Glanz: aiMOOC über GPT aiMOOC Action erstellt

2026-06-30T10:55:23Z

aiMOOC über GPT aiMOOC Action erstellt

Neue Seite

{{T}}
[[Datei:Groq logo.svg|500px|rahmenlos|center]]

{{BR}}
= Einleitung =

'''Groq''' ist ein US-amerikanisches [[Technologieunternehmen]], das sich auf besonders schnelle [[Künstliche Intelligenz|KI]]-[[Inferenz]] spezialisiert hat. Im Mittelpunkt stehen die von Groq entwickelte [[Language Processing Unit|LPU]] und die Plattform [[GroqCloud]], über die Entwicklerinnen und Entwickler [[Large Language Model|Sprachmodelle]] und andere [[KI-Modell|KI-Modelle]] per [[API]] nutzen können. Dieser aiMOOC erklärt Dir, was Groq ist, wie sich [[Inferenz]] von [[Training (Künstliche Intelligenz)|Training]] unterscheidet, warum [[Latenz]] für moderne KI-Anwendungen so wichtig ist und welche Chancen, Grenzen und Fragen mit spezialisierter [[KI-Hardware]] verbunden sind.

Groq darf nicht mit '''Grok''' verwechselt werden, dem [[Chatbot]] von [[xAI]]. '''Groq''' mit q bezeichnet hier ein Unternehmen und eine technische Plattform für schnelle KI-Inferenz. Das Thema ist für [[Informatik]], [[Technik]], [[Wirtschaft]], [[Medienbildung]] und [[Berufsorientierung]] relevant, weil es zeigt, wie eng [[Software]], [[Halbleitertechnik]], [[Cloud Computing]], [[Datenzentrum|Rechenzentren]], [[Energieeffizienz]] und [[Künstliche Intelligenz]] zusammenhängen.

[[Datei:LPU-v1-die.jpg|500px|rahmenlos|center]]

{{BR}}
= Lernziele =

Nach diesem aiMOOC kannst Du erklären, was [[Groq]] ist und warum [[Inferenz]] ein zentraler Teil moderner [[KI-Anwendung|KI-Anwendungen]] ist. Du kannst den Unterschied zwischen [[CPU]], [[GPU]], [[TPU]] und [[LPU]] beschreiben, Chancen und Grenzen spezialisierter [[ASIC|Spezialchips]] beurteilen und eigene Ideen entwickeln, wie schnelle [[API|KI-APIs]] in Schule, Ausbildung, Studium oder Beruf sinnvoll, sicher und verantwortungsvoll genutzt werden können.

{{BR}}
= Grundwissen: Was ist Groq? =

'''Groq, Inc.''' wurde 2016 gegründet und ist auf Hardware und Cloud-Infrastruktur für [[KI-Inferenz]] ausgerichtet. Die technische Grundidee lautet: Für viele KI-Anwendungen ist nicht nur entscheidend, wie leistungsfähig ein Modell ist, sondern auch, wie schnell, zuverlässig und bezahlbar es auf neue Eingaben antwortet. Genau diese Phase nennt man [[Inferenz]]. Wenn Du einem [[Chatbot]] eine Frage stellst, ein System gesprochene Sprache in Text umwandelt oder eine Anwendung eine Zusammenfassung erstellt, wird ein bereits trainiertes Modell auf neue Daten angewendet.

Groq stellt dafür keine allgemeine [[CPU]] und auch keine klassische [[GPU]] in den Mittelpunkt, sondern eine spezialisierte [[Language Processing Unit]]. Solche Spezialisierung ist ein Beispiel für [[Hardware-Software-Co-Design]]: Die [[Hardware]] wird so entworfen, dass sie besonders gut zu bestimmten [[Algorithmus|Algorithmen]], Datenflüssen und [[Compiler|Compiler-Entscheidungen]] passt. Für Lernende ist daran interessant, dass technische Innovation nicht nur aus einer besseren App entsteht, sondern oft aus dem Zusammenspiel von [[Chipdesign]], [[Mathematik]], [[Programmiersprache|Programmierung]], [[Netzwerktechnik]] und [[Geschäftsmodell]].

