird die falsche Information weiterverwendet.

Typische Halluzinationstypen:

• Erfundene Fakten (falsche Zahlen, Namen, Daten)
• Nicht existierende Quellen oder Zitate
• Fehlinterpretation von Kontext
• Scheinlogische, aber inhaltlich falsche Schlussfolgerungen

Gegenmaßnahmen:

• Retrieval-Augmented Generation (RAG): Modell erhält geprüfte Quellen als Kontext
• Fine-Tuning auf verifizierten Daten
• Menschliche Überprüfung kritischer Ausgaben
• Modelle mit Quellenangaben einsetzen

Abgrenzung: Halluzination ist kein "Fehler" im klassischen Sinne – das Modell funktioniert technisch korrekt. Es ist eine strukturelle Eigenschaft generativer Modelle, die durch geeignete Systemarchitektur gemindert, aber nicht vollständig eliminiert werden kann.

Verwandte Begriffe: Large Language Model, RAG, Generative KI

Industrie 4.0 bezeichnet die digitale Transformation der industriellen Produktion durch die Vernetzung von Maschinen, Anlagen und Prozessen – auch als vierte industrielle Revolution bekannt. Kern ist die Integration von cyber-physischen Systemen, dem Internet of Things (IoT) und datengetriebenen Algorithmen.

Funktionsweise: Sensoren erfassen kontinuierlich Maschinendaten (Temperatur, Vibration, Auslastung). Diese Daten werden in Echtzeit übertragen, analysiert und zur Steuerung von Prozessen genutzt – entweder automatisch durch Algorithmen oder als Entscheidungsgrundlage für Bediener.

Unternehmensbeispiel: Eine Fabrik überwacht alle Fertigungsanlagen per Sensor. Ein Algorithmus erkennt anhand von Vibrationsdaten, dass eine Maschine in 48 Stunden ausfallen wird – und löst automatisch einen Wartungsauftrag aus, bevor es zur ungeplanten Unterbrechung kommt (Predictive Maintenance).

Kerntechnologien:

• Internet of Things (IoT)
• Edge Computing
• Cloud-Plattformen
• Maschinelles Lernen für Predictive Maintenance
• Digitale Zwillinge

Verwandte Begriffe: Maschinelles Lernen, Zeitreihenanalyse, Mustererkennung

Klassifizierung ist eine Methode des überwachten Lernens, bei der ein Modell lernt, neue Datenpunkte einer von mehreren vordefinierten Kategorien zuzuordnen.

Funktionsweise: Das Modell wird mit beschrifteten Trainingsdaten trainiert (z.B. E-Mails, die als "Spam" oder "kein Spam" markiert sind). Es lernt, welche Merkmale für welche Klasse typisch sind. Bei neuen, unbekannten Datenpunkten trifft es dann auf Basis dieser erlernten Muster eine Zuordnungsentscheidung.

Unternehmensbeispiel: Eine Bank trainiert ein Klassifizierungsmodell auf historischen Kreditanträgen. Das Modell lernt, welche Kombination aus Einkommen, Schulden und Zahlungshistorie zu Ausfällen geführt hat – und klassifiziert neue Antragsteller als "geringes Risiko" oder "hohes Risiko".

Gängige Algorithmen:

• Logistische Regression
• Entscheidungsbäume und Random Forests
• Support Vector Machines (SVM)
• Gradient Boosting (XGBoost, LightGBM)
• Neuronale Netzwerke

Abgrenzung: Bei der Klassifizierung sind die möglichen Ausgaben diskrete Kategorien (z.B. "Ja/Nein", "A/B/C"). Bei der Regression wird ein kontinuierlicher Wert vorhergesagt (z.B. ein Preis oder eine Temperatur).

Verwandte Begriffe: Überwachtes Lernen, Clustering, Feature Engineering

Künstliche Intelligenz bezeichnet Computersysteme, die Aufgaben ausführen, für die bislang menschliche Intelligenz erforderlich war – wie Sprachverstehen, visuelle Wahrnehmung, Entscheidungsfindung oder das Lösen komplexer Probleme.

Funktionsweise: Moderne KI basiert fast ausschließlich auf datengetriebenem maschinellem Lernen: Statt explizit programmierter Regeln lernen Modelle Muster aus großen Datensätzen. Die leistungsfähigsten aktuellen Systeme sind Large Language Models und multimodale Modelle.

Unternehmensbeispiel: KI-Systeme automatisieren heute Aufgaben quer durch alle Branchen: von der automatischen Dokumentenprüfung im Versicherungswesen über KI-gestützte Diagnoseunterstützung in der Medizin bis zur automatisierten Qualitätskontrolle in der Fertigung.

KI-Teilgebiete:

• Machine Learning und Deep Learning
• Natural Language Processing (NLP)
• Computer Vision / Bilderkennung
• Robotik und autonome Systeme
• Generative KI

Abgrenzung: "KI" ist oft ein Sammelbegriff. Enge KI (Narrow AI) kann nur eine spezifische Aufgabe (z.B. Schach spielen). Breite oder allgemeine KI (AGI), die menschliche Intelligenz auf beliebige Aufgaben überträgt, existiert heute noch nicht.

Verwandte Begriffe: Maschinelles Lernen, Large Language Model, Generative KI

Ein Large Language Model (LLM) ist ein KI-Modell, das auf sehr großen Textmengen trainiert wurde und natürliche Sprache versteht, generiert und verarbeitet. LLMs sind die Grundlage hinter Systemen wie ChatGPT, Claude oder Gemini.

Funktionsweise: LLMs basieren auf der Transformer-Architektur. Sie werden zunächst unüberwacht auf enormen Textmengen (oft Hunderte Milliarden Wörter) trainiert, um Sprachstrukturen zu erlernen. Anschließend werden sie durch Fine-Tuning und RLHF (Reinforcement Learning from Human Feedback) für hilfreiche, sichere Konversationen optimiert.

