Kontinuierliches Lernen der KI - Neuronale Netze neu denken

Kontinuierliches Lernen der KI / Neuronale Netze neu denken

Einleitung

Kontinuierliches Lernen der KI beschreibt das Ziel, dass KI-Systeme nicht nur einmalig mit einem abgeschlossenen Datensatz trainiert werden, sondern über längere Zeit aus neuen Daten, neuen Aufgaben und neuen Erfahrungen lernen können. Dieses Thema ist zentral, wenn Du verstehen willst, warum viele heutige neuronale Netze zwar beeindruckende Leistungen zeigen, aber dennoch nicht automatisch so lernen wie Menschen: Sie können nach einem neuen Training alte Fähigkeiten verlieren. Dieses Problem wird katastrophales Vergessen oder katastrophale Interferenz genannt.

{{#ev:youtube|https://www.youtube.com/watch?v=rQz5PcJaxOM%7C500%7Ccenter}}

Das Video „Kontinuierliches Lernen der KI / Neuronale Netze neu denken“ führt in Zukunftsthemen jenseits klassischer Trainingslogik ein: kontinuierliches Lernen, katastrophales Vergessen, neue Architekturen, Gedächtnisstrukturen und die Frage, ob neuronale Netze anders gedacht werden müssen, damit sie Wissen langfristig aufbauen können.

Warum das Thema wichtig ist

Viele KI-Systeme werden in einem Ablauf trainiert, der stark vereinfacht so aussieht: Zuerst werden große Mengen an Trainingsdaten gesammelt, dann wird ein Modell trainiert, danach wird es getestet und schließlich eingesetzt. Dieses Vorgehen funktioniert gut, wenn die Welt, die Aufgabe und die Datenverteilung relativ stabil bleiben. In der Realität ändern sich jedoch Sprache, Technik, medizinische Leitlinien, Verkehrsbedingungen, Nutzerbedürfnisse, Sicherheitsrisiken und gesellschaftliche Regeln. Ein KI-System, das in solchen Umgebungen dauerhaft hilfreich sein soll, muss mit Veränderungen umgehen können.

Kontinuierliches Lernen ist deshalb mehr als nur „noch einmal trainieren“. Es geht darum, neues Wissen aufzunehmen, ohne altes Wissen unkontrolliert zu überschreiben. Genau hier entsteht die zentrale Spannung: Ein lernendes System muss plastisch genug sein, um Neues zu lernen, aber stabil genug, um Gelerntes zu bewahren. Diese Spannung heißt Stabilitäts-Plastizitäts-Dilemma.

Grundbegriffe

Künstliche Intelligenz: Oberbegriff für Verfahren, mit denen Maschinen Aufgaben bearbeiten, die sonst mit menschlicher Intelligenz verbunden werden.
Maschinelles Lernen: Teilgebiet der KI, bei dem Modelle aus Beispielen Muster ableiten.
Künstliches neuronales Netz: Modell aus verbundenen künstlichen Neuronen, deren Gewichte beim Training angepasst werden.
Deep Learning: Maschinelles Lernen mit tiefen neuronalen Netzen, also Netzen mit vielen Schichten.
Training: Prozess, in dem ein Modell anhand von Daten und einer Verlustfunktion seine Parameter verändert.
Feinabstimmung: Nachtraining eines bereits trainierten Modells für eine spezifischere Aufgabe.
Kontinuierliches Lernen: Lernen aus einer Folge von Aufgaben oder Datenströmen, ohne ältere Kompetenzen stark zu verlieren.
Katastrophales Vergessen: Verlust früher gelernter Fähigkeiten, wenn ein Modell auf neue Daten oder Aufgaben trainiert wird.
Replay: Wiederholen alter Beispiele oder erzeugter Ersatzbeispiele, damit ein Modell frühere Aufgaben nicht vergisst.
Regularisierung: Verfahren, die ein Modell beim Lernen begrenzen oder lenken, damit wichtige Eigenschaften erhalten bleiben.