{{BR}}
== Kurzer Steckbrief ==

# [[Unternehmen]]: '''Groq, Inc.''' ist ein US-amerikanisches Unternehmen im Bereich [[Künstliche Intelligenz]], [[Halbleiter]] und [[Cloud Computing]].
# [[Gründung]]: Groq wurde 2016 gegründet.
# [[Gründer]]: Als Gründer gilt [[Jonathan Ross]], der zuvor an [[Google]]s [[Tensor Processing Unit]] beteiligt war.
# [[Produktidee]]: Die [[Language Processing Unit]] ist auf schnelle [[KI-Inferenz]] ausgerichtet.
# [[Plattform]]: [[GroqCloud]] bietet einen Cloud-Zugang zu Modellen und Diensten über eine [[API]].
# [[Einordnung]]: Groq steht beispielhaft für den Trend zu spezialisierter [[KI-Infrastruktur]] für Echtzeit-Anwendungen.

{{BR}}
== Warum ist Inferenz so wichtig? ==

Beim [[Training (Künstliche Intelligenz)|Training]] lernt ein Modell aus großen Datenmengen Muster, Zusammenhänge und Wahrscheinlichkeiten. Bei der [[Inferenz]] wird dieses gelernte Wissen auf neue Eingaben angewendet. In vielen Alltagsanwendungen findet Inferenz ständig statt: Ein Sprachassistent versteht eine Frage, ein Übersetzungssystem überträgt einen Satz, ein Bildklassifikator erkennt ein Objekt oder ein [[Large Language Model]] erzeugt eine Antwort.

Für Nutzerinnen und Nutzer zählt dabei die erlebte Geschwindigkeit. Eine Antwort, die nach wenigen Zehntelsekunden beginnt, fühlt sich anders an als eine Antwort, auf die man mehrere Sekunden wartet. Deshalb ist [[Latenz]] eine zentrale Kenngröße. Ebenso wichtig sind [[Durchsatz]], [[Kosten]], [[Verfügbarkeit]], [[Datenschutz]], [[Energieeffizienz]] und die Qualität der Modellantwort. Groq positioniert sich besonders im Bereich schneller, planbarer und skalierbarer Inferenz.

{{BR}}
== Training und Inferenz im Vergleich ==

{| class="wikitable"
! Bereich
! Training
! Inferenz
|-
| Ziel
| Ein [[KI-Modell]] lernt aus Daten.
| Ein trainiertes Modell reagiert auf neue Eingaben.
|-
| Typische Aufgabe
| [[Gewicht]]e und Parameter werden angepasst.
| Texte, Bilder, Audio oder Entscheidungen werden erzeugt.
|-
| Rechenbedarf
| Sehr hoch und oft über lange Zeiträume.
| Sehr häufig, oft in Echtzeit und für viele Nutzer gleichzeitig.
|-
| Beispiel
| Ein Sprachmodell wird mit Textkorpora trainiert.
| Ein Chatbot beantwortet eine konkrete Frage.
|-
| Zentrale Frage
| Wie lernt das Modell gute Muster?
| Wie antwortet das Modell schnell, zuverlässig und günstig?
|}

{{BR}}
= Die LPU: Language Processing Unit =

Die [[Language Processing Unit]] ist ein spezialisierter [[KI-Beschleuniger]]. Während [[Grafikprozessor|GPUs]] ursprünglich für parallele Grafikberechnungen entwickelt wurden und später für viele KI-Aufgaben angepasst wurden, ist die LPU auf bestimmte Inferenz-Workloads ausgerichtet. Groq beschreibt dabei eine Architektur mit stark planbarer Ausführung, schnellem On-Chip-Speicher und einem [[Compiler]], der Abläufe im Voraus koordiniert.

