Generative AI Leader · Glossar
Generative-AI-Glossar für die Prüfung Generative AI Leader
· ca. 33 Min. Lesezeit
Unabhängige Lernhilfe – nicht von Google, nicht mit Google verbunden.
Dieses Glossar erklärt 293 Fachbegriffe der Google-Cloud-Prüfung Generative AI Leader: englischer Begriff, wie er in der Prüfung vorkommt, mit kurzer deutscher Erklärung, dem zugehörigen Exam-Guide-Abschnitt und – bei Produkten – dem früheren Namen.
A
- Accountability
Klare Verantwortlichkeit dafür, was ein AI-System tut und entscheidet. Voraussetzung für Fairness und Vertrauen.
- Accuracy (data quality)
Qualitätsmerkmal: Daten sind sachlich korrekt; fehlerhafte Daten führen zu falschen Mustern.
- Active prompting
CoT-Variante, bei der das Modell Rückfragen stellen oder zusätzliche Informationen anfordern darf.
- Adoption champion
Benannte Person, die die Gen-AI-Einführung im Unternehmen vorantreibt und koordiniert.
- Adversarial attack
Gezielt manipulierte Eingaben oder Daten, die ein Modell zu Fehlverhalten bringen sollen.
- Agent (gen AI agent)
Anwendung, die ein Ziel verfolgt, indem sie die Welt beobachtet und mit verfügbaren Tools handelt; Fokus auf autonomem Handeln.
- Agent (gen AI agent)
Anwendung, die ein Ziel verfolgt, indem sie die Umgebung beobachtet und mit Tools darauf einwirkt. Kern ist ein Reasoning Loop.
- Agent Assist
Unterstützt menschliche Contact-Center-Agenten live mit Antwortvorschlägen, Wissensartikeln, Live-Verschriftung (Speech-to-Text), Übersetzung und Zusammenfassungen.
- Agent components
Ein gen AI agent besteht aus Model (Gehirn), Tools (Interaktion mit der Umwelt) und Reasoning loop (iteratives Entscheiden).
- Agent Development Kit (ADK)
Open-Source-Framework, um Agents und Multi-Agent-Systeme im Code zu bauen. Modellagnostisch.
- Agent Platform (Gemini Enterprise Agent Platform)
Google Clouds einheitliche AI-/ML-Plattform zum Bauen, Trainieren, Tunen, Bereitstellen und Verwalten von Modellen und gen-AI-Anwendungen.
- Agent Platform (Gemini Enterprise Agent Platform)
Googles einheitliche, vollständig verwaltete Plattform zum Bauen, Tunen, Deployen und Betreiben von ML-Modellen, Gen-AI-Apps und Agents.
- Agent Platform AutoML
Agent-Platform-Dienst, mit dem man eigene Modelle (Bild, Video, Tabellen) ohne tiefes ML-Wissen trainiert.
- Agent Platform AutoML
Trainiert eigene Modelle für Bild, Video und Tabellen mit minimalem ML-Wissen.
- Agent Platform Feature Store
Zentrales Repository, um ML-Features zu teilen, bereitzustellen und wiederzuverwenden. Sorgt für Konsistenz zwischen Training und Produktion.
- Agent Platform Model Registry
Verwaltet Modellversionen, Änderungen und den Lebenszyklus der Modelle.
- Agent Platform Pipelines
Orchestriert und automatisiert ML-Workflows end-to-end, von der Datenvorbereitung bis zum Deployment.
- Agent Runtime
Verwaltete Laufzeitumgebung, in der eigene Agents skalierbar in Produktion laufen (mit Sessions und Memory Bank).
- Agent Search
Googles Such- und Empfehlungslösung auf Agent Platform; vorgefertigtes RAG, das Antworten mit eigenen, kuratierten Dritt- und Knowledge-Graph-Daten groundet.
- Agent Search
Such- und Empfehlungslösung auf Agent Platform. Liefert Google-Qualität-Suche über eigene Daten mit Grounding (prebuilt RAG), auch für externe Kunden.
- Agent Studio
Werkzeug in Agent Platform (Cloud Console) für Prompt-Design, Tests, Tuning und Grounding mit Enterprise-Sicherheit und Governance; für Produktion.
- Agent Studio
Console-Werkzeug in Agent Platform für Prompt-Tests, Tuning und Low-code-Agent-Design. Mit Enterprise-Sicherheit und Cloud-Governance für die Produktion.
- Agents layer
Schicht des gen-AI-Stacks, die Fähigkeiten und Aktionen bereitstellt (suchen, buchen, empfehlen) und zwischen Application und Platform liegt.
- AI Hypercomputer
Supercomputing-Architektur von Google Cloud aus vernetzter Hardware und Software für AI-Workloads in größtem Maßstab.
- AI Principles (Google)
Von Google 2018 veröffentlichte Leitlinien für die verantwortungsvolle Entwicklung und Nutzung von AI.
- AI-first approach
AI ist bei Google Kern der Produktstrategie, gestützt auf jahrzehntelange Forschung.
- Anonymization vs. pseudonymization
Anonymisierung entfernt Personenbezug unumkehrbar. Pseudonymisierung ersetzt Identifikatoren und lässt sich mit Schlüssel umkehren.
- API Library (Google Cloud)
Katalog aller Google-APIs (Maps, Workspace, YouTube …), die Agents als Tools nutzen können.
- Apps Script
Low-code-Plattform (JavaScript), um Google Workspace zu automatisieren und Gemini-Add-ons zu bauen.
- AppSheet
No-code-Plattform, mit der Fachanwender Business-Apps bauen, auch mit Gemini-Funktionen.