Unternehmensbeispiel: Ein Versicherungskonzern setzt ein intern gehostetes LLM ein, das Sachbearbeiter bei der Analyse und Zusammenfassung langer Schadenberichte unterstützt. Die Bearbeitungszeit pro Fall sinkt deutlich.

Anwendungsfelder:

• Textzusammenfassung und -extraktion
• Automatisierter Kundenservice (Chatbots)
• Code-Assistenz für Entwickler
• Dokumentenanalyse und -klassifizierung
• Interne Wissenssuche (RAG)
• Automatisierte Berichterstellung

Bekannte Modelle: GPT-4 (OpenAI), Claude (Anthropic), Gemini (Google), Llama (Meta), Mistral.

Abgrenzung: LLMs sind ein Teilbereich der Generativen KI und spezialisiert auf Sprache. Multimodale Modelle können zusätzlich Bilder, Audio oder Video verarbeiten. Klassische NLP-Modelle (z.B. Named Entity Recognition) sind kleiner und aufgabenspezifischer.

Verwandte Begriffe: Transformer-Architektur, Prompt Engineering, RAG, Fine-Tuning, Halluzination

Maschinelles Lernen (ML, engl. Machine Learning) ist ein Teilbereich der Künstlichen Intelligenz, bei dem Algorithmen aus Daten lernen, Muster zu erkennen und Vorhersagen zu treffen – ohne explizit für jede Situation programmiert zu werden.

Funktionsweise: Ein ML-Modell wird auf einem Trainingsdatensatz optimiert, indem es iterativ seine internen Parameter anpasst, um einen definierten Fehler zu minimieren. Das Ergebnis ist ein Modell, das auf neuen, unbekannten Daten generalisiert.

Lernparadigmen:

• Überwachtes Lernen: Lernen mit beschrifteten Beispielen
• Unüberwachtes Lernen: Muster ohne Beschriftungen finden
• Reinforcement Learning: Lernen durch Belohnung und Bestrafung

Unternehmensbeispiel: Ein Energieversorger setzt ML ein, um den Stromverbrauch für die nächsten 24 Stunden vorherzusagen – auf Basis von Wetterdaten, Tageszeit und historischen Verbrauchsmustern. Das ermöglicht eine effizientere Netzsteuerung.

Abgrenzung: ML ist ein Werkzeug innerhalb des breiteren Feldes der KI. Nicht alle KI-Systeme nutzen ML (regelbasierte Systeme z.B. nicht). Deep Learning ist ein Teilbereich des ML, der auf mehrschichtigen neuronalen Netzwerken basiert.

Verwandte Begriffe: Deep Learning, Feature Engineering, Überwachtes Lernen

Microservices sind ein Softwarearchitekturmuster, bei dem eine Anwendung aus einer Sammlung kleiner, unabhängig deployierbarer Dienste besteht, die jeweils eine klar abgegrenzte Funktion erfüllen und über definierte Schnittstellen (APIs) kommunizieren.

Funktionsweise: Statt einer monolithischen Anwendung, in der alle Funktionen eng verwoben sind, besteht eine Microservice-Architektur aus Diensten wie z.B. "Authentifizierung", "Bestellverwaltung" oder "Empfehlungsengine" – die unabhängig voneinander entwickelt, getestet, skaliert und aktualisiert werden können.

Unternehmensbeispiel: Ein E-Commerce-Unternehmen kann im Black-Friday-Betrieb nur den "Checkout"-Microservice zusätzlich skalieren – statt die gesamte Anwendung aufzurüsten. Im Fehlerfall eines Dienstes laufen alle anderen weiter.

Vorteile:

• Unabhängige Skalierbarkeit einzelner Komponenten
• Schnellere Entwicklung durch paralleles Arbeiten mehrerer Teams
• Technologie-Flexibilität (jeder Service kann in der besten Sprache geschrieben werden)
• Bessere Fehlertoleranz

Abgrenzung: Im Gegensatz zu einem Monolithen (alles in einer Anwendung) oder einer Service-orientierten Architektur (SOA) sind Microservices kleiner, autonomer und stärker auf unabhängiges Deployment ausgelegt.

Verwandte Begriffe: API, Datenpipeline

Ein multimodales Modell ist ein KI-System, das mehrere Datenmodalitäten – typischerweise Text, Bilder, Audio und Video – gemeinsam verarbeiten und verstehen kann.

Funktionsweise: Multimodale Modelle verfügen über separate Encoder für verschiedene Modalitäten, die in einem gemeinsamen Repräsentationsraum zusammengeführt werden. Das Modell lernt, Zusammenhänge zwischen Modalitäten zu verstehen – z.B. den Inhalt eines Bildes in Textform zu beschreiben oder aus einer Textbeschreibung ein Bild zu generieren.

Unternehmensbeispiel: Ein Versicherungsunternehmen lässt Schadensfotos automatisch von einem multimodalen Modell analysieren: Das Modell beschreibt den Schaden, schätzt die Reparaturkosten und generiert einen Erstentwurf des Schadensberichts – alles in einem Schritt.

Anwendungsfelder:

• Automatische Bildbeschreibung (Image Captioning)
• Visuelle Dokumentenanalyse (Rechnungen, Formulare)
• Video-Analyse mit Sprachverständnis
• Medizinische Diagnoseunterstützung (Bild + Text)

Bekannte Modelle: GPT-4o (OpenAI), Gemini (Google), Claude 3 (Anthropic).

Abgrenzung: Ein reines LLM verarbeitet nur Text. Ein multimodales Modell erweitert dies um weitere Eingabetypen. Generative multimodale Modelle können auch Bilder oder Audio ausgeben (z.B. DALL·E, Sora).

Verwandte Begriffe: Large Language Model, Generative KI, Bilderkennung

Mustererkennung beschäftigt sich mit der automatischen Identifikation von Regelmäßigkeiten, Strukturen und verborgenen Zusammenhängen in Daten – unabhängig davon, ob diese als Bilder, Texte, Zeitreihen oder Messwerte vorliegen.

