Die folgenden Begriffe ergänzen das Hauptglossar und sind spezifisch für Modul 6 relevant. Sie sind in der Reihenfolge des ersten Auftretens im Curriculum angeordnet.
Diffusionsmodell (Diffusion Model): Kategorie von generativen KI-Modellen, die Bilder erzeugen, indem sie schrittweise Rauschen aus einer Zufallsmatrix entfernen. Das Modell „lernt”, wie reale Bilder aussehen, indem es im Training den umgekehrten Prozess übt: echte Bilder werden schrittweise verrauscht, und das Modell lernt, dieses Rauschen rückgängig zu machen. Midjourney, Stable Diffusion und DALL·E 3 basieren auf Varianten dieser Architektur.
CLIP (Contrastive Language–Image Pre-training): Verfahren zur Verknüpfung von Sprache und Bildinhalt. CLIP lernt durch simultanes Training auf Millionen von Text-Bild-Paaren, sprachliche Beschreibungen in bildrelevante Merkmale zu übersetzen. Ermöglicht das Verständnis von Bild-Prompts in natürlicher Sprache.
Guidance Scale (CFG Scale): Parameter in Diffusionsmodellen, der steuert, wie stark das Modell dem Prompt folgt. Ein hoher Wert (z. B. 12–15) erzeugt bildspezifischere, aber potenziell artefaktreiche Bilder. Ein niedriger Wert (z. B. 5–7) erzeugt freiere, ästhetischere, aber prompt-fernere Bilder.
Sampling-Methode: Algorithmus, der bestimmt, wie das Diffusionsmodell im Denoising-Prozess vorgeht. Gängige Methoden: DDIM (schnell, deterministische Ergebnisse), Euler a (schnell, leicht variabel), DPM++ 2M Karras (gutes Qualitäts-Speed-Verhältnis). Für Einsteiger: Die Standard-Einstellung des jeweiligen Tools wählen.
Inpainting: Technik zur gezielten Regeneration eines Bildbereichs unter Beibehaltung des restlichen Bildes. Der Nutzer maskiert einen Bereich (z. B. eine deformierte Hand) und gibt einen Prompt für den gewünschten Ersatz an. Das Modell generiert den markierten Bereich neu, passend zum Gesamtkontext.
Outpainting: Erweiterung eines Bildes über seine ursprünglichen Grenzen hinaus. Das Modell generiert neue Bildinhalte, die konsistent zum vorhandenen Bild sind. Nützlich für das Ändern des Seitenverhältnisses (z. B. quadratisch zu breit) oder das Hinzufügen von Kontext.
Upscaling (Super Resolution): Verfahren zur Erhöhung der Bildauflösung mit KI-Unterstützung. Im Gegensatz zu klassischer Interpolation (die verschwommene Ergebnisse erzeugt) rekonstruiert KI-Upscaling realistische Details. Topaz Gigapixel AI und Real-ESRGAN sind führende Werkzeuge.
Watermark / C2PA: C2PA (Coalition for Content Provenance and Authenticity) ist ein technischer Standard zur digitalen Herkunftskennzeichnung. C2PA-Metadaten werden unsichtbar in Bild- und Videodateien eingebettet und enthalten Informationen über Erstellungsort, -zeitpunkt und -werkzeug. Dient als technische Grundlage für Authentizitätsnachweise.
Spectrogram: Visuelle Darstellung eines Audiosignals über die Zeit, bei der die Intensität unterschiedlicher Frequenzen farblich codiert ist. Speech-to-Text-Systeme arbeiten oft mit Spectrogrammen als Zwischendarstellung vor der eigentlichen Spracherkennung.
Forced Alignment: Verfahren zur genauen Zuordnung von Transkript-Wörtern zu Audiozeitpunkten. Wird benötigt, wenn das Transkript vorhanden ist, aber exakte Zeitstempel fehlen. Tools: Montreal Forced Aligner (MFA), WhisperX.