- Artificial intelligence (AI)
Oberbegriff für Maschinen, die Aufgaben erledigen, für die normalerweise menschliche Intelligenz nötig ist.
- Artificial neural network (ANN)
Rechenmodell aus verbundenen, in Schichten angeordneten „Neuronen“; Grundlage von Deep learning.
- Audio Overview
Von Gemini Notebook erzeugte Podcast-artige Audio-Zusammenfassung der Quellen.
- Audit trail / traceability
Nachvollziehbare Protokollierung, wie und warum ein System entschieden hat. In regulierten Branchen oft Pflicht.
- Augmentation (RAG step)
Zweiter RAG-Schritt: Die abgerufenen Informationen werden zusammen mit der Nutzerfrage in den Prompt eingebaut.
- Augmentation (vs. automation)
AI unterstützt Menschen, die interpretieren und entscheiden; Gegenstück zur Automation, bei der die AI repetitive Aufgaben ganz übernimmt.
- Augmentation vs. automation
Augmentation unterstützt den Menschen, der weiter entscheidet. Automation übernimmt repetitive oder regelbasierte Aufgaben ganz. Augmentation ist oft der Zwischenschritt.
- Authentication vs. authorization
Authentifizierung prüft, wer jemand ist. Autorisierung prüft, was er darf. IAM deckt beides ab.
- Automatic model upgrades
Der Anbieter verbessert die Modelle laufend; Nutzer profitieren automatisch, müssen aber ihre Workflows neu testen.
- Availability (data)
Zugänglichkeitsmerkmal: Die benötigten Daten müssen in Training und Produktion verfügbar sein.
- Availability and reliability (model)
Auswahlkriterium für Modelle: Uptime-Garantien, Redundanz und Disaster Recovery für den Produktivbetrieb.
B
- Bias
Systematische Verzerrung in Daten oder Modellausgaben; schon subtile Biases können sich in den Ausgaben verstärken.
- Bias and fairness
AI übernimmt Verzerrungen aus Daten und Prozessen und kann unfair entscheiden. Bias soll erkannt und gemindert werden, Fairness steht im Zentrum.
- BigQuery
Googles serverloses Data Warehouse für Analyse und Datenaufbereitung; mit BigQuery ML lassen sich Modelle per SQL trainieren.
- BigQuery universal catalog
Dienst für Data Governance und Metadatenverwaltung im Google-Cloud-Datenökosystem.
- Build-vs-buy ladder (solution choice)
Reihenfolge von geringem zu hohem Aufwand: fertige App → Modell plus Prompting → Grounding/RAG → Fine-Tuning → AutoML → Custom-Modell. Möglichst früh einsteigen.
C
- CCaaS (Google Cloud Contact Center as a Service)
Cloud-native Contact-Center-Lösung mit Omnichannel, CRM-Integration und verwalteter Infrastruktur.
- Chain-of-thought (CoT)
Prompting-Technik, bei der das Modell in Zwischenschritten denkt. Gut für internes Reasoning.
- Chain-of-thought (CoT) prompting
Prompting-Technik, die das Modell mit Beispielen expliziter Zwischenschritte durch einen Lösungsweg führt; verbessert Reasoning und Nachvollziehbarkeit.
- Chirp
Googles Foundation model für Audio und Spracherkennung in vielen Sprachen.
- Cloud Run
Serverlose Plattform für zustandslose Container. Gut für Tools mit eigenen Abhängigkeiten.
- Cloud Run functions
Serverlose, ereignisgesteuerte Funktionen, die als spezialisierte Agent-Tools dienen.
- Cloud SQL / Spanner
Relationale Datenbankdienste von Google Cloud für strukturierte Daten; Spanner ist global skalierbar.
- Cloud Storage
Skalierbarer Objektspeicher von Google Cloud, typischerweise für unstrukturierte Daten wie Bilder, PDFs oder Audio.
- Cloud Storage
Skalierbarer Objektspeicher für unstrukturierte Daten, z. B. als Quelle für Search und RAG.
- Cloud Video Intelligence API
Vorgefertigte API, die Videoinhalte analysiert, z. B. für Suche, Empfehlungen und Medienanalyse.
- Cloud Vision API
Vorgefertigte API für Bildanalyse: Objekte, Text, Gesichter, Landmarken, Moderation.
- CMEK (customer-managed encryption keys)
Google verschlüsselt, der Kunde verwaltet die Schlüssel selbst. Meist aus Compliance-Gründen.
- Completeness
Qualitätsmerkmal: ausreichende Datenmenge und Abdeckung für belastbare Vorhersagen.
- Comprehensive AI ecosystem
Gen AI ist in viele Google-Produkte integriert (Search, Workspace, Gemini app, Google Cloud), sodass KI in vertrauten Werkzeugen ankommt und die Adoption erleichtert.
- Connectors
Anbindungen von Gemini Enterprise an Unternehmenssysteme, um Daten zu lesen und Aktionen auszulösen.
- Consistency
Qualitätsmerkmal: einheitliche Formate und Labels über alle Quellen; Inkonsistenz verwirrt das Modell.
- Content moderation (HITL)
Menschen prüfen nutzergenerierte Inhalte kontextbezogen und fangen Schädliches ab, das Algorithmen übersehen.
- Content moderation policy
Regeln und Prüfprozesse, welche generierten Inhalte zulässig sind.
- Context window
Menge an Information (in Tokens), die ein Modell auf einmal berücksichtigen kann; ein größeres Fenster erhöht die Kosten.
