Adaptive MoE - KI im Wandel

Einleitung

Adaptive MoE: KI im Wandel / Neuronale Netze neu denken führt Dich in ein zukunftsorientiertes Thema des maschinellen Lernens ein: Mixture-of-Experts-Modelle, die sich an nichtstationäre Datenströme anpassen. Das Thema verbindet Künstliche Intelligenz, neuronale Netze, Online-Lernen, Konzeptdrift, Monitoring und Modularität in KI-Systemen. Es eignet sich besonders für die Sekundarstufe II, Berufliche Bildung, Informatik-Kurse, Data Science-Einführungen und Studiengänge mit Bezug zu KI.

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

Ein klassisches neuronales Netz wird häufig als ein großes Modell gedacht, das aus Trainingsdaten eine möglichst stabile Funktion lernt. In vielen realen Anwendungen bleiben die Daten jedoch nicht stabil: Kundschaft verändert ihr Verhalten, Sensoren altern, Betrugsstrategien wandeln sich, Sprache entwickelt neue Ausdrücke, Märkte reagieren auf Ereignisse und Lernende lösen Aufgaben nach neuen Mustern. Ein adaptives Mixture-of-Experts-System versucht deshalb, nicht nur einmal zu lernen, sondern fortlaufend zu erkennen, welcher Teil des Modells gerade zuständig ist, welche Experten gestärkt werden sollen und wann Anpassung nötig wird.

Grundidee: Warum neuronale Netze neu denken?

Viele Deep-Learning-Modelle sind monolithisch: Ein sehr großes Netz verarbeitet jede Eingabe mit weitgehend derselben Struktur. Das kann leistungsstark sein, aber es ist nicht immer effizient, robust oder leicht anpassbar. Mixture-of-Experts verfolgt eine andere Idee: Statt jedes Problem mit demselben Gesamtmodell zu lösen, arbeiten mehrere spezialisierte Teilmodelle zusammen. Ein Router oder Gating-Mechanismus entscheidet, welche Experten für eine Eingabe besonders relevant sind.

Dieses Denken ist für die Zukunft der KI wichtig, weil es drei Fragen neu stellt: Welche Teile eines Modells müssen bei einer konkreten Aufgabe wirklich aktiv sein? Wie kann ein Modell Spezialisierung lernen, ohne den Gesamtzusammenhang zu verlieren? Wie kann ein System auf neue Daten reagieren, ohne alles von Grund auf neu zu trainieren?

Vom dichten Modell zur modularen Architektur

Ein dichtes Modell nutzt bei jeder Eingabe nahezu alle Parameter. Ein sparse oder bedingt aktiviertes MoE-Modell nutzt dagegen nur ausgewählte Experten. Dadurch kann ein System viele spezialisierte Parameter besitzen, ohne bei jeder Vorhersage alle zu aktivieren. Diese Idee ist besonders relevant für große Sprachmodelle, aber auch für Klassifikation, Zeitreihen, Betrugserkennung, Empfehlungssysteme, Medizinische Informatik, Robotik und Industrie 4.0.

Ein MoE besteht vereinfacht aus drei Bausteinen: mehreren Experten, einem Router und einer Zusammenführung der Ausgaben. Die Experten können kleine neuronale Netze, Entscheidungsbäume, Klassifikatoren oder andere Lernverfahren sein. Der Router entscheidet, ob eine Eingabe zum Beispiel an einen Sprach-, Bild-, Sensor-, Klassen- oder Regime-Experten weitergeleitet wird. Die finale Ausgabe kann durch Auswahl, gewichtete Mischung oder Abstimmung entstehen.

Zentrale Begriffe

Mixture of Experts

Mixture-of-Experts bedeutet wörtlich Mischung von Experten. Gemeint ist eine Modellarchitektur, in der mehrere Teilmodelle gemeinsam eine Aufgabe lösen. Jeder Experte lernt einen Ausschnitt des Problems, während ein Router entscheidet, welcher Experte oder welche Expertengruppe für eine konkrete Eingabe zuständig ist. Ein MoE kann dadurch eine Aufgabe in kleinere Teilprobleme zerlegen.

