Glanz: aiMOOC über GPT aiMOOC Action erstellt

2026-07-06T16:29:31Z

aiMOOC über GPT aiMOOC Action erstellt

Neue Seite

{{T}}

{{BR}}
= Einleitung =

'''On-Chip-Lernen''' bedeutet, dass ein [[Künstliche Intelligenz|KI]]-System nicht nur fertige Entscheidungen auf einem Gerät ausführt, sondern seine [[Parameter]], [[Gewichtung|Gewichte]] oder [[Synapse|synaptischen Verbindungen]] direkt auf dem [[Mikrochip]] anpassen kann. Das ist eine grundlegende Verschiebung gegenüber vielen heutigen [[Deep Learning|Deep-Learning]]-Systemen: Dort wird ein [[Neuronales Netz|neuronales Netz]] häufig in großen [[Rechenzentrum|Rechenzentren]] trainiert und anschließend als weitgehend unveränderliches Modell auf einem Gerät ausgeführt. Beim On-Chip-Lernen rückt das Lernen näher an den Ort, an dem Daten entstehen: an [[Sensor|Sensoren]], [[Roboter]], [[Wearable|Wearables]], [[Industrie 4.0|Industrieanlagen]], [[Fahrzeug|Fahrzeuge]] oder andere [[Edge Computing|Edge]]-Systeme.

{{#ev:youtube|https://www.youtube.com/watch?v=ivhQo_0XGh4|500|center}}

Das Thema '''„On-Chip-Lernen: KI neu gedacht / Neuronale Netze neu denken“''' verbindet mehrere Zukunftsfelder: [[Neuromorpher Chip|neuromorphe Chips]], [[Gepulste neuronale Netze|gepulste neuronale Netze]], [[Edge AI|Edge-KI]], [[Sensorik]], [[Adaptive Systeme|Adaption]], [[Energieeffizienz]], [[Datenschutz]] und [[Menschliches Gehirn|hirninspirierte]] [[Informationsverarbeitung]]. Besonders wichtig ist dabei die Frage: Wie kann [[KI]] lernen, ohne ständig riesige Datenmengen in eine [[Cloud Computing|Cloud]] zu übertragen?

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

{{BR}}
== Warum neuronale Netze neu gedacht werden müssen ==

Klassische [[Künstliches neuronales Netz|künstliche neuronale Netze]] sind sehr leistungsfähig, benötigen aber oft viel [[Energie]], große [[Datensatz|Datensätze]] und spezialisierte [[Hardware]] wie [[Grafikprozessor|GPUs]] oder [[KI-Beschleuniger]]. Ein häufiges Grundproblem ist der Abstand zwischen [[Speicher]] und [[Prozessor]]. In der [[Von-Neumann-Architektur]] werden Daten immer wieder zwischen Speicher und Recheneinheit hin- und herbewegt. Dieser Datentransport kostet Zeit und Energie. Bei großen [[Neuronales Netz|Netzen]] kann der Datenverkehr sogar wichtiger werden als die eigentliche Rechnung.

'''Neuromorphes Rechnen''' versucht deshalb, Rechnen, Speichern und Kommunikation stärker nach dem Vorbild biologischer [[Nervensystem|Nervensysteme]] zu gestalten. Das menschliche [[Gehirn]] arbeitet massiv parallel, ereignisgesteuert, robust und energieeffizient. Es trennt [[Speicher]] und Verarbeitung nicht so streng wie klassische Computerarchitekturen. Stattdessen verändern [[Synapse|Synapsen]] ihre Stärke, wenn Erfahrungen gemacht werden. Diese Idee ist für On-Chip-Lernen zentral: Lernen soll dort stattfinden, wo Signale verarbeitet werden.

{{BR}}
== Neuromorphe Architektur ==

Ein [[Neuromorpher Chip|neuromorpher Chip]] ist ein [[Mikrochip]], dessen Aufbau sich an natürlichen [[Nervennetz|Nervennetzen]] orientiert. Er besteht häufig aus vielen kleinen, miteinander verbundenen Recheneinheiten, die künstliche [[Neuron|Neuronen]] und [[Synapse|Synapsen]] nachbilden. Anders als bei einem klassischen Prozessor wird nicht jeder Rechenschritt streng zentral getaktet. Viele neuromorphe Systeme arbeiten '''ereignisgesteuert''': Nur wenn ein relevantes Signal eintritt, wird eine Aktivität ausgelöst.