- Continuous monitoring and evaluation
Laufende Überwachung von Modellqualität, Drift, Sicherheit und Geschäftswirkung über den gesamten Lebenszyklus.
- Continuous training (CT)
Automatisiertes, regelmäßiges Retraining in einer Pipeline (MLOps); lohnt sich vor allem, wenn sich Daten häufig ändern, denn jedes Retraining kostet Rechenzeit.
- Conversational agent
Agent für Dialoge (Fragen beantworten, Chat, Informationszugriff); technisch einfacher, aber direkt kundensichtbar.
- Conversational Agents
Chat- und Voicebots, die selbst mit Kunden sprechen. Deterministisch, generativ oder hybrid, gebaut mit CX Agent Studio.
- Conversational Insights
Analysiert alle Kundengespräche auf Themen, Stimmung und Qualität, inklusive Generative FAQ.
- Conversational vs. workflow agents
Conversational Agents führen Dialoge (Fragen beantworten). Workflow Agents erledigen mehrstufige Prozesse (Onboarding, Fulfillment).
- Cost (data)
Zugänglichkeitsmerkmal: Beschaffung und Labeling hochwertiger Daten kann sehr teuer sein.
- Cost (gen AI)
Kosten entstehen für Training, Deployment und Nutzung. Abgerechnet wird nach Tokens, Zeichen, Requests oder Rechenzeit. Größere Modelle und Context Windows sind teurer.
- Create / Summarize / Discover / Automate
Die vier Hauptnutzungsarten von gen AI: Inhalte erzeugen, verdichten, finden und Aufgaben automatisieren.
- Creative matrix
Matrix-Methode zur Ideenfindung: Gen-AI-Produkte werden gegen Geschäftsziele gekreuzt, um Use Cases zu finden.
- Custom training
Eigenes Modell mit voller Kontrolle über Architektur und Training auf Agent Platform.
- Customer data control
Kundendaten gehören dem Kunden; Prompts und Daten in Enterprise-Diensten werden nicht zum Training von Googles Modellen genutzt.
- Customer Engagement Suite
Googles Suite für AI-gestützte Kundeninteraktion: Conversational Agents, Agent Assist, Conversational Insights, CCaaS.
D
- Data accessibility
Daten müssen verfügbar, bezahlbar und im passenden Format vorliegen; dazu gehören auch die nötigen Rechte.
- Data dependency
Limitation: Die Modellleistung hängt stark von Qualität und Vollständigkeit der Trainingsdaten ab.
- Data governance
Regeln und Prozesse für Qualität, Zugriff, Schutz und Nutzung von Daten.
- Data ingestion
Erste Lebenszyklus-Phase: passende Daten sammeln und einlesen (Pub/Sub, Cloud Storage, Cloud SQL, Spanner).
- Data poisoning
Manipulation von Trainingsdaten, um das Modellverhalten zu verfälschen.
- Data preparation
Lebenszyklus-Phase: Rohdaten bereinigen, transformieren, formatieren und labeln (BigQuery, universal catalog).
- Data quality
Eignung der Daten für die Aufgabe: korrekt, vollständig, repräsentativ, konsistent, relevant; der Maßstab hängt vom Kontext ab.
- Data store
Strukturierte oder unstrukturierte Wissensbasis (Websites, Datenbanken, Dokumente), auf die Agents und RAG zugreifen.
- Data stores
Agent-Tool, das Zugang zu Informationen gibt (Wissensbasen, Websites, Datenbanken). Grundlage für RAG.
- Databases (Cloud SQL, Spanner, Firestore)
Verwaltete Datenbanken, in denen Agents strukturierte Daten, Nutzerdaten und Fortschritt speichern.
- Deep learning (DL)
Teilgebiet von ML, das mehrschichtige neuronale Netze nutzt; Motor hinter gen AI.
- Democratization of AI
Low-code-/No-code-Tools, vortrainierte Modelle und fertige APIs, mit denen auch Nicht-Entwickler AI-Lösungen bauen.
- Deterministic agent
Agent mit festen Regeln und Pfaden. Gleiche Eingabe ergibt gleiche Ausgabe, kein Foundation Model.
- Diffusion model
Generatives Modell, das Bilder, Audio oder Video durch iteratives Verfeinern erzeugt, z. B. Imagen.
- Document AI API
Vorgefertigte API, die strukturierte Daten aus Dokumenten extrahiert und die Verarbeitung automatisiert.
- Document Translation API
Übersetzt formatierte Dokumente und behält das Layout.
- Drift (drift monitoring)
Veränderung von Daten oder Zusammenhängen über die Zeit, die die Modellleistung senkt; wird mit Model Monitoring überwacht.
- Drift / skew
Produktionsdaten weichen von den Trainingsdaten ab, die Modellleistung sinkt. Muss laufend überwacht werden.
E
- Edge AI / edge computing
AI läuft auf Geräten oder Servern nahe der Datenquelle; Vorteile sind geringe Latenz, Datenschutz und Offline-Fähigkeit.
- Edge cases
Limitation: Seltene, atypische Situationen legen Modellschwächen offen und führen zu unerwarteten Fehlern.
- Edge computing / AI on the edge
AI läuft auf Geräten nahe der Datenquelle. Echtzeit, Datenschutz, offline möglich.
- Embeddings
Numerische Vektoren, die die Bedeutung von Text, Bild u. a. abbilden und semantische Suche ermöglichen.
- Enterprise-ready AI platform
Plattform mit Sicherheit, Datenschutz, Governance, Zuverlässigkeit und Skalierung auf Unternehmensniveau.
- Explainable AI / explainability
Fähigkeit, nachvollziehbar zu begründen, warum ein Modell zu einem Ergebnis kommt.
