Glossar zu generativer KI 2025: Die wichtigsten KI-Begriffe

Generative KI verändert die Art und Weise, wie Unternehmen mit Kund:innen interagieren und ihre Mitarbeiter:innen unterstützen. Von der Rationalisierung von Antworten bis hin zur proaktiven Identifizierung von Anforderungen verbessert generative KI Erfahrungen, indem sie neue Ebenen der Automatisierung und Personalisierung ermöglicht. Angesichts der Weiterentwicklung generativer KI ist es entscheidend, über die wichtigsten Begriffe, Konzepte und Schlüsselwörter auf dem Laufenden zu bleiben, die den Bereich der generativen KI definieren.

In unserem Glossar für generative KI finden Sie über 50 wichtige KI-Begriffe, die Ihnen helfen, diese sich entwickelnde Technologie und ihre Anwendungen in den Bereichen Customer Experience (CX) und Mitarbeiterservice zu verstehen.

Schlüsselbegriff finden:

Anthropomorphismus

Anthropomorphismus ist die Übertragung menschlicher Eigenschaften, Emotionen oder Absichten auf nicht-menschliche Entitäten, einschließlich KI-Systemen und anderen Maschinen. Anthropomorphismus kann zu unrealistischen Erwartungen und Missverständnissen hinsichtlich der tatsächlichen Fähigkeiten eines KI-Systems führen, aber auch dazu, dass sich automatisierte Interaktionen persönlicher anfühlen.

Augmentation

Augmentation bezieht sich darauf, wie Technologie menschliche Fähigkeiten verbessern und stärken kann, statt sie vollständig zu ersetzen. Im CX-Bereich kann KI die Intelligenz von Kundendienst-Mitarbeiter:innen steigern und die menschliche Leistung durch die Übernahme sich wiederholender Aufgaben steigern, da sich die Mitarbeiter:innen auf komplexe, hochwertige Interaktionen konzentrieren können.

Automatisierung

Automatisierung ist der Einsatz von KI und anderen Technologien, um Aufgaben mit minimalem menschlichem Eingriff auszuführen. Im CX-Bereich gibt es viele Formen der Automatisierung, darunter:

• Kundenservice-Automatisierung

• Automatisierung der Customer Experience (Kundenerfahrung)

• Automatisierung der Qualitätssicherung (QA)

Intelligente Automatisierung kann die Reaktionszeiten verbessern, den Arbeitsaufwand reduzieren und die Effizienz in verschiedenen Geschäftsprozessen steigern.

Bedingte Generierung

Bedingte Generierung ist die Fähigkeit eines KI-Systems, Ausgaben basierend auf bestimmten Bedingungen oder Aufforderungen zu erzeugen. Dies ermöglicht die Erstellung kontextabhängig relevanter Antworten, die auf die Bedürfnisse oder Präferenzen der Benutzer:innen zugeschnitten sind.

Bestärkendes Lernen

Bestärkendes Lernen (Reinforcement Learning) ist eine Art von Trainingsmethode, bei der ein KI-Modell lernt, indem es Belohnungen oder Strafen erhält. Ein Mangel an bestärkendem Lernen mithilfe von menschlichem Feedback – durch das Benutzer:innen einem generativen KI-System direkt mitteilen, wo es gescheitert ist oder erfolgreich war – ist ein häufiges Problem mit KI im Kundenservice.

Bias

Bias bezieht sich im KI-Bereich auf systematische Fehler oder Vorurteile, die bestimmte Gruppen oder Sichtweisen bevorzugen und in Modelle für maschinelles Lernen eingeführt werden können, oft aufgrund der Trainingsdaten oder Algorithmen des Systems. Die Bekämpfung und Reduzierung von Bias bei Conversational AI und generativer KI ist eine Schlüsselherausforderung bei der Entwicklung von verantwortungsvoller KI und der Gewährleistung fairer, inklusiver Interaktionen für verschiedene Zielgruppen.

Chatbot

Ein Chatbot ist eine KI-gestützte Conversational Interface (Konversationsschnittstelle), die Interaktionen in natürlicher Sprache sowie menschenähnliche Gespräche mit Benutzer:innen durchführen kann. Im Kundenservice bieten Chatbots, einschließlich Natural Language Processing (NLP) Chatbots, häufig automatisierten Support, beantworten Anfragen oder erledigen einfache Aufgaben.