[[Datei:DARPA SyNAPSE 16 Chip Board.jpg|500px|rahmenlos|center]]

Ein bekanntes historisches Beispiel ist [[IBM TrueNorth|TrueNorth]] von [[IBM]], ein neuromorpher Prozessor mit vielen neurosynaptischen Kernen, digitalen Neuronen und Synapsen. Ein weiteres wichtiges Forschungsbeispiel ist [[Intel Loihi|Loihi]] beziehungsweise [[Intel Loihi 2|Loihi 2]], ein neuromorpher Forschungsprozessor, der [[Gepulste neuronale Netze|Spiking Neural Networks]] und Lernregeln auf der Hardware unterstützt. Solche Systeme zeigen, dass [[KI-Hardware]] nicht nur schneller rechnen, sondern anders organisiert sein kann.

{{BR}}
== Gepulste neuronale Netze: Lernen mit Zeit ==

[[Gepulste neuronale Netze]] oder [[Spiking Neural Network|Spiking Neural Networks]] sind neuronale Netze, in denen Informationen durch kurze Impulse, sogenannte [[Spike|Spikes]], übertragen werden. Ein künstliches Neuron sammelt Eingangssignale. Erst wenn ein Schwellenwert erreicht ist, sendet es selbst einen Spike weiter. Dadurch werden Zeitpunkte und Reihenfolgen von Signalen wichtig.

[[Datei:Pulsed neuron model.jpg|500px|rahmenlos|center]]

In klassischen [[Deep Learning|Deep-Learning]]-Netzen fließen meist kontinuierliche Zahlenwerte durch Schichten. In [[Gepulste neuronale Netze|SNNs]] ist die Informationsverarbeitung sparsamer: Nicht jede Verbindung ist ständig aktiv. Das kann besonders bei [[Sensorik|Sensordaten]], [[Zeitreihe|Zeitreihen]], [[Robotik]], [[Spracherkennung]], [[Anomalieerkennung]] und [[Autonomes System|autonomen Systemen]] nützlich sein, weil dort Ereignisse häufig zeitlich strukturiert auftreten.

{{BR}}
== On-Chip-Lernen statt nur On-Chip-Inferenz ==

Bei '''On-Chip-Inferenz''' führt ein Gerät ein bereits trainiertes Modell lokal aus. Das Modell erkennt zum Beispiel Gesten, Geräusche, Bewegungen oder Fehlerzustände. Bei '''On-Chip-Lernen''' geht es einen Schritt weiter: Das System passt sich während des Betriebs an neue Situationen an. Es kann zum Beispiel neue Muster lernen, Sensordrift ausgleichen, individuelle Nutzergewohnheiten berücksichtigen oder in einer veränderten Umgebung stabiler reagieren.

Diese Anpassung kann auf verschiedene Weise geschehen:
# [[Hebbsche Lernregel|Hebbsches Lernen]]: Verbindungen werden stärker, wenn beteiligte Neuronen gemeinsam aktiv sind.
# [[Spike-timing-dependent plasticity|Spike-Timing-Dependent Plasticity]]: Die zeitliche Reihenfolge von Spikes beeinflusst, ob eine Verbindung verstärkt oder abgeschwächt wird.
# [[Reinforcement Learning|Bestärkendes Lernen]]: Ein System lernt aus Rückmeldung, Belohnung oder Fehlern.
# [[Continual Learning|Kontinuierliches Lernen]]: Ein Modell lernt fortlaufend, ohne bereits Gelerntes unkontrolliert zu vergessen.
# [[Few-shot Learning|Few-Shot Learning]]: Ein System kann mit wenigen Beispielen neue Klassen oder Situationen aufnehmen.

[[Datei:Stdp biological.svg|400px|rahmenlos|center]]

{{BR}}
== Sensorik am Edge ==

On-Chip-Lernen wird besonders interessant, wenn [[KI]] direkt mit [[Sensor|Sensoren]] verbunden ist. Klassische Kameras liefern vollständige Bilder mit fester Bildrate. [[Eventkamera|Eventkameras]] oder [[Dynamic Vision Sensor|Dynamic-Vision-Sensoren]] melden dagegen nur lokale Helligkeitsänderungen. Jeder Pixel kann unabhängig reagieren. Das passt gut zu [[Gepulste neuronale Netze|SNNs]], weil beide ereignisorientiert arbeiten.