Word Error Rate (WER): Standardmaß zur Bewertung der Transkriptionsqualität. Berechnung: (Substitutionen + Löschungen + Einfügungen) / Gesamtwörter. Ein WER von 5 % bedeutet: 5 von 100 Wörtern sind falsch. Whisper Large v3 erreicht WER-Werte von 2–4 % für Standard-Deutsch.
Voice Cloning: Erstellung einer synthetischen Stimme, die einer bestimmten Person klingt. Erfordert 30 Sekunden bis 3 Minuten Referenzaudio (je nach System). Zero-Shot Voice Cloning (ohne Training, nur Referenzaudio) ist Stand der Technik bei ElevenLabs und ähnlichen Diensten.
SSML (Speech Synthesis Markup Language): XML-basierte Markup-Sprache zur feingranularen Steuerung von Text-to-Speech-Systemen. Ermöglicht die Kontrolle von Pausen, Betonung, Geschwindigkeit, Lautstärke und Aussprache einzelner Wörter oder Sätze.
Latent Diffusion: Optimierte Variante der Diffusionsmodelle, bei der die Denoising-Operation im komprimierten „latenten” Raum stattfindet, nicht im Pixel-Raum. Reduziert den Rechenaufwand erheblich. Stable Diffusion basiert auf dieser Architektur.
LoRA (Low-Rank Adaptation): Effizientes Fine-Tuning-Verfahren für große Modelle, das nur einen kleinen Teil der Gewichte anpasst. Ermöglicht die Anpassung von Stable Diffusion an spezifische Stile, Personen oder Objekte mit relativ geringem Rechenaufwand (< 1 GB Dateigröße für LoRA-Adapter).
Temporal Coherence: In der KI-Videogenerierung: Konsistenz von Elementen (z. B. Personen, Objekte, Hintergrund) über mehrere Frames hinweg. Mangelnde Temporal Coherence zeigt sich als „Flickern” oder inkonsistentes Erscheinen von Details zwischen Frames. Ein zentrales offenes Problem aktueller Video-KI-Modelle.
Deepfake Detection Rate (DDR): Prozentsatz korrekt erkannter Deepfakes durch algorithmische Erkennungstools. Aktuelle Systeme erreichen DDR-Werte von 70–85 % — bedeutet: 15–30 % aller Deepfakes werden nicht erkannt. Die DDR sinkt, wenn Deepfake-Erstellungsmethoden weiterentwickelt werden.
Biometrische Daten (DSGVO Art. 4 Nr. 14): Personenbezogene Daten, die sich aus einer spezifischen technischen Verarbeitung physischer, physiologischer oder verhaltenstypischer Merkmale einer natürlichen Person ergeben und die die eindeutige Identifizierung dieser Person ermöglichen — z. B. Gesichtsbilder, Stimmaufnahmen, wenn sie zur Identifizierung verwendet werden. Unterliegen dem besonderen Schutz nach Art. 9 DSGVO.
SCORM (Sharable Content Object Reference Model): E-Learning-Standard für die Verpackung und den Austausch von Kursmodulen. SCORM-kompatible Inhalte (inkl. Videos) können in jedes SCORM-fähige LMS (Moodle, ILIAS, Cornerstone, SAP SuccessFactors) importiert werden und übertragen Lernfortschrittsdaten.
CEO-Fraud / Voice-Phishing: Betrugsform, bei der Angreifer die Stimme (oder Stimmsynthese) einer Führungskraft nutzen, um Mitarbeitende zu dringlichen, unauthorisierten Handlungen (meist Überweisungen) zu veranlassen. Hat durch synthetische Sprachgenerierung eine neue Dimension der Glaubwürdigkeit erlangt.
Multimodale KI: KI-Systeme, die mehr als eine Modalität (Text, Bild, Audio, Video) verarbeiten und/oder erzeugen können. Beispiele: GPT-4o (Text + Bild + Audio), Gemini Ultra (Text + Bild + Video). Multimodalität ermöglicht ganzheitliche Kommunikations-Workflows ohne Brüche zwischen den Medientypen.
Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung als PDF anfordern.