Ein Beispiel: Ein System zur Analyse von Nachrichten könnte einen Experten für Wirtschaftstexte, einen für Sportmeldungen, einen für medizinische Sprache und einen für kurze Social-Media-Beiträge entwickeln. Der Router erkennt anhand der Eingabe, welche Spezialisierung wahrscheinlich hilft. In der Praxis entstehen solche Spezialisierungen nicht immer so sauber wie im Beispiel. Deshalb sind Load Balancing, Regularisierung, Monitoring und Evaluation wichtig.

Router und Gating

Der Router ist die Schaltzentrale eines MoE. Er berechnet für eine Eingabe, welche Experten aktiviert werden. Bei Top-k-Routing werden nur die k passendsten Experten genutzt. Bei Soft Routing erhalten mehrere Experten Gewichte. Bei Expert Choice Routing wählen Experten passende Eingaben aus, was eine gleichmäßigere Auslastung unterstützen kann.

Ein Router muss zwei Ziele ausbalancieren: Er soll die besten Experten auswählen und zugleich verhindern, dass einzelne Experten überlastet werden, während andere kaum lernen. Dieses Problem heißt Load Balancing. Ohne gute Lastverteilung kann ein MoE zwar viele Experten besitzen, aber effektiv nur wenige nutzen.

Nichtstationäre Datenströme

Ein Datenstrom ist eine fortlaufende Folge von Datenpunkten, die nacheinander eintreffen. Beispiele sind Klicks in einem Online-Shop, Transaktionen einer Bank, Sensordaten einer Maschine, Verkehrsflussdaten, Wetterdaten oder Eingaben in einer Lernplattform. Nichtstationär bedeutet, dass sich die statistischen Eigenschaften des Datenstroms im Laufe der Zeit verändern.

Bei nichtstationären Daten kann ein Modell, das gestern gut war, morgen schlechter werden. Ein starres Modell erkennt diese Veränderung oft erst spät. Ein adaptives System versucht dagegen, Drift zu erkennen, Wissen gezielt zu aktualisieren und neue Muster aufzunehmen.

Concept Drift und Data Drift

Konzeptdrift liegt vor, wenn sich die Beziehung zwischen Eingaben und Zielgröße verändert. Eine E-Mail mit bestimmten Merkmalen war früher vielleicht harmlos, wird aber später eher als Spam eingestuft, weil Angreifende ihre Strategien ändern. Datendrift bezeichnet dagegen eine Veränderung der Eingabeverteilung: Die Daten sehen anders aus, auch wenn die Zielbeziehung zunächst gleich bleiben kann.

Für adaptive MoE-Systeme ist die Unterscheidung wichtig: Bei Datendrift reicht manchmal eine Anpassung der Vorverarbeitung oder des Routers. Bei Konzeptdrift müssen oft Experten aktualisiert, neue Experten erzeugt oder alte Experten weniger stark gewichtet werden.

Online Learning und Continual Learning

Online-Lernen bedeutet, dass ein Modell aus Daten lernt, während diese eintreffen. Kontinuierliches Lernen erweitert diese Idee um die Frage, wie ein System langfristig neues Wissen aufnehmen kann, ohne wichtiges altes Wissen zu verlieren. Dieses Problem nennt man katastrophales Vergessen.

Ein adaptives MoE kann hier helfen, weil neue Daten nicht zwingend das gesamte Modell überschreiben müssen. Stattdessen können passende Experten aktualisiert, zusätzliche Experten angelegt oder ältere Experten archiviert werden. Dennoch bleibt die Gefahr bestehen, dass das System frühere Muster vergisst oder falsche Spezialisierungen verstärkt.

Adaptive MoE: Wie funktioniert die Anpassung?

