Der Begriff wird in verschiedenen Disziplinen aus unterschiedlichen Perspektiven diskutiert.
Aufgrund des KI-Effekts entwickelt sich der Begriff stetig weiter. Folgend sind drei Definitionen ausgewiesen:
Definition 1: Fähigkeit eines technischen Systems, Wissen und Kompetenzen zu erwerben, zu verarbeiten und anzuwenden (ISO/IEC 29119-11).
Definition 2: Ein computergestütztes System, das kognitiv arbeitet, um Informationen zu verstehen und Probleme zu lösen (ISO/IEC 22989).
Definition 3: Künstliche Intelligenz bezeichnet eine Reihe von Technologien, [...] die im Hinblick auf eine Reihe von Zielen, die vom Menschen festgelegt werden, Ergebnisse wie Inhalte, Vorhersagen, Empfehlungen oder Entscheidungen hervorbringen können, die das Umfeld beeinflussen, mit dem sie interagieren (Europäisches KI-Gesetz im Entwurf 1).
-
AI-Act (Regulation of the European Parliament and of the Council Laying Down Harmonised Rules on Artificial Intelligence (Artificial Intelligence Act), Volltext auf Europa.eu ↩︎
ETSI GR ENI 004 computerized system that uses cognition to understand information and solve problems
NOTE 1: ISO/IEC 2382-28 defines AI as "an interdisciplinary field, usually regarded as a branch of computer science, dealing with models and systems for the performance of functions generally associated with human intelligence, such as reasoning and learning".
NOTE 2: In computer science AI research is defined as the study of "intelligent agents": any device that perceives its environment and takes actions to achieve its goals.
NOTE 3: This includes pattern recognition and the application of machine learning and related techniques.
NOTE 4: Artificial Intelligence is the whole idea and concepts of machines being able to carry out tasks in a way that mimics the human intelligence and would be considered "smart".
ISO/IEC DIS 22989 set of methods or automated entities that together build, optimize and apply a model (3.1.26) so that the system can, for a given set of predefined tasks (3.1.37), compute predictions (3.2.12), recommendations, or decisions.
Note 1 to entry: AI systems are designed to operate with varying levels of automation (3.1.7).
Note 2 to entry: Predictions (3.2.12) can refer to various kinds of data analysis or production (including translating text, creating synthetic images or diagnosing a previous power failure). It does not imply anteriority. study of theories, mechanisms, developments and applications related to artificial intelligence (3.1.2).
ISO/IEC TR 29119-11:2020 capability of an engineered system to acquire, process and apply knowledge and skills
ISTQB - CTAI Syllabus The capability of an engineered system to acquire, process, create and apply knowledge and skills (ISO/IEC TR 29119-11)
Der Fall, wenn ein KI-System aufgrund des Technologiefortschritts nicht mehr als KI betrachtet wird.
ISO/IEC TR 29119-11:2020 situation when a previously labelled AI (3.1.13) system is no longer considered to be AI as technology advances
ISTQB - CTAI Syllabus The situation when a previously labelled AI system is no longer considered to be AI as technology advances (ISO/IEC TR 29119-11)
Ein System, das eine oder mehrere KI-Komponenten integriert.
ISO/IEC TR 29119-11:2020 system including one or more components implementing AI (3.1.13)
ISTQB - CTAI Syllabus A system that integrates one or more AI components
Eine Komponente, die Methoden der KI beinhaltet.
Siehe auch:ISTQB - CTAI Syllabus A component that provides AI functionality
Ein System, das Künstliche Intelligenz benutzt und aus mehreren Komponenten besteht (von denen mindestens eine davon eine KI-Komponente ist).
Der vom EU-Parlament am 27. April 2023 für den Trilog verabschiedete AIA1-Kompromissvorschlag (Basis ist die Dokumentenversion vom 06. Dezember 2022) definiert ein KI-System als ein System (im Unterschied zur OECD-Definition2: dort als ein ''maschinenbasiertes System''), das für bestimmte von Menschen definierte Ziele Voraussagen macht, Empfehlungen abgibt oder Entscheidungen treffen kann, die das reale oder virtuelle Umfeld beeinflussen. KI-Systeme können mit einem unterschiedlichen Grad an Autonomie ausgestattet sein.
