Glanz: aiMOOC über GPT aiMOOC Action erstellt

2026-07-06T16:29:06Z

aiMOOC über GPT aiMOOC Action erstellt

Neue Seite

{{T}}
{{BR}}
= Einleitung =

'''[[Künstliche Intelligenz|KI]] & die Kunst des Erinnerns / [[Neuronale Netze]] neu denken''' fragt danach, wie [[Künstliches neuronales Netz|künstliche neuronale Netze]] Informationen aufnehmen, behalten, verändern, vergessen und wieder abrufen. Das Thema verbindet [[Informatik]], [[Kognitionswissenschaft]], [[Neurobiologie]], [[Medienbildung]] und [[Ethik]]. Im Mittelpunkt stehen '''modularisierte neuronale Gedächtnisarchitekturen''': Also Systeme, in denen ein [[Neuronales Netz|Netz]] nicht nur aus einer großen, schwer durchschaubaren Gewichtsstruktur besteht, sondern mit klar unterscheidbaren Modulen für [[Speicher]], [[Abruf]], [[Aufmerksamkeit]], [[Schreiben]], [[Vergessen]], [[Bewertung]] und [[Kontrolle]] arbeitet.

{{#ev:youtube| https://www.youtube.com/watch?v=e6f5Pp7JgO8 |500|center}}

Der Videobeitrag dient als Impuls: Er lädt Dich ein, [[Gedächtnis]] nicht nur als menschliche Fähigkeit zu betrachten, sondern als ein technisches, kulturelles und philosophisches Problem. Was bedeutet es, wenn eine [[KI]] etwas „weiß“? Wann ist gespeichertes Wissen nur ein Muster in [[Gewicht|Gewichten]], wann ist es ein abrufbarer Eintrag in einer [[Datenbank]], und wann wird daraus eine nachvollziehbare [[Erinnerung]]?

[[Datei:Brain anatomy.svg|500px|rahmenlos|center]]

{{BR}}
= Lernziele =

Nach diesem aiMOOC kannst Du erklären, wie [[Künstliches neuronales Netz|künstliche neuronale Netze]] Informationen verarbeiten und warum der Begriff [[Gedächtnis]] in der [[KI]] vorsichtig verwendet werden muss. Du unterscheidest verschiedene Speicherformen wie '''parametrisches Gedächtnis''', '''Kontextgedächtnis''', '''externes Gedächtnis''' und '''episodisches Gedächtnis'''. Außerdem analysierst Du [[Long short-term memory|LSTM]], [[Attention]], [[Transformer]], [[Memory Network|Memory Networks]], [[Neural Turing Machine|Neural Turing Machines]], [[Differentiable Neural Computer|Differentiable Neural Computers]] und [[Retrieval Augmented Generation|Retrieval Augmented Generation]] als unterschiedliche Antworten auf die Frage, wie [[KI-System|KI-Systeme]] erinnern können.

{{BR}}
= Grundidee: Was heißt Erinnern in der KI? =

Im Alltag bedeutet [[Erinnerung]] oft, dass ein Mensch eine frühere Erfahrung bewusst wiedererlebt oder Wissen aus dem [[Langzeitgedächtnis]] abruft. In der [[KI]] ist Erinnern nüchterner: Ein System nutzt gespeicherte Informationen, um eine aktuelle Aufgabe besser zu lösen. Dabei kann die Information auf sehr unterschiedliche Weise vorliegen. Sie kann als gelernte Zahl in einem [[Gewicht]] gespeichert sein, als Text im aktuellen [[Kontextfenster]], als Eintrag in einer [[Vektordatenbank]], als Aktivierung in einem [[Rekurrentes neuronales Netz|rekurrenten Netz]] oder als strukturierter Datensatz in einem externen [[Speicher]].

Wichtig ist: Ein [[Sprachmodell]] erinnert sich nicht wie ein Mensch. Es besitzt kein biografisches Bewusstsein und keine menschliche Innenperspektive. Wenn es dennoch den Eindruck von Erinnerung erzeugt, liegt das an trainierten Mustern, aktuellen Eingaben, möglichen externen Speicherkomponenten und statistischer [[Inferenz]]. Für eine reflektierte Nutzung von [[KI]] musst Du deshalb zwischen '''scheinbarer Erinnerung''' und '''technisch organisierter Speicherung''' unterscheiden.