Ein Adaptive MoE ist kein einzelnes festes Standardmodell, sondern eine Familie von Ansätzen. Gemeinsam ist ihnen die Idee, dass Experten, Router oder beide Komponenten dynamisch auf neue Daten reagieren. Adaptive MoE-Systeme sind besonders interessant für Datenstromanalyse, MLOps, Edge Computing, Cybersecurity und KI-Monitoring.

Schritt 1: Datenstrom beobachten

Zunächst wird der laufende Datenstrom überwacht. Das System kann Eingabeverteilungen, Fehlerquoten, Unsicherheiten, Klassenhäufigkeiten, Ausreißer und Veränderungen der Modellleistung beobachten. Solches Monitoring ist wichtig, weil Drift oft nicht direkt sichtbar ist. Manchmal verschlechtern sich Vorhersagen plötzlich, manchmal schleichend.

Ein Beispiel aus der Industrie 4.0: Ein Sensor in einer Maschine liefert über Monate stabile Werte. Durch Alterung verschiebt sich das Signal langsam. Ein starres Modell könnte dies als echte Prozessveränderung fehlinterpretieren. Ein adaptives System muss unterscheiden, ob die Maschine anders arbeitet, der Sensor driftet oder das Modell nicht mehr passt.

Schritt 2: Drift erkennen

Zur Drift-Erkennung können statistische Tests, gleitende Fenster, Fehlerüberwachung oder spezialisierte Drift-Detektoren genutzt werden. Bekannte Ideen sind ADWIN, Page-Hinkley-Test, DDM oder KSWIN. Entscheidend ist nicht der Name des Verfahrens, sondern die didaktische Grundfrage: Vergleicht das System eine neue Datenphase mit einer früheren Phase und erkennt es eine relevante Veränderung?

Drift-Erkennung ist schwierig, weil nicht jede Veränderung wichtig ist. Zu empfindliche Detektoren erzeugen Fehlalarme. Zu träge Detektoren reagieren zu spät. In sicherheitskritischen Anwendungen muss deshalb genau festgelegt werden, wann ein Modell automatisch angepasst werden darf und wann menschliche Prüfung nötig ist.

Schritt 3: Experten spezialisieren

Ein MoE wird stark, wenn Experten unterschiedliche Ausschnitte des Problems lernen. In einem adaptiven System können Experten auf verschiedene Datenregime, Klassen, Zeiträume, Regionen, Gerätetypen oder Nutzergruppen spezialisiert werden. Ein Experte könnte etwa für normale Betriebszustände zuständig sein, ein anderer für seltene Fehlermuster und ein dritter für neue Daten nach einem Drift.

Spezialisierung entsteht durch Training, Routing und Feedback. Wenn ein Experte für bestimmte Eingaben gute Vorhersagen liefert, kann der Router lernen, ähnliche Eingaben künftig häufiger an ihn zu senden. Dadurch entsteht eine Rückkopplung: Der Router verbessert die Zuordnung, und die Experten werden in ihren Bereichen genauer.

Schritt 4: Router anpassen

Der Router ist bei nichtstationären Daten besonders wichtig. Wenn sich der Datenstrom verändert, muss er erkennen, dass frühere Zuständigkeiten nicht mehr optimal sind. Er kann die Gewichte zwischen Experten verschieben, neue Experten einbeziehen oder veraltete Experten seltener aktivieren.

Ein Fehler im Router kann trotz guter Experten zu schlechten Ergebnissen führen. Deshalb wird der Router oft mit Zusatzverlusten trainiert, die Load Balancing, Vielfalt und stabile Nutzung fördern. Bei Fairness-kritischen Aufgaben muss außerdem geprüft werden, ob bestimmte Gruppen systematisch an schlechtere Experten weitergeleitet werden.

Schritt 5: Wissen erhalten und erneuern

Adaptive Systeme müssen zwischen Stabilität und Plastizität vermitteln. Stabilität bedeutet, dass bewährtes Wissen nicht sofort überschrieben wird. Plastizität bedeutet, dass neue Muster gelernt werden können. Ein gutes Adaptive-MoE-System braucht beides.