Software-Modul, in dem KI-Methoden implementiert sind.
Fähigkeit wie Wahrnehmen, Verarbeiten, Handeln und Kommunizieren, die auf Grundlage von KI-Methoden umgesetzt werden kann (siehe DIN/DKE Deutsche Nordmungsroadmap KI, 2. Ausgabe, Abschn. 4.1.2.1).
Beim Einsatz von algorithmischen und soziotechnischen Systemen im weiteren Sinn und maschinell lernenden Systemen im engeren Sinn, beschreibt Fairness als ethisches Prinzip den reproduzierbaren Grad der Gleichbehandlung verschiedener Personen in allen Stufen des Lifecycles des Systems. Dieses Prinzip ist ebenfalls auf Nicht-Menschliches anwendbar, wie z.B. Tiere, Umwelt, Natur,... bzw. insgesamt auf natürliche Akteure.
Metamodell zur Sicherstellung der Qualität KI-basierter Systeme.
Anmerkung: Dieses Metamodell ist in DIN SPEC 92001 detailliert definiert.
ISO/IEC TR 29119-11:2020 metamodel intended to ensure the quality of AI-based systems (3.1.9)
Note 1 to entry: This metamodel is defined in detail in DIN SPEC 92001.
Ein Softwaremodell zur Bereitstellung von KI-Diensten.
ISTQB - CTAI Syllabus A software licensing and delivery model in which AI and AI development services are centrally hosted
Prozess der Vermittlung einer Reihe von Kenntnissen, KI-Fähigkeiten, Verfahren und/oder Verhaltensweisen an eine Entität.
ETSI GR ENI 004 process of teaching an entity a set of knowledge, skills, processes and/or behaviours
ISO/IEC DIS 22989 process to establish or to improve the parameters of a machine learning model (3.2.11), based on a machine learning algorithm (3.2.10), by using training data (3.2.22).
Daten, die im Trainingsprozess zum Erstellen eines KI-Modells verwendet werden können.
Siehe auch:ISO/IEC DIS 22989 subset of input data samples used to train a machine learning model (3.2.11)
ISO/IEC TR 29119-11:2020 dataset used to train an ML model (3.1.46)
Zustand des Modells nach Extraktion von Wissen aus Daten im Zuge des überwachten maschinellen Lernens.
Siehe auch:ISO/IEC DIS 22989 result of model training (3.2.21)
Die Eigenschaft, bei Bedarf durch Befugte zugänglich und nutzbar zu sein. Charakterisiert durch einen spezifischen Grad an Verfügbarkeit, kann dessen Ausmaß unter anderen von Merkmalen wie Aktualität, Interpretierbarkeit sowie Vollständigkeit von Informationen abhängen.
ISO/IEC DIS 22989 property of being accessible and usable on demand by an authorized entity
[SOURCE: ISO/IEC 27000:2018, 3.7]
Ein Forschungs- und Anwendungsbereich, der sich mit dem Verstehen der Faktoren befasst, die Ergebnisse von KI-Systemen beeinflussen.
ISTQB - CTAI Syllabus The field of study related to understanding the factors that influence AI system outputs
Angestrebte Eigenschaft eines KI-Systems, dass Faktoren, die zu einer automatisierten Entscheidung des Systems geführt haben, durch einen Menschen "verstanden" werden können.
ISO/IEC DIS 22989 property of an AI system (3.1.4) to express important factors influencing the AI system (3.1.4) results in a way that humans can understand
Note 1 to entry: It is intended to answer the question “Why?” without actually attempting to argue that the course of action that was taken was necessarily optimal.
ISO/IEC TR 29119-11:2020 level of understanding how the AI-based system (3.1.9) came up with a given result
ISTQB - CTAI Syllabus The level of understanding how the AI-based system came up with a given result (ISO/IEC TR 29119-11)
Ein ML-Modell, das bereits trainiert war, als es für die Weiterentwicklung / das weitere Trainining zur Verfügung gestellt wurde.
ISTQB - CTAI Syllabus An ML model already trained when it was obtained
Aktualisierung eines trainierten Modells durch erneutes Training mit anderen Trainingsdaten.