Conversational AI

Conversational AI (Konversationelle KI) umfasst intelligente Technologien und Systeme, die natürliche, menschenähnliche Interaktionen zwischen Menschen und Maschinen simulieren. Dieser häufig verwendete KI-Begriff beschreibt normalerweise die Technologie, die verwendet wird, um Chatbots, virtuelle Assistenten und andere dialogbasierte Schnittstellen auszuführen.

Deep Learning

Deep Learning (DL) ist eine Untergruppe des maschinellen Lernens (ML), die künstliche neuronale Netze mit vielen Schichten verwendet, um aus Daten zu lernen und Vorhersagen zu treffen. Im CX-Bereich verbessern Deep Learning und maschinelles Lernen die KI-Genauigkeit beim Verständnis von komplexer Sprache und Bildern sowie bei der Verbesserung von Kundensupport-Funktionen.

Siehe auch: Maschinelles Lernen

Emergentes Verhalten

Emergentes Verhalten bezieht sich auf unvorhersehbare oder unerwartete Muster, Aktionen und Fähigkeiten, die sich aus den Interaktionen komplexer KI-Systeme mit großen Datensätzen ergeben können.

Explainable AI (XAI)

Explainable AI (Erklärbare KI) ist ein KI-Modell mit transparenten und interpretierbaren Systemen. Ein solches KI-Modell stellt sicher, dass menschliche Benutzer seine Entscheidungsprozesse verstehen. Es ist eines der Tools, mit denen CX-Führungskräfte sich auf die Zukunft vorbereiten, Vertrauen aufbauen und die Verantwortlichkeit beim Einsatz von KI priorisieren.

Feedback-Loops

Feedback-Loops (Feedbackschleifen) im KI-Bereich beziehen sich auf den Prozess der Verwendung der Ausgaben oder Ergebnisse eines KI-Systems, um Informationen für seine zukünftige Leistung bereitzustellen und sie zu verbessern. Solche Schleifen ermöglichen es Modellen, aus Benutzereingaben zu lernen und Interaktionen im Laufe der Zeit zu verfeinern.

Few-Shot Learning

Few-Shot Learning bezeichnet die Fähigkeit eines KI-Modells, neue Aufgaben oder Konzepte aus einer kleinen Anzahl von Beispielen statt aus einem großen Trainingsdatensatz zu erlernen.

Siehe auch: Zero-Shot Learning

Fine-tuning (Feinabstimmung)

Im Kontext von KI bezieht sich Fine-tuning (Feinabstimmung) auf die weitere Anpassung eines vortrainierten Modells an eine bestimmte Aufgabe oder einen Datensatz, um seine Leistung in einem bestimmten Bereich zu verbessern.

Gedankenkette

Im KI-Bereich bezieht sich der Begriff Gedankenkette (Chain of Thought) auf den schrittweisen Schlussfolgerungsprozess, den ein KI-System verwendet, um zu einer Ausgabe oder Entscheidung zu gelangen. Diese Methode kommt zu Schlüssen, indem sie menschenähnliche Denkprozesse simuliert.

Generative Adversarial Network (GAN)

Ein Generative Adversarial Network (GAN) ist eine Art von Modell für maschinelles Lernen, das zwei neuronale Netzwerke – einen Generator und einen Diskriminator – verwendet, um realistische Daten zu generieren.

• Der Generator erzeugt neue synthetische Daten.
• Der Diskriminator stellt fest, ob die Daten real oder generiert sind.

GANs können in Bereichen wie Customer Experience verwendet werden, um synthetische Daten zur Verbesserung von KI-Modellen zu generieren.

Generative KI

Generative KI ist der Arm von KI, der große Datensätze verwendet, um neue Originalinhalte zu erstellen, wie zum Beispiel Text, Bilder, Audio, Code und mehr. Dieses KI-Modell konzentriert sich weniger auf Analyse, Kategorisierung oder Entscheidungsfindung und mehr auf die Simulation von menschenähnlichen Interaktionen.

Generativer vortrainierter Transformer (GPT)

Ein generativer vortrainierter Transformer (GPT) ist eine Art von Large Language Model (LLM), die von OpenAI entwickelt wurde und zu einer grundlegenden Technologie für viele Anwendungen im Bereich NLP und generative KI geworden ist.

Generator

Bei generativer KI ist ein Generator die Komponente des Systems, die für die Erstellung neuer Originalinhalte wie Text, Bilder und Audio verantwortlich ist. Generatoren werden oft mit Diskriminatoren gepaart, um Generative Adversarial Networks (GAN) zu bilden.

