aiMOOC

KI im technischen Arbeitsalltag – KI-Anwendungen nach Aufgabe unterscheiden

QR-Code

Einleitung

KI im technischen Arbeitsalltag – KI-Anwendungen nach Aufgabe unterscheiden

In diesem Lernkurs unterscheidest Du KI-Anwendungen nach ihrer eigentlichen Aufgabe: Text, Bild, Daten und Automatisierung. Du arbeitest mit kurzen Lerneinheiten, einem durchgehenden Ausbildungsfall, sicheren Demonstrationen und überprüfbaren Quellen.

Sicherheitsregel für den gesamten Kurs: Nutze ausschließlich fiktive Daten, selbst erstellte Testbilder und lokale oder ausdrücklich autorisierte Lernumgebungen. Keine fremden Netze, Produktivanlagen, Zugangsdaten, Kundendaten, internen Dokumente oder vertraulichen Betriebsinformationen eingeben, hochladen, testen oder automatisiert verarbeiten.

Lernziele

Nach dem Kurs kannst Du:

KI-Anwendungen nach Text-, Bild-, Daten- und Automatisierungsaufgaben unterscheiden.
Für einen technischen Arbeitsauftrag eine passende KI-Kategorie auswählen und die Auswahl begründen.
Eingaben, Ausgaben, Datenarten, Fehlerquellen und notwendige menschliche Kontrollen benennen.
Ergebnisse von KI kritisch prüfen, statt sie ungeprüft zu übernehmen.
Sichere Testbedingungen mit fiktiven Daten planen.
Fachquellen nach Aktualität, Autorität, Zweck und Nachprüfbarkeit vergleichen.

Ausbildungsfall: Musterwerk Lernwerkstatt

Du arbeitest in der fiktiven Musterwerk Lernwerkstatt. Ein Übungsauftrag enthält nur künstlich erzeugte Informationen:

Wartungsprotokoll: kurze fiktive Freitexte zu einer Übungsmaschine.
Bildverarbeitung: selbst fotografierte oder gezeichnete Testbauteile ohne Personenbezug.
Messdaten: eine CSV-Datei mit künstlichen Temperatur-, Schwingungs- und Laufzeitwerten.
Automatisierung: ein lokaler Simulationsablauf ohne Verbindung zu einer realen Maschine.

Auftrag: Entscheide für jede Teilaufgabe, welche Art von KI sinnvoll sein könnte und welche Kontrolle ein Mensch übernehmen muss.

Der schnelle Aufgaben-Check

Frage	Typische KI-Aufgabe	Beispiel im Ausbildungsfall
Soll Sprache verstanden oder erzeugt werden?	Text	Wartungsnotizen strukturieren
Soll ein Bild erkannt, geprüft oder erzeugt werden?	Bild	Testbauteile klassifizieren
Sollen Zahlenmuster erkannt oder Prognosen erstellt werden?	Daten	Auffällige Messwerte finden
Sollen mehrere Schritte ausgelöst oder verbunden werden?	Automatisierung	Simulierten Prüfablauf steuern

Lerneinheit 1: Text-KI

Text-KI verarbeitet Sprache. Typische Aufgaben sind Zusammenfassen, Klassifizieren, Übersetzen, Extrahieren oder Formulieren. Ein Sprachmodell erzeugt wahrscheinliche Textfolgen; eine überzeugende Formulierung ist deshalb noch kein Beweis für fachliche Richtigkeit.

Musterwerk-Beispiel: Aus drei fiktiven Wartungsnotizen soll eine Tabelle mit Fehlerbild, vermuteter Ursache und Prüfschritt entstehen.

Menschliche Kontrolle: Stimmen technische Begriffe, Zahlen, Reihenfolge und Sicherheitsangaben mit der Ausgangsinformation überein?

Mini-Demo Text

Verwende ausschließlich diesen fiktiven Text:

„Übungsmaschine M-17: Nach 40 Minuten Laufzeit steigt die simulierte Lagertemperatur von 45 °C auf 61 °C. Gleichzeitig erhöht sich der fiktive Schwingungswert von 1,8 auf 3,1 mm/s.“

Aufgabe: Lass ein freigegebenes lokales Textmodell daraus drei Felder erzeugen: Beobachtung – mögliche Hypothese – nächster Prüfschritt. Markiere jede Aussage, die nicht direkt im Ausgangstext steht, als Hypothese.