Mögliche Strategien sind Expertenspeicher, Replay-Daten, gleitende Fenster, Gewichtung nach Aktualität, Expertenerzeugung, Expertendeaktivierung und regelmäßige Evaluation. Dabei muss stets dokumentiert werden, welche Daten zu welcher Anpassung geführt haben. Besonders in Medizin, Finanzen oder Bildung ist Nachvollziehbarkeit unverzichtbar.

Beispiel: Adaptive MoE in einem Datenstrom

Stell Dir ein System zur Erkennung betrügerischer Transaktionen vor. Zu Beginn kennt das Modell bestimmte Betrugsmuster. Nach einiger Zeit ändern Betrügende ihr Verhalten. Die Eingaben sehen anders aus, und die Beziehung zwischen Merkmalen und Zielklasse verschiebt sich. Ein einzelnes Modell müsste häufig komplett nachtrainiert werden. Ein adaptives MoE kann dagegen mehrere Experten nutzen: einen für bekannte Normalfälle, einen für ältere Betrugsmuster, einen für neue Auffälligkeiten und einen für unsichere Grenzfälle.

Der Router beobachtet jede Transaktion und wählt passende Experten. Wenn neue gelabelte Daten eintreffen, werden die zuständigen Experten aktualisiert. Wenn ein Experte über längere Zeit schlechter wird, kann er weniger Gewicht erhalten. Wenn ein neues Muster stabil auftritt, kann ein neuer Experte entstehen oder ein vorhandener Experte spezialisiert werden.

Ablauf in vereinfachter Form

Datenstrom: Neue Beispiele treffen fortlaufend ein.
Monitoring: Das System beobachtet Verteilungen, Fehler und Unsicherheit.
Drift-Erkennung: Eine relevante Veränderung wird vermutet oder bestätigt.
Routing: Der Router weist Eingaben passenden Experten zu.
Expertenspezialisierung: Zuständige Experten werden gezielt aktualisiert.
Evaluation: Das System prüft, ob Leistung, Fairness und Stabilität erhalten bleiben.

Chancen von Adaptive MoE

Adaptive MoE-Ansätze bieten mehrere Chancen. Sie können Rechenaufwand reduzieren, weil nicht immer alle Experten aktiv sind. Sie können Spezialisierung fördern, weil Experten unterschiedliche Teilprobleme bearbeiten. Sie können bei Drift flexibler reagieren, weil nicht zwingend das gesamte Modell neu trainiert werden muss. Sie können außerdem die Interpretierbarkeit verbessern, wenn sichtbar wird, welche Experten für welche Fälle zuständig sind.

Für MLOps ist besonders wichtig, dass Modelle in Produktion nicht als fertige, unveränderliche Artefakte betrachtet werden. Adaptive MoE macht deutlich, dass KI-Systeme überwacht, versioniert, getestet und verantwortungsvoll aktualisiert werden müssen. Dadurch wird KI weniger als einmaliges Trainingsprodukt und stärker als laufender Lernprozess verstanden.

Grenzen und Risiken

Adaptive MoE ist anspruchsvoll. Ein System kann falsche Experten auswählen, Drift falsch interpretieren, neue Muster überbewerten oder alte Kenntnisse vergessen. Viele Experten erhöhen zudem die Komplexität der Überwachung. Die scheinbare Effizienz durch sparse Aktivierung kann durch Kommunikationsaufwand, Speicherbedarf oder ungleichmäßige Auslastung teilweise verloren gehen.

Besonders kritisch sind Bias, Diskriminierung, Datenschutz, Sicherheit und Erklärbarkeit. Wenn ein Router bestimmte Gruppen regelmäßig an schlechter trainierte Experten sendet, kann ein Modell unfair werden. Wenn Drift automatisch zu Anpassungen führt, können Angriffe das Modell gezielt manipulieren. Deshalb müssen adaptive KI-Systeme mit Prüfmechanismen, Zugriffskontrollen, Audit-Trails und menschlicher Verantwortung verbunden werden.