Auch andere Sensorarten sind wichtig: [[Mikrofon|Mikrofone]], [[Beschleunigungssensor|Beschleunigungssensoren]], [[Gyroskop|Gyroskope]], [[Radar]], [[Lidar]], [[Tastsensor|taktile Sensoren]], [[Biosensor|Biosensoren]] und industrielle [[Messgerät|Messgeräte]]. Wenn diese Sensoren ihre Daten direkt an einen lernfähigen Chip weitergeben, kann das System schneller reagieren und weniger Daten übertragen. Dadurch sinken [[Latenz]], [[Bandbreite|Bandbreitenbedarf]] und oft auch der [[Energieverbrauch]].

{{BR}}
== Architekturprinzipien neuromorphen On-Chip-Lernens ==

Neuromorphes On-Chip-Lernen beruht auf mehreren Prinzipien, die gemeinsam gedacht werden müssen. Erstens wird [[Parallelverarbeitung|massive Parallelität]] genutzt: Viele kleine Einheiten arbeiten gleichzeitig. Zweitens wird [[Ereignisgesteuerte Architektur|ereignisgesteuert]] gerechnet: Rechenarbeit entsteht vor allem dann, wenn neue oder relevante Signale auftreten. Drittens werden [[Speicher]] und [[Rechnen]] enger zusammengeführt, damit Gewichte nicht ständig über lange Datenwege bewegt werden müssen. Viertens werden lokale Lernregeln genutzt, damit nicht jedes Update eine zentrale Steuerung benötigt.

[[Datei:Neuron-to-neuron mesh routing model.png|500px|rahmenlos|center]]

Ein weiteres Prinzip ist die '''Hardware-Algorithmus-Koentwicklung'''. Ein Lernverfahren funktioniert nicht automatisch gut auf jedem Chip. [[Algorithmus|Algorithmen]], [[Datenstruktur|Datenstrukturen]], [[Sensorik]], [[Schaltungstechnik]] und [[Softwareframework|Softwareframeworks]] müssen zusammenpassen. On-Chip-Lernen ist deshalb nicht nur ein Thema der [[Informatik]], sondern auch der [[Elektrotechnik]], [[Physik]], [[Neurobiologie]], [[Mathematik]] und [[Ethik]].

{{BR}}
== Memristoren und künstliche Synapsen ==

Eine wichtige Forschungsrichtung sind [[Memristor|Memristoren]] und andere nichtflüchtige Speicherbauelemente. Sie können Informationen durch ihren elektrischen Widerstand speichern. Damit ähneln sie in gewisser Weise einer künstlichen [[Synapse]], deren Stärke veränderbar ist. In [[In-Memory Computing|In-Memory-Computing]]-Ansätzen wird versucht, Rechenoperationen direkt dort auszuführen, wo Gewichte gespeichert sind.

[[Datei:Artificial synapses based on FTJs.png|500px|rahmenlos|center]]

Memristive Systeme versprechen kurze Datenwege, hohe Parallelität und energieeffiziente Berechnungen. Gleichzeitig sind sie herausfordernd: Bauelemente können rauschen, altern, unterschiedlich reagieren oder schwer exakt programmierbar sein. Für On-Chip-Lernen ist das nicht nur ein Nachteil. Manche neuromorphen Ansätze nutzen [[Rauschen]] und [[Stochastik]] bewusst, weil biologische Systeme ebenfalls nicht perfekt deterministisch arbeiten und trotzdem robust lernen.

{{BR}}
== Vorteile von On-Chip-Lernen ==

On-Chip-Lernen kann viele Vorteile haben, wenn es passend eingesetzt wird. Ein [[Roboter]] kann sich an eine neue Oberfläche anpassen, ein [[Hörgerät]] kann sich auf eine individuelle Geräuschumgebung einstellen, ein industrieller Sensor kann ungewöhnliche Muster erkennen, bevor ein Schaden entsteht, und ein [[Smartphone]] kann bestimmte persönliche Muster lokal lernen, ohne sensible Rohdaten vollständig in die [[Cloud Computing|Cloud]] zu schicken.

Besonders wichtig sind:
# [[Energieeffizienz|Energieeffizienz]]: Ereignisgesteuerte Verarbeitung kann unnötige Rechenarbeit vermeiden.
# [[Latenz|Geringe Latenz]]: Entscheidungen werden direkt am Gerät getroffen.
# [[Datenschutz|Datenschutz]]: Daten können lokal bleiben.
# [[Robustheit|Robustheit]]: Systeme können sich an veränderte Umgebungen anpassen.
# [[Bandbreite|Weniger Datenübertragung]]: Nicht jedes Rohsignal muss verschickt werden.
# [[Autonomie|Autonomie]]: Geräte können auch bei schwacher Verbindung handlungsfähig bleiben.

