AI Basics & LLM Terminology: Fachbegriffe erklärt | Business-Englisch.org
AI Workplace Series — Phase 1, Teil 1

AI Basics & LLM Terminology:
Das sprachliche Fundament

Wer KI-Systeme im Unternehmen strategisch einsetzen will, muss die Sprache der Algorithmen sprechen. Viele Begriffe rund um Generative AI werden im geschäftlichen Alltag falsch verwendet. Klären wir die wichtigsten englischen Fachbegriffe auf Executive-Level.

Wie „denken“ Sprachmodelle? Das Token-Prinzip

Ein Large Language Model (LLM) liest keine fertigen Wörter, wie wir Menschen es tun. Es zerlegt Text in kleine Fragmente, sogenannte Tokens. Ein Token entspricht im Englischen grob vier Zeichen oder 0,75 Wörtern.

Dieses Prinzip ist für Unternehmen essenziell, da die Nutzung von KI-Schnittstellen (APIs) fast immer pro verbrauchtem Token abgerechnet wird. Hier sehen Sie eine schematische Darstellung, wie eine KI eine typische IT-Anweisung fragmentiert:

Deploying the infrastructure via API takes exactly forty-two seconds.

Interaktives KI-Glossar: Fachbegriffe entschlüsselt

Klicken Sie auf die englischen Fachbegriffe, um deren präzise Bedeutung und Relevanz für geschäftliche Entscheidungen zu verstehen:

1. Generative AI (GenAI) +
Kategorie: Überbegriff

Eine Untergruppe der Künstlichen Intelligenz, die darauf spezialisiert ist, neue Inhalte (Text, Bilder, Code, Audio) zu erzeugen, anstatt bestehende Daten lediglich zu analysieren oder zu klassifizieren.

Business-Kontext: Während traditionelle KI prognostiziert, welche Kunden kündigen könnten, schreibt GenAI automatisch eine maßgeschneiderte E-Mail, um diese Kunden zurückzugewinnen.
2. Embeddings +
Kategorie: Datenarchitektur

Die Umwandlung von Wörtern oder Sätzen in lange Zahlenketten (Vektoren). Dadurch lernt die KI die semantische, inhaltliche Verwandtschaft von Begriffen. Wörter mit ähnlicher Bedeutung liegen im mathematischen Raum nah beieinander.

Business-Kontext: Durch Embeddings versteht die KI in einer HR-Datenbank sofort, dass der Begriff „Software-Entwickler“ inhaltlich extrem nah an „Full-Stack Engineer“ liegt, selbst wenn die geschriebenen Wörter völlig anders lauten.
3. Weights & Parameters +
Kategorie: Modellgröße

Parameter sind die internen Stellschrauben eines Modells, die während des Trainings angepasst werden. Die „Weights“ (Gewichtungen) bestimmen, wie stark neuronale Verknüpfungen feuern. Je mehr Parameter ein Modell hat, desto komplexere logische Zusammenhänge kann es theoretisch abbilden.

Business-Kontext: Ein Modell mit 7 Milliarden Parametern (7B) ist schnell und günstig (ideal für einfache Datenabfragen); ein Modell mit hunderten Milliarden Parametern ist analytisch brillant, erfordert aber massive Server-Ressourcen.
4. Fine-Tuning +
Kategorie: Modelloptimierung

Der Prozess, bei dem ein bereits vortrainiertes, allgemeines Sprachmodell (Base Model) nachträglich mit einer kleineren, spezifischen Datenmenge gefüttert wird, um es für eine ganz bestimmte Aufgabe zu optimieren.

Business-Kontext: Sie nehmen ein allgemeines Modell von OpenAI und führen ein Fine-Tuning mit den Support-Tickets Ihres eigenen Unternehmens aus den letzten fünf Jahren durch. Das Modell spricht danach exakt wie Ihr Kundenservice.

Vorsicht vor „Marketing-Voodoo“

In Verhandlungen mit Software-Anbietern wird oft behauptet, ein Tool nutze „proprietäre KI-Intelligenz“. Hinterfragen Sie dies im Englischen immer präzise: „Are you hosting a fine-tuned open-source model, or are you executing API requests to a commercial frontier model?“ Nur so behalten Sie die Kontrolle über Ihre Datenströme und Kostenstrukturen.

Zurück zur Übersicht Weiter zu Teil 2 (Neural Networks)