Verantwortungsvolle und vertrauenswürdige KI (engl. Responsible and Trustworthy AI) sind derzeit entscheidende Konzepte für die nachhaltige Entwicklung der künstlichen Intelligenz. Beide Konzepte umfassen weitgehend ähnliche Merkmale, die sicherstellen sollen, dass das Feld der künstlichen Intelligenz in Zukunft stets den grundlegenden Menschenrechten und Werten gerecht wird. Verantwortung kann nicht durch informationstechnische Mittel auf das System übertragen werden, sondern liegt in den Händen aller am Prozess der Entwicklung und Implementierung des Systems beteiligten Personen.

Zu den wichtigen Merkmalen gehören Barrierefreiheit, informationelle Selbstbestimmung, Robustheit, Widerstandsfähigkeit, Transparenz und Erklärbarkeit.

Algorithmic bias ist eine systematische Verzerrung, die bei KI-Systemen auftreten und zu unfairen Entscheidungen führt. Ursachen können in fehlerhaften Modellen, nicht-repräsentativen Trainingsdaten liegen. Oftmals werden aber auch Verzerrungen aus der „realen Welt“ aufgegriffen und reproduziert.

Mit Big Data werden Mengen von Daten bezeichnet, die zu groß, zu komplex, zu schnelllebig oder zu schwach strukturiert sind, um sie mit herkömmlichen Datenbanksystemen zu verwalten und auszuwerten. Big Data wird oft in Verbindung mit KI verwendet, um Muster, Trends und Erkenntnisse aus den Daten zu extrahieren.

ChatGPT und Dall-E sind Anwendungen des US-Unternehmens OpenAI. Sie gehören zu den aktuell bekanntesten generativen KI-Systemen. Ihre aktuellen Versionen basieren auf dem Large Language Modell GPT-4 (Generative Pre-Trained Transformer).

Data Mining ist ein analytischer Prozess, bei dem computergestützte Methoden eingesetzt werden, um möglichst selbstständig und effizient interessante Datenmuster in großen Datensätzen zu identifizieren. Die verwendeten Algorithmen stammen aus der Statistik, der künstlichen Intelligenz oder dem maschinellen Lernen.

Mehrschichtiges Lernen (engl. deep learning) ist eine spezialisierte, weiterentwickelte Form des maschinellen Lernens, bei dem die Funktionsweisen des menschlichen Gehirns imitiert werden. Durch Rückgriff auf große Mengen unstrukturierter Daten und den Einsatz von künstlichen neuronalen Netzwerken (KNN) werden Maschienen dazu befähigt ohne menschliche Hilfe Entscheidungen zu treffen, getroffene Entscheidungen zu hinterfragen und neue Fähigkeiten zu erlernen. Deep Learning wird bereits vielfach eingesetzt bspw. Gesichtserkennung, digitalen Assistenten oder selbstfahrenden Autos. 

Generative KI sind ein Typ von KI-Modellen, die in der Lage sind, neue Daten zu generieren, die ähnlich sind wie die Daten, auf denen sie trainiert wurden. Generative KI wird oft für Anwendungen wie Bildgenerierung, Textgenerierung und Musikkomposition eingesetzt. Generative KI-Systeme werden mit großen Datensätzen trainiert und können diverse Inhalte erzeugen, darunter Texte, Programmcode, Videos, Bilder, Proteinstrukturen und Bauteile.

Ghost Work ist eine Form der Arbeit, bei der menschliche Arbeitskräfte im Hintergrund arbeiten, um KI-Systeme zu unterstützen oder zu verbessern, indem sie Aufgaben ausführen, die von KI allein noch nicht bewältigt werden können. Dazu gehören z.B. das Labeln von Daten, die Überprüfung von Vorhersagen oder das Training von Modellen.

Große Sprachmodelle (engl. large language models) sind KI-Systeme, die durch maschinelles Lernen mit großen Datenmengen darauf trainiert werden, menschliche Sprache verstehen und zu generieren. Sie basieren auf Programmen, die von Gehirnstrukturen inspiriert sind und als künstliche neuronale Netzwerke bezeichnet werden.

Maschinelles Lernen (engl. machine learning) ist ein Teilbereich der Informatik, der sich mit der Entwicklung von Algorithmen beschäftigt, durch die Computer Muster erkennen, Objekte klassifizieren, Vorhersagen treffen und Entscheidungen treffen können.

Als Prompts werden die eingegebenen Texte (Fragen, Aufforderungen) bezeichnet, die zur Konversation mit einem KI-System wie ChatGPT dienen. Je konkreter ein Prompt formuliert ist, desto präziser ist die Antwort des KI-Tools. Klare Fragen, die Angabe von Kontext und konkreten Beispielen helfen dabei, genauere Antworten zu erhalten, die der eigenen Fragestellung entsprechen.