Funktionsweise: Algorithmen analysieren Datenpunkte auf gemeinsame Eigenschaften oder wiederkehrende Strukturen. Je nach Aufgabe kommen regelbasierte Verfahren, statistische Methoden oder neuronale Netzwerke zum Einsatz.

Unternehmensbeispiel: Ein Telekommunikationsanbieter erkennt durch Mustererkennung in Netzwerkdaten typische Vorstufen eines Geräteausfalls – und kann präventiv eingreifen, bevor Kunden betroffen sind.

Anwendungsfelder:

• Anomalieerkennung in Produktionsprozessen
• Betrugserkennung in Finanztransaktionen
• Spracherkennung und -verarbeitung
• Biometrische Authentifizierung

Verwandte Begriffe: Maschinelles Lernen, Bilderkennung, Signalverarbeitung

Natural Language Processing (NLP; Natürliche Sprachverarbeitung) ist ein Teilgebiet der KI, das sich mit dem Verständnis, der Analyse und der Generierung menschlicher Sprache durch Computersysteme befasst.

Funktionsweise: NLP-Systeme verarbeiten Text in mehreren Schritten: Tokenisierung (Text in Einheiten zerlegen), Parsing (grammatikalische Strukturen erkennen), semantische Analyse (Bedeutung verstehen) und pragmatische Analyse (Kontext berücksichtigen). Moderne NLP-Systeme basieren auf Transformer-Architekturen und haben die Leistungsfähigkeit früherer regelbasierter Ansätze weit übertroffen.

Unternehmensbeispiel: Ein Energiekonzern analysiert täglich tausende Kundenbeschwerden aus E-Mails und Chats automatisch per NLP: Themen werden erkannt, Dringlichkeit eingestuft und Tickets automatisch den richtigen Teams zugewiesen.

Anwendungsfelder:

• Automatische Textzusammenfassung
• Stimmungsanalyse (Sentiment Analysis)
• Chatbots und virtuelle Assistenten
• Maschinelle Übersetzung
• Informationsextraktion aus unstrukturierten Dokumenten

Abgrenzung: Klassisches NLP nutzte regelbasierte und statistische Methoden für spezifische Teilaufgaben. Moderne LLMs können nahezu alle NLP-Aufgaben in einem einzigen Modell erledigen – auf deutlich höherem Niveau.

Verwandte Begriffe: Large Language Model, Token / Tokenisierung, Text Mining

Ein künstliches neuronales Netzwerk (KNN) ist ein Rechenmodell, das lose von der Struktur des menschlichen Gehirns inspiriert ist. Es besteht aus Schichten von miteinander verbundenen Knoten (Neuronen), die gemeinsam komplexe Muster in Daten erlernen können.

Funktionsweise: Informationen fließen von der Eingabeschicht durch mehrere verdeckte Schichten zur Ausgabeschicht. Jede Verbindung hat ein Gewicht, das während des Trainings durch Backpropagation angepasst wird, um den Vorhersagefehler zu minimieren. Mit mehr Schichten entstehen tiefe neuronale Netzwerke (Deep Learning).

Unternehmensbeispiel: Ein Kreditkartenanbieter setzt ein neuronales Netzwerk zur Betrugserkennung ein. Es analysiert in Echtzeit über 100 Merkmale einer Transaktion und entscheidet in Millisekunden, ob ein Betrugsversuch vorliegt.

Anwendungsfelder:

• Bild- und Spracherkennung
• Vorhersagemodelle
• Empfehlungssysteme
• Medizinische Diagnose

Abgrenzung: Flache neuronale Netzwerke haben wenige Schichten und sind für einfachere Aufgaben geeignet. Deep Learning bezeichnet Netzwerke mit vielen Schichten, die komplexere Zusammenhänge modellieren können.

Verwandte Begriffe: Deep Learning, Maschinelles Lernen, Transformer-Architektur

Offene Daten sind Datensätze, die ohne Einschränkungen durch Lizenzen oder Urheberrechte frei zugänglich, nutzbar und weiterverbreitbar sind – für jeden und für jeden Zweck.

Funktionsweise: Offene Daten werden typischerweise von Regierungen, Forschungseinrichtungen oder Unternehmen unter Open-Data-Lizenzen (z.B. Creative Commons) veröffentlicht. Sie sind in standardisierten, maschinenlesbaren Formaten (CSV, JSON, XML) verfügbar.

Unternehmensbeispiel: Ein Logistik-Startup nutzt offene Geodaten des Bundesamts für Kartographie sowie Wetterdaten des Deutschen Wetterdienstes kostenlos für sein Routenoptimierungsmodell – ohne eigene Datenerhebung.

Wichtige Quellen:

• GovData (Deutschland): Offene Verwaltungsdaten
• Eurostat: Statistische Daten der EU
• OpenStreetMap: Kartendaten
• UCI Machine Learning Repository: Datensätze für ML-Forschung
• Destatis: Statistisches Bundesamt

Abgrenzung: Offene Daten bedeuten nicht anonymisierte Daten. Datenschutzrechtlich sensible Daten (z.B. personenbezogene Daten) dürfen auch dann nicht veröffentlicht werden, wenn sie technisch verfügbar sind.

Verwandte Begriffe: Data Lake, Dateningestion

Prädiktive Analytik beantwortet die Frage: "Was wird passieren?" Sie nutzt historische Daten, statistische Modelle und Machine-Learning-Algorithmen, um Wahrscheinlichkeiten für zukünftige Ereignisse oder Entwicklungen zu berechnen.

Funktionsweise: Auf Basis historischer Muster lernt das Modell, welche Faktoren zukünftige Ereignisse beeinflussen. Das Modell wird auf Trainingsdaten optimiert und anschließend auf neuen Daten eingesetzt, um Vorhersagen zu treffen.

Unternehmensbeispiel: Ein Telekommunikationsanbieter analysiert Nutzungsmuster, Beschwerdehistorie und Vertragsdaten, um die Wahrscheinlichkeit vorherzusagen, dass ein Kunde in den nächsten 30 Tagen kündigt (Churn-Prediction). Kunden mit hohem Risiko erhalten proaktiv ein Angebot.