Klassisches Training und seine Grenzen

Beim klassischen Deep Learning wird ein künstliches neuronales Netz häufig mit einem großen, möglichst repräsentativen Datensatz trainiert. Das Modell sieht viele Beispiele, berechnet Vorhersagen, vergleicht diese Vorhersagen mit gewünschten Ergebnissen und verändert seine Parameter mithilfe eines Optimierungsverfahrens. Ein zentrales Verfahren ist die Backpropagation, bei der Fehler rückwärts durch das Netz geleitet werden, um Gewichte anzupassen.

Dieses Vorgehen hat Grenzen, wenn neue Daten nicht nur ergänzend, sondern in zeitlicher Folge auftreten. Angenommen, ein Netz lernt zuerst handgeschriebene Ziffern zu erkennen, danach Kleidungsstücke, danach Verkehrsschilder. Wenn es nur auf die neue Aufgabe trainiert wird, können die Parameter so verändert werden, dass frühere Fähigkeiten leiden. Das Modell ist dann nicht einfach „dümmer“, sondern sein internes Gleichgewicht wurde verschoben.

Katastrophales Vergessen

Katastrophales Vergessen bedeutet, dass ein neuronales Netz bereits gelernte Informationen stark verliert, nachdem es auf neue Informationen trainiert wurde. Das passiert besonders dann, wenn neue Aufgaben die gleichen Parameter nutzen wie alte Aufgaben. Weil Wissen in vielen modernen Netzen verteilt gespeichert ist, kann eine Änderung an denselben Gewichten viele frühere Muster gleichzeitig beeinflussen.

Ein anschauliches Beispiel: Du lernst zuerst, Ziffern zu erkennen. Danach lernst Du nur noch Buchstaben. Wenn Dein Gehirn dabei die alten Spuren für Ziffern überschreiben würde, könntest Du nach dem Buchstabentraining plötzlich keine Ziffern mehr lesen. Menschen vergessen zwar auch, aber meist nicht so abrupt. Bei künstlichen Netzen kann dieser Effekt deutlich stärker sein.

Stabilität und Plastizität

Das Stabilitäts-Plastizitäts-Dilemma beschreibt eine Grundfrage lernender Systeme: Wie bleibt ein System offen für Neues, ohne Altes zu zerstören? Plastizität bedeutet Anpassungsfähigkeit. Ein Modell mit hoher Plastizität lernt schnell aus neuen Daten. Stabilität bedeutet Bewahrung. Ein Modell mit hoher Stabilität schützt bereits gelerntes Wissen.

Für kontinuierliches Lernen braucht ein Modell beides. Zu viel Plastizität führt zu katastrophalem Vergessen. Zu viel Stabilität führt dazu, dass das Modell kaum noch Neues lernt. Gute Verfahren suchen daher einen Kompromiss: wichtige alte Fähigkeiten schützen, aber sinnvolle neue Anpassungen erlauben.

Datenströme und veränderte Umgebungen

In der Praxis treffen viele KI-Systeme nicht auf eine feste Welt, sondern auf Datenströme. Ein Spracherkennungssystem hört neue Begriffe, Dialekte und Akzente. Ein Empfehlungssystem erlebt wechselnde Vorlieben. Ein Roboter bewegt sich in Räumen, die sich verändern. Ein medizinisches KI-System muss mit neuen Geräten, neuen Studien und anderen Patientengruppen umgehen.

Wenn sich die statistischen Eigenschaften der Daten ändern, spricht man von Datenverschiebung oder Konzeptdrift. Ein Modell, das nur für die Vergangenheit optimiert wurde, kann dann unzuverlässig werden. Kontinuierliches Lernen versucht, solche Veränderungen kontrolliert aufzugreifen.

Beispiel: MNIST und Aufgabenfolgen

In der Forschung wird häufig mit einfachen Testumgebungen begonnen. Der MNIST-Datensatz enthält handgeschriebene Ziffern. Für kontinuierliches Lernen können daraus Aufgabenfolgen gebildet werden, zum Beispiel Split MNIST: Zuerst lernt ein Modell die Ziffern 0 und 1, danach 2 und 3, danach weitere Paare. Eine andere Variante ist Permuted MNIST, bei der die Bildpunkte nach bestimmten Mustern vertauscht werden.

