Das Dilemma des katastrophalen Vergessens - Neuronale Netze neu denken

Das Dilemma des katastrophalen Vergessens / Neuronale Netze neu denken

Einleitung

Katastrophales Vergessen beschreibt ein zentrales Problem beim Lernen mit künstlichen neuronalen Netzen: Ein Netz kann nach dem Training auf neuen Daten einen Teil seines zuvor gelernten Wissens verlieren. Besonders sichtbar wird dieses Problem, wenn ein Modell nacheinander mehrere Aufgaben lernen soll, ohne bei jeder neuen Aufgabe vollständig neu trainiert zu werden. Genau hier setzt kontinuierliches Lernen an: Ein KI-System soll sich schrittweise an neue Situationen, Aufgaben und Datenverteilungen anpassen, ohne frühere Fähigkeiten unkontrolliert zu überschreiben.

Das Thema ist wichtig, weil viele reale Anwendungen nicht statisch sind. Autonomes Fahren, Robotik, Medizinische Diagnostik, Sprachmodelle, Bildverarbeitung, Industrielle Automatisierung und Personalisierte Lernsysteme verändern sich ständig durch neue Daten. Ein Modell, das nur in einem abgeschlossenen Trainingsdurchlauf gut funktioniert, ist für solche dynamischen Umgebungen nur begrenzt geeignet. Deshalb gehört das Dilemma des katastrophalen Vergessens zu den grundlegenden Zukunftsfragen der Künstlichen Intelligenz.

{{#ev:youtube| https://www.youtube.com/watch?v=24eOlN_5m18 |500|center}}

Lernziele

Nach diesem aiMOOC kannst Du erklären, was katastrophales Vergessen bedeutet, warum es in neuronalen Netzen entsteht und weshalb es für lebenslanges maschinelles Lernen problematisch ist. Du lernst zentrale Lösungsansätze kennen, darunter Replay, Regularisierung, Elastic Weight Consolidation, Wissensdistillation, modulare Architekturen und hybride KI-Modelle. Außerdem kannst Du beurteilen, warum das Thema nicht nur technisch, sondern auch gesellschaftlich relevant ist.

Grundidee: Lernen in neuronalen Netzen

Ein künstliches neuronales Netz besteht aus miteinander verbundenen künstlichen Neuronen. Diese Verbindungen besitzen Gewichte, die während des Trainings verändert werden. Vereinfacht gesagt lernt ein Netz, indem es seine Gewichte so anpasst, dass es aus Eingaben möglichst passende Ausgaben erzeugt. Bei der Bildklassifikation könnte die Eingabe ein Bild sein und die Ausgabe eine Kategorie wie Hund, Katze oder Auto. Bei einem Sprachmodell können Eingaben Wörter oder Token sein, die zu einer Vorhersage über den nächsten Textabschnitt führen.

Das Lernen erfolgt häufig mit Gradientenverfahren. Dabei wird eine Fehlerfunktion berechnet, die beschreibt, wie stark die Vorhersage des Netzes vom gewünschten Ergebnis abweicht. Anschließend werden die Gewichte in eine Richtung verändert, die den Fehler verringern soll. Dieses Prinzip ist leistungsfähig, kann aber problematisch werden, wenn neue Daten das Netz so stark verändern, dass ältere Muster nicht mehr zuverlässig abrufbar sind.

Was bedeutet katastrophales Vergessen?

Katastrophales Vergessen tritt auf, wenn ein Modell nach dem Lernen einer neuen Aufgabe frühere Aufgaben deutlich schlechter beherrscht. Das Problem ist besonders typisch für sequentielles Lernen, bei dem Aufgaben nacheinander präsentiert werden. Ein einfaches Beispiel: Ein Netz lernt zuerst, handgeschriebene Ziffern zu erkennen. Danach wird es nur noch mit Bildern von Buchstaben trainiert. Wenn es anschließend Ziffern kaum noch erkennt, obwohl es sie zuvor gut klassifizieren konnte, spricht man von katastrophalem Vergessen.

Das Wort katastrophal bedeutet hier nicht, dass das Modell vollständig zerstört wird. Gemeint ist, dass der Leistungsverlust plötzlich, stark und für die Anwendung kritisch sein kann. In sicherheitsrelevanten Bereichen wie Medizin, Verkehr oder Industrie kann ein solches Vergessen gefährliche Folgen haben, wenn alte Kompetenzen weiterhin benötigt werden.

Das Stabilitäts-Plastizitäts-Dilemma

Das Problem lässt sich als Stabilitäts-Plastizitäts-Dilemma beschreiben. Ein lernendes System braucht Plastizität, um neue Informationen aufzunehmen. Gleichzeitig braucht es Stabilität, um bereits gelerntes Wissen zu bewahren. Ist ein Modell zu plastisch, überschreibt es alte Muster schnell. Ist es zu stabil, kann es kaum noch Neues lernen. Kontinuierliches Lernen sucht deshalb nach Verfahren, die beide Anforderungen ausbalancieren.

