Fachbegriffe der künstlichen Intelligenz

Data-Drift entsteht durch eine Änderung der Verteilung der Eingabedaten. Das Modell kann dann möglicherweise nicht mehr in der Lage sein, beispielsweise (Qualitäts-)probleme genau zu identifizieren, da es auf veralteten oder nicht repräsentativen Daten basiert. Meist ist dann eine Aktualisierung der Datengrundlage oder Anpassen des gesamten Modells von Nöten.

Bei Datenschutz geht es konkret um den Schutz der Privatsphäre und der Persönlichkeitsrechte natürlicher Personen. Datenschutz bezieht sich auf personenbezogene Daten.

Datensicherheit ist eine notwendige Voraussetzung, um den Datenschutz zu gewährleisten. Dabei geht es darum, dass die Daten (personen- und nicht-personenbezogene Daten), insbesondere wenn sie in KI-Algorithmen zum Einsatz kommen, ein besonderer Schutz zuteilwird.

"Allgemein versteht man unter Datensicherheit

- die Vertraulichkeit (nur autorisierte Benutzer*innen haben Zugang zu übertragenen und gespeicherten Daten),

- die Integrität (Schutz vor beabsichtigten oder unbeabsichtigten Veränderungen),

- die Verfügbarkeit (Gewährleistung des ständigen Zugriffs auf Daten)

- und die Kontrollierbarkeit (Prüfung der Maßnahmen durch Protokollierung).

Datensicherheit hat also zum Ziel, beliebige Daten vor Schäden wie Manipulation und Nicht-Verfügbarkeit zu schützen." (Hochschule Augsburg)

Deep Learning ist eine spezielle Methode der Informationsverarbeitung und stellt einen Teilbereich des Maschinellen Lernens (engl. Machine Learning) dar. Anhand von Deep Learning können unter Verwendung künstlicher neuronaler Netze beispielsweise große Datensätze analysiert werden.

Dense-Layer sind die einfachste Form einer Schicht eines künstlichen neuronalen Netzes. Bei dieser Form der Schicht sind alle Neuronen der Schicht mit allen Ausgabeneuronen der vorherigen Schicht verbunden, also vollständig vernetzt.

Ein Digitaler Zwilling ist eine virtuelle Repräsentation eines physischen Objekts, Prozesses oder Systems, die kontinuierlich mit Daten gefüttert wird und es ermöglicht, Vorhersagen über das Verhalten des realen Objekts zu treffen. Der Digitale Zwilling wird oft verwendet, um die Leistung zu optimieren, die Wartung zu verbessern oder die Produktionseffizienz zu steigern.

Die Dimensionalitätsreduktion stellt eine Methode dar, die dabei hilft möglichst aussagekräftige Variablen zur Weiterverwendung des Datensatzes zu finden und somit die Runtime von Machine Learning-Algorithmen möglichst effizient zu gestalten. Verschiedene Methoden hierzu sind beispielsweise die Korrelationsanalyse, der Wrapper-Ansatz oder die Hauptkomponentenanalyse (PCA).

Dimensionen, auch Features genannt, benennen die Eigenschaften von Daten innerhalb eines Datensatzes.

Die Diskontierte Belohnung ist Bestandteil des bestärkenden Lernens und findet Anwendung bei Aufgaben, die keine endliche Zahl an Zeitschritten haben, sondern durch andere Umstände beendet werden. Dabei muss der Agent die Belohnung für zeitlich näher liegende Handlungen stärker gewichten als für spätere. Dazu wird ein Faktor zwischen 0 und 1 eingeführt, mit dem zeitlich weiter entfernte Belohnungen multipliziert werden. So entsteht ein „Wichtigkeitsgefälle“ der Belohnungen und die unmittelbareren Belohnungen erhalten einen größeren Einfluss auf den Agenten.

Dropout ist eine Regularisierungstechnik für neuronale Netzwerke, die zufällig einige der Knoten während des Trainings deaktiviert. Dies hilft, das Overfitting zu reduzieren und das Modell robuster zu machen.