Solche Aufgaben sind nicht die ganze Realität, aber sie helfen, zentrale Effekte messbar zu machen. Forschende können prüfen, ob ein Modell neue Aufgaben lernt, wie stark es alte Aufgaben vergisst und ob es Wissen übertragen kann.

Strategien gegen katastrophales Vergessen

Replay-Verfahren

Replay bedeutet, dass ein Modell beim Lernen neuer Aufgaben auch alte Erfahrungen erneut sieht. Das kann auf zwei Arten geschehen. Bei Rehearsal werden ausgewählte alte Beispiele gespeichert und später wieder in das Training gemischt. Bei generativem Replay erzeugt ein zusätzliches Modell künstliche Beispiele, die frühere Daten nachahmen.

Replay hilft, weil das Modell nicht nur die neue Aufgabe optimiert, sondern auch an frühere Aufgaben erinnert wird. Gleichzeitig entstehen Herausforderungen: Welche Daten dürfen gespeichert werden? Wie schützt man Datenschutz? Wie vermeidet man, dass gespeicherte Beispiele verzerrt sind? Wie groß darf der Speicher sein?

Regularisierung und Gewichtsschutz

Regularisierung verändert das Lernen so, dass bestimmte Änderungen erschwert werden. Ein bekanntes Verfahren ist Elastic Weight Consolidation oder EWC. Die Grundidee: Manche Gewichte sind für alte Aufgaben besonders wichtig. Diese Gewichte sollen beim Lernen neuer Aufgaben nicht zu stark verändert werden. Das Modell darf lernen, aber es bezahlt eine Art „Strafe“, wenn es wichtige alte Parameter zu weit verschiebt.

Du kannst Dir das wie Federn vorstellen: Wichtige Gewichte sind elastisch an ihre alten Werte gebunden. Je wichtiger ein Gewicht war, desto stärker zieht die Feder es zurück. So wird das alte Wissen nicht vollständig eingefroren, aber geschützt.

Funktionale Regularisierung und Wissensdestillation

Bei funktionaler Regularisierung schützt man nicht nur einzelne Gewichte, sondern das Verhalten des Modells. Ein Modell soll bei alten Beispielen ähnliche Ausgaben erzeugen wie früher. Ein Verfahren dafür ist Wissensdestillation: Ein altes Modell dient als Lehrer, ein neues Modell lernt die neue Aufgabe und soll gleichzeitig die alten Antworten möglichst erhalten.

Dieser Ansatz ist nützlich, wenn die genaue interne Struktur weniger wichtig ist als die beobachtbare Leistung. Er kann jedoch scheitern, wenn alte Daten fehlen oder wenn die alten Vorhersagen selbst fehlerhaft waren.

Architektur-Verfahren

Manche Ansätze verändern die Architektur des Netzes. Neue Aufgaben erhalten eigene Module, neue Pfade oder zusätzliche Kapazität. Das kann verhindern, dass neue Aufgaben alte Gewichte überschreiben. Beispiele sind progressive Netze, modulare Netze und Systeme mit getrennten Speichern.

Der Vorteil: Alte Fähigkeiten können besser erhalten bleiben. Der Nachteil: Das Modell kann mit jeder neuen Aufgabe größer werden. Deshalb braucht man Verfahren, die wachsen können, ohne unkontrolliert Speicher und Rechenleistung zu verbrauchen.

Externe Speicher und Abrufsysteme

Nicht jedes Wissen muss dauerhaft in den Gewichten eines neuronalen Netzes gespeichert sein. Moderne KI-Systeme können mit Datenbanken, Wissensgraphen, Vektordatenbanken oder abrufgestützter Generierung arbeiten. Dann bleibt ein Teil des Wissens außerhalb des Modells und wird bei Bedarf abgerufen.

Das kann kontinuierliches Lernen sicherer machen: Neue Informationen werden nicht sofort in die Modellgewichte geschrieben, sondern zunächst geprüft, dokumentiert und abrufbar gemacht. Trotzdem ist auch hier Vorsicht nötig: Ein Abrufsystem kann veraltete, falsche oder manipulierte Informationen liefern.