Siehe auch:ISO/IEC DIS 22989 updating a trained model (3.2.20) by training (3.2.21) with different training data (3.2.22)
KI, die sich auf eine einzige klar definierte Aufgabe konzentriert, um ein bestimmtes Problem zu lösen.
Siehe auch:ISO/IEC DIS 22989 AI (3.1.13) focused on a single well-defined task to address a specific problem.
ISO/IEC TR 29119-11:2020 weak AI: AI (3.1.13) focused on a single well-defined task to address a specific problem
ISTQB - CTAI Syllabus AI focused on a single well-defined task to address a specific problem (ISO/IEC TR 29119-11)
Synonym: weak AI
KI, die über das gesamte Spektrum der kognitiven KI-Fähigkeiten hinweg intelligentes Verhalten zeigt, das mit dem eines Menschen vergleichbar ist (Synonym: starke KI).
Siehe auch:ISO/IEC DIS 22989 AI that addresses a broad range of tasks (3.1.37) with a satisfactory level of performance Note 1 to entry: Compared to narrow AI (3.1.27).
ISO/IEC TR 29119-11:2020 strong AI: AI (3.1.13) that exhibits intelligent behaviour comparable to a human across the full range of cognitive abilities
ISTQB - CTAI Syllabus AI that exhibits intelligent behaviour comparable to a human across the full range of cognitive abilities (ISO/IEC TR 29119-11) Synonym: strong AI
Der Prozess der Anwendung des ML-Algorithmus auf den Trainingsdatensatz zur Erstellung eines ML-Modells.
ISTQB - CTAI Syllabus The process of applying the ML algorithm to the training dataset to create an ML model
Ein Typ von KI-Methoden, der auf Modellen basiert und Symbole und Strukturen verwendet, um Muster zu erkennen.
Siehe auch:ISO/IEC DIS 22989 AI (3.1.2) based on techniques and models (3.1.26) using symbols and structures
Note 1 to entry: Compared to. subsymbolic AI (3.1.36).
Ein Typ von KI-Methoden, der auf Modellen mit numerischer Darstellung und impliziter Informationskodierung basiert.
Siehe auch:ISO/IEC DIS 22989 AI (3.1.2) based on techniques and models (3.1.26) using a numeric representation and implicit information encoding
Note 1: Compared to symbolic AI (3.1.35).
Der Aktivierungswert gibt an, wie stark ein Neuron eines künstlichen neuronalen Netzes durch eine konkrete Eingabe aktiviert wird. Es handelt sich dabei um das Transformationsergebnis durch die Aktivierungsfunktion.
ISO/IEC TR 29119-11:2020 output of an activation function (3.1.3) of a node in a neural network
ISTQB - CTAI Syllabus The output of an activation function of a neuron in a neural network
Fähigkeit eines Systems, auf Veränderungen in seiner Umgebung zu reagieren, um weiterhin sowohl funktionale als auch nicht-funktionale Anforderungen zu erfüllen.
ISO/IEC TR 29119-11:2020 ability of a system to react to changes in its environment in order to continue meeting both functional and non-functional requirements
Grad der zeitlichen Gültigkeit von Daten, mit Relevanz für einen bestimmten Anwendungskontext.
Ein baumartiges ML-Modell, dessen Knoten Entscheidungen darstellen und deren Zweige mögliche Ergebnisse darstellen.
ISO/IEC DIS 22989 model (3.1.26) for which inference (3.1.22) is encoded as paths from the root to a leaf node in a tree structure
ISO/IEC TR 29119-11:2020 supervised-learning model (3.1.46) for which inference can be represented by traversing one or more tree-like structures
ISTQB - CTAI Syllabus A tree-like ML model whose nodes represent decisions, and whose branches represent possible outcomes
Eine Iteration des ML-Trainings mit dem gesamten Trainingsdatensatz.
ISTQB - CTAI Syllabus An iteration of ML training on the whole training dataset
Inkrementelles Lernen ist eine Methode des maschinellen Lernens, bei der sich ständig ändernde Eingabedaten verwendet werden, um das Modell weiter zu trainieren und das Wissen des bestehenden Modells kontinuierlich zu erweitern.
ETSI GR ENI 004 learning from a continuously changing source of data (e.g. streaming data) that arrives over time .
