graph TD
    AI[Kuenstliche Intelligenz] --> ML[Maschinelles Lernen]
    AI --> SKI[Symbolische KI / Regelbasiert]
    ML --> DL[Tiefes Lernen / Deep Learning]
    DL --> GenAI[Generative KI]
    
    AI -- Unterteilt in --> WeakAI[Schwache KI / ANI]
    AI -- Ziel --> StrongAI[Starke KI / AGI]
    StrongAI --> ASI[Superintelligenz]
    ASI --> Singularity[Singularitaet]
    
    WeakAI --- Turing[Turing-Test]

graph LR
    NLP[Sprachverarbeitung] --> LLM[Large Language Models]
    LLM --> Trans[Transformer-Architektur]
    Trans --> Att[Attention-Mechanismus]
    
    Data[Text-Input] --> Tok[Tokenisierung]
    Tok --> Emb[Embeddings / Vektoren]
    Emb --> VDB[Vektor-Datenbank]
    
    VDB --> RAG[RAG / Retrieval-Augmented Generation]
    RAG -- Verhindert --> Hallu[Halluzinationen]
    
    Trans --> MoE[MoE / Mixture of Experts]
    MoE -- Erhoeht --> Eff[Effizienz]

graph TD
    Data[Big Data / Trainingsdaten] --> Pre[Pre-Training]
    Pre --> FM[Foundation Model / Basismodell]
    
    FM --> Fine[Fine-Tuning / Feinabstimmung]
    Fine --> SFT[Supervised Fine-Tuning]
    Fine --> LoRA[LoRA / QLoRA]
    
    FM --> Align[Alignment / RLHF & DPO]
    Align --> Asst[KI-Assistent]
    
    Train[Training] --> Over[Vermeidung von Overfitting]
    Train --> Epoch[Messung in Epochen]

graph TD
    User[Nutzer] --> Prompt[Eingabeaufforderung / Prompt]
    Prompt --> PE[Prompt Engineering]
    
    PE --> Tech[Techniken: Zero-Shot / Few-Shot / CoT]
    
    Agent[AI Agent / KI-Agent] --> Task[Aufgabenerledigung]
    Agent --> Tools[Tool Use / Function Calling]
    Agent --> MCP[Model Context Protocol]
    
    Reason[Reasoning Modelle] --> Think[Schrittweises Denken]

graph LR
    CV[Computer Vision] --> Obj[Objekterkennung]
    CV --> Diff[Diffusionsmodelle / Bildgenerierung]
    
    Robot[Robotik] --> Hum[Humanoide Roboter]
    Hum --> VLA[VLA-Modell / Vision-Language-Action]
    
    Lernen[Lernen] --> Imit[Imitation Learning]
    Lernen --> S2R[Sim2Real]
    
    Mech[Mechanik] --> Akt[Aktuatoren / Muskeln]
    Mech --> Prop[Propriozeption / Koerpergefuehl]

graph TD
    Law[EU AI Act] --> Risk[Risikoklassen / Kritikalitaet]
    
    Safety[KI-Sicherheit] --> Align[Alignment / Werte-Anpassung]
    Safety --> Guard[Guardrails / Schutzschichten]
    Safety --> Red[Red Teaming / Stresstests]
    Safety --> HitL[Human-in-the-Loop]
    
    Ethics[Ethik] --> Trans[Transparenz & Erklaerbare KI]
    Ethics --> Bias[Vermeidung von Bias]
    
    Media[Medien] --> C2PA[Herkunftsnachweise]
    Media --> DF[Abwehr von Deepfakes]

graph TD
    I40[Industrie 4.0] --> DZ[Digitaler Zwilling]
    
    Norm[SMART Standards] --> Machine[Maschinenlesbarkeit]
    
    Ont[Ontologien] --> KG[Knowledge Graphs]
    KG --> Triple[Semantische Tripel]
    
    Med[KI in der Medizin] --> ACI[Ambient Clinical Intelligence]
    Med --> CDSS[Entscheidungshilfe]

graph LR
    HW[Hardware] --> GPU[Grafikkarten / GPUs]
    HW --> Compute[Rechenleistung]
    