Neuronale Netze neu denken

Neuronale Netze neu denken bedeutet nicht, alle bestehenden Verfahren zu verwerfen. Es bedeutet, ihre Grenzen ernst zu nehmen. Viele heutige Netze sind leistungsfähig, aber sie werden häufig als relativ statische Wissensspeicher genutzt. Kontinuierliches Lernen fragt, wie Netze zu dynamischeren Systemen werden können.

Wichtige Denkachsen sind:

Gedächtnis: Was wird in Gewichten gespeichert, was in externen Speichern, was nur im aktuellen Kontext?
Modularität: Können Aufgaben getrennte, kombinierbare Teilnetze nutzen?
Konsolidierung: Wie wird wichtiges Wissen langfristig stabilisiert?
Transfer: Wie kann altes Wissen neue Aufgaben erleichtern, statt nur geschützt zu werden?
Evaluation: Wie misst man nicht nur Momentleistung, sondern Lernfähigkeit über Zeit?
Sicherheit: Wie verhindert man schädliche Updates, Datenvergiftung und unkontrollierte Verhaltensänderungen?

Kontinuierliches Lernen bei großen Sprachmodellen

Bei großen Sprachmodellen ist wichtig zu unterscheiden: Ein Modell kann im Gespräch Informationen im Kontextfenster berücksichtigen, ohne seine langfristigen Gewichte zu verändern. Es kann außerdem mit Abrufsystemen verbunden sein, ohne dass es wirklich kontinuierlich in seinen Parametern lernt. Dauerhaftes Weiterlernen würde bedeuten, dass neue Informationen kontrolliert in das Modelltraining oder in stabile Speicherstrukturen einfließen.

Gerade bei Sprachmodellen ist unkontrolliertes Weiterlernen riskant. Falsche Informationen, manipulierte Texte, persönliche Daten oder einseitige Quellen könnten dauerhaft übernommen werden. Deshalb braucht kontinuierliches Lernen bei solchen Systemen klare Regeln, Prüfungen, Quellenbewertung und Möglichkeiten zur Korrektur.

Bewertung von Continual-Learning-Systemen

Ein gutes Continual-Learning-System wird nicht nur daran gemessen, ob es die letzte Aufgabe gut löst. Es muss über eine Aufgabenfolge hinweg bewertet werden. Wichtige Fragen sind:

Genauigkeit: Wie gut löst das Modell neue und alte Aufgaben?
Vergessensmaß: Wie stark sinkt die Leistung auf früheren Aufgaben?
Vorwärts-Transfer: Hilft altes Wissen beim Lernen neuer Aufgaben?
Rückwärts-Transfer: Verbessert neues Lernen sogar alte Aufgaben?
Speicherbedarf: Wie viele alte Daten oder Zusatzmodule werden benötigt?
Rechenaufwand: Wie teuer ist das Weiterlernen?
Robustheit: Bleibt das Modell stabil gegenüber Rauschen, Manipulation und veränderten Daten?

Anwendungen

Kontinuierliches Lernen ist besonders relevant, wenn KI-Systeme in offenen, dynamischen Umgebungen arbeiten. Beispiele sind Robotik, autonome Fahrzeuge, medizinische Diagnostik, Cybersicherheit, Industrie 4.0, personalisierte Bildung, Sprachtechnologie und Assistenzsysteme.

In der Robotik muss ein System aus neuen Räumen und Objekten lernen, ohne sichere Bewegungsmuster zu verlieren. In der Medizin müssen neue Erkenntnisse berücksichtigt werden, ohne validiertes Wissen zu zerstören. In der Cybersicherheit ändern sich Angriffsmuster ständig, während alte Erkennungsmuster weiterhin wichtig bleiben. In der Bildung könnten adaptive Systeme Lernstände über Zeit berücksichtigen, müssen aber Datenschutz, Fairness und pädagogische Verantwortung beachten.

Risiken und Verantwortung

Kontinuierliches Lernen ist nicht automatisch gut. Ein System, das dauerhaft lernt, kann auch dauerhaft Fehler übernehmen. Es kann durch manipulierte Daten beeinflusst werden. Es kann Vorurteile verstärken, wenn neue Daten unausgewogen sind. Es kann alte Sicherheitsprüfungen umgehen, wenn Updates nicht kontrolliert werden. Deshalb sind KI-Ethik, Datenschutz, Transparenz, Überprüfbarkeit und Governance zentrale Bestandteile.