{{BR}}
== Vier Speicherformen in KI-Systemen ==

# [[Parametrisches Gedächtnis]]: Wissen steckt langfristig in den trainierten [[Parameter|Parametern]] eines Modells. Es ist leistungsfähig, aber schwer gezielt zu ändern.
# [[Arbeitsgedächtnis]]: Informationen liegen nur im aktuellen [[Kontextfenster]] oder in kurzfristigen Aktivierungen vor. Sie sind flexibel, aber begrenzt.
# [[Externer Speicher]]: Inhalte werden außerhalb des Modells in [[Datenbank|Datenbanken]], [[Dokument|Dokumenten]], [[Wissensgraph|Wissensgraphen]] oder [[Vektordatenbank|Vektordatenbanken]] gespeichert und bei Bedarf abgerufen.
# [[Episodisches Gedächtnis]]: Ein System speichert einzelne Ereignisse, Interaktionen oder Zustände, um später darauf Bezug zu nehmen. Dabei sind [[Datenschutz]], [[Einwilligung]] und [[Transparenz]] besonders wichtig.

{{BR}}
= Neuronale Netze als Muster-Speicher =

[[Künstliches neuronales Netz|Künstliche neuronale Netze]] bestehen aus miteinander verbundenen [[Künstliches Neuron|künstlichen Neuronen]]. Sie verarbeiten [[Eingabe|Eingaben]] über Schichten und lernen, indem ihre [[Gewicht|Gewichte]] während des [[Training|Trainings]] angepasst werden. In diesem Sinn ist jedes trainierte Netz bereits ein Speicher: Es speichert nicht einzelne Sätze wie eine Datei, sondern verteilte Muster. Diese Muster erlauben es, ähnliche Fälle zu erkennen, Vorhersagen zu treffen oder passende Ausgaben zu erzeugen.

[[Datei:MultiLayerNeuralNetwork deutsch.png|500px|rahmenlos|center]]

Ein einfaches Beispiel ist die [[Bilderkennung]]. Ein Netz speichert nicht „das eine Bild einer Katze“, sondern Merkmale, die in vielen Katzenbildern häufig vorkommen: Formen, Kanten, Texturen, Proportionen und Kontexte. Bei [[Sprachmodell|Sprachmodellen]] werden sprachliche Muster, semantische Beziehungen, Schreibweisen und statistische Zusammenhänge gespeichert. Diese Speicherform ist mächtig, aber sie erschwert Kontrolle: Man kann nicht einfach eine einzelne falsche Information löschen, ohne möglicherweise andere Fähigkeiten zu beeinflussen.

{{BR}}
== Die Kunst des Erinnerns als Metapher ==

Die historische [[Mnemotechnik]] arbeitete mit Bildern, Orten und Ordnungen. Ein [[Gedächtnispalast]] hilft, Wissen durch räumliche Struktur abrufbar zu machen. Moderne [[KI-Architektur|KI-Architekturen]] lösen ein ähnliches Problem technisch: Sie müssen relevante Informationen so organisieren, dass ein System sie später wiederfindet. Die Metapher des Gedächtnispalasts zeigt, warum reine Speicherung nicht genügt. Entscheidend sind '''Ordnung''', '''Adressierung''', '''Kontext''' und '''Abrufstrategie'''.

{{BR}}
= Biologisches Gedächtnis und technische Speicher =

Das menschliche [[Gedächtnis]] ist kein einzelner Speicherort. Es umfasst Prozesse wie [[Enkodierung]], [[Konsolidierung]], [[Abruf]] und [[Vergessen]]. Der [[Hippocampus]] spielt bei der Bildung neuer Erinnerungen eine wichtige Rolle, während langfristiges Wissen über viele [[Gehirnregion|Gehirnregionen]] verteilt ist. Diese biologische Perspektive inspiriert [[KI-Forschung]], darf aber nicht mit einer direkten Kopie des Gehirns verwechselt werden. [[Künstliches neuronales Netz|Künstliche neuronale Netze]] sind mathematische Modelle und keine biologischen Gehirne.

Technische Systeme können manches präziser als Menschen speichern, zum Beispiel große Textmengen oder exakte Vektoren. Menschen können dagegen Bedeutung, Emotion, Körpererfahrung und soziale Situation miteinander verbinden. Die Frage „Wie erinnert KI?“ führt deshalb zu einer zweiten Frage: '''Welche Art von Erinnerung wollen wir technisch nachbauen, und welche nicht?'''