    Model[Modell-Groesse] --> Param[Parameter]
    Model --> Scaling[Scaling Laws]
    
    Opt[Optimierung] --> Chin[Chinchilla-Optimum]
    
    Eval[Bewertung] --> Perp[Perplexity / Vorhersageguete]
    Eval --> Soft[Softmax / Wahrscheinlichkeiten]

graph LR
    Input[Input Text] --> Tok[Tokenisierung / BPE]
    Tok --> Emb[Embeddings / Latent Space]
    Emb --> PE[Positional Encoding]
    
    subgraph "Transformer Block (Stacked L-times)"
        subgraph "Attention Layer"
            Att[Multi-Head Attention]
            FA[Flash Attention / O-N Speedup]
            Att --- FA
        end
        
        subgraph "Processing Layer"
            MoE[Mixture of Experts / Routing]
            Expert1[Expert 1]
            Expert2[Expert 2]
            MoE --> Expert1
            MoE --> Expert2
        end
        
        Att --> MoE
    end
    
    PE --> Att
    Expert1 --> Norm[Layer Norm / Softmax]
    Expert2 --> Norm
    
    Norm --> Logits[Logits / Wahrscheinlichkeiten]
    Logits --> NTP[Next Token Prediction]
    NTP --> Output[Inferenz Ergebnis]

graph TD
    Data[Big Data / Unlabeled Corpus] --> Pre[Pre-Training / Self-Supervised]
    Pre --> FM[Foundation Model / Base Model]
    
    FM --> SFT[Supervised Fine-Tuning]
    
    subgraph "Alignment / Value Tuning"
        RLHF[RLHF / Reward Model / PPO]
        DPO[Direct Preference Optimization]
        CAI[Constitutional AI / Rules]
    end
    
    SFT --> RLHF
    SFT --> DPO
    SFT --> CAI
    
    subgraph "Post-Processing & Efficiency"
        LoRA[LoRA / QLoRA Adapter]
        Quant[Quantisierung / 4-Bit]
    end
    
    RLHF & DPO & CAI --> LoRA
    LoRA --> Quant
    Quant --> Deploy[Production Inferenz / Agentic AI]

graph TD
    subgraph "EU AI Act Risikoklassen"
        Unacceptable[Unvertretbar / Verboten]
        High[Hoch / Zertifizierungspflicht]
        Limited[Begrenzt / Transparenzpflicht]
        Minimal[Gering / Keine Auflagen]
    end
    
    subgraph "Sicherheits-Stack (Pro)"
        InGuard[Input Guardrails / Prompt Injection Defense]
        Red[Red Teaming / Vulnerability Probing]
        HitL[Human-in-the-Loop / Validierung]
        OutGuard[Output Guardrails / PII-Filter]
    end
    
    User[User] --> InGuard
    InGuard --> LLM[Modell / Inferenz]
    LLM --> Red
    Red --> HitL
    HitL --> OutGuard
    OutGuard --> SafeOutput[Sicheres Ergebnis]
    
    High --- HitL
    Limited --- OutGuard

graph TD
    A[<b>Inakzeptables Risiko</b><br/>VERBOTEN] -->|z.B. Social Scoring| B(Hohe Hürden)
    style A fill:#ff4d4d,stroke:#333,stroke-width:2px
    
    C[<b>Hohes Risiko</b><br/>STRENGE AUFLAGEN] -->|z.B. HR-Scoring, Infrastruktur| D(Konformitätsprüfung)
    style C fill:#ffa500,stroke:#333,stroke-width:2px
    
    E[<b>Begrenztes Risiko</b><br/>TRANSPARENZ] -->|z.B. Chatbots, Deepfakes| F(Kennzeichnungspflicht)
    style E fill:#ffff00,stroke:#333,stroke-width:2px
    