Für verantwortungsvolle Systeme brauchst Du mindestens drei Ebenen: technische Methoden gegen Vergessen, organisatorische Regeln für Updates und gesellschaftliche Kontrolle darüber, welche Daten und Ziele ein System prägen dürfen.

Lernvideo zur Vertiefung

Das folgende englischsprachige Video vertieft kontinuierliches Lernen und katastrophales Vergessen aus Sicht der Deep-Learning-Forschung.

{{#ev:youtube|https://www.youtube.com/watch?v=vjaq03IYgSk%7C500%7Ccenter}}

Zusammenfassung

Kontinuierliches Lernen der KI ist ein Forschungsfeld, das neuronale Netze lernfähiger, robuster und langfristig anpassbarer machen will. Die zentrale Herausforderung ist katastrophales Vergessen: Neue Daten können alte Fähigkeiten überschreiben. Wichtige Lösungsansätze sind Replay, Regularisierung, Wissensdestillation, modulare Architekturen, externe Speicher und sorgfältige Evaluation. Der Leitgedanke lautet: Eine zukunftsfähige KI sollte nicht nur viel wissen, sondern kontrolliert lernen, begründet erinnern und verantwortungsvoll aktualisiert werden.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was ist das Hauptziel von kontinuierlichem Lernen in der KI? (Neue Aufgaben lernen, ohne altes Wissen stark zu verlieren) (!Ein Modell nach jedem Training vollständig löschen) (!Nur mit einem einzigen festen Datensatz arbeiten) (!Alle Entscheidungen ohne Daten treffen)

Was bedeutet katastrophales Vergessen bei neuronalen Netzen? (Ein Modell verliert frühere Fähigkeiten nach neuem Training) (!Ein Modell speichert alle Trainingsdaten vollständig) (!Ein Modell lernt überhaupt keine neuen Aufgaben) (!Ein Modell wird durch mehr Daten immer perfekt)

Welche Spannung beschreibt das Stabilitäts-Plastizitäts-Dilemma? (Die Balance zwischen Bewahren und Anpassen) (!Die Wahl zwischen Tastatur und Maus) (!Die Speicherung von Bildern in Tabellen) (!Die Umwandlung von Strom in Licht)

Was ist Replay im kontinuierlichen Lernen? (Alte oder nachgebildete Beispiele werden erneut zum Lernen genutzt) (!Ein Modell wird ohne Training eingesetzt) (!Ein Datensatz wird absichtlich zerstört) (!Ein Netzwerk bekommt keine Eingaben mehr)

Welche Grundidee steckt hinter Elastic Weight Consolidation? (Wichtige Gewichte früherer Aufgaben werden vor starken Änderungen geschützt) (!Alle Gewichte werden nach jeder Aufgabe zufällig gesetzt) (!Das Modell wird nur mit Bildern trainiert) (!Die Ausgabeschicht wird immer gelöscht)

Was ist generatives Replay? (Ein Modell erzeugt Ersatzbeispiele für frühere Erfahrungen) (!Ein Modell vergisst absichtlich alle alten Aufgaben) (!Ein Modell nutzt ausschließlich handgeschriebene Regeln) (!Ein Modell darf keine neuen Daten sehen)

Wozu dienen Aufgabenfolgen wie Split MNIST in der Forschung? (Sie machen Lernen und Vergessen über mehrere Aufgaben messbar) (!Sie ersetzen jede Form von Evaluation) (!Sie beweisen, dass alle KI-Systeme bewusst sind) (!Sie verhindern grundsätzlich jede Datenverschiebung)

Was beschreibt Datenverschiebung im Kontext lernender Systeme? (Die statistischen Eigenschaften neuer Daten unterscheiden sich von früheren Daten) (!Die Daten werden immer alphabetisch sortiert) (!Alle Daten sind dauerhaft identisch) (!Ein Modell erzeugt keine Ausgaben mehr)