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

On-Chip-Lernen ist kein magischer Ersatz für alle Formen von [[Maschinelles Lernen|maschinellem Lernen]]. Große [[Sprachmodell|Sprachmodelle]], umfangreiche [[Simulation|Simulationen]] oder sehr datenintensive Trainingsläufe werden weiterhin leistungsfähige Recheninfrastruktur benötigen. Neuromorphe Systeme sind besonders interessant, wenn Daten zeitlich, sensorisch, lokal und energiebegrenzt sind.

Wichtige Herausforderungen sind:
# [[Katastrophales Vergessen|Katastrophales Vergessen]]: Ein System darf neue Muster lernen, ohne wichtige alte Fähigkeiten zu verlieren.
# [[Validierung|Validierung]]: Lernende Hardware muss zuverlässig geprüft werden.
# [[Erklärbarkeit|Erklärbarkeit]]: Entscheidungen adaptiver Systeme müssen nachvollziehbar bleiben.
# [[Sicherheit|Sicherheit]]: Lernende Systeme können durch manipulierte Eingaben beeinflusst werden.
# [[Benchmark|Benchmarks]]: Neuromorphe Hardware braucht faire Vergleichsmaßstäbe.
# [[Standardisierung|Standardisierung]]: Werkzeuge und Schnittstellen müssen reifen.

{{BR}}
== Anwendungen ==

On-Chip-Lernen eignet sich besonders dort, wo [[KI]] schnell, sparsam und nah an der realen Welt arbeiten soll. In der [[Robotik]] können Greifer, mobile Roboter oder Drohnen aus Sensorereignissen lernen. In der [[Medizintechnik]] können tragbare Geräte Biosignale lokal auswerten. In der [[Industrie]] können Maschinenzustände überwacht werden. In [[Smart City|Smart Cities]] können Sensoren Verkehr, Lärm oder Umweltwerte effizient analysieren. In der [[Raumfahrt]] kann energieeffiziente Onboard-Verarbeitung wichtig sein, weil Kommunikation zur Erde verzögert und teuer ist.

{{BR}}
== Vergleich: Klassische KI und neuromorphes On-Chip-Lernen ==

{| class="wikitable"
! Aspekt
! Klassische KI-Pipeline
! Neuromorphes On-Chip-Lernen
|-
| Ort des Lernens
| Häufig im Rechenzentrum oder auf leistungsstarker Trainingshardware
| Direkt oder teilweise direkt auf dem Chip am Edge
|-
| Datenfluss
| Große Datenmengen werden gesammelt und übertragen
| Ereignisse und lokale Signale werden bevorzugt direkt verarbeitet
|-
| Rechenstil
| Oft dicht, synchron und matrixbasiert
| Häufig spärlich, asynchron und impulsgesteuert
|-
| Anpassung
| Modell wird nach Training meist nur ausgeführt
| Modell kann sich während des Betriebs anpassen
|-
| Stärken
| Sehr hohe Genauigkeit bei großen Datensätzen
| Niedrige Latenz, Energieeffizienz, lokale Adaption
|-
| Grenzen
| Hoher Energie- und Datenbedarf
| Werkzeuge, Benchmarks und Lernstabilität sind anspruchsvoll
|}

{{BR}}
== Beispielhafte Lernreise ==

Stell Dir ein kleines autonomes Gerät vor, das Bewegungen erkennt. Eine [[Eventkamera]] erzeugt keine vollständigen Videobilder, sondern nur Ereignisse, wenn sich Helligkeit verändert. Diese Ereignisse werden an ein [[Gepulste neuronale Netze|gepulstes neuronales Netz]] weitergegeben. Das Netzwerk sendet Spikes, wenn Muster erkannt werden. Eine lokale Lernregel passt synaptische Gewichte an, wenn bestimmte Bewegungen wiederholt auftreten. Das Gerät kann dadurch neue Bewegungsmuster lernen, ohne alle Rohdaten an einen Server zu senden. Genau hier liegt die Idee von '''On-Chip-Lernen''': [[Sensorik]], [[Hardware]], [[Algorithmus]] und [[Adaption]] werden als Einheit gedacht.