Stabilität: Das Modell behält wichtiges früheres Wissen.
Plastizität: Das Modell kann neue Aufgaben und veränderte Daten lernen.
Balance: Das Modell entscheidet, welche Teile veränderbar sind und welche geschützt werden sollten.

Warum neuronale Netze altes Wissen überschreiben

In vielen Deep-Learning-Modellen ist Wissen nicht an einer einzigen Speicherstelle abgelegt. Stattdessen ist es verteilt über viele Parameter und Aktivierungsmuster. Wenn ein Netz eine neue Aufgabe lernt, werden oft sehr viele Gewichte verändert. Diese Veränderungen können auch Gewichte betreffen, die für frühere Aufgaben wichtig waren. Dadurch entsteht eine Art Überlagerung: Neues Lernen verschiebt die interne Repräsentation des Modells so, dass alte Entscheidungen nicht mehr zuverlässig funktionieren.

Ein weiterer Grund liegt in veränderten Datenverteilungen. Viele Modelle werden unter der Annahme trainiert, dass Trainingsdaten und spätere Eingaben ähnlich verteilt sind. In der Realität ändern sich Daten jedoch: neue Geräte, neue Sprachen, neue medizinische Messverfahren, neue Bildstile oder neue Nutzergruppen. Wenn ein Modell nur an die neuesten Daten angepasst wird, kann es frühere Bereiche des Aufgabenraums vernachlässigen.

Kontinuierliches Lernen als Gegenentwurf

Kontinuierliches Lernen beschreibt Verfahren, mit denen KI-Systeme über längere Zeiträume hinweg aus neuen Erfahrungen lernen sollen. Das Ziel ist nicht nur, eine einzelne Aufgabe gut zu lösen, sondern Wissen über Aufgaben, Situationen und Datenverteilungen hinweg aufzubauen. In der Forschung werden häufig drei Lernumgebungen unterschieden:

Task-Incremental Learning: Das Modell lernt nacheinander verschiedene Aufgaben und weiß meist, welche Aufgabe gerade aktiv ist.
Domain-Incremental Learning: Die Aufgabe bleibt ähnlich, aber die Datenverteilung verändert sich, zum Beispiel durch neue Bildstile oder Sensoren.
Class-Incremental Learning: Das Modell lernt nacheinander neue Klassen und muss am Ende alle Klassen gemeinsam unterscheiden.

Diese Unterscheidung ist wichtig, weil Verfahren gegen katastrophales Vergessen je nach Szenario unterschiedlich gut funktionieren. Ein Verfahren, das bei klar getrennten Aufgaben erfolgreich ist, kann bei neuen Klassen oder unklaren Aufgabenübergängen deutlich schwieriger umzusetzen sein.

Zentrale Strategien gegen katastrophales Vergessen

Replay: Erinnern durch Wiederholung

Replay bedeutet, dass ein Modell beim Lernen neuer Aufgaben auch frühere Beispiele erneut sieht. Bei einfachem Rehearsal werden reale frühere Beispiele gespeichert und später wieder ins Training gemischt. Bei generativem Replay erzeugt ein zusätzliches generatives Modell künstliche Beispiele früherer Aufgaben. Die Idee ähnelt dem Wiederholen beim menschlichen Lernen: Wer neue Inhalte lernt, vergisst weniger, wenn frühere Inhalte regelmäßig reaktiviert werden.

Replay ist oft wirksam, bringt aber Herausforderungen mit sich. Das Speichern echter alter Daten kann Datenschutzprobleme verursachen. Außerdem wächst der Speicherbedarf, wenn immer mehr Aufgaben hinzukommen. Generatives Replay vermeidet teilweise das Speichern echter Daten, hängt aber von der Qualität des generativen Modells ab.

Regularisierung: Wichtige Gewichte schützen

Regularisierung versucht, bestimmte Änderungen an den Gewichten zu begrenzen. Ein bekanntes Verfahren ist Elastic Weight Consolidation oder kurz EWC. Die Grundidee: Nicht alle Gewichte sind für eine alte Aufgabe gleich wichtig. Gewichte, die für frühere Fähigkeiten besonders bedeutsam sind, sollen beim Lernen neuer Aufgaben nur vorsichtig verändert werden. Dadurch entsteht eine Art elastischer Schutz für altes Wissen.

{{#ev:youtube| https://www.youtube.com/watch?v=C3RB9JqSjWo |500|center}}

EWC ist kein vollständiger Ersatz für ein menschliches Gedächtnis, aber ein wichtiger Forschungsansatz. Er zeigt, dass Modelle nicht alle Parameter gleich behandeln müssen. Stattdessen können sie lernen, welche Teile des Netzes für frühere Kompetenzen besonders relevant sind.