Wichtig ist: Eine LPU ist nicht automatisch in jeder Situation besser als eine GPU. [[GPU|GPUs]] sind sehr flexibel und dominieren viele Bereiche des [[Maschinelles Lernen|maschinellen Lernens]], besonders beim Training großer Modelle. Eine spezialisierte Architektur kann jedoch in bestimmten Inferenz-Szenarien Vorteile bei [[Latenz]], [[Durchsatz]] oder [[Energieeffizienz]] bieten. Genau hier liegt die didaktisch spannende Frage: Wann lohnt sich Spezialisierung, und wann ist Flexibilität wichtiger?

{{BR}}
== Technische Grundideen der LPU ==

# [[SRAM]]: Schneller Speicher nahe an den Recheneinheiten kann Datenbewegungen verringern und damit Latenz senken.
# [[Determinismus]]: Planbare Ausführung bedeutet, dass Abläufe weniger zufällig von Caches, Warteschlangen oder dynamischen Entscheidungen abhängen.
# [[Compiler]]: Ein spezieller Compiler plant, wann Daten verarbeitet und zwischen Einheiten verschoben werden.
# [[Tensor]]: KI-Modelle arbeiten mit großen Zahlenfeldern, sogenannten Tensoren, die effizient verarbeitet werden müssen.
# [[Skalierung]]: Mehrere Chips können verbunden werden, damit größere Modelle und höhere Lasten verarbeitet werden können.

{{BR}}
== CPU, GPU, TPU und LPU im Überblick ==

{| class="wikitable"
! Abkürzung
! Bedeutung
! Typische Stärke
! Beispielhafte Einordnung
|-
| [[CPU]]
| Central Processing Unit
| Vielseitige Steuerung und allgemeine Programme
| Betriebssysteme, klassische Anwendungen, Logik
|-
| [[GPU]]
| Graphics Processing Unit
| Massiv parallele Berechnungen
| Grafik, Training und Inferenz vieler KI-Modelle
|-
| [[TPU]]
| Tensor Processing Unit
| Beschleunigung von Tensoroperationen
| Spezialisierte KI-Beschleunigung
|-
| [[LPU]]
| Language Processing Unit
| Schnelle und planbare Inferenz
| Echtzeitnahe Sprachmodell-Anwendungen
|}

[[Datei:Jonathan Ross at World Economic Forum Annual Meeting 2025.png|300px|rahmenlos|center]]

{{BR}}
= GroqCloud und API-Nutzung =

[[GroqCloud]] ist die Cloud-Plattform, über die Entwicklerinnen und Entwickler Modelle mit Hilfe einer [[API]] ansprechen können. Eine API ist eine Schnittstelle, über die Programme Dienste nutzen. Statt ein großes Modell selbst in einem eigenen [[Rechenzentrum]] zu betreiben, kann eine Anwendung eine Anfrage an eine Cloud-Plattform senden und die Antwort weiterverarbeiten.

Aus didaktischer Sicht ist das ein guter Anlass, über [[Cloud Computing]] zu sprechen. Cloud-Dienste können Entwicklung beschleunigen, senken aber nicht automatisch alle Risiken. Wer eine externe KI-API nutzt, muss klären, welche Daten übertragen werden, welche [[Datenschutz]]regeln gelten, wie Kosten entstehen, wie [[Rate Limit|Nutzungsgrenzen]] funktionieren und wie Ausfälle abgefangen werden. Besonders wichtig ist: Ein [[API-Schlüssel]] darf niemals öffentlich in Quellcode, Screenshots, Repositorien oder Lernmaterialien geteilt werden.

