01
KI-Grundlagen
Verstehen Sie, was KI ist, wie Systeme lernen, wo sie versagen und wie Sie Ansprüche ohne Aufregung beurteilen können.
Kostenlose KI-Bibliothek
Technisch FührerFür immer kostenlos.
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.
177Kostenlose Reiseführer
1Themenspuren
~2 minPro Reiseführer
~6hLesezeit
Beginnen Sie hier
Fünf ergebnisorientierte Kurse
Jeder Kurs umfasst explizite Ergebnisse, abgebildete Kompetenzen, Übungsaktivitäten und einen angewandten Schlussstein.
02
Verantwortlicher KI-Benutzer
Nutzen Sie KI produktiv und schützen Sie gleichzeitig die Privatsphäre, überprüfen Sie die Ergebnisse und wahren Sie die menschliche Verantwortung.
03
KI bei der Arbeit
Bewerten Sie Anwendungsfälle am Arbeitsplatz, führen Sie sichere Pilotprojekte durch, messen Sie den Wert und kommunizieren Sie Änderungen verantwortungsbewusst.
04
KI-Politik und Gesellschaft
Analysieren Sie KI-Systeme anhand von Rechten, Gerechtigkeit, Governance, Sicherheit und Ergebnissen im öffentlichen Interesse.
05
Bauen mit KI-Systemen
Verstehen Sie Sprachmodelle, Abruf, Agenten, Bewertung, Kosten und Bereitstellungsschutz durch praktisches Systemdesign.
Themenspuren
Nach Titel durchsuchen
Springen Sie in den Bereich, der Ihnen am Herzen liegt. Zu jedem Titel gibt es mehrere leicht verständliche Anleitungen.
GrundlagenKernkonzepte: Wie KI auf hohem Niveau funktioniert.84 Führer Sprach-KILLMs, NLP, ChatGPT, Eingabeaufforderung und Textverständnis.155 Führer Visuelle KIBilderzeugung, Computer Vision, Video und Design.133 Führer Audio-KIStimme, Musik, Podcasting und Audio-First-KI.117 Führer UnternehmenProfile von OpenAI, Anthropic, Google, Meta und mehr.121 Führer AnwendungenWie KI in Codierung, Suche, Agenten und im täglichen Leben zum Ausdruck kommt.111 Führer BranchenKI in den Bereichen Gesundheitswesen, Finanzen, Bildung, Energie und mehr.91 Führer TechnischChips, Feinabstimmung, RAG, Vektoren und KI-Infrastruktur.177 Führer GesellschaftVoreingenommenheit, Privatsphäre, Urheberrecht, Sicherheit und die Zukunft der KI.30 Führer
Vollständige Bibliothek
Alle Führer
177 von 1019 Anleitungen angezeigt. Filtern Sie nach Titel oder suchen Sie oben.
Technisch
Disaggregierte Vorabfüllung und Dekodierungsbereitstellung
Eine Bereitstellungsarchitektur, die die Inferenz großer Sprachmodelle in zwei separate Phasen aufteilt – Vorabfüllung und Dekodierung – und diese auf verschiedenen GPU-Pools ausführt.
TechnischLLM-Inferenzrouting und Lastausgleich
Die Kontrollschicht, die entscheidet, welches Modellreplikat, welche GPU oder welches Backend jede eingehende LLM-Anfrage verarbeiten soll und wie der Datenverkehr so verteilt wird, dass kein einzelner Server …
TechnischTensorparallelität für große Modelle
Eine Möglichkeit, die Mathematik innerhalb einer einzelnen neuronalen Netzwerkschicht auf mehrere GPUs aufzuteilen, sodass ein Modell, das für ein Gerät zu groß ist, trotzdem ausgeführt werden kann.
TechnischSelbstreflexion in Agentenschleifen
Durch Selbstreflexion kann ein KI-Agent seine eigenen Ergebnisse und Aktionen während der Aufgabe kritisieren und dann auf der Grundlage dieser Kritik überarbeiten.
TechnischBaum-der-Gedanken-Argumentation
Tree-of-Thoughts ermöglicht es einem Modell, viele Argumentationspfade parallel zu erkunden, wie Äste eines Baumes, anstatt sich auf einen Gedankengang festzulegen.
TechnischGraph-of-Thoughts-Argumentation
Graph-of-Thoughts modelliert das Denken als ein Netzwerk, in dem Gedanken frei verschmelzen, schleifen und verbinden können, nicht nur verzweigen.
TechnischKlassenungleichgewicht und Resampling
Von einem Klassenungleichgewicht spricht man, wenn ein Ergebnis das andere bei weitem übersteigt – etwa 99,9 % legitime Transaktionen gegenüber 0.
TechnischAutoencoder
Ein Autoencoder ist ein neuronales Netzwerk, das lernt, Daten in einen kompakten Code zu komprimieren und ihn dann zu rekonstruieren, wodurch das Netzwerk gezwungen wird, nur die wichtigsten Daten zu erfassen.
TechnischSiamesische Netzwerke und Triplettverlust
Siamesische Netzwerke verwenden zwei oder mehr identische Zweige mit geteilter Gewichtung, um zu lernen, wie ähnlich zwei Eingaben sind, anstatt jede einzelne zu klassifizieren.
TechnischMultitasking-Lernen
Durch Multitasking-Lernen wird ein Modell trainiert, mehrere verwandte Aufgaben gleichzeitig auszuführen und interne Darstellungen zwischen ihnen zu teilen.
TechnischKonforme Vorhersage
Die konforme Vorhersage umhüllt jedes Modell, um eine Menge oder ein Intervall auszugeben, das garantiert die wahre Antwort mit einer gewählten Wahrscheinlichkeit, z. B. 90 %, enthält.
TechnischWahrscheinlichkeitskalibrierung
Kalibrierung bedeutet, dass die angegebenen Wahrscheinlichkeiten eines Modells mit der Realität übereinstimmen: Wenn 70 % angegeben sind, sollte das Ereignis in etwa 70 % der Fälle eintreten.
Mit dem Lesen fertig? Beweisen Sie es.
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.