{{BR}}
= Rekurrente Netze, LSTM und kontrolliertes Vergessen =

[[Rekurrentes neuronales Netz|Rekurrente neuronale Netze]] verarbeiten Sequenzen Schritt für Schritt. Sie können frühere Zustände in die aktuelle Berechnung einbeziehen und eignen sich deshalb für Sprache, Zeitreihen oder Musik. Klassische rekurrente Netze haben jedoch Schwierigkeiten, sehr lange Abhängigkeiten stabil zu behalten. Hier setzt [[Long short-term memory|LSTM]] an.

[[Long short-term memory|LSTM]] nutzt eine innere Speicherzelle und mehrere [[Gate|Gates]]. Ein [[Input Gate]] steuert, welche neue Information gespeichert wird. Ein [[Forget Gate]] bestimmt, welche Information erhalten oder gelöscht wird. Ein [[Output Gate]] legt fest, was an die nächste Berechnung weitergegeben wird. Das Besondere ist nicht, dass LSTM „menschlich erinnert“, sondern dass es Lernen über längere Zeitabstände technisch stabiler macht.

[[Datei:Long Short-Term Memory.svg|500px|rahmenlos|center]]

{{BR}}
== Merke: Vergessen ist eine Funktion, kein Fehler ==

In [[KI-System|KI-Systemen]] wird [[Vergessen]] oft als Problem beschrieben, etwa beim [[Catastrophic forgetting|katastrophalen Vergessen]], wenn neues Lernen ältere Fähigkeiten überschreibt. Gleichzeitig ist kontrolliertes Vergessen notwendig. Ein System muss veraltete, falsche, private oder irrelevante Informationen entfernen können. Eine gute Gedächtnisarchitektur braucht deshalb nicht nur starken Speicher, sondern auch '''Löschregeln''', '''Aktualisierung''', '''Priorisierung''' und '''Rechenschaftspflicht'''.

{{BR}}
= Attention und Transformer: Erinnern durch Beziehungsgewichtung =

[[Attention]] ist ein Mechanismus, mit dem ein Modell berechnet, welche Teile einer Eingabe für eine aktuelle Aufgabe besonders relevant sind. Statt alle Informationen gleich zu behandeln, verteilt das Modell Aufmerksamkeit. Im [[Transformer]] wurde diese Idee zentral: [[Self-Attention]] erlaubt es, Beziehungen zwischen vielen Positionen einer Sequenz parallel zu berechnen. Das war ein entscheidender Schritt für moderne [[Sprachmodell|Sprachmodelle]], Übersetzungssysteme und generative [[KI]].

[[Datei:Transformer, full architecture.png|500px|rahmenlos|center]]

{{#ev:youtube| https://www.youtube.com/watch?v=eMlx5fFNoYc |500|center}}

Ein [[Transformer]] besitzt kein Gedächtnis im menschlichen Sinn. Er nutzt trainierte [[Parameter]] und ein begrenztes [[Kontextfenster]]. Innerhalb dieses Kontextfensters kann [[Attention]] Verbindungen herstellen: Ein späteres Wort kann sich auf ein früheres Wort beziehen, eine Frage auf einen Textabschnitt, eine Programmzeile auf eine Definition. Für längere oder dauerhafte Erinnerung braucht es zusätzliche Mechanismen wie [[Retrieval Augmented Generation|RAG]], [[Vektordatenbank|Vektordatenbanken]], Sitzungsprotokolle oder explizite Speicherverwaltung.

{{BR}}
= Hopfield-Netze und assoziatives Gedächtnis =

[[Hopfield-Netz|Hopfield-Netze]] zeigen eine wichtige Idee: Erinnerung kann assoziativ funktionieren. Ein unvollständiges oder verrauschtes Muster kann zu einem gespeicherten Muster zurückgeführt werden. In der menschlichen Erinnerung kennst Du das aus Situationen, in denen ein Geruch, ein Ton oder ein Bild eine ganze Szene wachruft. Technisch betrachtet geht es um Zustände, Energie-Landschaften und stabile Muster.

[[Datei:Hopfield-network.svg|500px|rahmenlos|center]]

Moderne Forschungsrichtungen verbinden [[Hopfield-Netz|Hopfield-Netze]], [[Attention]] und [[Vektorraum|Vektorräume]] neu. Dadurch wird sichtbar, dass Erinnern nicht nur aus dem Speichern einzelner Daten besteht, sondern aus der Fähigkeit, Ähnlichkeit, Relevanz und Kontext zu berechnen.