Siehe auch: Generative Adversarial Network (GAN)

Halluzination

Halluzination bezieht sich auf das Phänomen, bei dem ein KI-System Inhalte erzeugt, die plausibel erscheinen, aber sachlich falsch, unsinnig, unplausibel oder nicht relevant sind. Gehen Sie während des Trainings auf dieses Problem generativer KI ein, um die Zuverlässigkeit der generativen KI zu gewährleisten.

Inferenz

Eine Inferenz ist im KI-Bereich der Prozess der Verwendung eines trainierten Modells, um Vorhersagen oder Entscheidungen basierend auf neuen Eingabedaten zu treffen. Dies ist auch eine spezifische Lernphase, in der das Modell Muster aus historischen Daten lernt.

KI-Agenten

KI-Agenten sind die nächste Generation KI-gesteuerter Bots, die in der Lage sind, selbst die anspruchsvollsten Kundenprobleme zu verstehen und vollständig zu lösen. Zendesk AI Agents sind die autonomsten Bots im CX-Bereich: Sie können automatisch erkennen, was Kund:innen möchten und wie Ihre menschlichen Kundenservice-Mitarbeiter:innen reagieren würden, sodass sie ab dem ersten Tag Mehrwert schaffen können.

KI-Copilot

Ein KI-Copilot ist ein KI-Assistent, der Vorschläge, Ressourcen oder Aktionen für menschliche Benutzer:innen bereitstellt. Als Funktion von KI im Kundenservice agieren KI-Copiloten ähnlich wie tatsächliche Flugzeug-Copiloten, indem sie bei Aufgaben helfen und sogar bestimmte Funktionen übernehmen. Zendesk KI-Copilot ist der erste fortschrittliche Assistent für moderne CX-Mitarbeiter:innen, der die Effizienz erhöht und gleichzeitig dabei hilft, schnell und präzise auf Anfragen zu reagieren.

KI-Ethik

KI-Ethik bezieht sich auf die moralischen Prinzipien und Werte, die dem Design, der Entwicklung und der Bereitstellung einer verantwortungsvollen KI-Nutzung zugrunde liegen sollten. Zu den häufigen Überlegungen der KI-Ethik im CX-Bereich zählen KI-Transparenz, Fairness, Datenschutz und gesellschaftliche Auswirkungen.

KI-Sicherheit

KI-Sicherheit konzentriert sich auf Maßnahmen und Verfahren, die Schäden durch KI-Systeme verhindern, einschließlich Fehlern oder schädlichem Bias. Dies beinhaltet die Minderung potenzieller Risiken und die Ausrichtung von KI-Zielen an menschlichen Werten.

KI-Toxizität

KI-Toxizität bezieht sich auf die negativen, schädlichen, falschen, unangemessenen oder beleidigenden Ausgaben, die ein KI-System unbeabsichtigt aufgrund von Bias oder Fehlausrichtung erzeugen kann.

Kontextfenster

In Bezug auf KI ist das Kontextfenster die Menge der vorhergehenden Informationen, die ein KI-Modell im Laufe einer Interaktion beibehalten oder auf die es sich beziehen kann. Ein größeres Kontextfenster ermöglicht schlüssigere und detailliertere Antworten.

Künstliche allgemeine Intelligenz (AGI)

Künstliche allgemeine Intelligenz (Artificial General Intelligence, AGI) ist eine theoretische Form der KI, die jede intellektuelle Aufgabe, die Menschen ausführen können, ebenfalls ausführen kann. Ein AGI-System könnte unabhängig verstehen, lernen und sich anpassen; eine Vielseitigkeit, die die Fähigkeiten der schwachen KI übersteigt, welche sich auf spezifische, vordefinierte Aufgaben konzentriert.

Künstliche Intelligenz (KI)

Künstliche Intelligenz (KI) ist ein Konzept, das sich auf die Fähigkeit von Maschinen bezieht, menschliche kognitive Funktionen nachzuahmen und Aufgaben wie Verstehen von Sprache, Identifizierung von Mustern, Lösen komplexer Probleme, Treffen von Entscheidungen und mehr auszuführen.

Künstliche Superintelligenz (ASI)

Künstliche Superintelligenz (Artificial Superintelligence, ASI) bezieht sich auf ein hypothetisches Intelligenzniveau von KI, das menschliche Intelligenz in jedem Bereich übertreffen würde. Obwohl spekulativ, geht ASI durch außergewöhnliche Problemlösungs- und Entscheidungsfähigkeiten über AGI hinaus und wirft wichtige ethische Fragen hinsichtlich der potenziellen Auswirkungen von KI auf Arbeitsplätze und Datenschutz auf.