Anwendungsfelder:

• Churn-Prediction (Kundenbindung)
• Predictive Maintenance (Maschinenausfälle vorhersagen)
• Nachfrageprognosen und Lagerhaltung
• Kreditrisikobeurteilung
• Wettervorhersagen

Abgrenzung: Deskriptive Analytik erklärt die Vergangenheit. Prädiktive Analytik sagt die Zukunft voraus. Präskriptive Analytik geht einen Schritt weiter und empfiehlt konkrete Handlungen.

Verwandte Begriffe: Deskriptive Analytik, Präskriptive Analytik, Maschinelles Lernen

Präskriptive Analytik beantwortet die Frage: "Was sollten wir tun?" Sie geht über Beschreibung und Vorhersage hinaus und empfiehlt konkrete Handlungsoptionen, indem sie deren Auswirkungen simuliert und bewertet.

Funktionsweise: Auf Basis von Vorhersagemodellen und Optimierungsalgorithmen werden verschiedene Entscheidungsszenarien durchgespielt. Das System berechnet, welche Maßnahme zu den besten Ergebnissen führt – unter Berücksichtigung definierter Ziele und Nebenbedingungen.

Unternehmensbeispiel: Eine Airline nutzt präskriptive Analytik zur dynamischen Preisgestaltung: Das System berechnet in Echtzeit den optimalen Ticketpreis, der Auslastung maximiert und gleichzeitig Umsatz pro Flug optimiert – unter Berücksichtigung von Nachfrage, Buchungsstand und Wettbewerberpreisen.

Anwendungsfelder:

• Dynamische Preismodellierung
• Supply-Chain-Optimierung
• Kapazitätsplanung im Gesundheitswesen
• Portfoliooptimierung im Finanzwesen

Abgrenzung: Prädiktive Analytik sagt voraus, was passieren wird. Präskriptive Analytik sagt, was getan werden sollte. Letztere setzt prädiktive Modelle voraus und ergänzt sie um Optimierungslogik.

Verwandte Begriffe: Prädiktive Analytik, Deskriptive Analytik, Maschinelles Lernen

Ein Prompt ist die Eingabe, die einem KI-Sprachmodell gegeben wird – eine Frage, Anweisung oder ein Kontext, auf dessen Basis das Modell eine Ausgabe generiert. Prompt Engineering bezeichnet die systematische Optimierung dieser Eingaben, um die Qualität der Ausgaben zu maximieren.

Funktionsweise: Sprachmodelle sind stark kontextabhängig. Kleine Änderungen in der Formulierung eines Prompts können die Ausgabe grundlegend verändern. Prompt Engineering nutzt diesen Effekt gezielt: durch klare Rollenanweisungen, Beispiele, Formatvorgaben oder schrittweise Denkanleitung (Chain-of-Thought).

Unternehmensbeispiel: Ein Rechtsabteilung-Team nutzt täglich ein LLM zur Vertragsprüfung. Mit einem gut gestalteten Prompt ("Analysiere diesen Vertrag als erfahrener Anwalt. Liste alle Klauseln, die für uns nachteilig sein könnten, mit Begründung und Seitenzahl.") erhält es strukturierte, verwertbare Ausgaben – statt generischer Zusammenfassungen.

Wichtige Techniken:

• Zero-Shot: Aufgabe direkt stellen, ohne Beispiele
• Few-Shot: Wenige Beispiele als Vorlage mitgeben
• Chain-of-Thought: Modell Schritt für Schritt denken lassen
• System Prompt: Grundlegende Rolle und Verhalten des Modells definieren
• Structured Output: Ausgabeformat vorgeben (JSON, Tabelle, Liste)

Abgrenzung: Prompt Engineering verändert nur die Eingabe – das Modell selbst bleibt unverändert. Fine-Tuning verändert das Modell durch weiteres Training. Für viele Anwendungsfälle ist Prompt Engineering der schnellere, kostengünstigere erste Ansatz.

Verwandte Begriffe: Large Language Model, Fine-Tuning, RAG

Reinforcement Learning (RL, dt. Verstärkungslernen) ist ein Lernparadigma des maschinellen Lernens, bei dem ein Agent durch Interaktion mit einer Umgebung lernt, Entscheidungen zu treffen, die eine langfristige Belohnung maximieren.

Funktionsweise: Der Agent beobachtet den Zustand der Umgebung, wählt eine Aktion, erhält eine Belohnung (positiv oder negativ) und aktualisiert seine Strategie (Policy) entsprechend. Über viele Iterationen lernt er, welche Aktionsfolgen zu den besten Ergebnissen führen.

Unternehmensbeispiel: Ein Roboter in einem Lager lernt per Reinforcement Learning, wie er Pakete effizient greifen und transportieren kann – ohne explizite Programmierung jeder Bewegung. Durch Millionen von simulierten Versuchen optimiert er seinen Greifarm-Einsatz.

Anwendungsfelder:

• Robotersteuerung und autonome Systeme
• Autonomes Fahren
• Spieleoptimierung (AlphaGo, AlphaFold)
• Optimierung von Lieferketten und Ressourcenplanung
• Training von LLMs (RLHF)

Abgrenzung: Beim überwachten Lernen lernt das Modell von beschrifteten Beispielen. Beim Reinforcement Learning lernt es durch eigenes Handeln und Feedback – ohne vorher gezeigt zu bekommen, was richtig ist.

Verwandte Begriffe: Maschinelles Lernen, Fine-Tuning, Neuronales Netzwerk

RAG ist eine Architektur, die Large Language Models mit einer externen Wissensdatenbank kombiniert. Bevor das Modell eine Antwort generiert, sucht es relevante Informationen aus einer strukturierten Quelle und nutzt diese als Kontext.

Funktionsweise:

1. Die Anfrage des Nutzers wird in ein Embedding umgewandelt.
2. Die Vektordatenbank sucht die semantisch ähnlichsten Dokumente oder Passagen.
3. Diese Dokumente werden zusammen mit der ursprünglichen Anfrage als Kontext an das LLM übergeben.
4. Das Modell generiert eine Antwort auf Basis der gelieferten Informationen.