{{BR}}
= Externe Speicher: Memory Networks, NTM und DNC =

Bei [[Memory Network|Memory Networks]] wird ein neuronales Modell mit einem expliziten Langzeitspeicher verbunden. Das System kann relevante Einträge lesen und für eine Antwort nutzen. [[Neural Turing Machine|Neural Turing Machines]] gehen einen Schritt weiter: Ein neuronaler Controller wird mit einem externen Speicher gekoppelt, auf den er über aufmerksame Lese- und Schreiboperationen zugreift. [[Differentiable Neural Computer|Differentiable Neural Computers]] erweitern diese Idee, indem sie strukturierte Daten, Beziehungen und Speicherbelegung stärker berücksichtigen.

Das Grundprinzip lautet: Ein [[Neuronales Netz]] entscheidet nicht mehr allein aus seinen festen [[Parameter|Parametern]], sondern arbeitet mit einem Speicher, der gelesen, beschrieben und organisiert werden kann. Dadurch entstehen Modelle, die algorithmische Aufgaben, Frage-Antwort-Situationen, Wegeplanung oder strukturierte Schlussfolgerungen besser unterstützen können. Gleichzeitig werden sie komplexer: Man muss prüfen, welche Information gespeichert wurde, wie sie adressiert wird, ob sie aktuell ist und ob sie rechtmäßig genutzt werden darf.

{{BR}}
== Module einer neuronalen Gedächtnisarchitektur ==

# [[Controller]]: Er verarbeitet Eingaben und entscheidet, welche Speicheroperation nötig ist.
# [[Adressierung]]: Sie bestimmt, wo im Speicher gelesen oder geschrieben wird, zum Beispiel über Inhalt, Position oder Ähnlichkeit.
# [[Lesekopf]]: Er ruft Informationen aus dem Speicher ab und übergibt sie an das Modell.
# [[Schreibkopf]]: Er legt neue Informationen ab oder verändert bestehende Speicherinhalte.
# [[Vergessensmechanismus]]: Er löscht, überschreibt oder schwächt Informationen, die nicht mehr genutzt werden sollen.
# [[Bewertungsmodul]]: Es prüft Relevanz, Verlässlichkeit, Aktualität und mögliche Risiken der gespeicherten Inhalte.

{{BR}}
= Retrieval Augmented Generation: Erinnern mit Dokumenten =

[[Retrieval Augmented Generation|Retrieval Augmented Generation]] verbindet generative [[KI]] mit einer externen Wissensquelle. Ein typischer Ablauf besteht aus vier Schritten: Eine Frage wird in eine [[Embedding|Vektordarstellung]] übersetzt, passende Dokumente werden in einer [[Vektordatenbank]] gesucht, relevante Textstellen werden in den [[Prompt]] eingefügt, und das Modell erzeugt daraus eine Antwort. Dadurch kann ein System aktuelles oder spezialisiertes Wissen nutzen, ohne dass alle Informationen neu in die [[Parameter]] trainiert werden müssen.

RAG ist besonders nützlich für [[Schule]], [[Studium]], [[Unternehmen]], [[Archiv|Archive]] und [[Bibliothek|Bibliotheken]]. Es hat aber Grenzen. Der Abruf kann falsche Quellen finden, wichtige Quellen übersehen oder Inhalte aus dem Kontext reißen. Deshalb braucht RAG gute [[Metadaten]], nachvollziehbare [[Quelle|Quellen]], klare [[Zitieren|Zitationen]], regelmäßige Aktualisierung und eine kritische Prüfung durch Menschen.

{{BR}}
= Modularisierung: Neuronale Netze neu denken =

Eine modularisierte Gedächtnisarchitektur zerlegt Erinnern in mehrere Funktionen. Dadurch wird ein [[KI-System]] besser analysierbar und gestaltbar. Statt alles in einem einzigen Modellgewicht zu verbergen, können Entwicklerinnen und Entwickler fragen: Wo liegt welches Wissen? Wie wird es abgerufen? Wer darf es verändern? Wann muss es gelöscht werden? Welche Quellen sind zuverlässig? Welche Speicherform ist für die Aufgabe angemessen?

Diese Sichtweise ist wichtig, weil moderne [[KI]] nicht nur aus einem Modell besteht. Ein praktisches System kann aus [[Sprachmodell]], [[Datenbank]], [[Suchmaschine]], [[Wissensgraph]], [[Nutzerprofil]], [[Feedbacksystem]], [[Sicherheitsfilter]] und [[Benutzeroberfläche]] zusammengesetzt sein. Erinnern entsteht dann als Zusammenspiel vieler Module.