{{#ev:youtube| https://www.youtube.com/watch?v=RbJBXcF3W80 |500|center}}

{{BR}}
== Typische Einsatzmöglichkeiten ==

# [[Chatbot]]: Eine Anwendung beantwortet Fragen in natürlicher Sprache.
# [[Retrieval Augmented Generation]]: Ein Modell kombiniert eine Nutzerfrage mit gefundenen Dokumenten.
# [[Spracherkennung]]: Audiodaten werden in Text übertragen.
# [[Zusammenfassung]]: Lange Texte werden verdichtet.
# [[Programmieren]]: Ein Assistent erklärt Code, schlägt Tests vor oder hilft bei Fehlersuche.
# [[Kundenservice]]: Häufige Fragen werden automatisch vorstrukturiert.
# [[Bildklassifikation]]: Modelle ordnen Bilder Kategorien zu, sofern passende Modelltypen genutzt werden.

{{BR}}
= Wirtschaftliche und gesellschaftliche Bedeutung =

Groq steht für einen größeren Trend: Je mehr [[Künstliche Intelligenz]] in Alltagsanwendungen eingebaut wird, desto wichtiger wird die Infrastruktur, die diese Modelle schnell und zuverlässig ausführt. Der Wettbewerb betrifft nicht nur einzelne Chatbots, sondern auch [[Cloud Computing]], [[Halbleiterindustrie]], [[Datenzentrum|Rechenzentren]], [[Energieversorgung]], [[Investition]]en und [[Regulierung]].

Im Dezember 2025 gaben Groq und [[Nvidia]] eine nicht-exklusive Lizenzvereinbarung für Groqs Inferenztechnologie bekannt. Groq erklärte, dass das Unternehmen unabhängig weiterarbeiten und [[GroqCloud]] weiterbetrieben werden solle. Solche Vereinbarungen zeigen, wie wertvoll technisches Know-how und erfahrene Teams im KI-Sektor geworden sind. Sie werfen aber auch Fragen auf: Wie viel Wettbewerb bleibt erhalten? Welche Rolle spielen große Plattformunternehmen? Wer kontrolliert die Infrastruktur, auf der KI-Anwendungen laufen?

Im Juni 2026 kündigte Groq weiteres Wachstumskapital an und stellte eine neue Führungsstruktur vor. Für diesen aiMOOC ist daran nicht die Finanznachricht an sich entscheidend, sondern die Strukturfrage: KI ist nicht nur Software. Hinter jeder schnellen Antwort stehen Chips, Strom, Kühlung, Netzwerke, Datenzentren, Lieferketten, Investitionen und politische Rahmenbedingungen.

{{BR}}
== Chancen ==

# [[Geschwindigkeit]]: Schnellere Antworten können interaktive Anwendungen natürlicher wirken lassen.
# [[Kosten]]: Effizientere Inferenz kann Dienste für mehr Menschen und Organisationen zugänglich machen.
# [[Innovation]]: Spezialisierte Hardware kann neue Anwendungen ermöglichen, etwa Sprachdialoge mit sehr geringer Wartezeit.
# [[Wettbewerb]]: Neue Anbieter können etablierte Märkte herausfordern.
# [[Forschung]]: Neue Architekturen regen Debatten über effizientes Rechnen an.

{{BR}}
== Grenzen und Risiken ==

# [[Abhängigkeit]]: Wer eine externe Cloud-API nutzt, hängt von Preisen, Verfügbarkeit und Regeln des Anbieters ab.
# [[Datenschutz]]: Eingaben können sensible Informationen enthalten und müssen sorgfältig behandelt werden.
# [[Lock-in-Effekt]]: Anwendungen können stark an eine Plattform gebunden werden.
# [[Energiebedarf]]: Auch effiziente KI-Inferenz benötigt Strom, Kühlung und Infrastruktur.
# [[Qualitätssicherung]]: Schnelle Antworten sind nicht automatisch richtige, faire oder hilfreiche Antworten.
# [[Marktmacht]]: Lizenzabkommen und Talentübernahmen können Wettbewerb und Innovationspfade beeinflussen.