Unternehmensbeispiel: Ein Maschinenbauunternehmen hat Tausende interne Wartungshandbücher, Serviceberichte und technische Spezifikationen. Ein RAG-System ermöglicht es Technikern, in natürlicher Sprache Fragen zu stellen ("Welches Drehmoment wird für Schraube M12 bei Modell X verwendet?") und erhält präzise Antworten aus den tatsächlichen Dokumenten – mit Quellenangabe.

Vorteile:

• Reduziert Halluzinationen erheblich
• Kein erneutes Training bei neuen Informationen nötig
• Antworten sind auf verifizierbare Quellen zurückführbar
• Kostengünstiger als Fine-Tuning für wissensbasierte Anwendungen

Abgrenzung: RAG ergänzt das Modell mit externem Wissen zur Laufzeit. Fine-Tuning verankert Wissen dauerhaft im Modell durch Training. RAG ist flexibler und aktueller, Fine-Tuning besser geeignet für Stil- oder Verhaltensanpassungen.

Verwandte Begriffe: Large Language Model, Embedding, Halluzination, Vektordatenbank

Signalverarbeitung bezeichnet Methoden zur Verarbeitung und Analyse von Daten, die als kontinuierliche oder diskrete Signale vorliegen – z.B. Zeitreihen, Audiodaten, Bilder oder Sensormessungen.

Funktionsweise: Signale werden gefiltert (Rauschen entfernt), transformiert (z.B. Fourier-Transformation für Frequenzanalyse), segmentiert und auf aussagekräftige Merkmale reduziert, die dann für weitere Analysen oder ML-Modelle genutzt werden.

Unternehmensbeispiel: Ein Windkraftbetreiber analysiert Vibrationssignale der Turbinenlager in Echtzeit. Signalverarbeitungsalgorithmen erkennen Frequenzveränderungen, die auf bevorstehenden Verschleiß hindeuten – bevor ein menschlicher Techniker etwas bemerkt.

Anwendungsfelder:

• Predictive Maintenance durch Schwingungsanalyse
• Spracherkennung (Audioverarbeitung)
• EKG- und EEG-Analyse in der Medizin
• Radarsignal- und Sonarverarbeitung

Verwandte Begriffe: Mustererkennung, Zeitreihenanalyse, Industrie 4.0

Statistischer Rückschluss bezeichnet Methoden, mit denen aus einer Stichprobe Aussagen über eine größere Grundgesamtheit getroffen werden – unter Berücksichtigung von Unsicherheit und Variabilität.

Funktionsweise: Auf Basis von Stichprobendaten werden Schätzer (z.B. Mittelwert, Varianz) berechnet, Hypothesen getestet (z.B. "Hat Maßnahme A einen Effekt?") und Konfidenzintervalle bestimmt, die angeben, wie sicher eine Aussage ist.

Unternehmensbeispiel: Ein Pharmaunternehmen testet ein neues Medikament an 500 Patienten. Statistischer Rückschluss ermöglicht die Aussage: "Mit 95% Sicherheit ist das Medikament wirksamer als das Placebo" – auf Basis der Stichprobe, nicht der gesamten Bevölkerung.

Wichtige Konzepte:

• Hypothesentest und p-Wert
• Konfidenzintervalle
• Bayes-Statistik vs. frequentistische Statistik
• A/B-Tests in Marketing und Produktentwicklung

Verwandte Begriffe: Deskriptive Analytik, Datenwissenschaft, Prädiktive Analytik

Strukturierte Daten sind Daten, die in einem klar definierten Schema organisiert sind – typischerweise in Tabellenform mit festen Spalten und Datentypen. Sie sind einfach zu speichern, abzufragen und zu analysieren.

Funktionsweise: Strukturierte Daten lassen sich direkt in relationale Datenbanken (SQL) speichern. Jede Zeile repräsentiert einen Datensatz, jede Spalte ein Attribut mit definiertem Typ (Text, Zahl, Datum etc.).

Beispiele: Kundendatenbanken, Transaktionsdaten, Produktkataloge, Messwerte aus Produktionsanlagen.

Abgrenzung: Unstrukturierte Daten wie E-Mails, Bilder oder Social-Media-Posts folgen keinem festen Schema und erfordern spezielle Verarbeitung. Semistrukturierte Daten (JSON, XML) haben eine flexible, aber erkennbare Struktur.

Verwandte Begriffe: Unstrukturierte Daten, Data Warehouse, Data Wrangling

Eine Smart City nutzt digitale Technologien und Datenanalyse, um städtische Infrastruktur effizienter zu gestalten, Ressourcen zu schonen und die Lebensqualität der Bevölkerung zu verbessern.

Funktionsweise: Sensornetzwerke, IoT-Geräte und vernetzte Systeme erfassen kontinuierlich Daten zu Verkehr, Energie, Wasser, Abfall und Umwelt. Diese Daten fließen in Analyseplattformen, die Echtzeitentscheidungen oder automatisierte Steuerungseingriffe ermöglichen.

Anwendungsfelder:

• Adaptive Verkehrssteuerung zur Stauverringerung
• Intelligente Straßenbeleuchtung (nur bei Bedarf aktiv)
• Vorhersagebasierte Müllabfuhr (Sensoren melden volle Behälter)
• Echtzeit-Überwachung von Luftqualität und Lärm
• Digitale Bürgerdienste und Partizipationsplattformen

Verwandte Begriffe: Industrie 4.0, Internet of Things (IoT), Zeitreihenanalyse

Text Mining (Textanalyse) bezeichnet die automatische Extraktion strukturierter Informationen aus unstrukturierten Texten mithilfe von NLP- und Data-Mining-Methoden.

Funktionsweise: Texte werden tokenisiert, linguistisch analysiert und auf Muster untersucht. Ergebnisse können Klassifizierungen (z.B. Stimmung: positiv/negativ), extrahierte Entitäten (Namen, Orte, Daten) oder thematische Cluster sein.