{{BR}}
= Interaktive Aufgaben =

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

{{MC}}

'''Was bedeutet On-Chip-Lernen im Kern?'''
(KI-Modelle passen sich direkt auf einem Chip an)
(!KI-Modelle werden ausschließlich in der Cloud trainiert)
(!KI-Modelle verzichten vollständig auf Sensoren)
(!KI-Modelle bestehen nur aus Datenbanken)

{{E}}
<br>

{{MC}}

'''Was ist ein neuromorpher Chip?'''
(Ein Chip nach dem Vorbild natürlicher Nervennetze)
(!Ein Chip nur für Textverarbeitung)
(!Ein Chip ohne elektronische Bauelemente)
(!Ein Chip zur Speicherung von Musikdateien)

{{E}}
<br>

{{MC}}

'''Was übertragen gepulste neuronale Netze typischerweise?'''
(Kurze Impulse)
(!Vollständige Videodateien)
(!Tabellenkalkulationen)
(!Gedruckte Befehle)

{{E}}
<br>

{{MC}}

'''Warum ist Edge-KI für On-Chip-Lernen wichtig?'''
(Daten können nahe am Entstehungsort verarbeitet werden)
(!Daten müssen immer erst weltweit verteilt werden)
(!Sensoren werden dadurch überflüssig)
(!Lernen wird grundsätzlich verboten)

{{E}}
<br>

{{MC}}

'''Welche Rolle spielen Sensoren beim On-Chip-Lernen?'''
(Sie liefern lokale Signale für Anpassung und Entscheidung)
(!Sie ersetzen alle Lernregeln)
(!Sie verhindern jede Datenverarbeitung)
(!Sie speichern nur fertige Lehrbücher)

{{E}}
<br>

{{MC}}

'''Was beschreibt Spike-Timing-Dependent Plasticity?'''
(Eine Lernregel auf Basis der zeitlichen Reihenfolge von Spikes)
(!Eine Methode zum Drucken von Mikrochips)
(!Eine Regel für alphabetische Sortierung)
(!Eine Technik zur Bildkompression ohne Lernen)

{{E}}
<br>

{{MC}}

'''Welcher Vorteil kann durch lokale Verarbeitung am Edge entstehen?'''
(Geringere Latenz)
(!Immer größere Datenwege)
(!Zwang zur permanenten Cloud-Verbindung)
(!Vollständiger Verlust von Energieeffizienz)

{{E}}
<br>

{{MC}}

'''Was ist eine zentrale Herausforderung beim kontinuierlichen Lernen?'''
(Katastrophales Vergessen vermeiden)
(!Alle Sensoren abschalten)
(!Jede Anpassung verhindern)
(!Nur statische Tabellen verwenden)

{{E}}
<br>

{{MC}}

'''Welche Aussage passt zu ereignisgesteuerter Verarbeitung?'''
(Rechenaktivität entsteht vor allem bei relevanten Ereignissen)
(!Alle Schaltungen rechnen ständig maximal)
(!Zeitliche Reihenfolgen sind grundsätzlich bedeutungslos)
(!Sensoren senden nur Jahresberichte)

{{E}}
<br>

{{MC}}

'''Warum werden Memristoren im Zusammenhang mit künstlichen Synapsen erforscht?'''
(Sie können Speicherwirkung und veränderbaren Widerstand verbinden)
(!Sie erzeugen ausschließlich Licht)
(!Sie sind Papierbauteile)
(!Sie verhindern jede Form von Speicherung)

{{E}}
<br>

{{BR}}
== Memory ==

<div class="memo-quiz">
{|
|-
| On-Chip-Lernen || Lokale Anpassung auf dem Mikrochip
|-
| Spike || Kurzer neuronaler Impuls
|-
| Edge-KI || Verarbeitung nahe am Sensor
|-
| Memristor || Speicherndes Widerstandsbauelement
|-
| Eventkamera || Sensor für Helligkeitsänderungen
|-
| STDP || Lernen durch Spike-Zeitpunkte
|-
| Neuromorpher Chip || Hirninspirierte Hardware
|}
{{E}}
<br>