Wissen, das auf der Grundlage von Schlussfolgerungen unter Verwendung von Informationen geschaffen wurde.
ETSI GR ENI 004 knowledge that was created based on reasoning, using evidence provided
Von Overfitting spricht man, wenn ein ML-Modell so stark auf den Trainingsdatensatz ausgerichtet ist, dass es nur noch schwer auf neue Daten verallgemeinert werden kann.
ISO/IEC TR 29119-11:2020 generation of a ML model (3.1.46) that corresponds too closely to the training data (3.1.80), resulting in a model that finds it difficult to generalize to new data
ISTQB - CTAI Syllabus The generation of an ML model that corresponds too closely to the training dataset, resulting in a model that finds it difficult to generalize to new data (After ISO/IEC TR 29119-11)
Schaffung neuer Datenpunkte auf Grundlage eines bestehenden Datensatzes.
ISTQB - CTAI Syllabus The activity of creating new data points based on an existing dataset
Ein System, das über längere Zeiträume ohne menschlichen Eingriff funktioniert.
ISO/IEC TR 29119-11:2020 system capable of working without human intervention for sustained periods
ISTQB - CTAI Syllabus A system capable of working without human intervention for sustained periods
Die Schaffung eines ML-Modells, das den zugrunde liegenden Trend des Trainingsdatensatzes nicht widerspiegelt, was zu einem Modell führt, das nur schwer genaue Vorhersagen machen kann.
ISO/IEC TR 29119-11:2020 generation of a ML model (3.1.46) that does not reflect the underlying trend of the training data (3.1.80), resulting in a model that finds it difficult to make accurate predictions (3.1.56)
ISTQB - CTAI Syllabus The generation of an ML model that does not reflect the underlying trend of the training dataset, resulting in a model that finds it difficult to make accurate predictions (ISO/IEC TR 29119-11)
Die Möglichkeit, Aussagen bzw. Systeme nachzuvollziehen, indem beispielsweise Zugriffe auf Daten, Dokumente oder (KI-)Systeme gewährt werden.
Hyperparameter bezeichnen im maschinellen Lernen meist alle Parameter, die nicht unmittelbar durch den Trainingsprozess definiert oder beeinflusst werden. Dazu zählen Modellparameter wie die Anzahl an Schichten eines neuronalen Netzes oder die Schrittweite des Trainingsprozesses, nicht jedoch etwa die gelernten Gewichte. Grundsätzlich können Hyperparameter nach algorithmisch und modellspezifisch differenziert werden. Algorithmische Hyperparameter beeinflussen die Performance des Lernalgorithmus, hingegen beeinflussen modellspezifische Hyperparameter das im Lernprozess verwendete mathematische oder statistische Modell.
ETSI GR ENI 004 learning parameter that is set before the learning process is started
ISO/IEC DIS 22989 characteristic of a machine learning algorithm (3.2.10) that affects its learning process
Note 1 to entry: Hyperparameters are selected prior to training and can be used in processes to help estimate model parameters.
Note 2 to entry: Examples of hyperparameters include number of network layers, width of each layer, type of activation function, optimization method, learning rate for neural networks; the choice of kernel function in a support vector machine; number of leaves or depth of a tree; the K for K-means clustering; the maximum number of iterations of the expectation maximization algorithm; the number of Gaussians in a Gaussian mixture.
ISO/IEC TR 29119-11:2020 variable used to define the structure of a neural network and how it is trained
Note 1 to entry: Typically, hyperparameters are set by the developer of the model (3.1.46) and may also be referred to as a tuning parameter (3.1.53).
ISTQB - CTAI Syllabus A parameter used to either control the training of an ML model or to set the configuration of an ML model
Eine Rolle, die von einer externen Einheit (Mensch oder Maschine) gespielt wird, welche mit dem Subjekt eines Anwendungsfalls interagiert. Ein Handelnder ist immer eine Art von Interessensvertreter, jedoch nicht umgekehrt.
ETSI GR ENI 004 role, played by an external entity (human or machine), which interacts with the subject of a use case
NOTE: An actor is always a type of stakeholder (but not vice versa). See stakeholder.
Im Kontext von KI versteht man unter einem Agenten ein entscheidendes und handelndes System, das mit seiner Umgebung und anderen Agenten interagieren kann.