Adaptive MoE und große Sprachmodelle

In großen Sprachmodellen wird MoE häufig mit sparsamer Aktivierung verbunden: Pro Token oder Eingabe werden nur ausgewählte Experten aktiviert. Dadurch kann ein Modell viele Parameter besitzen, ohne für jede Vorhersage alle zu nutzen. Adaptive MoE für nichtstationäre Datenströme geht darüber hinaus: Hier steht nicht nur Skalierung im Mittelpunkt, sondern Veränderung über die Zeit.

Wichtig ist: Nicht jedes MoE-Modell ist adaptiv. Ein MoE kann fest trainiert sein und sich nach dem Training nicht mehr ändern. Ein adaptives MoE muss Mechanismen besitzen, um Datenstromveränderungen zu erkennen, Zuständigkeiten neu zu verteilen oder Experten fortlaufend zu aktualisieren. Genau darin liegt der Wandel: Neuronale Netze werden nicht nur größer, sondern modularer, dynamischer und stärker in Lebenszyklen gedacht.

Didaktische Orientierung

Dieses Thema fordert Dich heraus, KI nicht nur als fertiges Werkzeug zu betrachten. Du lernst, Modelle als technische, mathematische und gesellschaftliche Systeme zu verstehen. Adaptive MoE verbindet algorithmisches Denken mit kritischer Reflexion: Welche Daten verändern sich? Wer entscheidet über Anpassungen? Wie messen wir Erfolg? Welche Fehler sind akzeptabel? Wann muss ein Mensch eingreifen?

Merksatz

Adaptive MoE bedeutet: Ein KI-System nutzt mehrere spezialisierte Experten und passt deren Auswahl, Gewichtung oder Training an veränderte Datenströme an.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was ist die Grundidee eines Mixture-of-Experts-Modells? (Mehrere spezialisierte Teilmodelle arbeiten mit einem Router zusammen) (!Ein einzelnes Modell verarbeitet immer alle Daten gleich) (!Ein Modell löscht nach jeder Eingabe alle Gewichte) (!Ein neuronales Netz wird nur für Bilder verwendet)

Welche Aufgabe hat der Router in einem MoE-System? (Er wählt passende Experten für eine Eingabe aus) (!Er ersetzt alle Trainingsdaten durch Zufallswerte) (!Er verhindert jede Spezialisierung der Experten) (!Er speichert ausschließlich die Hardwarekosten)

Was bedeutet Konzeptdrift im maschinellen Lernen? (Die Beziehung zwischen Eingaben und Zielgröße verändert sich) (!Die Schriftgröße im Datensatz verändert sich) (!Alle Daten werden automatisch korrekt) (!Ein Modell hat gar keine Zielgröße)

Warum sind nichtstationäre Datenströme für Modelle schwierig? (Weil sich Datenmuster im Laufe der Zeit verändern können) (!Weil Datenströme nie neue Werte enthalten) (!Weil stationäre Modelle immer perfekt bleiben) (!Weil neuronale Netze keine Eingaben verarbeiten)

Was ist ein Vorteil sparsamer Aktivierung in MoE-Modellen? (Nur ausgewählte Experten müssen pro Eingabe aktiv sein) (!Alle Experten müssen immer gleichzeitig rechnen) (!Das Modell braucht keine Evaluation) (!Der Router wird vollständig überflüssig)

Was beschreibt Load Balancing in einem MoE-System? (Die möglichst sinnvolle Verteilung von Eingaben auf Experten) (!Das Löschen aller selten genutzten Daten) (!Das manuelle Sortieren von Kabeln im Rechenzentrum) (!Die zufällige Auswahl ohne Rückmeldung)

Was ist katastrophales Vergessen? (Ein Modell verliert wichtiges altes Wissen beim Lernen neuer Muster) (!Ein Modell erinnert sich an jede Eingabe perfekt) (!Ein Router verteilt Daten immer gleichmäßig) (!Ein Datensatz wird in kleinere Tabellen geteilt)

