Artificial Intelligence Glossar für Entscheider
Dieses Nachschlagewerk richtet sich an Geschäftsleitungen, Projektverantwortliche und technische Leads, die KI-Projekte bewerten, beauftragen oder steuern. Jeder Eintrag erklärt einen Begriff so, dass Sie ihn in Ihrem nächsten Strategiepapier verwenden können.
Machine Learning
Ein Teilgebiet der KI, bei dem Algorithmen aus Daten lernen, ohne explizit programmiert zu werden. In der Praxis heisst das: Sie liefern historische Verkaufszahlen, das Modell erkennt Muster und prognostiziert künftige Umsätze. Die Qualität hängt direkt von der Datenqualität ab.
Natural Language Processing
NLP ermöglicht Maschinen, menschliche Sprache zu verstehen und zu erzeugen. Typische Anwendungen: automatische E-Mail-Klassifizierung, Chatbots, Vertragsanalyse. Schweizer Unternehmen setzen NLP zunehmend für mehrsprachige Kundenkommunikation ein, weil es Deutsch, Französisch und Italienisch gleichzeitig verarbeitet.
Computer Vision
Bildanalyse durch neuronale Netze. In der Fertigung erkennt Computer Vision Kratzer auf Oberflächen schneller als das menschliche Auge. In der Logistik liest es Paketnummern bei 200 Sendungen pro Minute.
Generative AI
Modelle wie GPT oder Stable Diffusion erzeugen Text, Bilder oder Code. Der Nutzen liegt nicht im Ersatz menschlicher Kreativität, sondern in der Beschleunigung: Erste Entwürfe in Sekunden statt Stunden. Risiken wie Halluzinationen erfordern menschliche Kontrolle.
Reinforcement Learning
Ein Agent lernt durch Versuch und Irrtum in einer Umgebung. Belohnung bei Erfolg, Bestrafung bei Fehler. Einsatzgebiet: Robotersteuerung, dynamische Preisgestaltung, Spielstrategien. Die Trainingszeit kann Wochen betragen, das Ergebnis übertrifft dann regelbasierte Systeme deutlich.
Transfer Learning
Ein vortrainiertes Modell wird auf eine neue Aufgabe angepasst. Statt 10 Millionen Bilder selbst zu labeln, nutzen Sie ein Modell, das bereits allgemeine Bildmerkmale kennt, und trainieren es mit 500 eigenen Beispielen nach. Das spart Monate und Rechenkosten.
Entscheidungshilfe: Welche KI-Methode passt?
Nicht jede Aufgabe braucht Deep Learning. Manchmal reicht eine Regression. Die folgende Matrix hilft Ihnen, den richtigen Ansatz zu wählen, bevor Sie Budget freigeben.
Strukturierte Daten, klare Regeln
Klassische ML-Modelle wie Gradient Boosting oder Random Forest. Trainingszeit: Stunden. Kosten: gering. Ideal für Kreditscoring, Churn-Prediction, Bestandsoptimierung.
Unstrukturierte Daten, hohe Varianz
Deep Learning mit CNNs oder Transformern. Trainingszeit: Tage bis Wochen. Kosten: mittel bis hoch. Nötig für Bildklassifizierung, Sprachverarbeitung, Dokumentenextraktion.
Wenig Daten, viel Domänenwissen
Transfer Learning oder Few-Shot-Ansätze. Sie bringen Fachwissen ein, das Modell generalisiert. Besonders wirksam in Nischenbranchen wie Medizintechnik oder Spezialchemie.
Echtzeit-Entscheidungen, dynamische Umgebung
Reinforcement Learning oder Online-Learning-Pipelines. Erfordert Infrastruktur für kontinuierliches Training. Anwendung: Preissteuerung, Robotik, Netzwerkoptimierung.
Unsere Methodik: vom Datenchaos zur Produktionsreife
Datenaudit
Wir prüfen Ihre vorhandenen Datenquellen auf Vollständigkeit, Konsistenz und Bias. Dauer: zwei bis fünf Arbeitstage, je nach Systemlandschaft.