{{BR}}
= Groq im Kontext der KI-Infrastruktur =

Moderne [[KI-Infrastruktur]] besteht aus mehreren Schichten. Ganz unten stehen [[Halbleiter]], Leiterplatten, Speicher und Netzwerke. Darüber liegen Server, Racks, Rechenzentren, Kühlung und Stromversorgung. Auf der nächsten Ebene arbeiten [[Betriebssystem]], [[Compiler]], [[Treiber]], Modellserver und Monitoring. Erst ganz oben sehen Nutzerinnen und Nutzer Anwendungen wie Chatbots, Suchsysteme, Übersetzer oder Agenten.

Groq ist deshalb ein gutes Beispiel für das Denken in [[Systemarchitektur]]. Eine gute KI-Anwendung entsteht nicht nur durch ein starkes Modell. Sie braucht auch eine passende Infrastruktur, sichere Datenflüsse, sinnvolles Prompting, transparente Kostenkontrolle, Tests, Monitoring und verantwortungsvolle Nutzung.

{{#ev:youtube| https://www.youtube.com/watch?v=xBMRL_7msjY |500|center}}

{{BR}}
= Praxisbezug: Wie würdest Du Groq nutzen? =

Stell Dir vor, Deine Schule, Dein Ausbildungsbetrieb oder Deine Hochschule möchte einen KI-Assistenten entwickeln. Eine schnelle Inferenzplattform könnte helfen, Fragen zu Lernmaterialien zu beantworten, Zusammenfassungen zu erzeugen oder Programmierübungen zu begleiten. Bevor ein solches Projekt startet, sollten jedoch zentrale Fragen geklärt werden: Welche Daten dürfen verarbeitet werden? Welche Aufgaben soll die KI nicht übernehmen? Wie werden falsche Antworten erkannt? Wer trägt Verantwortung? Wie werden Kosten kontrolliert? Wie können Lernende verstehen, was im Hintergrund passiert?

Ein guter Lernansatz ist daher nicht nur das Ausprobieren einer schnellen API, sondern auch das Erstellen eines [[Anforderungskatalog]]s. Darin legst Du fest, welche Ziele, Grenzen, Qualitätskriterien und Datenschutzregeln gelten. Dadurch lernst Du, technische Möglichkeiten mit ethischen, rechtlichen und organisatorischen Anforderungen zu verbinden.

{{BR}}
= Interaktive Aufgaben =

{{BR}}
== Quiz: Teste Dein Wissen ==

{{MC}}
'''Worauf spezialisiert sich Groq besonders?'''
(KI Inferenz mit spezialisierter Hardware)
(!Soziale Netzwerke für Kurzvideos)
(!Betriebssysteme für Smartphones)
(!Drucker und Bürogeräte)
{{E}}
<br>

{{MC}}
'''Wofür steht LPU im Zusammenhang mit Groq?'''
(Language Processing Unit)
(!Local Power Utility)
(!Learning Program Unit)
(!Logic Planning User)
{{E}}
<br>

{{MC}}
'''Was bedeutet Inferenz bei einem KI Modell?'''
(Anwendung eines trainierten Modells auf neue Eingaben)
(!Sammeln aller Trainingsdaten im Internet)
(!Löschen der Modellparameter)
(!Herstellung eines Computerchips)
{{E}}
<br>

{{MC}}
'''In welchem Jahr wurde Groq gegründet?'''
(2016)
(!2006)
(!2020)
(!1998)
{{E}}
<br>

{{MC}}
'''Welche Person gilt als Gründer von Groq?'''
(Jonathan Ross)
(!Alan Turing)
(!Tim Berners Lee)
(!Ada Lovelace)
{{E}}
<br>

{{MC}}
'''Was ist GroqCloud?'''
(Eine Cloudplattform für KI Inferenz)
(!Ein soziales Netzwerk für Fotos)
(!Ein Dateiformat für Audiodaten)
(!Ein Betriebssystem für Laptops)
{{E}}
<br>

{{MC}}
'''Warum ist geringe Latenz bei Chatbots wichtig?'''
(Antworten wirken schneller und natürlicher)
(!Modelle benötigen dann keine Daten)
(!Datenschutz wird automatisch gelöst)
(!Jede Antwort wird dadurch garantiert richtig)
{{E}}
<br>