Warum können externe Speicher beim kontinuierlichen Lernen hilfreich sein? (Sie trennen abrufbares Wissen teilweise von den Modellgewichten) (!Sie machen Sicherheitsprüfungen überflüssig) (!Sie löschen automatisch alle Fehler) (!Sie verhindern jede Form von Datenschutz)

Warum ist unkontrolliertes Weiterlernen riskant? (Fehlerhafte oder manipulierte Daten können dauerhaft übernommen werden) (!Modelle würden dadurch nie wieder neue Aufgaben lernen) (!Alle Trainingsdaten würden automatisch wahr) (!Rechenleistung hätte keinen Einfluss mehr)

Memory

Katastrophales Vergessen	Verlust alter Fähigkeiten nach neuem Training
Replay	Wiederholen alter oder erzeugter Beispiele
Plastizität	Fähigkeit zur Anpassung an neue Daten
Stabilität	Bewahrung bereits gelernter Kompetenzen
Regularisierung	Begrenzung unerwünschter Parameteränderungen
Wissensdestillation	Lernen von den Ausgaben eines Lehrermodells
Datenverschiebung	Veränderung der Datenverteilung
Externer Speicher	Abrufbares Wissen außerhalb der Gewichte

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Katastrophales Vergessen	Altes Wissen geht nach neuem Training verloren
Replay	Frühere Beispiele werden wiederholt oder nachgebildet
Regularisierung	Wichtige Gewichte werden vor starken Änderungen geschützt
Modulare Architektur	Neue Aufgaben können eigene Teilbereiche nutzen
Datenverschiebung	Neue Daten folgen einer veränderten Verteilung
Evaluation	Lernen wird über mehrere Aufgaben hinweg geprüft

Kreuzworträtsel

Vergessen	Wie heißt das Problem, wenn ein Netz altes Wissen beim neuen Training verliert?
Replay	Welche Methode wiederholt alte Beispiele oder erzeugt Ersatzbeispiele?
Regularisierung	Welche Strategie schützt wichtige Gewichte durch Strafbegriffe im Lernen?
Architektur	Welche Ebene eines Netzes kann durch neue Module oder Spezialpfade verändert werden?
Plastizitaet	Welche Fähigkeit beschreibt die Anpassung an neue Daten?
Stabilitaet	Welche Fähigkeit beschreibt die Bewahrung alten Wissens?

LearningApps

Lückentext

Kontinuierliches Lernen bedeutet, dass ein KI-System aus einer Folge neuer

lernen kann. Eine zentrale Schwierigkeit ist das

, weil neue Trainingsdaten frühere Fähigkeiten überschreiben können. Das Stabilitäts-Plastizitäts-Dilemma beschreibt die Balance zwischen

und Anpassung. Replay-Verfahren nutzen alte oder erzeugte

, damit frühere Kompetenzen im Training sichtbar bleiben. Regularisierung schützt wichtige

, damit sie sich nicht unkontrolliert verändern. Bei Wissensdestillation orientiert sich ein neues Modell an den

eines älteren Modells. Externe Speicher können Wissen außerhalb der Modellgewichte

machen. Eine verantwortungsvolle KI braucht technische Methoden, sichere Prozesse und klare

.

Offene Aufgaben

Leicht

Begriffe erklären: Erstelle ein Glossar mit zehn Begriffen zu kontinuierlichem Lernen und formuliere jede Erklärung in eigenen Worten.
Alltagsvergleich: Vergleiche katastrophales Vergessen mit einer Alltagssituation, in der neues Lernen alte Gewohnheiten verdrängt.
Skizze erstellen: Zeichne ein einfaches neuronales Netz mit Eingabe, versteckter Schicht und Ausgabe und beschrifte die Bestandteile.
Videoauswertung: Notiere nach dem Video drei Aussagen, die Du verstanden hast, und zwei Fragen, die offen geblieben sind.

Standard

Fallbeispiel analysieren: Beschreibe ein KI-System in der Medizin, im Verkehr oder in der Schule und erkläre, warum kontinuierliches Lernen dort nützlich und riskant sein kann.
Methodenvergleich: Vergleiche Replay, Regularisierung und modulare Architekturen in einer Tabelle nach Nutzen, Grenzen und Datenschutzfragen.
Experiment planen: Entwirf ein kleines Experiment mit einer Aufgabenfolge, mit dem Du katastrophales Vergessen sichtbar machen könntest.
Debatte vorbereiten: Bereite Argumente für und gegen dauerhaft lernende Sprachmodelle vor.