Hypothesenbildung
Gemeinsam formulieren wir messbare Hypothesen. Nicht «KI soll helfen», sondern «Das Modell soll die Retourenquote um mindestens 12 % senken».
Prototyp in vier Wochen
Ein funktionsfähiger Prototyp mit echten Daten. Kein Foliensatz, sondern ein lauffähiges Modell, das Sie selbst testen können.
Validierung und Skalierung
A/B-Tests gegen den Status quo. Erst wenn das Modell nachweislich besser ist, bauen wir die Produktionspipeline. Monitoring inklusive.
Praxisfälle aus unserer Arbeit
Retourenprognose für einen Onlinehändler
Ein mittelgrosser Schweizer Onlineshop verlor jährlich über CHF 400'000 durch Retouren. Wir trainierten ein Gradient-Boosting-Modell auf 18 Monate Bestellhistorie. Das Modell identifiziert Bestellungen mit hoher Retourenwahrscheinlichkeit vor dem Versand. Ergebnis nach drei Monaten: Retourenquote sank von 28 % auf 19 %. Die Versandkosten pro Netto-Bestellung fielen um CHF 3.10.
Dokumentenklassifizierung für eine Kanzlei
Eine Genfer Anwaltskanzlei bearbeitete täglich 120 eingehende Dokumente manuell. Unser NLP-Modell klassifiziert Verträge, Korrespondenz und Gerichtsdokumente automatisch in 14 Kategorien. Genauigkeit: 94 %. Die Sachbearbeiter sparen pro Tag rund 3,5 Stunden Sortierarbeit.
Begriffe vertiefen
Über das Glossar hinaus: Diese Fragen stellen uns Kunden regelmässig. Wir beantworten sie ohne Fachjargon-Nebel.
Was unterscheidet KI von klassischer Software?
Wie viele Daten brauche ich für ein erstes Modell?
Können wir KI nutzen, ohne Cloud-Dienste einzusetzen?
Was kostet ein typisches KI-Projekt?
Wie messen wir den Erfolg eines KI-Modells?
Bereitschafts-Check: Ist Ihr Unternehmen KI-reif?
Beantworten Sie diese fünf Fragen ehrlich. Je mehr Sie mit Ja beantworten, desto schneller können wir starten.
Datenverfügbarkeit
Haben Sie mindestens 6 Monate historische Daten in einem strukturierten Format (CSV, Datenbank, ERP-Export)?
Klares Geschäftsproblem
Können Sie in einem Satz beschreiben, welche Entscheidung das Modell verbessern soll?
Interner Champion
Gibt es eine Person im Unternehmen, die das Projekt vorantreibt und Zugang zu Fachabteilungen hat?
Budget und Zeithorizont
Steht ein Budget von mindestens CHF 15'000 und ein Zeitfenster von 8 Wochen zur Verfügung?
Offenheit für Iteration
Akzeptiert Ihre Organisation, dass ein erstes Modell nicht perfekt ist und verbessert werden muss?
Vergleichsboard: Eigenentwicklung vs. fertige Lösung vs. Beratung
| Kriterium | Eigenentwicklung | SaaS-Plattform | Beratung + Umsetzung |
|---|---|---|---|
| Anlaufzeit | 3–6 Monate | 1–2 Wochen | 4–9 Wochen |
| Anpassbarkeit | Sehr hoch | Eingeschränkt | Hoch |
| Internes Know-how nötig | Data-Science-Team | Minimal | Ein Ansprechpartner |
| Kosten erstes Jahr | CHF 150'000+ | CHF 12'000–60'000 | CHF 50'000–120'000 |
| IP-Eigentum | 100 % intern | Beim Anbieter | Verhandelbar |
Wir empfehlen den dritten Weg für Unternehmen, die schnell Ergebnisse brauchen und gleichzeitig internes Wissen aufbauen wollen.
Projekt besprechen
Beschreiben Sie kurz Ihr Vorhaben. Wir melden uns innerhalb von zwei Arbeitstagen mit einer ersten Einschätzung.
Direkter Kontakt
8452 Hirschengraben, 1204 Geneva, Geneva, Switzerland
Technologien, die wir einsetzen