Begründetes Feedback: Eine gute Antwort trennt Beobachtung und Vermutung, weil ein Sprachmodell fehlende Ursachen plausibel ergänzen kann.

Lerneinheit 2: Bild-KI

Bild-KI kann Bilder klassifizieren, Objekte erkennen, Bereiche segmentieren oder neue Bilder erzeugen. In der Technik wird Machine Vision unter anderem zur Qualitätsprüfung eingesetzt.

Musterwerk-Beispiel: Zwei Klassen selbst erstellter Testbilder heißen Kratzer und kein Kratzer. Das Modell soll nur in einer Lernumgebung unterscheiden.

Menschliche Kontrolle: Sind die Klassen sauber definiert? Sind genug unterschiedliche Beispiele vorhanden? Funktioniert das Modell auch bei anderem Licht und Hintergrund?

Interaktive Bild-Demo

Teachable Machine kann für eine einfache Demonstration von Bildklassifikation genutzt werden.

Nur so verwenden:

Nutze ausschließlich selbst erzeugte oder fiktive Testbilder.
Wähle nach Möglichkeit die On-Device-Verarbeitung.
Verwende keine Personen-, Kunden-, Betriebs- oder Produktivdaten.
Exportiere oder hoste das Modell nicht extern, wenn dies nicht ausdrücklich freigegeben ist.

Experiment: Trainiere zwei harmlose Klassen wie rotes Papier und blaues Papier. Teste anschließend andere Lichtverhältnisse.

Begründetes Feedback: Sinkt die Trefferquote bei anderem Licht, zeigt das, dass ein Modell stark von seinen Trainingsbeispielen abhängen kann.

Lerneinheit 3: Daten-KI

Daten-KI erkennt Muster in Tabellen oder Zeitreihen. Typische Aufgaben sind Klassifikation, Regression, Clustering und Anomalieerkennung.

Interaktives Modell: TensorFlow Playground

TensorFlow Playground visualisiert ein neuronales Netz direkt im Browser mit künstlichen Datensätzen.

Experiment: Wähle einen synthetischen Datensatz, trainiere zunächst ein kleines Netz und erhöhe danach die Zahl der versteckten Neuronen.

Beobachte:

Wird der Trainingsfehler kleiner?
Wird auch der Testfehler kleiner?
Entsteht eine unnötig komplizierte Grenze?

Begründetes Feedback: Ein sehr komplexes Modell kann Trainingsdaten gut treffen und trotzdem bei neuen Daten schlechter sein. Das ist ein Hinweis auf Überanpassung.

Messwerte richtig bewerten

Eine Klassifikation ist nicht allein durch eine hohe Gesamt-Trefferquote gut. Bei seltenen Fehlern sind auch falsch positive und falsch negative Ergebnisse wichtig.

Musterwerk-Beispiel: Ein fiktives Modell meldet „auffällig“ oder „unauffällig“. Prüfe besonders, wie viele tatsächlich auffällige Fälle übersehen werden.

Lerneinheit 4: Automatisierung mit KI

Automatisierung bedeutet, dass Ergebnisse weiterverarbeitet oder Aktionen ausgelöst werden. KI kann dabei ein einzelner Baustein sein. Ein Ablauf kann zum Beispiel Text klassifizieren, Messdaten prüfen und danach einen simulierten Vorgang starten.

Wichtig: Eine KI-Antwort ist kein Freibrief für eine reale Maschinenaktion.

Sicherer Ausbildungsaufbau:

Eingabe: fiktive Daten.
Verarbeitung: lokale oder freigegebene Lernumgebung.
Aktion: ausschließlich Simulation.
Freigabe: Mensch bestätigt kritische Schritte.
Protokoll: Eingabe, Ausgabe und Entscheidung nachvollziehbar speichern.