- Extensions
Agent-Tool, das externe Services über APIs anbindet und die Interaktion standardisiert.
F
- Fairness
Ziel und Bewertungsmaßstab für gerechte Ergebnisse über Gruppen hinweg; Fairness-Bewertungen haben inhärente Grenzen.
- Feature Store (Agent Platform Feature Store)
Zentrale Ablage, um ML-Features zu teilen, bereitzustellen und wiederzuverwenden; sichert Konsistenz zwischen Training und Produktion.
- Few-shot prompting
Prompt mit mehreren Beispielen, aus denen das Modell Muster, Format und Ton übernimmt.
- Fine-tuning
Ein vortrainiertes Modell auf einem aufgabenspezifischen Datensatz weitertrainieren; teuer, deshalb der letzte Schritt nach Prompting und Grounding.
- First-call resolution (FCR)
KPI: Anteil der Kundenanliegen, die beim ersten Kontakt gelöst werden.
- First-party enterprise data
Eigene Unternehmensdaten (Dokumente, Datenbanken, Richtlinien), auf die man das Modell groundet.
- Format (data)
Zugänglichkeitsmerkmal: Daten müssen in einem für das Modell verarbeitbaren Format vorliegen.
- Foundation model
Großes, auf riesigen, vielfältigen Daten vortrainiertes Modell, das sich an viele Aufgaben anpassen lässt; Basis von gen AI.
- Foundation model as the agent's "brain"
Das Modell ist die Denk- und Entscheidungskomponente des Agents. Tools sind seine Hände.
- Fully managed
Google betreibt Infrastruktur, Skalierung und Monitoring. Der Kunde konfiguriert nur.
- Functions
Agent-Tool, das konkrete Aktionen oder Aufgaben definiert, die das Reasoning-System auswählt.
G
- Garbage in, garbage out
Grundsatz: Schlechte Eingangsdaten führen zwangsläufig zu schlechten Ergebnissen, auch bei RAG-Wissensbasen.
- Gemini
Googles proprietäre, multimodale Foundation-Model-Familie für Verstehen, Konversation, Content-Erstellung und Q&A.
- Gemini Advanced
Erweiterte Gemini-Stufe mit stärksten Modellen für Coding und Reasoning, Priorität bei neuen Features und Enterprise-Schutz.
- Gemini API
Programmierschnittstelle zu Gemini-Modellen. Einbindung per HTTP in beliebige Anwendungen.
- Gemini app
Googles Gen-AI-Chatbot (Web und Mobil) zum Schreiben, Zusammenfassen, Übersetzen und Bilderzeugen.
- Gemini app (vs. Gemini model)
Das Gemini app ist Googles Chatbot (Anwendung); Gemini ist das zugrunde liegende Modell.
- Gemini Code Assist
AI-Pair-Programmer mit Codevorschlägen, Codegenerierung und Erklärungen.
- Gemini Enterprise
Zentrale, sichere Agent-Plattform für Mitarbeitende: Suche über alle Firmendaten, Assistenten mit Connectors, eigene Agents, Notebook Enterprise.
- Gemini Enterprise for Customer Experience (CX)
Aktueller Dachname der Kundenservice-Suite (CX agents, Agent Assist, CX Insights, CCaaS).
- Gemini for Google Cloud
AI-Assistent in Google-Cloud-Tools (Code Assist, Cloud Assist, BigQuery, Looker, Security …).
- Gemini for Google Workspace
Gen AI direkt in Gmail, Docs, Sheets, Slides, Meet und Vids, z. B. über das Side Panel.
- Gemini Nano
Googles kompaktestes Gemini-Modell für die Ausführung auf Geräten; Vorteile: Privacy, Speed, Offline.
- Gemini Nano
Kleinstes Gemini-Modell für On-Device-Einsatz: privat, schnell, offline.
- Gemini Notebook
Rechercheassistent, der ausschließlich in hochgeladenen Quellen groundet (Zusammenfassungen, Q&A, Audio-Übersichten).
- Gemini Notebook
AI-Recherchepartner, der ausschließlich in hochgeladenen Quellen gegroundet ist. Liefert Zusammenfassungen, Q&A, Quiz und Audio Overview.
- Gemini Notebook API
Programmatischer Zugriff auf Gemini Notebook (Enterprise), um Notebooks in Unternehmensprozesse einzubinden.
- Gemini Notebook Enterprise
Unternehmensvariante mit Compliance, Admin-Funktionen, IAM und Daten im eigenen Cloud-Projekt.
- Gemini Pro vs. Flash / Flash-Lite
Modellvarianten: Pro für komplexe Aufgaben (langsamer, teurer), Flash/Flash-Lite für schnelle, günstige Antworten.
- Gemini side panel
Seitenleiste in Workspace-Apps, über die Gemini Inhalte im Kontext zusammenfasst und erzeugt.
- Gemma
Familie leichtgewichtiger offener Google-Modelle (open weights) für lokale Bereitstellung und starke Anpassung.
- Gems
Personalisierte Gemini-Assistenten mit festen Anweisungen; liefern personalisierte Antworten, vereinfachen Workflows und trennen Kontexte.
- Gems
Personalisierte Gemini-Assistenten mit eigenen Anweisungen und Dateien. Für wiederkehrende Aufgaben, jeder Chat isoliert.
- Gen AI applications (layer)
Oberste, nutzerseitige Schicht (Frontend), über die Menschen gen AI verwenden, z. B. Gemini app oder Workspace with Gemini.
- Gen AI landscape
Fünf-Schichten-Modell: Infrastructure, Models, Platform, Agents, Applications.