Large Language Model (LLM)

Large Language Models (LLMs) sind KI-Systeme, die mit extrem großen Mengen von Textdaten trainiert werden, die es ihnen ermöglichen, menschenähnliche Sprache und Antworten zu verstehen und zu generieren. LLMs bilden die Grundlage für viele fortschrittliche Anwendungen zur Verarbeitung natürlicher Sprache.

Maschinelles Lernen

Maschinelles Lernen ist ein Bereich der KI, der Maschinen beibringt, aus Daten oder Erfahrungen zu lernen und sich zu verbessern, ohne explizit programmiert zu werden. ML verwendet auch statistische Methoden, um Modelle zu Daten zu trainieren, um Vorhersagen oder Entscheidungen zu treffen.

Siehe auch: Deep Learning

Modell

Ein Modell stellt eine KI-Struktur dar, die dafür trainiert ist, bestimmte Aufgaben wie Einstufung, Vorhersage oder Generierung zu erfüllen. Beispielsweise werden KI-Modelle für CX mit Kundenservicedaten geschult, um Bedürfnisse vorherzusagen, Antworten zu verbessern und Interaktionen zu personalisieren.

Siehe auch: Large Language Model (LLM)

Modellvalidierung

Die Validierung bezieht sich auf die Bewertung der Leistung und Genauigkeit eines trainierten Modells anhand eines neuen Datensatzes, um seine Fähigkeit zur Verallgemeinerung zu beurteilen.

Neuronales Netz

Ein neuronales Netz ist ein Modell für maschinelles Lernen, das die Aktivität des menschlichen Gehirns simuliert, um komplexe Daten zu verarbeiten. Es besteht aus miteinander verbundenen Knoten (wie Neuronen), die lernen, bestimmte Aufgaben durch die Verarbeitung von Daten und das Erkennen von Mustern auszuführen.

Parameter

Im KI-Kontext beziehen sich Parameter auf die internen Variablen, die während des Trainings angepasst werden, um die Leistung zu optimieren, und die von KI-Modellen verwendet werden, um Vorhersagen zu treffen oder neue Inhalte zu generieren.

Prompt

Ein Prompt ist die erste textliche oder informative Eingabe, die einem KI-System bereitgestellt wird, das die Generierung neuer Inhalte durch ein KI-Modell leitet. Das effektive Erstellen von Prompts (Prompt Engineering) verbessert die Ausgabe von KI-Modellen und hilft Benutzer:innen, die gewünschten Ergebnisse zu erzielen.

Prompt Engineering

Prompt Engineering bezieht sich auf das Entwerfen und Optimieren von Prompts, um ein gewünschtes Verhalten oder eine gewünschte Ausgabe von einem generativen KI-System zu erhalten. Prompt Engineering umfasst Methoden wie:

• Prompt-Vorlagen

• Prompt-Verkettungen

• Prompt-Feinabstimmung

Obwohl KI-Systeme menschliche Sprache modellieren, benötigen sie detaillierte Eingaben, um qualitativ hochwertige, nutzbare Ausgaben zu erzeugen.

Retrieval-Augmented Generation (RAG)

Retrieval-Augmented Generation (RAG) ist eine Methode, die LLMs mit Informationsabrufsystemen kombiniert, um genauere und faktischere Ergebnisse zu erzielen. RAG-Modelle können während der Generierung auf interne KI-Wissensdatenbanken und externe Wissensquellen zurückgreifen.

Stimmungsanalyse

Die Stimmungsanalyse verwendet NLP, um emotionale Tonfälle oder Meinungen, die in einem Text ausgedrückt werden, zu erkennen und zuzuordnen. CX-orientierte KI-Modelle verwenden diesen Analyseprozess, um Kundenstimmungen zu identifizieren, was den Kundensupport verbessern und Produkt- oder Serviceverbesserungen unterstützen kann.

Schwache künstliche Intelligenz (ANI)

Schwache künstliche Intelligenz (Artificial Narrow Intelligence, ANI), auch als schmale KI bekannt, ist eine KI, die entwickelt wurde, um eine einzelne Aufgabe oder eine ähnliche Reihe von Funktionen mit hoher Effizienz und Genauigkeit auszuführen. Im Gegensatz zu allgemeiner KI ist ANI im Umfang begrenzt und kann Wissen oder Fähigkeiten nicht bereichsübergreifend nutzen.

Temperatur

Bei der generativen KI ist die Temperatur ein Parameter, der den Grad der Zufälligkeit oder Kreativität bei der Ausgabe eines Modells steuert. Höhere Temperaturen können zu vielfältigeren, möglicherweise weniger zusammenhängenden Antworten führen.