{{BR}}
== Vergleich wichtiger Speicheransätze ==

{| class="wikitable"
! Speicheransatz
! Wo liegt die Information?
! Stärke
! Risiko
|-
| [[Parametrisches Gedächtnis]]
| In [[Gewicht|Gewichten]] des trainierten Modells
| Sehr schnelle Nutzung gelernter Muster
| Schwer gezielt zu korrigieren
|-
| [[Kontextfenster]]
| In der aktuellen Eingabe
| Flexibel und transparent im aktuellen Dialog
| Begrenzte Länge und keine dauerhafte Garantie
|-
| [[Vektordatenbank]]
| In extern gespeicherten [[Embedding|Embeddings]]
| Semantische Suche in großen Dokumentmengen
| Falscher oder unvollständiger Abruf möglich
|-
| [[Memory Network]]
| In explizitem Langzeitspeicher
| Kombination aus Abruf und Schlussfolgerung
| Komplexe Speichersteuerung
|-
| [[LSTM]]
| In Zellzustand und Gates
| Stabilere Sequenzverarbeitung
| Begrenzte Skalierung für sehr lange Kontexte
|-
| [[Transformer]]
| In Parametern und [[Attention]] über Kontext
| Parallele Verarbeitung und starke Sprachleistung
| Kein automatisches dauerhaftes Erinnern
|}

{{BR}}
= Ethik, Datenschutz und Verantwortung =

Wenn [[KI-System|KI-Systeme]] erinnern, entstehen neue Verantwortungsfragen. Darf ein System frühere Gespräche speichern? Wer kontrolliert diese Daten? Wie können falsche Erinnerungen korrigiert werden? Wie wird verhindert, dass sensible Informationen in einem [[Sprachmodell]] oder einem externen Speicher weiterverwendet werden? [[Datenschutz]], [[Datensparsamkeit]], [[Einwilligung]], [[Transparenz]] und [[Löschbarkeit]] sind keine Zusatzthemen, sondern Kernfragen jeder Gedächtnisarchitektur.

Ein verantwortliches System sollte offenlegen, welche Daten im aktuellen Kontext genutzt werden, welche Daten langfristig gespeichert werden, wie lange sie gespeichert bleiben und wie Nutzerinnen und Nutzer Korrektur oder Löschung verlangen können. Für Schule und Studium bedeutet das: Arbeite mit [[KI]] nie so, als wäre sie ein neutrales Gedächtnis. Prüfe Quellen, dokumentiere Entscheidungen und unterscheide zwischen [[Wissen]], [[Vermutung]] und [[Halluzination]].

{{BR}}
= Praxisbeispiel: Ein KI-Lernassistent mit Gedächtnis =

Stell Dir einen [[Lernassistent|KI-Lernassistenten]] vor, der Dich über ein Schuljahr begleitet. Er könnte speichern, welche Themen Du geübt hast, welche Fehler häufig vorkommen und welche Lernstrategien Dir helfen. Modular gedacht würde das System mehrere Speicher nutzen: Das [[Sprachmodell]] bringt allgemeines Wissen mit, das [[Kontextfenster]] enthält die aktuelle Aufgabe, eine [[Datenbank]] speichert Lernfortschritte, ein [[Retrieval]]-Modul ruft passende Materialien ab, und ein [[Datenschutz]]-Modul regelt, was gelöscht oder anonymisiert wird.

Ein solches System wäre nur dann pädagogisch sinnvoll, wenn es nicht heimlich sammelt, sondern transparent arbeitet. Du solltest sehen können, was gespeichert wurde, warum es verwendet wird und wie Du es verändern kannst. Die Kunst des Erinnerns ist also auch eine Kunst des fairen, erklärbaren und begrenzten Speicherns.

{{BR}}
= Interaktive Aufgaben =

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

{{MC}}

'''Was bedeutet parametrisches Gedächtnis in einem KI-Modell?'''
(Wissen ist in den trainierten Gewichten des Modells verteilt)
(!Wissen liegt immer als Klartextdatei vor)
(!Wissen wird ausschließlich im Arbeitsspeicher des Computers gespeichert)
(!Wissen entsteht erst nach der Ausgabe des Modells)

{{E}}
<br>

{{MC}}

'''Welche Funktion hat Attention in vielen modernen neuronalen Netzen?'''
(Attention gewichtet relevante Teile einer Eingabe)
(!Attention löscht automatisch alle falschen Daten)
(!Attention ersetzt das Training eines Modells vollständig)
(!Attention speichert jede Nutzereingabe dauerhaft)