Unternehmensbeispiel: Ein Konsumgüterhersteller analysiert täglich tausende Online-Bewertungen und Social-Media-Kommentare. Text Mining identifiziert automatisch, welche Produkteigenschaften positiv, welche negativ bewertet werden – ohne manuelles Lesen.

Anwendungsfelder:

• Kundenfeedback-Analyse
• Marktforschung und Wettbewerbsbeobachtung
• Automatische Dokumentenklassifizierung
• Forensik und Compliance-Überwachung
• Newsmonitoring

Abgrenzung: Text Mining extrahiert Informationen aus bestehendem Text. Generative KI erstellt neuen Text. NLP ist der technische Unterbau, auf dem Text Mining aufbaut.

Verwandte Begriffe: NLP, Data Mining, Unstrukturierte Daten

Deep Learning (auch: tiefes Lernen) ist ein Teilbereich des maschinellen Lernens, der auf mehrschichtigen neuronalen Netzwerken basiert. Durch die große Zahl an Schichten können diese Modelle extrem komplexe Muster und Repräsentationen erlernen – ohne manuelle Feature-Engineering-Schritte.

Funktionsweise: Jede Schicht des Netzwerks lernt zunehmend abstrakte Repräsentationen der Eingabedaten. Bei der Bilderkennung z.B.: Schicht 1 erkennt Kanten, Schicht 2 Formen, Schicht 5 Gesichter. Training erfordert große Datenmengen und erhebliche Rechenleistung (typischerweise GPUs).

Unternehmensbeispiel: Ein Radiologe wird von einem Deep-Learning-Modell unterstützt, das auf Millionen von Röntgenbildern trainiert wurde und Anomalien in neuen Aufnahmen mit hoher Genauigkeit markiert – als zweite Meinung, nicht als Ersatz.

Wichtige Architekturen:

• Convolutional Neural Networks (CNN): Bilderkennung
• Recurrent Neural Networks (RNN / LSTM): Zeitreihen, Text
• Transformer: NLP, LLMs
• Generative Adversarial Networks (GAN): Bildsynthese

Abgrenzung: Deep Learning ist eine Untermenge des maschinellen Lernens, die speziell auf tiefe neuronale Netzwerke setzt. Klassisches ML (z.B. Random Forest, lineare Regression) benötigt weder tiefe Netzwerke noch zwingend große Datensätze.

Verwandte Begriffe: Neuronales Netzwerk, Maschinelles Lernen, Transformer-Architektur

TensorFlow ist eine Open-Source-Bibliothek für maschinelles Lernen, die ursprünglich von Googles Brain Team entwickelt wurde. Sie ermöglicht die Entwicklung, das Training und das Deployment von ML-Modellen auf verschiedenen Plattformen – von mobilen Geräten bis zu Cloud-Clustern.

Funktionsweise: TensorFlow repräsentiert Berechnungen als gerichtete Graphen, in denen Knoten mathematische Operationen und Kanten Datentensoren darstellen. Die Bibliothek optimiert diese Berechnungen automatisch für verfügbare Hardware (CPU, GPU, TPU).

Ökosystem:

• TensorFlow Core: Grundlegende ML-Operationen
• Keras: High-Level API für schnelles Modellprototyping
• TensorFlow Lite: Optimiert für mobile und Edge-Geräte
• TensorFlow.js: ML im Browser via JavaScript
• TensorFlow Serving: Deployment von Modellen in der Produktion

Abgrenzung: TensorFlow ist eine von mehreren führenden ML-Frameworks. PyTorch (Meta) ist besonders in der Forschung beliebt. Scikit-learn eignet sich für klassisches ML. Keras abstrahiert TensorFlow für einfachere Anwendung.

Verwandte Begriffe: Deep Learning, Neuronales Netzwerk, Maschinelles Lernen

Ein Token ist die kleinste Verarbeitungseinheit eines Sprachmodells. Tokenisierung bezeichnet den Prozess, einen Text in diese Einheiten zu zerlegen. Tokens sind weder zwingend Wörter noch einzelne Buchstaben – sie liegen typischerweise dazwischen.

Funktionsweise: Moderne Tokenizer (z.B. Byte Pair Encoding, BPE) zerlegen Text in häufig vorkommende Zeichenfolgen. Das Wort "Tokenisierung" könnte z.B. in "Token", "is", "ierung" aufgeteilt werden. Jeder Token wird einer Zahl (ID) zugeordnet, die das Modell verarbeitet.

Warum Tokens wichtig sind:

• Die Kontextlänge eines LLMs wird in Tokens gemessen (z.B. 128.000 Tokens = ca. 100.000 Wörter)
• API-Kosten werden pro Token berechnet
• Tokens beeinflussen, wie ein Modell Text "sieht" – Tippfehler oder ungewöhnliche Schreibweisen können die Tokenisierung stören

Unternehmensbeispiel: Ein Unternehmen plant, lange Verträge (30 Seiten ≈ 15.000 Tokens) von einem LLM analysieren zu lassen. Das Wissen über Tokens hilft bei der Kostenplanung und der Auswahl des richtigen Modells.

Abgrenzung: Tokens sind das "Vokabular" des Modells – nicht zu verwechseln mit semantischen Embeddings, die die Bedeutung eines Texts in Vektoren kodieren.

Verwandte Begriffe: Large Language Model, Embedding, NLP

Transfer Learning bezeichnet die Methode, ein bereits vortrainiertes Modell als Ausgangspunkt für eine neue Aufgabe zu verwenden – anstatt ein Modell von Grund auf zu trainieren.

Funktionsweise: Ein großes Modell wird zunächst auf einem allgemeinen, umfangreichen Datensatz trainiert (Pretraining). Die erlernten Repräsentationen werden dann auf eine spezifischere Aufgabe übertragen – entweder durch Fine-Tuning (das Modell wird weiter angepasst) oder Feature Extraction (die Repräsentationen werden direkt genutzt).