ETSI GR ENI 004 computational process that implements the autonomous, communicating functionality of an application
ISO/IEC DIS 22989 automated entity that perceives its environment and takes actions to achieve its goals.
Note 1 to entry: An AI agent is an agent that maximizes its chance of successfully achieving its goals by using AI techniques.
Abweichungen bei Datencharakteristiken von erwarteten Zuständen.
ETSI GR ENI 004 measurable consequences of an unexpected change in state of a datum, or set of data, which is outside of its local or global norm.
Maß für den mittleren Informationsgehalt einer Variable, beispielsweise bei der Vorverarbeitung von Daten.
Eine Menge an Aussagen, um eine Beobachtung zu erklären, deren Korrektheit derzeit noch nicht bekannt ist.
ETSI GR ENI 004 set of statements for explaining an observation that is not yet known to be true
Der Grad der Nachvollziehbarkeit der Funktionsweise einer zugrunde liegenden (KI-)Technologie.
ISO/IEC TR 29119-11:2020 level of understanding how the underlying (AI) technology works
ISTQB - CTAI Syllabus The level of understanding how the underlying AI technology works (ISO/IEC TR 29119-11)
Als überwachtes Lernen bezeichnet man im engeren Sinne Verfahren des maschinellen Lernens, die mit konkret spezifizierten Sollausgaben trainiert werden (sog. ''Labels''). Im weiteren Sinne werden Verfahren dazu gezählt, deren Lernziel durch konkrete Vorgaben bestimmt ist, wenn auch nicht auf der Ebene von Einzelausgaben. Dieser weitere Sinn schließt Verfahren wie etwa GANs und bestärkendes Lernen ein.
Siehe auch:ISO/IEC DIS 22989 machine learning (3.2.9) that makes use of labelled data during training (3.2.21)
Als Ontologie wird einerseits eine philosophische Disziplin bezeichnet, die sich damit befasst, Konzepte der Welt in möglichst sinnerhaltende Kategoriensysteme einzuordnen. Andererseits bezeichnet man in der Informatik Kategoriensysteme ebenfalls als Ontologien, die beispielsweise aus Begriffen und Relationen bestehen und für Algorithmen zugreifbar sind.
ETSI GR ENI 004 explicit specification of a conceptualization
NOTE 1: As defined in [i.14].
NOTE 2: This definition is the basis for definitions in OneM2M and SmartM2M.
language, consisting of a vocabulary and a set of primitives, that enable the semantic characteristics of a domain to be modelled
Interagierende Arbeitssysteme, deren Zusammenwirken ein bestimmtes Gesamtergebnis erzielt.
S.: DIN EN ISO 6385:2016
System, welches das Zusammenwirken von einzelnen oder mehreren Arbeitenden mit den Arbeitsmitteln umfasst, um die Funktion eines Systems, innerhalb von Arbeitsraum sowie Arbeitsumgebung unter den durch die Arbeitsaufgaben vorgegebenen Bedingungen zu erfüllen.
Häufig regelbasiertes System, das auf symbolischer Wissensverarbeitung beruht.
Beispiel: Wenn-dann-Regeln.
Anmerkung: Z.B. symbolische, formale Repräsentation von Wissen in KI-Systemen, mit der Eigenschaft, mittels Schlussfolgerung auf Grundlage von Logik aus formalem Wissen neues Wissen herzuleiten.
ISO/IEC DIS 22989 AI system (3.1.4) that encapsulates knowledge provided by a human expert in a specific domain to infer solutions to problems
ISTQB - CTAI Syllabus An AI-based system for solving problems in a particular domain or application area by drawing inferences from a knowledge base developed from human expertise.
Grundsätze, die das moralische Verhalten eines Menschen oder einer Maschine bestimmen (nach ETSI). Domainenübergreifend ist Ethik die wissenschaftliche Beschäftigung mit der Moral. Sie reflektiert und philosophiert über diverse Moralvorstellungen, sie analysiert und systematisiert, sie untersucht und hinterfragt ihre Begründungen und Prinzipien. Es gibt verschiedene Moralvorstellungen, Normensysteme, Prinzipien, Werte oder Dispositionen, die alle für sich den Anspruch erheben, die Grundlage richtigen Handelns zu sein.