{{E}}
<br>

{{MC}}

'''Warum ist kontrolliertes Vergessen in KI-Systemen wichtig?'''
(Veraltete oder sensible Informationen müssen gezielt entfernt werden können)
(!Ein KI-System darf niemals Informationen verlieren)
(!Vergessen bedeutet immer einen technischen Defekt)
(!Vergessen verhindert jede Form von Lernen)

{{E}}
<br>

{{MC}}

'''Welche Architektur nutzt Gates und eine Speicherzelle für längere Sequenzabhängigkeiten?'''
(LSTM)
(!Perzeptron)
(!Entscheidungsbaum)
(!Lineare Regression)

{{E}}
<br>

{{MC}}

'''Was ist ein Vorteil von Retrieval Augmented Generation?'''
(Das Modell kann externe Dokumente für eine Antwort nutzen)
(!Das Modell benötigt keine Quellenprüfung mehr)
(!Das Modell erzeugt dadurch immer fehlerfreie Antworten)
(!Das Modell vergisst automatisch alle Trainingsdaten)

{{E}}
<br>

{{MC}}

'''Was unterscheidet ein externes Gedächtnis von rein parametrischem Wissen?'''
(Externe Inhalte können getrennt vom Modell gespeichert und abgerufen werden)
(!Externe Inhalte bestehen immer aus biologischen Neuronen)
(!Externes Gedächtnis ist grundsätzlich unzuverlässig)
(!Parametrisches Wissen ist immer als Tabelle sichtbar)

{{E}}
<br>

{{MC}}

'''Welche Aussage beschreibt ein Kontextfenster am besten?'''
(Es enthält Informationen, die im aktuellen Ablauf verfügbar sind)
(!Es ist ein menschlicher Gehirnbereich)
(!Es ist immer unbegrenzt groß)
(!Es ersetzt alle Datenbanken eines Systems)

{{E}}
<br>

{{MC}}

'''Warum sind Quellenangaben bei RAG-Systemen wichtig?'''
(Sie machen den Abruf nachvollziehbar und prüfbar)
(!Sie erhöhen automatisch die Rechenleistung des Modells)
(!Sie verhindern jede Halluzination vollständig)
(!Sie machen Datenschutz überflüssig)

{{E}}
<br>

{{MC}}

'''Welche Rolle kann ein Controller in einer Gedächtnisarchitektur übernehmen?'''
(Er entscheidet über Lese- und Schreiboperationen)
(!Er ist die rechtliche Eigentümerin der Daten)
(!Er löscht den gesamten Speicher nach jeder Eingabe)
(!Er ersetzt alle Gewichte im Modell durch Bilder)

{{E}}
<br>

{{MC}}

'''Welche Aussage ist für Sprachmodelle besonders wichtig?'''
(Sie erinnern nicht menschlich, sondern nutzen technische Speichermechanismen)
(!Sie besitzen immer ein autobiografisches Bewusstsein)
(!Sie speichern jede Information exakt wie ein Foto)
(!Sie können keine externen Daten verwenden)

{{E}}
<br>

{{BR}}
== Memory ==

<div class="memo-quiz">
{|
|-
| Parametrisches Gedächtnis || Wissen in Gewichten
|-
| Kontextfenster || Kurzfristiger Arbeitsbereich
|-
| Attention || Gewichtung von Relevanz
|-
| Vektordatenbank || Semantischer Abruf
|-
| LSTM || Gates und Zellzustand
|-
| RAG || Abruf plus Generierung
|-
| Datenschutz || Kontrolle sensibler Daten
|}
{{E}}
<br>

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

<div class="lueckentext-quiz">

{| class="wikitable"
! Ordne die richtigen Begriffe zu.
! Thema
|-
| '''Parametrische Speicherung'''
| Langfristige Muster in Modellgewichten
|-
| '''Kontextspeicher'''
| Informationen im aktuellen Dialog
|-
| '''Vektorspeicher'''
| Suche nach semantischer Ähnlichkeit
|-
| '''Schreibkopf'''
| Aktualisierung eines externen Speichers
|-
| '''Vergessensmechanismus'''
| Entfernen weniger relevanter Informationen
|-
| '''Quellenprüfung'''
| Bewertung von Verlässlichkeit und Herkunft

|}
{{E}}

<br>
...
<br />

{{BR}}
== Kreuzworträtsel ==

<div class="kreuzwort-quiz">
{|
|-
| Attention || Mechanismus, der Relevanzgewichte verteilt.
|-
| Embedding || Vektordarstellung von Begriffen oder Daten.
|-
| Retrieval || Gezielter Abruf passender Informationen.
|-
| Hippocampus || Hirnstruktur, die an Gedächtnisbildung beteiligt ist.
|-
| LSTM || Rekurrente Architektur mit Gates.
|-
| Konsolidierung || Stabilisierung von Erinnerung über Zeit.
|}
{{E}}
<br>