Automatisierungs-Demo ohne Produktivzugriff

Baue auf Papier oder in einer lokalen Ablauf-Simulation:

Fiktiver Messwert → Regelprüfung → KI-Klassifikation → menschliche Freigabe → simulierte Meldung

Beispiel:

Temperaturwert liegt im Übungsdatensatz über dem Grenzwert.
Modell bezeichnet den Datensatz als auffällig.
Lernender prüft Ausgangsdaten.
Erst nach Bestätigung erscheint „Wartung prüfen“.
Es wird keine reale Maschine, SPS, API oder Produktionssoftware angesprochen.

Begründetes Feedback: Der Mensch bleibt vor einer kritischen Aktion eingebunden, weil Modellfehler, falsche Eingaben oder unklare Randbedingungen sonst direkt in einen Prozess weitergetragen würden.

Vier Aufgaben – vier KI-Arten

Aufgabe	Passende Kategorie	Typische Eingabe	Typische Ausgabe	Hauptkontrolle
Wartungsbericht kürzen	Text-KI	Text	Text	Faktenabgleich
Oberflächenfehler erkennen	Bild-KI	Bild	Klasse oder Markierung	Testbilder und Fehlerrate
Schwingungswerte bewerten	Daten-KI	Zahlenreihe	Prognose oder Anomalie	Testdaten und Kennzahlen
Prüfschritte verbinden	Automatisierung	Ereignisse und Modellresultate	ausgelöster Prozessschritt	Freigabe und Begrenzung

Gestufte Hilfen

Hilfe 1 – Datentyp: Was liegt hauptsächlich vor: Sprache, Bild, Zahlen oder ein Ablauf?

Hilfe 2 – Ziel: Soll die KI erzeugen, erkennen, vorhersagen oder einen Prozessschritt vorbereiten?

Hilfe 3 – Prüfung: Welche falsche Ausgabe wäre technisch oder organisatorisch besonders problematisch?

Hilfe 4 – Sicherheit: Kann die Aufgabe vollständig mit fiktiven Daten und ohne Verbindung zur Produktivumgebung getestet werden?

Hilfe 5 – Freigabe: Muss ein Mensch vor einer realen Wirkung bestätigen?

Basis-, Anwendungs- und Transferaufgaben

Basis

Text-KI: Ordne „Wartungsnotiz zusammenfassen“ einer KI-Art zu. Feedback: Text-KI passt, weil Ein- und Ausgabe sprachlich sind.
Bild-KI: Ordne „Kratzer auf Testbild erkennen“ einer KI-Art zu. Feedback: Bild-KI passt, weil visuelle Merkmale ausgewertet werden.
Daten-KI: Ordne „auffällige Schwingungswerte finden“ einer KI-Art zu. Feedback: Daten-KI passt, weil Zahlenmuster bewertet werden.
Automatisierung: Ordne „nach bestätigter Prüfung eine simulierte Meldung erzeugen“ einer KI-Art zu. Feedback: Automatisierung passt, weil mehrere Verarbeitungsschritte verbunden werden.

Anwendung

Ausbildungsfall: Wähle für die vier Musterwerk-Teilaufgaben jeweils die passende KI-Kategorie und begründe sie über Eingabe und Ziel. Feedback: Eine tragfähige Begründung nennt nicht nur ein Werkzeug, sondern Datentyp, gewünschte Ausgabe und Kontrollbedarf.
Qualitätssicherung: Entwirf für eine Bildklassifikation drei Testbedingungen. Feedback: Gute Tests verändern mindestens Beleuchtung, Perspektive oder Hintergrund, weil Modelle auf solche Unterschiede empfindlich reagieren können.
Datenanalyse: Vergleiche Trainings- und Testergebnis in TensorFlow Playground. Feedback: Ein kleiner Trainingsfehler allein reicht nicht; entscheidend ist, ob das Modell auch auf Testdaten generalisiert.
Menschliche Kontrolle: Markiere in einem KI-Ablauf den Punkt, an dem ein Mensch freigeben soll. Feedback: Je größer die mögliche Wirkung eines Fehlers, desto wichtiger ist eine kontrollierte Freigabe vor der Aktion.