{{MC}}
'''Welche Aussage beschreibt eine API am besten?'''
(Eine Schnittstelle zwischen Programmen)
(!Ein Bildschirm für Grafikdesign)
(!Ein Kabel für Stromversorgung)
(!Ein Gesetz für Urheberrecht)
{{E}}
<br>

{{MC}}
'''Welche Aussage ist beim Umgang mit API Schlüsseln richtig?'''
(API Schlüssel geheim halten)
(!API Schlüssel in öffentliche Repositorien schreiben)
(!API Schlüssel in Screenshots teilen)
(!API Schlüssel als Quizantwort veröffentlichen)
{{E}}
<br>

{{MC}}
'''Welche Aussage zu schneller KI Inferenz ist richtig?'''
(Sie ersetzt keine Qualitätsprüfung)
(!Sie macht alle Antworten automatisch wahr)
(!Sie macht Datenschutz überflüssig)
(!Sie verhindert jede Form von Fehlern)
{{E}}
<br>

{{BR}}
== Memory ==

<div class="memo-quiz">
{|
|-
| Inferenz || Anwendung eines trainierten Modells
|-
| LPU || Prozessor für Sprachmodell-Inferenz
|-
| GroqCloud || Plattform für API-Zugriff
|-
| SRAM || schneller On-Chip-Speicher
|-
| Latenz || Wartezeit bis zur Antwort
|-
| Compiler || Übersetzer für Maschinenbefehle
|-
| Token || Texteinheit für Modelle
|-
| ASIC || Spezialchip für bestimmte Aufgaben
|}
{{E}}
<br>

{{BR}}
== Drag and Drop ==

<div class="lueckentext-quiz">

{| class="wikitable"
! Ordne die richtigen Begriffe zu.
! Thema
|-
| '''Training'''
| Modell lernt Muster aus Daten
|-
| '''Inferenz'''
| Modell antwortet auf neue Eingaben
|-
| '''Tokenisierung'''
| Text wird in Einheiten zerlegt
|-
| '''Prompting'''
| Anfrage wird gezielt formuliert
|-
| '''Ausgabeprüfung'''
| Antwort wird kritisch bewertet

|}
{{E}}

<br>
<br />

{{BR}}
== Kreuzworträtsel ==

<div class="kreuzwort-quiz">
{|
|-
| Inferenz || Wie heißt die Anwendung eines trainierten Modells auf neue Eingaben?
|-
| Latenz || Wie heißt die Wartezeit bis zur Antwort eines Systems?
|-
| Compiler || Welches Werkzeug übersetzt und plant Programme für Hardware?
|-
| Token || Wie heißt eine Texteinheit, die ein Sprachmodell verarbeitet?
|-
| ASIC || Wie nennt man einen Spezialchip für bestimmte Aufgaben?
|-
| Cloud || Wo werden API Dienste häufig über das Internet bereitgestellt?
|}
{{E}}
<br>

{{BR}}
== LearningApps ==

<iframe> https://learningapps.org/index.php?s=Groq </iframe>

{{BR}}
== Lückentext ==

<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
Groq ist ein Unternehmen, das sich besonders auf schnelle { Inferenz } für KI Anwendungen konzentriert. Die Abkürzung LPU steht für { Language Processing Unit }. Bei der Inferenz wird ein bereits { trainiertes } Modell auf neue Eingaben angewendet. Eine niedrige { Latenz } ist wichtig, damit Dialoge mit KI Systemen flüssig wirken. Über GroqCloud können Anwendungen Modelle per { API } ansprechen. Ein API Schlüssel muss aus Sicherheitsgründen { geheim } bleiben. Schnelle Antworten ersetzen keine fachliche { Prüfung }, weil KI Modelle Fehler machen können. Groq zeigt, dass moderne KI nicht nur aus Software, sondern auch aus { Infrastruktur } besteht.
</quiz>