    G[<b>Minimales Risiko</b><br/>FREIWILLIG] -->|z.B. Spam-Filter, Spiele| H(Keine Auflagen)
    style G fill:#90ee90,stroke:#333,stroke-width:2px

graph TD
    Goal[Zielsetzung / User Prompt] --> SP[System Prompt / Persona]
    SP --> Loop{Reasoning Loop}
    
    subgraph "Internal Processing"
        CoT[Chain-of-Thought]
        ToT[Tree of Thoughts]
        SelfCorr[Selbst-Korrektur]
    end
    
    Loop --> CoT
    CoT --> ToT
    ToT --> SelfCorr
    SelfCorr --> Loop
    
    Loop -- "Action Required" --> Tools[Function Calling / JSON]
    
    subgraph "External Ecosystem"
        MCP[Model Context Protocol]
        Web[Web Search / APIs]
        RAG[RAG / Vektor-DB]
    end
    
    Tools --> MCP
    MCP --> Web
    MCP --> RAG
    
    Web & RAG --> Obs[Observation / Feedback]
    Obs --> Loop
    
    Loop -- "Task Complete" --> Final[Final Answer / Agentic Action]

graph LR
    subgraph "Unstructured Data"
        Docs[Dokumente / PDFs] --> Chunk[Chunking / Overlap]
        Chunk --> Emb[Embedding Model]
        Emb --> VDB[Vektor-Datenbank]
    end
    
    subgraph "Structured Knowledge"
        Norms[Normen / Prosa] --> Triple[Semantische Tripel / RDF]
        Triple --> KG[Knowledge Graphs]
        KG --> Ont[Ontologien / OWL]
    end
    
    VDB --> Retrieval[Retrieval Engine]
    Ont --> Retrieval
    
    Retrieval -- "Augmentation" --> Prompt[Enhanced Prompt]
    Prompt --> LLM[LLM / Generator]
    LLM --> Fact[Faktentreue Antwort / Grounding]

graph LR
    subgraph "Fine-tuning (Gehirn-OP)"
    A[Trainingsdaten] --> B(Modell-Update)
    B --> C{Wissen fest verankert}
    end

    subgraph "RAG (Spickzettel)"
    D[Nutzerfrage] --> E{Retrieval}
    E -->|suche in| F[(Wissensdatenbank)]
    F --> G[Kontext an LLM]
    G --> H{Antwort auf Faktenbasis}
    end

mindmap
  root((<b>AI BoM</b>))
    Basis-Modell
      Llama 3
      GPT-4
    Trainingsdaten
      Unternehmens-Wiki
      Kunden-Historie
    Frameworks
      LangChain
      PyTorch
    Sicherheit
      Red Teaming
      Guardrails

flowchart LR
    Q[Komplexe Aufgabe] --> S1[Schritt 1: Analyse]
    S1 --> S2[Schritt 2: Logische Kette]
    S2 --> S3[Schritt 3: Zwischenfazit]
    S3 --> A[Präzise Antwort]
    
    style S1 fill:#f9f,stroke:#333
    style S2 fill:#f9f,stroke:#333
    style S3 fill:#f9f,stroke:#333

graph TD
    W[<b>Handeln / Weisheit</b><br/>KI optimiert Prozesse] --- K[<b>Wissen</b><br/>Vernetzung im Wissensgraph]
    K --- I[<b>Information</b><br/>Strukturierte Daten]
    I --- D[<b>Daten</b><br/>Rohfakten / Zahlen]
    
    style W fill:#4CAF50,color:white
    style K fill:#8BC34A
    style I fill:#CDDC39
    style D fill:#F4FF81

graph LR
    subgraph "Traditionell"
    A[Planung] --> B[Design]
    B --> C[Manuelles Coding]
    C --> D[Testen]
    end

    subgraph "Vibe Coding (KI-Flow)"
    E[Absicht beschreiben] --> F[KI generiert Code]
    F --> G[Prompt-Tuning]
    G --> E
    G --> H[Deployment]
    end
    
    style F fill:#e1f5fe,stroke:#01579b
    style G fill:#e1f5fe,stroke:#01579b