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

<div class="lueckentext-quiz">

{| class="wikitable"
! Ordne die richtigen Begriffe zu.
! Thema
|-
| '''Sensorereignis'''
| Beginn der lokalen Datenverarbeitung
|-
| '''Spike'''
| Impuls in einem gepulsten neuronalen Netz
|-
| '''Synapsengewicht'''
| Veränderbarer Lernparameter
|-
| '''On-Chip-Adaption'''
| Anpassung während des Betriebs
|-
| '''Edge-Entscheidung'''
| Reaktion ohne zwingende Cloud-Verbindung

|}
{{E}}

<br>
<br />

{{BR}}
== Kreuzworträtsel ==

<div class="kreuzwort-quiz">
{|
|-
| Spike || Wie heißt ein kurzer Impuls in einem gepulsten neuronalen Netz?
|-
| Loihi || Wie heißt ein neuromorpher Forschungsprozessor von Intel?
|-
| Synapse || Wie heißt die Verbindung zwischen Neuronen?
|-
| Memristor || Welches Bauelement kann Speicherwirkung und Widerstand verbinden?
|-
| Sensorik || Welcher Bereich liefert Messdaten aus der Umgebung?
|-
| Latenz || Wie heißt die Verzögerung zwischen Eingabe und Reaktion?
|}
{{E}}
<br>

{{BR}}
== LearningApps ==

<iframe> https://learningapps.org/index.php?s=On-Chip-Lernen+KI+neu+gedacht </iframe>

{{BR}}
== Lückentext ==

<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
Beim { On-Chip-Lernen } passt sich ein KI-System direkt auf der Hardware an. Neuromorphe Chips orientieren sich an natürlichen { Nervennetzen } und verarbeiten Informationen häufig ereignisgesteuert. Gepulste neuronale Netze nutzen kurze { Spikes }, deren zeitliche Reihenfolge wichtig sein kann. Sensoren am { Edge } liefern lokale Daten, sodass Entscheidungen mit geringer Latenz getroffen werden können. Eine Lernregel wie { STDP } verändert synaptische Verbindungen abhängig vom Timing der Signale. Dadurch können Systeme energieeffizienter, datensparsamer und { adaptiver } werden.
</quiz>

<br>

{{BR}}
= Offene Aufgaben =

{{BR}}
=== Leicht ===
# [[Begriffskarte]]: Erstelle eine Begriffskarte mit mindestens zehn Fachbegriffen zu [[On-Chip-Lernen]], [[Neuromorpher Chip|neuromorphen Chips]] und [[Gepulste neuronale Netze|SNNs]].
# [[Alltagsbeispiel]]: Beschreibe ein Gerät aus Deinem Alltag, bei dem lokale [[KI]] sinnvoller sein könnte als eine reine [[Cloud Computing|Cloud]]-Lösung.
# [[Skizze]]: Zeichne den Weg von einem [[Sensor]] über einen lernfähigen Chip bis zur Entscheidung.
# [[Vergleich]]: Erkläre in eigenen Worten den Unterschied zwischen On-Chip-Inferenz und On-Chip-Lernen.

{{BR}}
=== Standard ===
# [[Sensoranalyse]]: Wähle einen Sensor aus und erkläre, welche Daten er liefert und wie ein lernfähiger Chip darauf reagieren könnte.
# [[Fallstudie]]: Entwickle ein Szenario für [[Robotik]], [[Medizintechnik]] oder [[Industrie 4.0]], in dem On-Chip-Lernen einen klaren Vorteil bietet.
# [[Argumentation]]: Diskutiere, warum geringe [[Latenz]] bei autonomen Systemen sicherheitsrelevant sein kann.
# [[Modellkritik]]: Beschreibe zwei Risiken, die entstehen, wenn ein KI-System während des Betriebs weiterlernt.

{{BR}}
=== Schwer ===
# [[Systementwurf]]: Entwirf ein vereinfachtes Gesamtsystem aus [[Eventkamera]], [[Gepulste neuronale Netze|SNN]], lokaler Lernregel und Entscheidungsausgabe.
# [[Ethikanalyse]]: Untersuche, welche Datenschutzfragen entstehen, wenn Geräte lokal lernen und persönliche Muster speichern.
# [[Forschungsfrage]]: Formuliere eine überprüfbare Forschungsfrage zu Energieeffizienz, Lernstabilität oder Robustheit neuromorpher Hardware.
# [[Experimentplanung]]: Plane ein kleines Experiment, mit dem Du klassische Edge-Inferenz und On-Chip-Adaption vergleichen könntest.

