Glossar

Das zugrunde liegende Ziel oder das gewünschte Ergebnis, das ein Benutzer bei der Interaktion mit dem KI-Assistenten erreichen möchte. Das Verständnis der Benutzerabsicht ist für die KI unerlässlich, um relevante Antworten zu generieren oder entsprechende Aufgaben auszuführen.

Die vom AI-Assistenten generierte und an den Benutzer zurückgegebene Ausgabe. Die Antworten sind auf die Spezifität oder Allgemeingültigkeit der Benutzeraufforderung zugeschnitten, sodass eine relevante und genaue Ausgabe gewährleistet ist.

Eine Aktion, die vom AI-Assistenten auf der Grundlage der Aufforderung des Benutzers ausgeführt wird. Aufgaben bestehen aus einer vom Benutzer bereitgestellten Aufforderung und der entsprechenden Antwort der KI. Aufgaben können eine einzelne Aktion umfassen, z. B. das Abrufen von Informationen, oder eine Reihe von Aktionen, die vom KI-Assistenten koordiniert werden.

Ein kontinuierlicher Austausch zwischen dem Benutzer und dem KI-Assistenten, der in der Regel mehrere Aufgaben innerhalb einer oder mehrerer Konversationen umfasst.

Die Eingabe erfolgt in alltäglicher Konversationssprache, im Gegensatz zu strukturierten Befehlen. Der KI-Assistent verarbeitet Eingaben in natürlicher Sprache, sodass Benutzer ohne spezielle Formatierung oder technische Anweisungen kommunizieren können.

GPT steht für „Generative Pre-Trained Transformer“. Dieser Begriff fasst die Kernfunktionalitäten und die Architektur eines KI-Modells zusammen. Diese Art von KI-Modell wird für die Verarbeitung natürlicher Sprache verwendet und ist in der Lage, menschenähnlichen Text auf der Grundlage eines umfassenden Datentrainings zu generieren.

Ein Agent ist eine Komponente des KI-Systems, die für die Interpretation von Benutzereingaben und die Ausführung von Aufgaben oder Aktionen als Reaktion darauf verantwortlich ist. Agenten können eine Vielzahl von Aufgaben erledigen, von der Beantwortung von Fragen bis hin zur Durchführung spezieller Aktionen wie dem Senden von Benachrichtigungen oder der Analyse von Daten. Agenten arbeiten innerhalb des umfassenderen KI-Systems und interagieren häufig mit anderen Komponenten wie Datenbanken oder Benutzeroberflächen, um ein nahtloses Benutzererlebnis zu bieten.

Ein KI-System, das Benutzer bei der Verwaltung von Aufgaben, dem Abrufen von Informationen oder der Erleichterung von Gesprächen unterstützt. KI-Assistenten werden häufig in Arbeitsabläufe integriert, um die Produktivität und Effizienz zu steigern, indem sie konsistenten Support in Echtzeit bieten.

Die Informationen aus früheren Interaktionen, die der KI-Assistent verwendet, um die Kontinuität und Relevanz laufender Konversationen aufrechtzuerhalten. Der Kontext hilft der KI, ihre Antworten so anzupassen, dass sie mit früheren Benutzereingaben übereinstimmen.

Die Menge an Informationen innerhalb einer Konversation, die der KI-Assistent zu einem bestimmten Zeitpunkt speichern kann. Die Größe des Kontextfensters variiert je nach Design und Funktionen der KI. In vielen KI-Systemen wird das Kontextfenster in Tokens gemessen, die bestimmen, auf welchen Teil der Konversation die KI gleichzeitig verweisen kann.

Eine Reihe von Interaktionen zwischen einem Benutzer und dem KI-Assistenten, die in der Regel mehrere verwandte Aufgaben umfassen. Der KI-Assistent verwendet den Kontext früherer Konversationen, um die Kohärenz aufrechtzuerhalten und im Verlauf des Chats angemessen zu reagieren. Während eines Chats kann der Benutzer den Assistenten bitten, mehrere Aufgaben zu erledigen, z. B. die Planung einer Reiseroute oder die Suche nach Restaurants, die alle innerhalb desselben thematischen Kontextes liegen.

Die vom Benutzer an den KI-Assistenten übermittelte Eingabe, die die Form einer Frage, eines Befehls, einer Aussage oder einer Anweisung annehmen kann. Eingabeaufforderungen leiten die Aktionen des KI-Assistenten, indem sie als Haupteingabe für die Generierung von Antworten oder die Ausführung von Aufgaben dienen.

Die Zeit, die der KI-Assistent benötigt, um nach Erhalt einer Aufforderung eine Antwort zu generieren.

Das Medium, über das Benutzer mit dem KI-Assistenten interagieren. Zu den gängigen Benutzeroberflächen gehören textbasierte Chatfenster, Sprachbefehlsschnittstellen, mobile Anwendungen und codebasierte Integrationen (sogenannte APIs).

Eine Kommunikationsmethode, bei der der Benutzer mithilfe gesprochener Befehle mit dem KI-Assistenten interagiert, in der Regel über das Mikrofon eines Geräts. Die Sprachinteraktion basiert auf Spracherkennungstechnologie, um die gesprochenen Eingaben des Benutzers zu interpretieren und entsprechend zu reagieren.

Deep Research ist ein KI-gestützter Ansatz zur Erfassung, Analyse und Konsolidierung großer Datenmengen im Internet, in Dokumenten und anderen Quellen, um einen umfassenden Bericht zu erstellen. Deep Research ist vergleichbar mit einem KI-Forschungsassistenten oder -analysten, der einen auf KI-Argumentation basierenden LLM verwendet, um einen Forschungsplan für Sie zu entwickeln und durchzuführen.

Ein Prozess, bei dem der Benutzer seine Aufforderung anpasst oder umformuliert, um eine genauere oder relevantere Antwort vom KI-Assistenten zu erhalten. Die Verfeinerung hilft der KI, die spezifischen Bedürfnisse des Benutzers besser zu verstehen, und stellt so sicher, dass die Ergebnisse besser auf das gewünschte Ergebnis abgestimmt sind.

Eine Aufzeichnung der Konversation zwischen dem Benutzer und der KI, auf die aus Gründen der Kontinuität verwiesen werden kann.

Eine nonverbale Antwort des KI-Assistenten, die die Anzeige von Daten, Diagrammen, Bildern oder anderen visuellen Elementen umfasst. Eine visuelle Reaktion wird häufig als Ergänzung zu verbalen oder textbasierten Antworten verwendet, um Benutzern zu helfen, komplexe Informationen besser zu verstehen.

Compound AI bezieht sich auf ein fortschrittliches KI-System, das mehrere KI-Modelle, Algorithmen oder Methoden kombiniert, um ein leistungsfähigeres System zu schaffen, als es ein einzelnes LLM alleine erreichen könnte. Wie eine chemische Verbindung, die aus verschiedenen Elementen entsteht, integriert Compound AI verschiedene KI-Technologien (wie maschinelles Lernen, Verarbeitung natürlicher Sprache, Computer Vision und Optimierung auf Inferenzebene), um komplexe Aufgaben wie Logik und Codierung zu bewältigen und eine bessere Leistung zu erzielen. Dieser Ansatz ermöglicht es dem System, die Stärken der einzelnen Komponenten zu nutzen und gleichzeitig potenziell individuelle Schwächen aller LLMs auszugleichen.