Schwer

Forschungsfrage entwickeln: Formuliere eine eigene Forschungsfrage zu kontinuierlichem Lernen und leite daraus eine prüfbare Hypothese ab.
Evaluationskonzept: Entwickle ein Bewertungsraster für ein KI-System, das über mehrere Aufgaben hinweg lernen soll, und berücksichtige Genauigkeit, Vergessen, Transfer und Sicherheit.
Ethikgutachten: Schreibe ein kurzes Gutachten zu den Risiken unkontrollierter Modellupdates in einem sensiblen Bereich wie Medizin, Justiz oder Bildung.
Prototyp konzipieren: Skizziere eine Systemarchitektur mit neuralem Modell, externem Wissensspeicher, Prüfprozess und Update-Freigabe.

Lernkontrolle

Transferaufgabe Robotik: Erkläre, warum ein Haushaltsroboter, der neue Räume kennenlernt, alte Sicherheitsregeln nicht vergessen darf, und schlage eine technische Gegenmaßnahme vor.
Vergleich Mensch Maschine: Vergleiche menschliches Lernen mit kontinuierlichem Lernen in KI-Systemen und arbeite mindestens zwei Gemeinsamkeiten und zwei Unterschiede heraus.
Risikoanalyse: Analysiere ein Szenario, in dem ein KI-System durch manipulierte neue Daten schrittweise schlechter wird, und entwickle ein Kontrollverfahren.
Methodenentscheidung: Entscheide begründet, ob für ein medizinisches Assistenzsystem eher Replay, Regularisierung, externe Speicher oder eine Kombination geeignet wäre.
Bewertung von Fortschritt: Entwickle Kriterien, mit denen Du prüfen kannst, ob ein Modell wirklich kontinuierlich lernt oder nur die neueste Aufgabe gut löst.
Gesellschaftlicher Bezug: Diskutiere, welche Regeln Schulen, Unternehmen oder Behörden brauchen, bevor sie dauerhaft lernende KI-Systeme einsetzen.
Architekturdenken: Entwirf ein modulares Lernsystem und erkläre, wie es alte und neue Kompetenzen voneinander abgrenzen kann.

Lernnachweis

Für einen überzeugenden Lernnachweis zu diesem Thema solltest Du zeigen, dass Du nicht nur einzelne Begriffe kennst, sondern Zusammenhänge erklären und auf neue Situationen übertragen kannst.

Begriffsverständnis: Du erklärst kontinuierliches Lernen, katastrophales Vergessen, Replay, Regularisierung und Stabilitäts-Plastizitäts-Dilemma korrekt.
Zusammenhangswissen: Du zeigst, warum neue Daten alte Fähigkeiten eines neuronalen Netzes beeinflussen können.
Methodenkompetenz: Du vergleichst mehrere Lösungsansätze und bewertest ihre Vor- und Nachteile.
Transferleistung: Du überträgst das Thema auf ein eigenes Beispiel aus Robotik, Medizin, Bildung, Cybersicherheit oder Sprachtechnologie.
Reflexion: Du beurteilst Chancen und Risiken dauerhaft lernender KI-Systeme aus technischer und gesellschaftlicher Perspektive.
Darstellung: Du präsentierst Deine Ergebnisse verständlich, fachlich sauber und mit passenden Visualisierungen.