Transfer

Arbeitsprozess: Zerlege einen eigenen ungefährlichen Ausbildungsprozess in Text-, Bild-, Daten- und Automatisierungsanteile. Verwende keine echten Betriebsdaten. Feedback: Gute Lösungen zeigen, dass ein Prozess mehrere KI-Arten kombinieren kann.
Risikobewertung: Formuliere für jede KI-Art einen möglichen Fehler und eine technische oder organisatorische Gegenmaßnahme. Feedback: Eine wirksame Maßnahme bezieht sich direkt auf den jeweiligen Fehlerweg.
Entscheidungsmatrix: Begründe, wann eine einfache Regel statt KI die bessere Lösung ist. Feedback: Wenn Regeln stabil, eindeutig und vollständig formulierbar sind, kann eine klassische Lösung transparenter und leichter prüfbar sein.
KI-Kompetenz: Entwirf eine kurze Betriebsregel für Auszubildende zum sicheren Einsatz von KI. Feedback: Sie sollte Zweck, erlaubte Daten, Prüfpflicht, Freigabe und Dokumentation abdecken.

Quellen kritisch vergleichen

Stand der Prüfung: Oktober 2026.

Quelle	Stärke	Grenze	Wofür im Kurs?
EUR-Lex: Verordnung EU 2024/1689	Primärquelle zum EU-Recht	Erklärt nicht jede technische Umsetzung	KI-Kompetenz, Rollen, rechtlicher Rahmen
Europäische Kommission: KI-Kompetenz – Fragen und Antworten	Aktuelle Erläuterung zur Anwendung von Artikel 4	Keine technische Prüfnorm	Einordnung der Schulungs- und Kompetenzpflichten
BSI: Künstliche Intelligenz	Deutsche Sicherheitsbehörde, Fokus auf sichere Nutzung	Teilweise allgemeiner Überblick	Datenschutz, Interpretierbarkeit, sichere Nutzung
BSI: Kriterienkatalog zu KI-Modellen	Konkrete Begriffe und organisatorische Kriterien	Primär für Bundesverwaltung entwickelt	Lokaler Betrieb, externe Dienste, Zuständigkeiten
NIST AI Risk Management Framework	Systematisches Risikomanagement	Freiwilliger US-Rahmen, kein deutsches Recht	Risiken strukturieren und Kontrollen planen
NIST Generative AI Profile	Spezifische Risiken generativer KI	Ergänzungsrahmen, keine Rechtsnorm	Risiken von generierten Texten und Inhalten

Quellenregel: Bevor Du eine technische Aussage übernimmst, prüfe mindestens Autor bzw. Institution, Datum, Zweck, Belege und ob eine aktuellere Primärquelle existiert.

Medien- und Rechtecheck

Die verwendeten Wikimedia-Commons-Dateien wurden über ihre Dateibeschreibungsseiten geprüft. Dort sind unter anderem folgende freie Lizenzen ausgewiesen:

: CC0.
: CC BY-SA 3.0 beziehungsweise GFDL.
: CC BY-SA 3.0.
: unter anderem CC BY-SA 4.0.
: CC0.
: CC BY-SA 3.0.

YouTube-Videos werden nur über den von YouTube vorgesehenen eingebetteten Player dargestellt. Rechte an den Videos verbleiben bei den jeweiligen Rechteinhabern. Es werden keine Videos kopiert oder erneut hochgeladen.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Welche KI-Art passt am besten zum Zusammenfassen eines Wartungsprotokolls? (Text-KI) (!Bild-KI) (!Daten-KI) (!Robotik ohne Software)

Welche KI-Art passt am besten zum Erkennen eines Kratzers auf einem Testbild? (Bild-KI) (!Text-KI) (!Tabellenkalkulation) (!Textverarbeitung)

Welche KI-Aufgabe passt zu einer Zeitreihe mit Schwingungswerten? (Daten-KI) (!Bild-KI) (!Textlayout) (!Audiowiedergabe)

Was ist bei einer KI-gestützten Automatisierung vor einer kritischen realen Aktion besonders wichtig? (Menschliche Freigabe und kontrollierte Grenzen) (!Möglichst viele automatische Folgeschritte) (!Verzicht auf Protokollierung) (!Nutzung unbekannter Zugangsdaten)