Unternehmensbeispiel: Ein Startup möchte ein Modell zur medizinischen Bilderkennung entwickeln. Statt Millionen von Trainingsbildern zu benötigen, nutzt es ein vortrainiertes Bilderkennungsmodell (z.B. ResNet) und passt es mit einigen tausend Röntgenaufnahmen an – Transfer Learning reduziert den Aufwand erheblich.

Vorteile:

• Drastisch reduzierter Datenbedarf für neue Aufgaben
• Erheblich geringere Trainingskosten
• Schnellerer Weg zu qualitativ guten Modellen

Abgrenzung: Transfer Learning ist das Prinzip, vorhandenes Wissen zu übertragen. Fine-Tuning ist eine konkrete Methode, mit der Transfer Learning umgesetzt wird.

Verwandte Begriffe: Fine-Tuning, Large Language Model, Deep Learning

Die Transformer-Architektur ist die technische Grundlage der meisten modernen KI-Sprachmodelle, darunter GPT, Claude, BERT und viele andere. Sie wurde 2017 von Google in der wegweisenden Publikation "Attention Is All You Need" vorgestellt und hat frühere Architekturen wie RNNs und LSTMs in den meisten NLP-Aufgaben verdrängt.

Funktionsweise: Der Kernmechanismus ist der Self-Attention-Mechanismus: Das Modell lernt für jeden Teil eines Texts, welche anderen Teile relevant sind – unabhängig von deren Position im Text. Dies ermöglicht das Erfassen von Langzeitabhängigkeiten (z.B. Pronomen und zugehörige Nomen am Anfang eines langen Satzes). Transformer können zudem hochgradig parallelisiert trainiert werden, was das Training auf riesigen Datensätzen erst praktikabel macht.

Unternehmensbeispiel: Der Transformer ist die Architektur hinter jedem modernen LLM-gestützten Assistenten. Ohne Transformer keine GPT-4, kein Claude, kein Gemini – und damit keine der modernen KI-Anwendungen, die Unternehmen heute einsetzen.

Wichtige Varianten:

• Encoder-only (z.B. BERT): Gut für Textverstehen und Klassifizierung
• Decoder-only (z.B. GPT, Claude): Gut für Textgenerierung
• Encoder-Decoder (z.B. T5, BART): Gut für Übersetzung und Zusammenfassung

Abgrenzung: Die Transformer-Architektur ist der Bauplan. Ein Large Language Model ist die konkrete Umsetzung – ein Transformer, der auf riesigen Textmengen trainiert wurde.

Verwandte Begriffe: Large Language Model, Deep Learning, NLP

Unüberwachtes Lernen bezeichnet ML-Verfahren, bei denen das Modell Muster und Strukturen in Daten erkennt, ohne dass diese mit Beschriftungen (Labels) versehen wurden. Das Modell entdeckt die Struktur der Daten eigenständig.

Funktionsweise: Ohne vorgegebene Antworten sucht der Algorithmus nach inhärenten Strukturen – Ähnlichkeiten, Gruppierungen, Kompressionen oder Abhängigkeiten in den Daten.

Wichtige Methoden:

• Clustering: Gruppierung ähnlicher Datenpunkte
• Dimensionsreduktion (PCA, t-SNE, UMAP): Hochdimensionale Daten visualisierbar machen
• Autoencoders: Komprimierte Repräsentationen erlernen
• Assoziationsanalyse: Häufige Itemkombinationen finden (z.B. "Wer X kauft, kauft oft auch Y")

Unternehmensbeispiel: Ein Retailer analysiert Kaufverhaltensdaten ohne vorab definierte Kundensegmente. Unüberwachtes Lernen entdeckt eigenständig fünf distinkte Kundengruppen – die anschließend gezielt beworben werden.

Abgrenzung: Beim überwachten Lernen gibt es für jeden Trainingsdatenpunkt eine bekannte Antwort. Beim unüberwachten Lernen gibt es diese Antworten nicht – das Modell erschließt Struktur selbst.

Verwandte Begriffe: Clustering, Überwachtes Lernen, Reinforcement Learning

Überwachtes Lernen ist das am häufigsten eingesetzte Lernparadigma im maschinellen Lernen. Das Modell lernt eine Abbildung von Eingabe auf Ausgabe, indem es auf Beispielen trainiert wird, bei denen die korrekte Ausgabe bekannt ist.

Funktionsweise: Der Trainingsdatensatz enthält Paare aus Eingabe (Features) und bekannter Ausgabe (Label). Das Modell passt seine Parameter iterativ an, um den Unterschied zwischen Vorhersage und tatsächlicher Ausgabe zu minimieren. Nach dem Training generalisiert es auf neue, ungesehene Daten.

Unternehmensbeispiel: Ein E-Mail-Anbieter trainiert ein Spam-Filter-Modell auf Millionen beschrifteter E-Mails ("Spam" / "kein Spam"). Das Modell lernt, welche Merkmale (Absender, Betreff, Inhalt) für Spam charakteristisch sind, und filtert neue E-Mails zuverlässig.

Hauptaufgaben:

• Klassifizierung: Ausgabe ist eine Kategorie
• Regression: Ausgabe ist ein kontinuierlicher Wert

Abgrenzung: Überwachtes Lernen benötigt beschriftete Daten – die oft teuer und aufwendig zu erstellen sind. Unüberwachtes Lernen kommt ohne Beschriftungen aus, liefert aber weniger direkt steuerbare Ergebnisse.

Verwandte Begriffe: Klassifizierung, Unüberwachtes Lernen, Feature Engineering

Unstrukturierte Daten sind Daten ohne festes Schema oder Datenbankformat. Sie machen den Großteil aller täglich generierten Daten aus und enthalten oft wertvolle Informationen – erfordern aber spezielle Verarbeitungsmethoden.

Beispiele: E-Mails, Dokumente, Social-Media-Posts, Bilder, Videos, Audiodateien, Sensorrohsignale.

Funktionsweise: Um unstrukturierte Daten analysierbar zu machen, werden sie durch NLP (für Text), Bilderkennung (für Bilder) oder Signalverarbeitung (für Audio/Sensor) in strukturierte oder vektorisierte Formate überführt.