OERs zum Thema

Links

Kontinuierliches Lernen der KI

aiMOOC-Projekte

Schulfach+

Prüfungsliteratur 2026
Bundesland	Bücher	Kurzbeschreibung
Baden-Württemberg	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck Mittlere Reife Der Markisenmann - Jan Weiler oder Als die Welt uns gehörte - Liz Kessler Ein Schatten wie ein Leopard - Myron Levoy oder Pampa Blues - Rolf Lappert	Abitur Dorfrichter-Komödie über Wahrheit/Schuld; Roman über einen Ort und deutsche Geschichte. Mittlere Reife Wahllektüren (Roadtrip-Vater-Sohn / Jugendroman im NS-Kontext / Coming-of-age / Provinzroman).
Bayern	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Lustspiel über Machtmissbrauch und Recht; Roman als Zeitschnitt deutscher Geschichte an einem Haus/Grundstück.
Berlin/Brandenburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Der Biberpelz - Gerhart Hauptmann Heimsuchung - Jenny Erpenbeck	Abitur Gerichtskomödie; soziales Drama um Ausbeutung/Armut; Komödie/Satire um Diebstahl und Obrigkeit; Roman über Erinnerungsräume und Umbrüche.
Bremen	Abitur Nach Mitternacht - Irmgard Keun Mario und der Zauberer - Thomas Mann Emilia Galotti - Gotthold Ephraim Lessing oder Miss Sara Sampson - Gotthold Ephraim Lessing	Abitur Roman in der NS-Zeit (Alltag, Anpassung, Angst); Novelle über Verführung/Massenpsychologie; bürgerliche Trauerspiele (Moral, Macht, Stand).
Hamburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun	Abitur Justiz-/Machtkritik als Komödie; Großstadtroman der Weimarer Zeit (Rollenbilder, Aufstiegsträume, soziale Realität).
Hessen	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Heimsuchung - Jenny Erpenbeck Der Prozess - Franz Kafka	Abitur Gerichtskomödie; Fragmentdrama über Gewalt/Entmenschlichung; Erinnerungsroman über deutsche Brüche; moderner Roman über Schuld, Macht und Bürokratie.
Niedersachsen	Abitur Der zerbrochene Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun Die Marquise von O. - Heinrich von Kleist Über das Marionettentheater - Heinrich von Kleist	Abitur Schwerpunkt auf Drama/Roman sowie Kleist-Prosatext und Essay (Ehre, Gewalt, Unschuld; Ästhetik/„Anmut“).
Nordrhein-Westfalen	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Komödie über Wahrheit und Autorität; Roman als literarische „Geschichtsschichtung“ an einem Ort.
Saarland	Abitur Heimsuchung - Jenny Erpenbeck Furor - Lutz Hübner und Sarah Nemitz Bahnwärter Thiel - Gerhart Hauptmann	Abitur Erinnerungsroman an einem Ort; zeitgenössisches Drama über Eskalation/Populismus; naturalistische Novelle (Pflicht/Überforderung/Abgrund).
Sachsen (berufliches Gymnasium)	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Irrungen, Wirrungen - Theodor Fontane Der gute Mensch von Sezuan - Bertolt Brecht Heimsuchung - Jenny Erpenbeck Der Trafikant - Robert Seethaler	Abitur Mischung aus Klassiker-Drama, sozialem Drama, realistischem Roman, epischem Theater und Gegenwarts-/Erinnerungsroman; zusätzlich Coming-of-age im historischen Kontext.
Sachsen-Anhalt	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Themenfelder)	Abitur Schwerpunktsetzung über Themenfelder (u. a. Literatur um 1900; Sprache in politisch-gesellschaftlichen Kontexten), ohne feste Einzeltitel.
Schleswig-Holstein	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Recht/Gerechtigkeit und historische Tiefenschichten eines Ortes – umgesetzt über Drama und Gegenwartsroman.
Thüringen	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Orientierung am gemeinsamen Aufgabenpool)	Abitur In der Praxis häufig Orientierung am gemeinsamen Aufgabenpool; landesweite Einzeltitel je nach Vorgabe/Handreichung nicht einheitlich ausgewiesen.
Mecklenburg-Vorpommern	Abitur (Quelle aktuell technisch nicht abrufbar; Beteiligung am gemeinsamen Aufgabenpool bekannt)	Abitur Land beteiligt sich am länderübergreifenden Aufgabenpool; konkrete, veröffentlichte Einzeltitel konnten hier nicht ausgelesen werden.
Rheinland-Pfalz	Abitur (keine landesweit einheitliche Pflichtlektüre; schulische Auswahl)	Abitur Keine landesweite Einheitsliste; Auswahl kann schul-/kursbezogen erfolgen.