Worin unterscheidet sich ein adaptives MoE von einem fest trainierten MoE? (Es kann auf Veränderungen im Datenstrom reagieren) (!Es besitzt grundsätzlich keine Experten) (!Es funktioniert ohne Eingabedaten) (!Es kann nur für Tabellenkalkulation genutzt werden)

Welche Rolle spielt Monitoring bei Adaptive MoE? (Es überwacht Leistung, Drift und mögliche Fehlentwicklungen) (!Es ersetzt jede Form von Training) (!Es garantiert automatisch Fairness) (!Es verhindert, dass Daten eintreffen)

Warum ist Adaptive MoE gesellschaftlich relevant? (Weil automatische Anpassungen kontrolliert und verantwortet werden müssen) (!Weil KI-Systeme dadurch nie Fehler machen) (!Weil Datenschutz keine Rolle mehr spielt) (!Weil alle Modelle dadurch vollständig erklärbar werden)

Memory

Router	Eingaben verteilen
Experte	Spezialisiertes Teilmodell
Konzeptdrift	Veränderte Zielbeziehung
Datendrift	Verschobene Eingabeverteilung
Online-Lernen	Lernen im Datenstrom
Load Balancing	Gleichmäßige Auslastung
Ensemble	Mehrere Modelle
Monitoring	Laufende Überwachung

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Router	Auswahl passender Experten
Experte	Spezialisierung auf Teilprobleme
Konzeptdrift	Veränderung der Zielbeziehung
Datendrift	Veränderung der Eingabeverteilung
Online-Lernen	Fortlaufende Aktualisierung
Monitoring	Beobachtung der Modellleistung

...

Kreuzworträtsel

Router	Welcher Baustein wählt passende Experten aus?
Expert	Wie heißt ein spezialisiertes Teilmodell im MoE?
Drift	Wie nennt man eine relevante Veränderung im Datenstrom?
Stream	Welches englische Wort steht für einen fortlaufenden Datenfluss?
Ensemble	Wie nennt man eine Gruppe mehrerer Modelle?
Fairness	Welches Ziel verhindert systematische Benachteiligung?

LearningApps

Lückentext

Ein Adaptive

nutzt mehrere spezialisierte Teilmodelle. Der

entscheidet, welche Experten für eine Eingabe zuständig sind. Bei nichtstationären

verändern sich Muster im Laufe der Zeit. Eine Veränderung der Beziehung zwischen Eingaben und Zielgröße heißt

. Eine Veränderung der Eingabeverteilung heißt

. Durch

kann ein System Leistung, Fehler und Unsicherheit beobachten. Sparse Aktivierung bedeutet, dass pro Eingabe nur ausgewählte

aktiv sind. Ein wichtiges Risiko beim kontinuierlichen Lernen ist das

. Adaptive KI-Systeme brauchen deshalb Evaluation, Dokumentation und

.

Offene Aufgaben

Leicht

Begriffslandkarte: Erstelle eine Mindmap zu Mixture of Experts, Router, Experte, Datenstrom, Konzeptdrift und Monitoring und erkläre jeden Begriff mit einem eigenen Beispiel.
Alltagsbeispiel: Beschreibe ein Alltagssystem, in dem mehrere Spezialisten besser wären als ein einzelner Generalist, und übertrage die Idee auf Adaptive MoE.
Videoanalyse: Schau Dir das eingebettete Video an und notiere fünf Aussagen, die erklären, warum neuronale Netze modularer gedacht werden können.
Vergleich: Erstelle eine Tabelle, in der Du ein monolithisches Modell und ein Mixture-of-Experts-Modell hinsichtlich Aufbau, Rechenaufwand und Anpassungsfähigkeit vergleichst.