Unternehmensbeispiel: Ein Großteil der Informationen in einem Pharmaunternehmen steckt in unstrukturierten Forschungsberichten, E-Mails und klinischen Notizen. Erst durch NLP und Text Mining werden diese Informationen systematisch nutzbar.

Abgrenzung: Strukturierte Daten passen in Tabellen und sind direkt abfragbar. Unstrukturierte Daten brauchen Vorverarbeitung, bieten dafür aber oft reichhaltigere Informationen.

Verwandte Begriffe: Strukturierte Daten, Text Mining, NLP

Eine Vektordatenbank ist ein spezialisiertes Datenbanksystem, das darauf ausgelegt ist, hochdimensionale Vektoren (z.B. Embeddings) effizient zu speichern und nach Ähnlichkeit zu durchsuchen.

Funktionsweise: Anstatt nach exakten Treffern zu suchen (wie SQL), führt eine Vektordatenbank eine Ähnlichkeitssuche durch (Approximate Nearest Neighbor Search). Sie findet die Vektoren, die einem Anfrage-Vektor am ähnlichsten sind – in Millisekunden, auch bei Millionen von Einträgen.

Unternehmensbeispiel: Ein Medienunternehmen speichert alle Artikel als Embeddings in einer Vektordatenbank. Wenn ein Leser einen Artikel liest, findet das Empfehlungssystem sofort die zehn inhaltlich ähnlichsten Artikel – ohne Stichwortübereinstimmung.

Bekannte Lösungen: Pinecone, Weaviate, Qdrant, Milvus, pgvector (PostgreSQL-Erweiterung).

Anwendungsfelder:

• Semantische Suche
• RAG-Systeme
• Empfehlungssysteme
• Duplikaterkennung in großen Datensätzen

Abgrenzung: Klassische Datenbanken suchen nach exakten Werten. Vektordatenbanken suchen nach semantischer Ähnlichkeit. Sie sind kein Ersatz für relationale Datenbanken, sondern eine Ergänzung für KI-Anwendungen.

Verwandte Begriffe: Embedding, RAG, Large Language Model

Web Mining bezeichnet die Anwendung von Data-Mining-Methoden auf Daten aus dem World Wide Web, um Muster, Strukturen und Erkenntnisse zu extrahieren.

Funktionsweise: Web Mining gliedert sich in drei Bereiche: Web Content Mining (Inhalte von Webseiten analysieren), Web Structure Mining (Verlinkungsstrukturen auswerten) und Web Usage Mining (Nutzerverhalten auf Webseiten analysieren).

Unternehmensbeispiel: Ein E-Commerce-Unternehmen analysiert per Web Usage Mining, welche Pfade Nutzer durch den Online-Shop nehmen, bevor sie kaufen oder abbrechen. Die Erkenntnisse fließen direkt in UX-Optimierungen ein.

Anwendungsfelder:

• SEO und Suchmaschinenoptimierung
• Wettbewerbs- und Preismonitoring
• Trendanalysen aus Social Media
• Nutzerverhalten und Conversion-Optimierung

Verwandte Begriffe: Data Mining, Text Mining, Web Scraping

Knowledge Discovery in Databases (KDD) beschreibt den vollständigen, mehrstufigen Prozess der Extraktion von nützlichem Wissen aus großen Datensätzen – von der Rohdatenauswahl bis zur interpretierten Erkenntnis.

Prozessschritte:

1. Datenselektion: Relevante Daten aus vorhandenen Quellen auswählen
2. Vorverarbeitung: Bereinigung, Behandlung fehlender Werte, Konsistenzprüfung
3. Transformation: Daten in geeignete Formate und Repräsentationen überführen
4. Data Mining: Algorithmen anwenden (Clustering, Klassifizierung, Regression etc.)
5. Interpretation & Evaluation: Ergebnisse auf fachliche Bedeutsamkeit prüfen und kommunizieren

Abgrenzung: Data Mining ist nur ein Schritt innerhalb des KDD-Prozesses – nämlich die algorithmische Mustersuche. KDD beschreibt den gesamten Wissensgenerierungsprozess.

Verwandte Begriffe: Data Mining, Data Wrangling, Datenwissenschaft

Die Zeitreihenanalyse umfasst statistische und algorithmische Methoden zur Untersuchung von Daten, die zeitlich geordnet und in regelmäßigen Abständen erhoben wurden. Ziel ist es, Muster zu verstehen, Anomalien zu erkennen und zukünftige Werte vorherzusagen.

Funktionsweise: Zeitreihendaten weisen typische Strukturen auf: Trend (langfristige Richtung), Saisonalität (wiederkehrende Muster), Zyklen und Rauschen. Gängige Methoden wie ARIMA, SARIMA oder neuronale Ansätze (LSTM, Transformer) modellieren diese Strukturen und nutzen sie für Prognosen.

Unternehmensbeispiel: Ein Energieversorgungsunternehmen prognostiziert stündlichen Strombedarf auf Basis historischer Verbrauchsdaten, Temperatur und Kalenderereignissen. Die Zeitreihenanalyse ermöglicht eine präzise Produktionsplanung und verhindert teure Überkapazitäten.

Anwendungsfelder:

• Nachfrageprognosen im Handel
• Anomalieerkennung in Produktionsprozessen
• Finanzmarkt- und Aktienanalyse
• Vorhersage von Wartungsbedarf (Predictive Maintenance)
• Epidemiologische Modellierung

Abgrenzung: Zeitreihenanalyse ist eine spezialisierte Form der Datenanalyse, die die zeitliche Abhängigkeit zwischen Beobachtungen explizit modelliert – im Gegensatz zu klassischen ML-Modellen, die Datenpunkte als unabhängig betrachten.

Verwandte Begriffe: Prädiktive Analytik, Signalverarbeitung, Maschinelles Lernen

Zuletzt aktualisiert: 2026 | Supper & Supper GmbH, Berlin