Siehe auch:ETSI GR ENI 004 set of principles that govern the moral behaviour of a person or machine
Konstellation, in der jede mögliche Entscheidung zu einem Verstoß gegen einen oder mehrere ethische Grundsätze führt (z.B. Trolley-Problem).
Siehe auch:ETSI GR ENI 004 situation in which any available decision leads to infringing on one or more ethical principles.
Autonomie ist die Abwesenheit der Fremdbestimmung. Bezogen auf Menschen bedeutet Autonomie freien Willen bzw. Selbstbestimmtheit und entspricht einem Grundprinzip der Digital-Ethik.
ISO/IEC DIS 22989 autonomous characteristic of a system that is capable of modifying its operating domain or goal without external intervention, control or oversight.
Note 1 to entry: In jurisprudence, autonomy refers to the capacity for self-governance. In this sense, also, ''autonomous'' is a misnomer as applied to automated AI systems, because even the most advanced AI systems are not self-governing. Rather, AI systems operate based on algorithms and otherwise obey the commands of operators. For these reasons, this document does not use the popular term autonomous to describe automation.
ISO/IEC TR 29119-11:2020 ability of a system to work for sustained periods without human intervention
ISTQB - CTAI Syllabus The ability of a system to work for sustained periods without human intervention (ISO/IEC TR 29119-11)
Ein Schwellwert, der das Ergebnis einer Vorhersagefunktion in ein binäres Ergebnis entweder oberhalb oder unterhalb des vorgegebenen Schwellwertes umwandelt.
ISTQB - CTAI Syllabus A value that transforms the result of a prediction function into a binary outcome of either above or below the value Synonym: discrimination threshold
Beim Ensemble-Lernen werden mehrere Lernalgorithmen verwendet, um eine bessere Leistung bei der Vorhersage von Ergebnissen zu erzielen, als dies mit einem einzelnen Lernalgorithmus möglich ist.
Siehe auch:ETSI GR ENI 004 use of multiple learning algorithms to obtain better performance in predicting results than is possible from using any single learning algorithm.
Einheit eines IoT-Systems, die mit der physischen Welt durch Erfassen oder Auslösen interagiert und kommuniziert.
Anmerkung: Ein IoT-Gerät kann sowohl ein Sensor als auch ein Aktor sein (siehe auch Internet der Dinge).
ISO/IEC DIS 22989 entity of an IoT system that interacts and communicates with the physical world through sensing or actuating
Note 1 to entry: An IoT device can be a sensor or an actuator.
[SOURCE: ISO/IEC 20924:2018, 3.2.4]
Lernalgorithmus, der einem Benutzer Daten zur Kennzeichnung (Labeling) interaktiv vorsetzt, sodass der Trainingsprozess mittels der Einschränkung auf ausgewählte Entitäten optimiert werden kann.
ETSI GR ENI 004 learning algorithm that can query a user interactively to label data with the desired outputs
NOTE: The algorithm proactively selects the subset of examples to be labelled next from the pool of unlabelled data. The idea is that an ML algorithm could potentially reach a higher level of accuracy while using a smaller number of training labels if it were allowed to choose the data it wants to learn from.
Ein adverser Angriff ist der gezielte Versuch, mit Hilfe von adversen Eingaben (adversarial examples) Fehler zu verursachen. Insbesondere künstliche neuronale Netze gelten als besonders anfällig für diese Art von Angriffen.
ISO/IEC TR 29119-11:2020 deliberate use of adversarial examples (3.1.7) to cause a ML model (3.1.46) to fail
ISTQB - CTAI Syllabus The deliberate use of adversarial examples to cause an ML model to fail
Eine Art von Bias, der auftritt, wenn eine Person die Empfehlungen eines automatischen Entscheidungssystems gegenüber anderen Quellen systematisch bevorzugt.
ISTQB - CTAI Syllabus A type of bias caused by a person favoring the recommendations of an automated decision-making system over other sources
Synonym: complacency bias
Als Labels oder Annotationen werden im maschinellen Lernen die Teile des Trainingsdatensatzes bezeichnet, die für Trainingszwecke die gewünschte ideale Ausgabe des Modells für eine entsprechende Eingabe angeben. Im weiteren Sinne werden auch die tatsächlichen Ausgaben eines Modells im Betrieb so bezeichnet.