- Generalization
Fähigkeit eines Modells, Gelerntes auf neue, im Training ungesehene Daten anzuwenden.
- Generation (RAG step)
Dritter RAG-Schritt: Das LLM erzeugt die Antwort aus dem angereicherten Prompt, idealerweise mit Quellen.
- Generative agent
Agent auf Basis eines Foundation Models. Flexibel und natürlichsprachlich, kann aber variierende Antworten geben.
- Generative AI (gen AI)
Teilgebiet von ML, das neue Inhalte wie Text, Bild, Audio, Video oder Code erzeugt, statt nur zu analysieren.
- Generative FAQ
Funktion in CX Insights, die häufige Kundenfragen und die Wirksamkeit der Antworten erkennt.
- Google AI Studio
Kostenloses Web-Tool für schnelles Prototyping mit Gemini und der Gemini Developer API; mit Nutzungslimits.
- Google AI Studio
Kostenloses Web-Tool für schnelles Prototyping mit Gemini und der Gemini Developer API. Für Einsteiger und Experimente.
- Google Search (grounding with)
Verbindet Gemini mit aktuellen Webinformationen und überwindet so den Knowledge Cutoff.
- GPU
Universeller Parallelprozessor, der auch für AI-Training und Inferenz genutzt wird.
- GPU / TPU
Spezialisierte Prozessoren für parallele AI-Berechnungen; TPUs sind Googles eigens für AI entwickelte Chips.
- Grounding
Die Modellausgabe mit verifizierbaren, spezifischen Informationsquellen verbinden; Oberbegriff, zu dem RAG gehört.
- Grounding with Google Search
Verbindet Gemini mit aktuellen öffentlichen Webinformationen (world data), z. B. für Fragen nach dem knowledge cutoff.
H
- Hallucination
Plausibel wirkende, aber falsche oder erfundene Modellausgabe; lässt sich durch Grounding senken, aber nie ganz ausschließen.
- Human in the loop (HITL)
Menschlicher Input und menschliches Feedback werden direkt in ML-Workflows integriert, besonders bei sensiblen oder folgenschweren Entscheidungen.
- Human in the loop (HITL)
Menschliches Urteil wird gezielt in den ML-Prozess eingebunden, etwa für Moderation, sensible Bereiche und Reviews vor oder nach der Generierung.
- Hybrid agent
Kombiniert deterministische Kontrolle mit generativer Flexibilität. Googles empfohlener Ansatz für CX-Agents.
- Hypercomputer
Supercomputer-Verbund aus vielen Knoten für Training und Betrieb großer Modelle (Google: AI Hypercomputer).
I
- IAM (Identity and Access Management)
Zentrale Zugriffskontrolle in Google Cloud: Identitäten, Rollen, Berechtigungen, Audit.
- IC (individual contributor)
Fachkraft ohne Führungsverantwortung, nah an Workflows und Pain Points. Treibt den Bottom-up-Teil der Strategie.
- Identity and Access Management (IAM)
Google-Cloud-Dienst für Authentifizierung und Autorisierung: Rollen, Berechtigungen, Audit.
- Imagen
Googles Text-zu-Bild-Diffusionsmodell für hochwertige Bilder aus Textbeschreibungen.
- In-context learning
Das Modell lernt aus Beispielen im Prompt, ohne dass sich seine Gewichte ändern.
- Infrastructure (layer)
Unterste Schicht: Rechenleistung (GPU/TPU), Speicher, Netzwerk sowie Software zum Trainieren und Betreiben von Modellen.
- Interpretability
Wie gut Menschen die Funktionsweise eines Modells verstehen können. Verwandt mit Explainability.
K
- Key performance indicator (KPI)
Messgröße für die Geschäftswirkung von gen AI; Vorgehen: Metriken definieren, Daten erheben, iterieren.
- Knowledge cutoff
Stichtag, bis zu dem ein Modell Trainingsdaten gesehen hat; spätere Ereignisse kennt es nicht.
- KPI (key performance indicator)
Messgröße, mit der man die Wirkung einer Gen-AI-Lösung an Geschäftszielen festmacht.
L
- Labeled data
Daten mit zugeordnetem Tag oder Zielwert (Name, Typ, Zahl); Grundlage für supervised learning.
- Large language model (LLM)
Foundation model für das Verstehen und Erzeugen von Sprache (auch Code); alle LLMs sind foundation models.
- Least privilege (principle of)
Nur die minimal nötigen Rechte vergeben und regelmäßig überprüfen.
- Limitations of foundation models
Data dependency, knowledge cutoff, bias, fairness, hallucinations und edge cases.
- LiteRT (Lite Runtime)
Googles Laufzeitumgebung, um ML-Modelle effizient auf Edge- und Mobilgeräten auszuführen.
- LiteRT (Lite Runtime)
Laufzeitumgebung, mit der ML-Modelle effizient auf Mobil- und Edge-Geräten laufen.
M
- Machine learning (ML)
Teilgebiet der AI, in dem Systeme aus Daten lernen, statt explizit programmiert zu werden.
- Mandiant
Googles Threat-Intelligence- und Incident-Response-Expertise zum proaktiven Schutz, auch von AI-Systemen.
- Metaprompting
Prompting, mit dem das Modell andere Prompts erzeugt, verbessert oder interpretiert.
- ML lifecycle
Phasen data ingestion, data preparation, model training, model deployment und model management, jeweils mit Google-Cloud-Tools.
- MLOps
Praktiken und Tools für Betrieb, Automatisierung, Versionierung und Monitoring von ML-Modellen.