<br>

{{BR}}
= Offene Aufgaben =

{{BR}}
=== Leicht ===
# [[Begriffskarte Groq]]: Erstelle eine Karte mit den wichtigsten Begriffen Groq, LPU, Inferenz, API, Token und Latenz. Formuliere jeden Begriff in eigenen Worten.
# [[Alltagsbeispiele Inferenz]]: Sammle fünf Beispiele aus Deinem Alltag, bei denen ein trainiertes KI Modell auf neue Eingaben reagiert. Erkläre jeweils, warum es Inferenz ist.
# [[Groq oder Grok]]: Gestalte ein kurzes Infoblatt, das Groq mit q und Grok mit k unterscheidet. Achte auf sachliche Sprache und überprüfbare Aussagen.
# [[API Sicherheit]]: Entwirf ein Warnplakat für Lernende, das erklärt, warum API Schlüssel geheim bleiben müssen.

{{BR}}
=== Standard ===
# [[Vergleich CPU GPU LPU]]: Erstelle eine Vergleichstabelle zu CPU, GPU, TPU und LPU. Ergänze je ein Beispiel, eine Stärke und eine Grenze.
# [[Latenz Experiment]]: Miss bei verschiedenen KI Anwendungen, wie lange die erste Antwort ungefähr dauert. Beschreibe, wie sich Wartezeit auf Deine Nutzung auswirkt.
# [[Anforderungskatalog KI Assistent]]: Entwickle zehn Anforderungen für einen schulischen KI Assistenten, der schnell, sicher und hilfreich sein soll.
# [[Kosten und Nutzen]]: Recherchiere ein fiktives Nutzungsszenario und überlege, welche Kostenarten bei einer Cloud API entstehen können.

{{BR}}
=== Schwer ===
# [[Systemarchitektur GroqCloud]]: Zeichne eine Systemskizze vom Nutzerprompt bis zur Modellantwort. Markiere Client, API, Modellserver, LPU, Monitoring und Ausgabeprüfung.
# [[Ethik der Inferenz]]: Schreibe eine Stellungnahme zur Frage, ob sehr schnelle KI Antworten das kritische Denken stärken oder schwächen können.
# [[Marktmacht KI Infrastruktur]]: Analysiere, warum Lizenzvereinbarungen zwischen großen Chipunternehmen und spezialisierten Startups gesellschaftlich relevant sein können.
# [[Prototyp Konzept]]: Plane einen kleinen KI Dienst für ein Lernproblem. Beschreibe Zielgruppe, Daten, Datenschutz, Qualitätsprüfung, Ausfallstrategie und Grenzen.

{{:Offene Aufgabe - MOOC erstellen}}

{{BR}}
= Lernkontrolle =

# [[Transfer KI Infrastruktur]]: Erkläre an einem selbst gewählten Beispiel, warum eine KI Anwendung nicht nur aus einem Modell besteht, sondern aus einer ganzen Infrastruktur.
# [[Entscheidungsszenario]]: Eine Schule möchte einen KI Chatbot mit externer API einsetzen. Entwickle Kriterien, nach denen die Schule entscheiden sollte, ob das verantwortbar ist.
# [[Technikvergleich]]: Beurteile, in welchem Szenario eine flexible GPU sinnvoller sein könnte als ein spezialisierter Inferenzchip und wann die Spezialisierung Vorteile bringen kann.
# [[Fehleranalyse]]: Ein sehr schneller KI Assistent liefert eine falsche, aber überzeugend formulierte Antwort. Entwickle ein Verfahren, wie Nutzerinnen und Nutzer solche Risiken verringern können.
# [[Nachhaltigkeit]]: Diskutiere, warum Energieeffizienz bei KI Inferenz wichtig ist, auch wenn einzelne Anfragen für Nutzerinnen und Nutzer unsichtbar im Hintergrund verarbeitet werden.
# [[Wirtschaft und Wettbewerb]]: Erkläre, wie Investitionen, Lizenzvereinbarungen und Cloud Plattformen beeinflussen können, welche KI Werkzeuge Lernende und Unternehmen nutzen.