Warum muss ein KI-generierter technischer Text geprüft werden? (Weil ein plausibler Text sachlich falsch sein kann) (!Weil KI nur Bilder erzeugen kann) (!Weil jeder KI-Text automatisch rechtsverbindlich ist) (!Weil technische Texte keine Zahlen enthalten dürfen)

Welche Daten sind für diesen Ausbildungskurs zulässig? (Fiktive oder ausdrücklich autorisierte Testdaten) (!Ungefragt kopierte Kundendaten) (!Produktive Zugangsdaten) (!Vertrauliche Wartungsakten)

Was zeigt ein Unterschied zwischen sehr gutem Trainingsergebnis und deutlich schlechterem Testergebnis häufig? (Überanpassung) (!Datenkompression) (!Bildschirmfehler) (!Netzwerkverkabelung)

Welche Quelle ist für den Wortlaut der EU-KI-Verordnung besonders geeignet? (EUR-Lex) (!Ein anonymer Social-Media-Beitrag) (!Ein Werbeprospekt) (!Ein ungeprüfter Forenbeitrag)

Was beschreibt eine Confusion Matrix? (Richtige und falsche Klassifikationen nach Klassen) (!Die Geschwindigkeit eines Robotermotors) (!Die Länge eines Textprompts) (!Die Dateigröße eines Bildes)

Wann kann eine einfache Regel besser als KI geeignet sein? (Wenn der Ablauf eindeutig und vollständig durch stabile Regeln beschreibbar ist) (!Wenn möglichst wenig nachvollziehbar sein soll) (!Wenn Kundendaten ungeprüft übertragen werden sollen) (!Wenn die Aufgabe absichtlich unklar bleibt)

Memory

Text-KI	Sprache verarbeiten
Bild-KI	visuelle Merkmale erkennen
Daten-KI	Zahlenmuster auswerten
Automatisierung	Prozessschritte verbinden
Überanpassung	schlechte Generalisierung trotz guten Trainings
Confusion Matrix	Klassifikationsfehler sichtbar machen

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Wartungsnotiz zusammenfassen	Text-KI
Testbauteil klassifizieren	Bild-KI
Schwingungsverlauf bewerten	Daten-KI
Simulierte Meldung nach Freigabe auslösen	Automatisierung
Ergebnis vor Nutzung gegen Quelle prüfen	Menschliche Kontrolle

...

Kreuzworträtsel

Textmodell	Welche Modellart verarbeitet und erzeugt Sprache?
Bilddaten	Welche Datenart wird bei visueller Fehlererkennung verarbeitet?
Anomalie	Wie heißt ein ungewöhnliches Muster in Messdaten?
Freigabe	Was sollte vor einer kritischen automatisierten Aktion durch einen Menschen erfolgen?
Testdaten	Mit welchen Daten prüft man die Generalisierung eines Modells?
Quellencheck	Wie nennt man die Prüfung von Autorität Aktualität und Belegen einer Quelle?

LearningApps

Lückentext

Eine KI zur Verarbeitung von Wartungsnotizen gehört zur Kategorie

. Eine KI zur visuellen Qualitätsprüfung gehört zur Kategorie

. Das Erkennen ungewöhnlicher Muster in Messreihen ist eine Aufgabe der

. Werden mehrere Schritte miteinander verbunden und Aktionen vorbereitet, spricht man von

. Vor kritischen realen Auswirkungen sollte eine

durch einen Menschen erfolgen. Für Übungen werden ausschließlich

oder ausdrücklich autorisierte Daten verwendet. Ein Modell, das Trainingsdaten sehr gut und neue Daten schlecht verarbeitet, kann unter

leiden. Eine

zeigt richtige und falsche Klassifikationen. Für Rechtsfragen zum EU AI Act ist

eine Primärquelle.