{{:Offene Aufgabe - MOOC erstellen}}

{{BR}}
= Lernkontrolle =

# [[Transferaufgabe]]: Erkläre an einem neuen Beispiel, warum On-Chip-Lernen nicht nur schnelleres Rechnen bedeutet, sondern eine andere Beziehung zwischen [[Hardware]], [[Daten]] und [[Lernen]] schafft.
# [[Systemvergleich]]: Vergleiche eine cloudbasierte KI-Kamera mit einer eventbasierten Kamera mit lokalem Lernen. Beurteile jeweils Vorteile und Grenzen.
# [[Problemlösung]]: Ein Roboter verliert in einer staubigen Umgebung an Erkennungsleistung. Entwickle eine Strategie, wie lokale Adaption helfen könnte, und benenne ein Risiko.
# [[Bewertung]]: Beurteile, ob On-Chip-Lernen für ein medizinisches Wearable geeignet wäre. Berücksichtige [[Datenschutz]], [[Energieeffizienz]], [[Fehlerrisiko]] und [[Erklärbarkeit]].
# [[Zukunftsszenario]]: Entwickle ein realistisches Zukunftsszenario für Schule, Industrie oder Alltag, in dem neuromorphes On-Chip-Lernen sinnvoll eingesetzt wird.

<br>
<br>

{{BR}}
= Lernnachweis =

Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe wiedergeben kannst, sondern Zusammenhänge erklärst und auf neue Situationen überträgst.
# [[Grundbegriffe]]: Du erklärst [[On-Chip-Lernen]], [[Neuromorpher Chip|neuromorphe Chips]], [[Gepulste neuronale Netze]], [[Edge AI]] und [[Sensorik]] korrekt.
# [[Zusammenhang]]: Du zeigst, wie [[Sensor]], [[Algorithmus]], [[Hardware]] und [[Lernregel]] zusammenwirken.
# [[Vergleich]]: Du unterscheidest klassische [[Cloud Computing|Cloud]]-Trainingspipelines, On-Chip-Inferenz und On-Chip-Lernen.
# [[Anwendung]]: Du entwickelst ein eigenes Anwendungsszenario und begründest, warum lokale Adaption dort sinnvoll ist.
# [[Reflexion]]: Du bewertest Chancen und Risiken in Bezug auf [[Datenschutz]], [[Sicherheit]], [[Energieverbrauch]], [[Erklärbarkeit]] und [[Zuverlässigkeit]].
# [[Darstellung]]: Du präsentierst Deine Ergebnisse strukturiert, fachsprachlich angemessen und mit einer klaren Skizze oder einem Modell.

<br>
<br>

{{BR}}
= OERs zum Thema =

<iframe> https://de.m.wikipedia.org/wiki/Neuromorpher_Chip </iframe>

<iframe> https://de.m.wikipedia.org/wiki/Gepulste_neuronale_Netze </iframe>

<iframe> https://de.m.wikipedia.org/wiki/Neuromorphic_Engineering </iframe>

<br>

{{BR}}
= Links =

{| align=center
{{:D-Tab}}
'''[[On-Chip-Lernen]]'''
# [[Künstliche Intelligenz]]
# [[Neuronales Netz]]
# [[Künstliches neuronales Netz]]
# [[Neuromorpher Chip]]
# [[Neuromorphic Engineering]]
# [[Gepulste neuronale Netze]]
# [[Spiking Neural Network]]
# [[Edge Computing]]
# [[Edge AI]]
# [[Sensorik]]
# [[Eventkamera]]
# [[Dynamic Vision Sensor]]
# [[Synapse]]
# [[Hebbsche Lernregel]]
# [[Spike-timing-dependent plasticity]]
# [[Memristor]]
# [[In-Memory Computing]]
# [[Von-Neumann-Architektur]]
# [[Robotik]]
# [[Datenschutz]]
# [[Energieeffizienz]]
|}

[[Kategorie:Informatik]]
[[Kategorie:Künstliche Intelligenz]]
[[Kategorie:Neuronale Netze]]
[[Kategorie:Neuroinformatik]]
[[Kategorie:Technik]]
[[Kategorie:Physik]]
[[Kategorie:Robotik]]
[[Kategorie:Medienbildung]]
[[Kategorie:Digitale Bildung]]
[[Kategorie:Sekundarstufe II]]
[[Kategorie:Studium]]
[[Kategorie:Ausbildung]]

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

On-Chip-Lernen - KI neu gedacht - Versionsgeschichte

Glanz: aiMOOC über GPT aiMOOC Action erstellt