{{BR}}
== LearningApps ==

<iframe> https://learningapps.org/index.php?s=KI+Kunst+des+Erinnerns+neuronale+Netze </iframe>

{{BR}}
== Lückentext ==

<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
In der [[Künstliche Intelligenz|Künstlichen Intelligenz]] bedeutet Erinnern die technisch organisierte Fähigkeit, Informationen zu { speichern }. Ein [[Künstliches neuronales Netz|künstliches neuronales Netz]] speichert viele Muster indirekt in seinen { Gewichten }. [[Long short-term memory|LSTM]]-Modelle nutzen Gates, um wichtige Signale im { Zellzustand } zu halten. [[Transformer]] verwenden [[Attention]], um Beziehungen im aktuellen { Kontext } zu gewichten. Bei [[Retrieval Augmented Generation]] wird ein Modell mit einem externen { Wissensspeicher } verbunden. Ein zentrales Risiko beim Weiterlernen heißt katastrophales { Vergessen }. Modularisierte Gedächtnisarchitekturen trennen Funktionen wie Lesen, Schreiben und { Aktualisieren }. Verantwortliche KI braucht transparente Regeln für { Datenschutz }.
</quiz>

<br>

{{BR}}
= Offene Aufgaben =

{{BR}}
=== Leicht ===

# [[Begriffskarte]]: Erstelle eine Begriffskarte zu [[Gedächtnis]], [[Speicher]], [[Abruf]], [[Attention]] und [[Vergessen]] und erkläre jeden Begriff in einem eigenen Beispielsatz.
# [[Alltagsvergleich]]: Vergleiche ein menschliches Erinnern mit einem [[Kontextfenster]] eines [[Sprachmodell|Sprachmodells]] und notiere drei Gemeinsamkeiten sowie drei Unterschiede.
# [[Videoimpuls]]: Schaue das eingebettete Video und formuliere fünf Fragen, die Du anschließend in der Klasse oder im Seminar diskutieren möchtest.
# [[Mini-Glossar]]: Erstelle ein Glossar mit zehn Fachbegriffen aus diesem aiMOOC und ergänze zu jedem Begriff ein eigenes Symbol oder eine Skizze.

{{BR}}
=== Standard ===

# [[Architekturdiagramm]]: Zeichne eine modulare [[KI-Architektur]] mit [[Sprachmodell]], [[Vektordatenbank]], [[Controller]], [[Retrieval]] und [[Datenschutz]] und beschreibe die Datenflüsse.
# [[Quellenanalyse]]: Wähle drei Texte zu einem Thema und entwirf ein kleines [[Retrieval Augmented Generation|RAG]]-Konzept, das erklärt, wie ein Lernassistent daraus Antworten erzeugen könnte.
# [[Fehleranalyse]]: Entwickle ein Beispiel, in dem ein KI-System eine falsche Erinnerung erzeugt, und erkläre, ob der Fehler im [[Training]], im [[Kontext]], im [[Retrieval]] oder in der [[Ausgabe]] liegt.
# [[Lernjournal]]: Führe eine Woche lang ein Lernjournal darüber, wann Du selbst Informationen speicherst, vergisst oder wiederfindest, und übertrage die Beobachtungen auf [[KI-System|KI-Systeme]].

{{BR}}
=== Schwer ===

# [[Prototyp]]: Plane einen datenschutzfreundlichen [[KI-Lernassistent|KI-Lernassistenten]] mit Gedächtnis und formuliere Regeln für Speicherung, Einsicht, Korrektur und Löschung.
# [[Debatte]]: Bereite eine Pro-und-Contra-Debatte zur Frage vor, ob KI-Systeme langfristige Nutzerprofile speichern dürfen, wenn dadurch Lernen personalisiert wird.
# [[Forschungsvergleich]]: Vergleiche [[Long short-term memory|LSTM]], [[Transformer]], [[Memory Network|Memory Networks]] und [[Retrieval Augmented Generation|RAG]] hinsichtlich Speicherort, Abrufmechanismus und Kontrollierbarkeit.
# [[Kritischer Essay]]: Schreibe einen Essay zur These: „Die Zukunft der KI entscheidet sich nicht nur an größeren Modellen, sondern an besseren Gedächtnisarchitekturen.“