Offene Aufgaben

Leicht

KI-Kategorien: Fotografiere oder zeichne vier harmlose Symbolkarten für Text, Bild, Daten und Automatisierung und erkläre jede Karte in einem Satz.
Arbeitsauftrag: Erfinde vier fiktive technische Aufgaben und ordne jede einer KI-Kategorie zu.
Quellenprüfung: Vergleiche die Überschrift, Institution und Aktualität einer BSI-Seite mit einem beliebigen Blogbeitrag zum selben Thema.
Fehlerquellen: Sammle für jede KI-Art einen möglichen Fehler und eine einfache Prüfmethode.

Standard

Teachable Machine: Trainiere mit selbst erzeugten Testbildern zwei harmlose Klassen und dokumentiere drei Fehlklassifikationen.
TensorFlow Playground: Vergleiche zwei Netzgrößen und beschreibe, wie sich Trainings- und Testfehler verändern.
Wartungsprotokoll: Erstelle einen vollständig fiktiven Wartungstext und entwickle eine Prüfliste für eine KI-Zusammenfassung.
Prozessmodell: Zeichne einen sicheren Automatisierungsablauf mit menschlicher Freigabe vor jeder simulierten Aktion.

Schwer

Entscheidungsmatrix: Entwickle eine Matrix, die anhand von Datentyp, Ziel, Risiko und Prüfbarkeit zwischen Regel, Statistik, KI-Modell und Automatisierung unterscheidet.
Qualitätssicherung: Entwirf einen Testplan für eine fiktive visuelle Qualitätskontrolle mit Trainings-, Validierungs- und Testfällen.
Risikomanagement: Übertrage die Begriffe Govern, Map, Measure und Manage aus dem NIST AI RMF auf den Musterwerk-Fall.
KI-Kompetenz: Entwirf eine 10-minütige Unterweisung für neue Auszubildende mit erlaubten Daten, verbotenen Eingaben, Prüfpflichten und Freigabeprozess.

Lernkontrolle

Aufgabenwahl: Ein Betrieb möchte aus fiktiven Wartungstexten Störungsmuster erkennen und danach eine simulierte Prüfanweisung anzeigen. Zerlege den Vorgang in mindestens zwei KI-Arten und begründe die Übergänge.
Fehlerfolgen: Vergleiche die Folgen einer Fehlklassifikation bei einem Übungsbild mit den Folgen einer ungeprüften automatisierten Aktion. Leite daraus unterschiedliche Kontrollmaßnahmen ab.
Regel oder KI: Entscheide für drei technische Beispiele, ob eine feste Regel oder ein KI-Modell geeigneter ist. Begründe anhand von Stabilität, Datenbedarf und Prüfbarkeit.
Quellentransfer: Vergleiche EU-Kommission, BSI und NIST für einen geplanten Ausbildungseinsatz. Zeige, welche Quelle rechtliche, sicherheitstechnische oder risikoorientierte Fragen besser beantwortet.
Generalisierung: Erkläre anhand eines eigenen fiktiven Beispiels, warum ein gutes Trainingsergebnis nicht automatisch einen zuverlässigen Praxiseinsatz bedeutet.
Sicherheitsdesign: Entwickle einen vollständigen Testaufbau für eine KI-gestützte Automatisierung, bei dem kein Zugriff auf Produktivsysteme möglich ist.

Lernnachweis

Für einen Lernnachweis solltest Du zeigen können:

Du unterscheidest Text-, Bild-, Daten- und Automatisierungs-KI anhand der Aufgabe.
Du begründest die Auswahl über Eingabe, gewünschte Ausgabe und Risiko.
Du prüfst Modellresultate mit geeigneten Testdaten und fachlichen Kriterien.
Du trennst Beobachtung, Modellresultat und menschliche Bewertung.
Du erkennst Überanpassung, Fehlklassifikationen und unzureichende Daten als mögliche Fehlerquellen.
Du planst einen sicheren Test ausschließlich mit fiktiven oder ausdrücklich autorisierten Daten.
Du hältst Produktivsysteme, Zugangsdaten, fremde Netze und Kundendaten aus Übungen heraus.
Du vergleichst Fachquellen nach Autorität, Aktualität, Zweck und Nachprüfbarkeit.
Du dokumentierst, wo menschliche Freigabe erforderlich ist.