- MLOps
Praktiken und Tools, mit denen ML-Modelle über ihren Lebenszyklus zuverlässig betrieben werden.
- Modality
Datentyp, den ein Modell verarbeitet oder erzeugt (Text, Bild, Audio, Video); erstes Kriterium der Modellwahl.
- Model
Aus Daten gelernte mathematische Struktur, die Eingaben in Ausgaben umsetzt.
- Model deployment
Lebenszyklus-Phase: trainiertes Modell für Vorhersagen bereitstellen (Agent Platform Endpoint).
- Model Evaluation
Bewertet und vergleicht die Leistung von Modellen.
- Model Evaluation (Agent Platform)
Dienst zum Bewerten und Vergleichen von Modellleistung (performance tracking).
- Model Garden
Katalog in Agent Platform zum Entdecken, Anpassen und Bereitstellen von Google-, Open- und Third-Party-Modellen sowie vortrainierten APIs.
- Model Garden
Zentraler Katalog mit über 200 Modellen (Google, Open, Drittanbieter) zum Finden, Testen, Tunen und Deployen.
- Model management
Lebenszyklus-Phase: Modelle über die Zeit versionieren, überwachen, pflegen und neu trainieren.
- Model Monitoring
Dienst, der Leistungsabfall, input skew und drift erkennt und Updates oder Retraining auslöst.
- Model Monitoring
Überwacht Produktionsmodelle auf Leistungsabfall, Skew und Drift und stößt Retraining an.
- Model Registry
Zentrale Verwaltung von Modellversionen, Änderungen und Lebenszyklus.
- Model selection factors
Kriterien zur Modellwahl: modality, context window, security, availability/reliability, cost, performance, fine-tuning/customization, ease of integration.
- Model training
Lebenszyklus-Phase: Modellparameter aus Daten lernen (Agent Platform: custom training oder AutoML); bei foundation models in der Regel Tuning.
- Models (layer)
Schicht des Stacks mit den Modellen, dem „Gehirn“ von Agents und Anwendungen.
- Multi-agent system
Mehrere spezialisierte Agents arbeiten zusammen an einem komplexen Ziel; ein Agent kann Tool eines anderen sein.
- Multi-agent system
Mehrere spezialisierte Agents arbeiten zusammen. Ein Agent kann Tool eines anderen sein.
- Multi-directional strategy
Kombination aus Top-down-Vision der Führung und Bottom-up-Ideen der Mitarbeitenden.
- Multimodal (foundation) model
Modell, das mehrere Datentypen gleichzeitig verarbeitet bzw. erzeugt; Multimodalität heißt Kombination von Modalitäten.
- Multimodal CoT
CoT-Variante, die Text mit Bildern oder Video kombiniert, um das Reasoning zu verbessern.
- Multimodal search
Suche über Text, Bilder und weitere Formate in mehreren Unternehmenssystemen, gegroundet in Firmendaten.
- MVP (minimum viable product)
Kleinste produktionsreife Version, die man ausliefert und iterativ verbessert.
N
- Nano Banana
Marketingname der Gemini-Bildmodelle zur Bilderzeugung und -bearbeitung (z. B. Nano Banana Pro); neben Imagen, das der Exam Guide nennt, Googles zweite Bildmodell-Linie.
- Natural Language API
Vorgefertigte Textanalyse: Sentiment, Entitäten, Klassifikation.
- Natural language processing (NLP)
AI-Teilgebiet zum Verstehen, Verarbeiten und Erzeugen menschlicher Sprache; LLMs sind die heute dominante Technik.
- Needs (scale, customization, …)
Anforderungen, die die Lösungswahl bestimmen: Scale, Customization, User Interaction, Privacy, Latency, Connectivity, Accuracy, Explainability.
O
- One-shot prompting
Prompt mit genau einem Beispiel als Orientierung.
- Open approach
Offenheit für Open-Source-Frameworks, offene und Drittmodelle. Ergebnis: Wahlfreiheit ohne Lock-in.
- Output length (max output tokens)
Sampling-Einstellung für die maximale Länge der generierten Antwort.
P
- Performance tracking
Laufendes Prüfen von Modellmetriken, um Qualitätsverlust früh zu erkennen.
- PII (personally identifiable information)
Daten, mit denen sich eine Person identifizieren lässt. Müssen besonders geschützt werden.
- Pipelines (Agent Platform Pipelines)
Orchestrierung und Automatisierung von ML-Workflows von der Datenaufbereitung bis zum Deployment.
- Plan for gen AI integration (6 steps)
Vision → High-Impact-Use-Cases → Capabilities → Organizational Change → Value messen → Responsible AI.
- Plan for impact
Kennzahlen definieren → Daten sammeln und analysieren → iterieren und verbessern.
- Platform (layer)
Schicht mit APIs, Datenmanagement, Deployment- und MLOps-Tools zwischen Modellen und Agents; bei Google: Agent Platform.
- Plugins
Agent-Tool, das neue Skills und Integrationen zu anderen Plattformen hinzufügt.
- Post-generation review
HITL-Form: kontinuierliche menschliche Prüfung und Feedback nach dem Deployment.
- Pre-generation review
HITL-Form: Experten prüfen ML-Ausgaben vor dem Deployment und fangen Fehler oder Bias ab.
- Prebuilt RAG with Agent Search
Fertige, verwaltete RAG-Lösung (Datenanbindung, Suche, Grounding, Zitate) mit geringem Aufwand.
- Privacy
Schutz personenbezogener Daten, z. B. durch Anonymisierung und Pseudonymisierung. Verhindern, dass Modelle Trainingsdaten leaken.