{{:Offene Aufgabe - MOOC erstellen}}

{{BR}}
= Lernkontrolle =

# [[Transferaufgabe]]: Entwirf für eine Bibliothek ein KI-System, das historische Dokumente durchsucht, und begründe, welche Speicherformen Du kombinieren würdest.
# [[Fallanalyse]]: Ein Lernassistent verwechselt alte und neue Informationen über eine Schülerin. Analysiere, welche Module der Gedächtnisarchitektur versagt haben könnten.
# [[Modellkritik]]: Erkläre, warum ein größeres [[Kontextfenster]] nicht automatisch ein verantwortliches Langzeitgedächtnis ersetzt.
# [[Ethikentscheidung]]: Formuliere Regeln für ein System, das Lernfortschritte speichert, aber sensible persönliche Daten schützen muss.
# [[Architekturvergleich]]: Vergleiche ein rein parametrisches Modell mit einem RAG-System und bewerte, welches System für aktuelle Fachinformationen geeigneter ist.
# [[Kreativtransfer]]: Übertrage die Idee des [[Gedächtnispalast|Gedächtnispalasts]] auf eine KI-Anwendung und erkläre, welche technischen Module den „Räumen“ entsprechen könnten.

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

Für einen gelungenen [[Lernnachweis]] zeigst Du, dass Du nicht nur Fachbegriffe wiedergeben kannst, sondern Zusammenhänge erkennst und auf neue Situationen überträgst.
# [[Fachverständnis]]: Du erklärst mindestens vier Speicherformen in [[KI-System|KI-Systemen]] mit eigenen Beispielen.
# [[Systemanalyse]]: Du beschreibst eine modulare Gedächtnisarchitektur mit Speicher-, Abruf-, Bewertungs- und Löschmechanismen.
# [[Transfer]]: Du wendest das Konzept auf ein eigenes Szenario an, zum Beispiel [[Schule]], [[Archiv]], [[Medizin]], [[Journalismus]] oder [[Unternehmen]].
# [[Kritikfähigkeit]]: Du benennst Risiken wie [[Halluzination]], [[Bias]], [[Datenschutzverletzung]] und [[katastrophales Vergessen]].
# [[Gestaltungskompetenz]]: Du entwickelst Regeln, wie ein KI-System transparent, korrigierbar und verantwortungsvoll erinnern soll.
# [[Dokumentation]]: Du belegst Deine Aussagen mit nachvollziehbaren Quellen, Skizzen, Beispielen oder einem Prototyp.

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

<iframe> https://de.m.wikipedia.org/wiki/K%C3%BCnstliches_neuronales_Netz </iframe>

<iframe> https://de.m.wikipedia.org/wiki/Ged%C3%A4chtnis </iframe>

<iframe> https://de.m.wikipedia.org/wiki/Long_short-term_memory </iframe>

<iframe> https://de.m.wikipedia.org/wiki/Transformer_%28Maschinelles_Lernen%29 </iframe>

{{BR}}
= Links =

{| align=center
{{:D-Tab}}
'''[[KI und die Kunst des Erinnerns]]'''
# [[Künstliche Intelligenz]]
# [[Künstliches neuronales Netz]]
# [[Neuronales Netz]]
# [[Deep Learning]]
# [[Gedächtnis]]
# [[Kognitionswissenschaft]]
# [[Long short-term memory]]
# [[Rekurrentes neuronales Netz]]
# [[Attention]]
# [[Transformer]]
# [[Memory Network]]
# [[Neural Turing Machine]]
# [[Differentiable Neural Computer]]
# [[Retrieval Augmented Generation]]
# [[Vektordatenbank]]
# [[Wissensgraph]]
# [[Datenschutz]]
# [[Medienbildung]]
# [[Ethik der Künstlichen Intelligenz]]
|}

[[Kategorie:Künstliche Intelligenz]]
[[Kategorie:Informatik]]
[[Kategorie:Medienbildung]]
[[Kategorie:Ethik]]
[[Kategorie:Kognitionswissenschaft]]
[[Kategorie:Digitale Bildung]]
[[Kategorie:Klasse 11-13]]
[[Kategorie:Studium]]
[[Kategorie:aiMOOC]]

{{BR}}
= aiMOOC-Projekte =
[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]]
{{MT}}

KI und die Kunst des Erinnerns - Versionsgeschichte

Glanz: aiMOOC über GPT aiMOOC Action erstellt