Siehe auch:ETSI GR ENI 004 identification of an output value for a given input.
NOTE: Supervised learning uses labelled data; semi-supervised learning uses labels for a portion of the training data (the remaining training data are not labelled); unsupervised learning is based on training data that are not labelled.
ISO/IEC DIS 22989 the target variable assigned to a sample
Adverses Testen beschreibt eine Testmethode zur Nutzung manipulierter adverser Eingaben (adversarial examples), um Schwächen in einem KI Modell zu identifizieren, sodass die Robustheit erhöht sowie die Fehleranfälligkeit abgesenkt werden kann.
Anmerkung: Typischerweise auf neuronale Netze angewendet.
ISO/IEC TR 29119-11:2020 testing approach based on the attempted creation and execution of adversarial examples (3.1.7) to identify defects in an ML model (3.1.46)
Note 1 to entry: Typically applied to ML models in the form of a neural network (3.1.48).
Suche, Auswahl oder Anwendung der besten Lösung (in Bezug auf eine Reihe von Kriterien) aus einer Reihe von verfügbaren Alternativen.
ETSI GR ENI 004 set of mechanisms that select a best solution (with respect to a set of criteria) from a set of available alternatives
Wissenschaftliche Disziplin, die sich mit dem Verständnis der Wechselwirkungen zwischen menschlichen und anderen Elementen eines Systems befasst. Des Weiteren auch ein Berufszweig, der Theorie, Grundsätze, Daten und Verfahren auf die Gestaltung von Arbeitssystemen anwendet, mit dem Ziel, das Wohlbefinden des Menschen und die Leistung des Gesamtsystems zu optimieren.
Anmerkung: Diese Definition stimmt mit der durch die International Ergonomics Association festgelegte Definition überein.
S.: DIN EN ISO 26800:2011
Das Internet der Dinge (IoT) vernetzt eine Vielzahl von vielfältigen (Edge-)Geräten (siehe auch IoT Gerät) und zentralen Datenplattformen miteinander und verbindet so Systeme, Dienste, Menschen und Informationen aus der physischen und virtuellen Welt miteinander. Dies hat neben neuen Anwendungen und Dienstleistungen auch die Entwicklung neuer Geschäftsmodelle ermöglicht.
ISO/IEC DIS 22989 infrastructure of interconnected entities, people, systems and information resources together with services which process and react to information from the physical world and virtual world.
[SOURCE: ISO/IEC 20924:2018, 3.2.1, modified – ''…services which processes and reacts to…'' has been placed with ''…services which process and react to…'', and acronym has been moved to separate line.]
Ein Logiktyp, der auf dem Konzept von reellen, graduellen Wahrheitswerten (im abgeschlossenen Intervall $[0,1]$) beruht. Im Gegensatz zur klassischen binären Logik, in der nur die Werte ${0,1}$ angenommen werden können, werden durch Unschärfelogik Unsicherheiten ausdrückbar.
ETSI GR ENI 004 fuzzy logic: type of many-valued logic that allows a truth value to be any real number between 0 and 1 inclusive.
NOTE: Fuzzy logic is most often used to reason about the degree of truth, or probability, in a system.
ISTQB - CTAI Syllabus A type of logic based on the concept of partial truth represented by certainty factors between 0 and 1
Als unüberwachtes Lernen werden Verfahren des maschinellen Lernens bezeichnet, die eine Funktion erlernen ohne auf konkret spezifizierte Zielvorgaben (bspw. ''Labels'') angewiesen zu sein. Es existieren unterschiedliche Auffassungen, ab welchem Grad an Konkretheit externer Zielvorgaben nicht mehr von unüberwachtem Lernen gesprochen wird.
Siehe auch:ETSI GR ENI 004 learning a function that maps an input to an output without the benefit of the data being classified or labelled
ISO/IEC DIS 22989 machine learning (3.2.9) that makes use of unlabelled data during training (3.2.21)
ISO/IEC TR 29119-11:2020 task of learning a function that maps unlabelled input data to a latent representation
ISTQB - CTAI Syllabus Training an ML model from input data using an unlabeled dataset