Standard

Fallstudie: Entwickle ein Szenario für Adaptive MoE in der Betrugserkennung, Medizinische Informatik oder Industrie 4.0 und beschreibe Datenstrom, mögliche Drift und passende Experten.
Datenstrommodell: Skizziere einen Ablaufplan, der zeigt, wie neue Daten eintreffen, der Router Experten auswählt, Drift erkannt wird und Experten aktualisiert werden.
Ethikprüfung: Formuliere Prüffragen zu Fairness, Datenschutz, Transparenz und Verantwortung für ein adaptives KI-System.
Experimentbeschreibung: Plane ein kleines Experiment mit einem sich verändernden Datensatz und beschreibe, wie Du messen würdest, ob ein adaptives MoE besser reagiert als ein einzelnes Modell.

Schwer

Pseudocode: Schreibe Pseudocode für ein vereinfachtes Adaptive-MoE-System mit Router, drei Experten, Fehlerüberwachung und einer Regel zur Aktualisierung.
Forschungsfrage: Entwickle eine Forschungsfrage zur Expertenspezialisierung bei nichtstationären Datenströmen und begründe, welche Messgrößen Du verwenden würdest.
Risikoanalyse: Analysiere, wie ein Angreifer ein adaptives MoE durch manipulierte Daten beeinflussen könnte, und schlage Schutzmaßnahmen vor.
Transferprojekt: Entwirf ein Konzept für ein adaptives Lernsystem in der Schule, das Aufgaben an unterschiedliche Lernstände anpasst, und diskutiere Grenzen der Automatisierung.

Lernkontrolle

Transferanalyse: Erkläre an einem selbst gewählten Beispiel, warum Datendrift und Konzeptdrift unterschiedliche Reaktionen eines Adaptive-MoE-Systems erfordern.
Systementwurf: Entwirf eine Adaptive-MoE-Architektur für einen konkreten Datenstrom und begründe die Rollen von Router, Experten, Monitoring und Evaluation.
Fehlerdiagnose: Ein MoE-System nutzt fast immer denselben Experten und wird bei neuen Daten schlechter. Analysiere mögliche Ursachen und schlage Gegenmaßnahmen vor.
Ethikfall: Ein adaptives Modell benachteiligt nach einer automatischen Aktualisierung eine Nutzergruppe. Beschreibe, wie Du den Fehler untersuchen und verantwortungsvoll beheben würdest.
Vergleichsargumentation: Beurteile, wann ein einfaches Modell sinnvoller sein kann als ein Adaptive-MoE-System, obwohl Adaptive MoE flexibler wirkt.
Modelllebenszyklus: Erkläre, warum Training, Einsatz, Monitoring, Anpassung und Dokumentation gemeinsam betrachtet werden müssen.

Lernnachweis

Für einen guten Lernnachweis zu Adaptive MoE: KI im Wandel / Neuronale Netze neu denken solltest Du zeigen, dass Du nicht nur Begriffe wiedergeben, sondern Zusammenhänge erklären und übertragen kannst.

Begriffsverständnis: Du erklärst Mixture of Experts, Router, Experte, Datenstrom, Konzeptdrift, Datendrift, Online Learning und Monitoring korrekt.
Zusammenhangswissen: Du beschreibst, wie Router und Experten zusammenwirken und warum Spezialisierung bei veränderlichen Daten hilfreich sein kann.
Transferleistung: Du wendest Adaptive MoE auf ein neues Praxisbeispiel an und begründest Deine Architekturentscheidungen.
Kritische Reflexion: Du benennst Risiken wie Fehlrouting, Bias, Datenschutzprobleme, katastrophales Vergessen und Manipulation.
Evaluation: Du schlägst geeignete Messgrößen vor, etwa Genauigkeit über die Zeit, Drift-Reaktionszeit, Fehlalarme, Fairnessmetriken, Ressourcenverbrauch und Nachvollziehbarkeit.
Dokumentation: Du hältst fest, welche Daten, Annahmen, Updates und menschlichen Prüfentscheidungen im Modelllebenszyklus wichtig sind.

OERs zum Thema

Weiterführende freie und offene Quellen

Links

Adaptive Mixture-of-Experts

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.