- Prompt / Prompting
Eingabe (Text, Datei, Bild), mit der man ein foundation model steuert und eine Ausgabe auslöst.
- Prompt chaining
Schrittweise, aufeinander aufbauende Prompts bzw. Konversation im selben Thread für ein verfeinertes Ergebnis.
- Prompt engineering
Kunst und Wissenschaft, wirksame Prompts zu gestalten; verändert das Modell nicht.
- Prompt engineering (significance)
Schnellster und günstigster Hebel für bessere Ausgaben; muss bei neuen Modellversionen laufend neu getestet werden.
- Prompt tuning
Parameter-effizientes Tuning: Nur lernbare „Soft Prompts“ werden trainiert, das Basismodell bleibt eingefroren.
- Pub/Sub
Google-Cloud-Messaging-Dienst für die Aufnahme von Echtzeit-Datenströmen (publish/subscribe).
R
- RAG (retrieval-augmented generation)
Grounding-Methode: relevante Informationen abrufen, in den Prompt einfügen, dann Antwort generieren.
- RAG APIs
Bausteine (Parsing, Embeddings, Vector Search, Ranking, Grounded Generation, Check Grounding) für eine eigene, flexibel gesteuerte RAG-Pipeline.
- RAG APIs
Bausteine (RAG Engine, Vector Search, Grounding-APIs) für eigene RAG-Pipelines mit mehr Kontrolle.
- RAG Engine
Verwalteter Dienst auf Agent Platform zum Bauen eigener RAG-Pipelines.
- ReAct (Reason + Act)
Prompting-Framework, in dem das LLM im Zyklus Think, Act, Observe, Respond denkt und mit Tools handelt; reduziert Halluzinationen durch externe Informationen.
- ReAct (reason + act)
Agent-Framework: denken, handeln (Tool), beobachten, antworten, im Loop. Für Aufgaben mit externer Interaktion.
- Reasoning loop
Iterativer Prozess, in dem ein Agent beobachtet, schlussfolgert, ein Tool wählt, handelt und das Ergebnis auswertet.
- Reasoning loop
Iterativer Kern eines Agents: beobachten, schlussfolgern, Tool wählen, handeln, Ergebnis auswerten, wiederholen.
- Recommendations (Agent Search)
Personalisierte Produkt- oder Inhaltsempfehlungen für mehr Engagement und Discovery (Media, Commerce).
- Red teaming
Gezielte Angriffe auf das eigene System, auch mit einem zweiten Modell, um Schwachstellen zu finden.
- Reinforcement learning (RL)
Lernen durch Interaktion mit einer Umgebung und Feedback (Belohnung/Strafe), um die Gesamtbelohnung zu maximieren.
- Relevance
Qualitätsmerkmal: Die Daten passen zur Aufgabe, die das Modell erfüllen soll.
- Representativeness
Qualitätsmerkmal: Die Daten bilden alle relevanten Gruppen und Situationen ab; fehlt das, entsteht Bias.
- Resources (people, money, time)
Organisatorische Rahmenbedingungen eines Gen-AI-Projekts: Expertise, Budget, Zeitplan.
- Responsible AI
Sicherstellen, dass AI ethisch genutzt wird und keinen Schaden anrichtet, über den gesamten Lebenszyklus.
- Retrieval (RAG step)
Erster RAG-Schritt: Mit Tools (data stores, vector databases, Suchmaschinen, knowledge graphs) relevante Informationen abrufen.
- Retrieval-augmented generation (RAG)
Grounding-Architektur: relevante Informationen abrufen (retrieval), in den Prompt einfügen (augmentation), Antwort erzeugen (generation), optional iterieren.
- Reusable prompts / prompt templates
Bewährte Prompts als Vorlagen mit Platzhaltern speichern und wiederverwenden.
- RLHF
Reinforcement learning from human feedback: Post-Training eines Modells anhand menschlicher Bewertungen.
- ROI (return on investment)
Verhältnis von Nutzen zu Kosten. Zentrales Kriterium für die Priorisierung von Use Cases.
- Role prompting
Dem Modell eine Rolle oder Persona zuweisen, um Stil, Ton und Fokus der Antworten zu steuern.
- Roles (business leaders, developers, AI practitioners)
Business Leaders nutzen fertige Apps. Developers bauen Agents und Integrationen. AI Practitioners passen Modelle an und betreiben sie.
S
- Safety settings
Einstellungen, die potenziell schädliche oder unangemessene Inhalte aus der Ausgabe filtern (Kategorien und Schwellenwerte).
- SAIF (Secure AI Framework)
Googles Framework mit Sicherheitsstandards und Best Practices für AI-Systeme. Ein Leitfaden, kein Produkt.
- Sampling parameters
Einstellungen, die das Modellverhalten steuern: token count, temperature, top-p (top-K), safety settings, output length.
- Saved Info
Gemini merkt sich gezielt festgelegte Informationen über den Nutzer, ohne die ganze Chat-Historie.
- Saved info (Gemini)
In Gemini hinterlegte Dauerinformationen, die das Modell konsistent berücksichtigt, ohne die ganze Chat-Historie zu nutzen.
- Secure AI
Schutz von AI-Systemen vor Angriffen, Missbrauch, Datenabfluss und Manipulation.
- Secure-by-design infrastructure
Infrastruktur mit von Grund auf eingebauter Sicherheit (z. B. automatische Verschlüsselung at rest).
- Security across the ML lifecycle
Sicherheitsmaßnahmen in allen Phasen: Daten sammeln, vorbereiten, trainieren, deployen, verwalten.