<br>
<br>
{{BR}}
= Lernnachweis =

Für einen überzeugenden [[Lernnachweis]] zu Groq solltest Du zeigen, dass Du nicht nur Begriffe auswendig kennst, sondern Zusammenhänge erklären und kritisch beurteilen kannst. Wichtig sind ein korrektes Verständnis von [[Inferenz]], [[Training (Künstliche Intelligenz)|Training]], [[LPU]], [[GPU]], [[API]], [[Latenz]], [[Cloud Computing]], [[Datenschutz]] und [[KI-Infrastruktur]]. Außerdem solltest Du ein eigenes Anwendungsszenario entwickeln, Chancen und Risiken abwägen, technische Entscheidungen begründen und Maßnahmen zur Qualitätssicherung formulieren können.

# [[Fachbegriffe]]: Du nutzt zentrale Begriffe korrekt und erklärst sie in eigenen Worten.
# [[Systemverständnis]]: Du beschreibst den Weg von der Nutzeranfrage bis zur Modellantwort.
# [[Kritische Bewertung]]: Du beurteilst Geschwindigkeit, Kosten, Datenschutz, Abhängigkeit und Qualität.
# [[Transferleistung]]: Du überträgst das Thema auf ein eigenes schulisches, berufliches oder gesellschaftliches Beispiel.
# [[Produkt]]: Du reichst eine Skizze, Präsentation, Analyse, Tabelle, Stellungnahme oder einen Prototyp-Plan ein.
# [[Reflexion]]: Du benennst Grenzen Deines Ergebnisses und erklärst, welche Informationen Du zusätzlich prüfen müsstest.

<br>
<br>
{{BR}}
= OERs zum Thema =

<iframe> https://en.m.wikipedia.org/wiki/Groq </iframe>

<br>

{{BR}}
= Quellen und weiterführende Informationen =

# [[GroqDocs]]: Offizielle Dokumentation zu [[GroqCloud]], [[API]] und unterstützten Modellen: https://console.groq.com/docs/overview
# [[Groq API Quickstart]]: Einstieg in die Nutzung der Groq API: https://console.groq.com/docs/quickstart
# [[Groq LPU Architektur]]: Informationen zur [[Language Processing Unit]]: https://groq.com/lpu-architecture
# [[Groq Newsroom]]: Unternehmensinformationen, Lizenzvereinbarungen und Finanzierungsmeldungen: https://groq.com/newsroom
# [[Reuters]]: Nachrichten und Einordnung zu Groq, Nvidia, Finanzierung und KI Inferenz: https://www.reuters.com/
# [[Wikimedia Commons]]: Freie Medien zu Groq, Logo und LPU: https://commons.wikimedia.org/wiki/Category:Groq

{{BR}}
= Links =

{| align=center
{{:D-Tab}}
'''[[Groq]]'''
# [[Künstliche Intelligenz]]
# [[Inferenz]]
# [[Large Language Model]]
# [[Language Processing Unit]]
# [[GroqCloud]]
# [[API]]
# [[Cloud Computing]]
# [[KI-Hardware]]
# [[Grafikprozessor]]
# [[Tensor Processing Unit]]
# [[Datenschutz]]
# [[Energieeffizienz]]
|}

[[Kategorie:Informatik]]
[[Kategorie:Künstliche Intelligenz]]
[[Kategorie:Technik]]
[[Kategorie:Cloud Computing]]
[[Kategorie:Medienbildung]]
[[Kategorie:Wirtschaft]]
[[Kategorie:Berufsbildung]]
[[Kategorie:Sekundarstufe II]]
[[Kategorie:Studium]]
{{BR}}
= aiMOOC-Projekte =
[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]]
{{MT}}

Groq - Versionsgeschichte

Glanz: aiMOOC über GPT aiMOOC Action erstellt