Token

In NLP ist ein Token die grundlegende Texteinheit – etwa ein Wort oder Satzzeichen – die ein KI-Modell verarbeitet und analysiert. Token ermöglichen es LLMs im Kundenservice, detaillierte Antworten zu verarbeiten.

Training

Training bezieht sich auf die Ausbildung eines KI-Modells. Durch Training lernt das Modell, wie eine bestimmte Aufgabe (wie z. B. Einstufung, Vorhersage oder Generierung) unter Verwendung bestimmter Datensätze ausgeführt werden soll.

Trainingsdaten

Trainingsdaten sind der Datensatz, der zum Trainieren eines Modells für maschinelles Lernen verwendet wird. Die Qualität und Vielfalt der Trainingsdaten kann die Leistung des Modells erheblich beeinflussen.

Transformer

Ein Transformer ist eine Art von neuronaler Netzwerkarchitektur, die Abfolgen von Daten für Aufgaben verarbeitet. Diese Art von Modellarchitektur ist bei der Verarbeitung natürlicher Sprache beliebt geworden und bildet die Grundlage für viele LLMs, zum Beispiel für GPT.

Unüberwachtes Lernen

Unüberwachtes Lernen (Unsupervised learning) ist ein Trainingsverfahren für maschinelles Lernen, bei dem das KI-System mit nicht gelabelten Daten trainiert wird, welche nicht mit bestimmten Ausgaben gekoppelt sind. Diese Methode erfordert, dass das System Muster und Datenstrukturen allein erkennt.

Überwachtes Lernen

Überwachtes Lernen (Supervised Learning) ist eine Trainingsmethode für maschinelles Lernen, bei der das KI-System mit gelabelten Daten trainiert wird, d. h. die Eingabedaten werden mit der gewünschten Ausgabe gekoppelt. Dies hilft jedem Modell zu lernen, die Eingänge den Ausgängen zuzuordnen.

Verarbeitung natürlicher Sprache (NLP)

Die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) ist ein KI-Feld, das sich darauf konzentriert, Maschinen in die Lage zu versetzen, menschenähnliche Sprache zu verstehen, zu interpretieren und zu erzeugen. Es umfasst Aufgaben wie Textklassifizierung, Stimmungsanalyse und Sprachübersetzung.

Vortrainiertes Modell

Ein vortrainiertes Modell ist ein KI-Modell, das mit einem großen, allgemeinen Datensatz trainiert wird und für bestimmte Aufgaben oder Anwendungen feinabgestimmt werden kann. Beispielsweise sind Zendesk AI Agents mit Milliarden echter CX-Interaktionen vortrainiert, was sie von Anfang an zu Experten im Kundenservice macht.

Zero Data Retention

Zero Data Retention ist eine Datenschutzmethode, die in KI-Systemen verwendet wird, um sicherzustellen, dass keine personenbezogenen oder sensiblen Informationen aufbewahrt oder aus Trainingsdaten gespeichert werden. Diese Technik wird auch als Differential Privacy bezeichnet.

Zero-Shot Learning

Zero-Shot Learning ist die Fähigkeit eines KI-Systems, ohne vorheriges Training eine Aufgabe auszuführen oder ein Konzept zu verstehen. Die Methode erfordert, dass Modelle Verallgemeinerungen aus bekannten Daten vornehmen können, und sie kann flexiblere, anpassungsfähigere KI-Anwendungen ermöglichen.

Siehe auch: Few-Shot Learning

Setzen Sie mit Zendesk-KI neue Maßstäbe im CX-Bereich

Indem Sie sich mit unserem Glossar für generative KI vertraut machen, bereiten Sie sich darauf vor, KI für aussagekräftigere CX- und Serviceerfahrungen zu nutzen. Wenn Sie sich selbst und Ihre Teams schulen, können Sie außerdem Ihren Kundenservice durch generative KI transformieren, indem Sie erfahren, wie Sie klar kommunizieren und proaktive, personalisierte und effiziente Services bereitstellen können.

Mit KI-gestützten Lösungen wie Zendesk können Sie die praktischen Anwendungen von KI kennenlernen, um Kundenanforderungen zu erfüllen, Servicestandards zu verbessern und so eine Grundlage für zukünftiges Wachstum zu schaffen.

Erfahren Sie mit einer kostenlosen Testversion von Zendesk mehr darüber, wie generative KI-Funktionen Ihren Kundenservice und -support transformieren können.