- Security Command Center (SCC)
Zentrales Dashboard für Security-Posture, Schwachstellen und Bedrohungen in Google Cloud.
- Security patches and updates
Laufende Sicherheitsaktualisierungen, um AI-Systeme sicher und aktuell zu halten.
- Self-consistency
CoT-Variante: mehrere Lösungswege erzeugen und den konsistentesten wählen.
- Semantic search
Suche nach Bedeutung statt nach exakten Stichwörtern; Kern des Retrieval in RAG.
- Semi-/self-supervised learning
Mischformen, bei denen das Modell Lernsignale teils selbst aus ungelabelten Daten erzeugt; typisch beim Pre-Training von foundation models.
- Semi-structured data
Daten mit Tags/Schlüsseln, aber ohne starres Tabellenschema (JSON, XML, Logs).
- Sensitive Data Protection
Dienst, der sensible Daten (PII) erkennt und de-identifiziert, etwa durch Maskierung oder Anonymisierung.
- Serverless
Der Anbieter verwaltet die Server komplett, skaliert automatisch und rechnet nach Nutzung ab.
- Six strategy factors
Strategic focus, Exploration, Responsible AI, Resourcing, Impact, Continuous improvement, jeweils aus Führungs- und IC-Sicht.
- Solutionism
Fehler, eine Technologie einzusetzen, ohne vorher das Geschäftsproblem zu klären.
- Speech-to-Text API
Vorgefertigte API, die gesprochene Sprache in Text umwandelt (Anrufe, Meetings, Video).
- Structured data
Organisierte, leicht durchsuchbare Daten, oft in relationalen Datenbanken oder Tabellen.
- Supervised learning
Lernen aus gelabelten Beispielen, um Ausgaben für neue Eingaben vorherzusagen (Klassifikation, Regression).
T
- Technique ladder
Merkschema: zuerst prompt engineering, dann grounding/RAG, zuletzt fine-tuning; HITL und Monitoring durchgehend.
- Temperature
Sampling-Parameter für Zufälligkeit bzw. „Kreativität“: niedrig = fokussiert und wiederholbar, hoch = vielfältig.
- Text-to-Speech API
Vorgefertigte API, die Text in natürlich klingende Sprache umwandelt.
- Third-party data
Externe, kuratierte oder lizenzierte Daten von Drittanbietern, auf die man das Modell groundet.
- Token
Texteinheit (etwa 4 Zeichen), Maßeinheit für Kontextfenster, Traffic und Abrechnung.
- Token
Kleine Texteinheit (~4 Zeichen). Maß für Kontextgröße und Abrechnung von LLMs.
- Token count
Anzahl der verarbeiteten Tokens; Modelle haben ein Token-Limit, und Tokens bestimmen die Kosten.
- Tool (agent tool)
Funktion, mit der ein Agent mit seiner Umgebung interagiert: Daten abrufen, Aktionen ausführen.
- Top-K
Sampling-Parameter: Auswahl nur aus den K wahrscheinlichsten Tokens.
- Top-p (nucleus sampling)
Sampling-Parameter: Auswahl aus den wahrscheinlichsten Tokens, bis deren kumulative Wahrscheinlichkeit p erreicht ist.
- TPU (Tensor Processing Unit)
Von Google selbst entwickelter, für AI optimierter Beschleuniger.
- Traditional AI model
Für einen einzelnen Zweck mit spezifischen Daten trainiertes Modell (z. B. Spam-Filter); Spezialist statt Generalist.
- Training-serving skew
Unterschied zwischen der Datenverteilung im Training und in der Produktion; wird von Model Monitoring erkannt.
- Transformer
Von Google 2017 vorgestellte neuronale Netzarchitektur, Grundlage heutiger LLMs (das „T“ in GPT).
- Translation API
Vorgefertigte API, die Text, Dokumente, Websites sowie Audio und Video übersetzt.
- Transparency
Offenlegen, dass und wie AI und Daten genutzt werden, damit Betroffene das System verstehen.
U
- Unlabeled data
Rohdaten ohne Tag oder Zielwert; Grundlage für unsupervised learning und das Pre-Training von foundation models.
- Unstructured data
Daten ohne vordefinierte Struktur wie Freitext, E-Mails, Bilder, Audio und Video.
- Unsupervised learning
Lernen aus ungelabelten Daten, um Gruppen, Muster oder Ausreißer zu finden (Clustering, Anomaly detection).
- Use-case prioritization
Use Cases nach Business Value/ROI, Machbarkeit, Kosten und Risiko ordnen. Den ersten mit geringem Risiko, aber sichtbarem Nutzen wählen.
V
- Vector database
Datenbank, die Embeddings speichert und nach Ähnlichkeit durchsucht; typische RAG-Komponente.
- Vector Search
Dienst für semantische Ähnlichkeitssuche über Embeddings. Baustein für RAG.
- Veo
Googles Modell zur Videoerzeugung aus Text oder Standbildern.
- Versioning
Modellversionen nachverfolgen und verwalten, mit Model Registry.
W
- Workflow agent
Agent, der mehrstufige Prozesse automatisiert, z. B. Order Fulfillment, Customer Onboarding oder Recherche.
- Workload monitoring tools
Logging-, Monitoring- und Observability-Tools, mit denen man AI-Systeme sicher betreibt und Anomalien erkennt.
- World data
Öffentlich verfügbares Weltwissen, z. B. über Google Search oder Googles Knowledge Graph.
Z
- Zero-shot prompting
Aufgabe ohne Beispiele; das Modell stützt sich nur auf sein Vorwissen.
Weiterlesen: Google Cloud Generative AI Leader · Produktlandkarte