KI-Fachbegriffe - DER KI-AUDIT

Kernbegriffe der KI

Agentische KI (AI Agents): LLM-basierte Agenten, die eigenständig Aufgaben planen und ausführen, z. B. zur automatisierten Recherche für Hotel-Audits.
AI Visibility: Messung, wie oft ein Brand in KI-Antworten erscheint; entscheidend für Hotel-Findbarkeit.
Answer Engine Optimization (AEO): Optimierung von Inhalten für Antwortmaschinen wie ChatGPT, Perplexity oder Voice-Assistenten, die direkte Antworten statt Links liefern.
Deep Learning: ML mit tiefen neuronalen Netzen für komplexe Mustererkennung, z. B. in Bild- oder Textanalyse für Audits.
Generative Engine Optimization (GEO): Optimierung von Inhalten für bessere Sichtbarkeit in KI-Antworten von ChatGPT oder Gemini.
Generative KI: KI, die neue Inhalte wie Text oder Bilder erzeugt, z. B. für personalisierte Hotelinhalte.
Große Sprachmodelle (LLM): Umfangreiche Modelle wie GPT-4, die natürliche Sprache verstehen und generieren; relevant für KI-Sichtbarkeit.
Künstliche Intelligenz (KI): Fähigkeit von Maschinen, intelligente Aufgaben wie Lernen oder Problemlösen zu übernehmen, z. B. in Audits für Hotel-Sichtbarkeit.
Large Language Model Optimization (LLMO): Ausrichtung von Inhalten, Entitäten und Signalen darauf, in LLM-Wissensbeständen und KI-Antworten häufiger und konsistenter aufzutauchen.
Maschinelles Lernen (ML): KI-Unterbereich, bei dem Modelle aus Daten lernen, ohne explizit programmiert zu werden; Basis für Optimierungen.
Natural Language Processing (NLP): Verarbeitung menschlicher Sprache durch KI, z. B. für Chatbots in Hotels.
Neuronales Netzwerk: Vom Gehirn inspiriertes Modell mit Schichten verbundener Knoten zur Datenverarbeitung.

Lernmethoden

Fine-Tuning: Feinabstimmung eines Modells für spezifische Anwendungen wie Hotel-Audits.
Reinforcement Learning: Lernen durch Belohnung und Strafe, z. B. Preisanpassung in Echtzeit.
Self-Supervised Learning: Modell lernt aus eigenen Daten ohne Labels.
Supervised Learning: Lernen mit gelabelten Daten für Vorhersagen, z. B. Klassifikation von Hotelbewertungen.
Transfer Learning: Übertragung von Wissen eines vortrainierten Modells auf neue Aufgaben.
Unsupervised Learning: Erkennung von Mustern in ungelabelten Daten, z. B. Clustering von Gästepräferenzen.

Optimierung und Sichtbarkeit

AI-SEO / AIO: Nutzung von KI für SEO sowie Optimierung von Inhalten speziell für KI- und Antwortsysteme.
Chain-of-Thought: Schrittweises Denken von LLMs für präzise Antworten.
E-E-A-T: Expertise, Experience, Authoritativeness, Trustworthiness; Signal für KI-Zitationen.
Entity Recognition: Identifikation von Entitäten wie Hotels in Texten.
Kontextfenster (Context Window): Maximale Anzahl an Tokens, die ein LLM gleichzeitig berücksichtigen kann; begrenzt Prompt-, Kontext- und Antwortlänge.
Retrieval-Augmented Generation (RAG): Kombiniert Suche mit Generierung für faktenbasierte KI-Antworten.
Schema Markup: Strukturierte Daten für besseres KI-Verständnis von Hotel-Infos.
Semantic Search: Suche nach Bedeutung statt Keywords; Basis für GEO.
Temperatur: Parameter, der steuert, wie deterministisch oder kreativ ein LLM antwortet.
Tokenisierung: Aufteilen von Text in Tokens, die das Modell versteht; beeinflusst Zählung, Kosten und Kontexte von Prompts.
Top-p / Top-k Sampling: Verfahren zur Auswahl der nächsten Tokens, die Varianz und Kreativität der Ausgabe steuern.

Weitere Schlüsselbegriffe

AI Governance: Rahmen aus Richtlinien, Prozessen und Kontrollen für verantwortungsvollen KI-Einsatz in Unternehmen.
Beam Search: Suchstrategie, bei der mehrere Antwortkandidaten parallel verfolgt werden, um wahrscheinliche Sequenzen zu finden.
Edge Computing: Datenverarbeitung nah am Ursprung für Echtzeit-Hotel-Anwendungen.
Embeddings: Vektordarstellungen von Text, die semantische Ähnlichkeit für Suche und RAG ermöglichen.
Explainable AI (XAI): Nachvollziehbare KI-Entscheidungen für Transparenz in Audits.
GANs: Netzwerke für generative Inhalte durch Generator und Diskriminator.
Halluzination: Falsche Infos, die KI plausibel erzeugt; Audit-Ziel: Minimierung.
KI-Bias: Verzerrungen in Modellen durch Trainingsdaten; ethisches Audit-Thema.
Logits: Rohwerte des Modells für jedes mögliche nächste Token, aus denen Wahrscheinlichkeiten berechnet werden.
Model Drift: Leistungsabfall eines Modells über die Zeit, weil sich Daten oder Nutzerverhalten ändern.
Positional Encoding: Verfahren, mit dem Transformer-Modelle die Reihenfolge von Tokens kodieren.
Prompt Engineering: Optimierung von Anfragen an LLMs für bessere Outputs.
Prompt Injection: Manipulative Prompts, die ein LLM dazu bringen sollen, ursprüngliche Instruktionen zu ignorieren.
Responsible AI: Ansatz, der Fairness, Transparenz, Sicherheit und Menschenrechte beim Einsatz von KI sicherstellt.
Systemprompt: Versteckte Grundanweisung, die das Verhalten eines LLM dauerhaft steuert.
Token: Kleinste Einheit in LLMs (z. B. Wortteil); misst Verarbeitungskapazität.
Tokenizer: Komponente, die Text in Tokens umwandelt und wieder zurück; Basis jeder LLM-Verarbeitung.
Transformer: Architektur für LLMs, die Kontext berücksichtigt.
Vektordatenbank: Datenbank, die Embeddings speichert und über Ähnlichkeitssuche relevante Kontexte findet.

Anwendungsbezogene Begriffe

AI Act: EU-Regulierung für sichere KI-Anwendungen.
Autonome Systeme: Selbstfahrende Roboter in Hotellerie.
Chatbot: Automatisierte Gespräche für Hotel-Buchungen.
Computer Vision: Bildverarbeitung für Hotel-Überwachung oder Gästeanalyse.
Conversational AI: Systeme, die natürliche Dialoge über Text oder Sprache führen, z. B. für Buchungsanfragen.
Few-Shot Learning: Lösen neuer Aufgaben mit nur wenigen Beispiel-Prompts.
Hybride KI: Kombiniert ML mit symbolischer Logik.
Multimodale KI: Verarbeitet Text, Bild und Audio gleichzeitig.
Predictive Analytics: Vorhersage von Trends wie Buchungen.
Risikoklassen (AI Act): Einstufung von KI-Systemen in verbotene, Hochrisiko-, begrenzte und minimale Risiken.
Sentimentanalyse: Bewertung von Emotionen in Reviews für Reputationsmanagement.
Trustworthy AI: Ethische, transparente KI für Gästevertrauen.
Zero-Shot Learning: Lösen neuer Aufgaben ohne Training.