KI-Grundlagen
Verstehen Sie, was KI ist, wie Systeme lernen, wo sie versagen und wie Sie Ansprüche ohne Aufregung beurteilen können.
Kostenlose KI-Bibliothek
177 Leitfäden in einfachem Englisch, strukturierte Lernpfade und eine offene Bibliothek – erstellt von einer unabhängigen gemeinnützigen Organisation 501(c)(3), damit jeder moderne KI verstehen kann.
Beginnen Sie hier
Jeder Kurs umfasst explizite Ergebnisse, abgebildete Kompetenzen, Übungsaktivitäten und einen angewandten Schlussstein.
Verstehen Sie, was KI ist, wie Systeme lernen, wo sie versagen und wie Sie Ansprüche ohne Aufregung beurteilen können.
Nutzen Sie KI produktiv und schützen Sie gleichzeitig die Privatsphäre, überprüfen Sie die Ergebnisse und wahren Sie die menschliche Verantwortung.
Bewerten Sie Anwendungsfälle am Arbeitsplatz, führen Sie sichere Pilotprojekte durch, messen Sie den Wert und kommunizieren Sie Änderungen verantwortungsbewusst.
Analysieren Sie KI-Systeme anhand von Rechten, Gerechtigkeit, Governance, Sicherheit und Ergebnissen im öffentlichen Interesse.
Verstehen Sie Sprachmodelle, Abruf, Agenten, Bewertung, Kosten und Bereitstellungsschutz durch praktisches Systemdesign.
Themenspuren
Springen Sie in den Bereich, der Ihnen am Herzen liegt. Zu jedem Titel gibt es mehrere leicht verständliche Anleitungen.
Vollständige Bibliothek
177 von 1019 Anleitungen angezeigt. Filtern Sie nach Titel oder suchen Sie oben.
Unter Modelldrifterkennung versteht man die Überwachung eines eingesetzten Modells für maschinelles Lernen, um zu erkennen, wenn seine Genauigkeit stillschweigend nachlässt, weil die reale Welt ...
TechnischA/B-Tests für ML-Modelle bedeuten, Live-Verkehr an zwei Modellversionen gleichzeitig weiterzuleiten und zu messen, welche tatsächlich bei echten Benutzern und echten… besser abschneidet.
TechnischBei der Modellserialisierung wird ein trainiertes Modell für maschinelles Lernen auf der Festplatte gespeichert, sodass es später geladen und ausgeführt werden kann, auf einem anderen Computer oder in einem anderen…
TechnischDas Training mit gemischter Präzision beschleunigt das Training neuronaler Netzwerke und reduziert den Speicherverbrauch, indem die meisten Berechnungen in 16-Bit-Gleitkomma statt in 32-Bit ausgeführt werden.
TechnischDurch die spekulative Dekodierung können große Sprachmodelle Text schneller generieren, indem ein kleines, schnelles „Entwurfs“-Modell verwendet wird, um mehrere Token im Voraus zu erraten, und dann das große …
TechnischDer KV-Cache speichert die Schlüssel und Werte, die ein Transformator bereits berechnet hat, sodass er die Arbeit nicht für jedes neue Token wiederholt – es kann jedoch zu Gigabytes kommen.
TechnischFlash Attention ist eine clevere Möglichkeit, den Aufmerksamkeitsschritt in Transformers zu berechnen, ohne jemals die riesige Aufmerksamkeitsmatrix in den langsamen Speicher zu schreiben.
TechnischDurch die Modellbereinigung wird ein neuronales Netzwerk verkleinert, indem Gewichte oder ganze Strukturen entfernt werden, die wenig zu seiner Ausgabe beitragen.
TechnischDurch die Tokenisierung wird Text in die kleinen Einheiten aufgeteilt, die ein Sprachmodell tatsächlich liest, und Byte Pair Encoding (BPE) ist die beliebte Methode zum Erstellen…
Überprüfen Sie anhand von Themenquiz, was Sie gelernt haben, und erkunden Sie anschließend unsere strukturierten Kurse und aktuellen Zertifizierungsanforderungen. Die wichtigsten Leitfäden bleiben weiterhin frei lesbar.