Wissensdistillation: Alte Antworten als Orientierung

Wissensdistillation nutzt ein älteres Modell oder frühere Ausgaben als Orientierung für das neue Modell. Beim Verfahren Learning without Forgetting versucht das neue Modell, neue Aufgaben zu lernen und zugleich ähnliche Antworten wie das alte Modell auf alten Aufgabenbereichen zu erzeugen. Dadurch wird das frühere Verhalten nicht direkt durch alte Trainingsdaten, sondern durch die alten Modellantworten stabilisiert.

Diese Methode ist besonders interessant, wenn alte Trainingsdaten nicht mehr verfügbar sind. Sie kann jedoch scheitern, wenn das alte Modell selbst Fehler enthält oder wenn die neuen Daten zu weit von früheren Aufgaben entfernt sind.

Dynamische Architekturen: Wachsen statt überschreiben

Bei dynamischen Architekturen wird das Modell bei neuen Aufgaben erweitert. Neue Neuronen, Module oder Netzwerkbereiche können hinzukommen, während alte Teile eingefroren oder geschützt werden. Progressive Neural Networks folgen dieser Idee: Für neue Aufgaben entstehen neue Netzwerkspalten, die auf früheres Wissen zugreifen können, ohne alte Gewichte zu überschreiben.

Der Vorteil ist eine starke Stabilität älterer Fähigkeiten. Der Nachteil liegt im wachsenden Ressourcenbedarf. Wenn ein System viele Aufgaben lernt, kann das Modell immer größer und schwerer kontrollierbar werden. Deshalb wird erforscht, wie Modelle wachsen, komprimieren und neu organisieren können.

Modulare und hybride KI: Neuronale Netze neu denken

Das Video lädt dazu ein, neuronale Netze neu zu denken. Eine Möglichkeit besteht darin, nicht ein einziges großes Netz für alles zu verwenden, sondern mehrere spezialisierte Module miteinander zu verbinden. Ein modulares System kann zum Beispiel getrennte Bereiche für Wahrnehmung, Planung, Gedächtnis und Entscheidung besitzen. Dadurch kann neues Wissen gezielter eingebaut werden, ohne alle früheren Fähigkeiten gleichermaßen zu verändern.

Auch hybride KI-Modelle sind relevant. Sie verbinden neuronale Netze mit symbolischen Verfahren, Wissensgraphen, Datenbanken, Suchverfahren oder Retrieval-Augmented Generation. Solche Systeme speichern nicht jedes Wissen nur in Gewichten, sondern können Informationen gezielt abrufen, aktualisieren und prüfen. Dadurch wird Lernen stärker als Zusammenspiel von Modell, Gedächtnis und Umgebung verstanden.

Beispiel: Ein Modell lernt nacheinander Aufgaben

Stell Dir ein Modell vor, das zuerst Verkehrszeichen erkennt. Danach wird es auf Baustellenschilder trainiert. Später soll es neue Warnsymbole lernen. Wenn beim dritten Training alte Stoppschilder schlechter erkannt werden, ist das ein Problem. Ein kontinuierlich lernendes System müsste beim Lernen neuer Warnsymbole weiterhin überprüfen, ob Stoppschilder, Vorfahrtsschilder und Geschwindigkeitsbegrenzungen korrekt erkannt werden.

Ein gutes Trainingsdesign würde deshalb nicht nur die aktuelle Aufgabe messen. Es würde auch alte Aufgaben, neue Aufgaben, seltene Sonderfälle und veränderte Umgebungen testen. Genau darin liegt eine zentrale Erkenntnis: Katastrophales Vergessen ist nicht nur ein Problem des Trainings, sondern auch ein Problem der Evaluation.

Metriken und Bewertung

Um kontinuierliches Lernen zu bewerten, reicht eine einzige Genauigkeitszahl selten aus. Ein Modell kann auf der neuesten Aufgabe sehr gut sein und trotzdem früheres Wissen stark verloren haben. Deshalb werden mehrere Perspektiven benötigt.

Backward Transfer: Wie wirkt sich neues Lernen auf alte Aufgaben aus?
Forward Transfer: Hilft altes Wissen beim Lernen neuer Aufgaben?
Forgetting Measure: Wie stark sinkt die Leistung auf früheren Aufgaben?
Average Accuracy: Wie gut ist das Modell über alle bisher gelernten Aufgaben hinweg?
Speichereffizienz: Wie viele alte Daten oder zusätzliche Parameter werden benötigt?

Diese Metriken zeigen, dass kontinuierliches Lernen ein Mehrzielproblem ist. Ein Modell soll nicht nur präzise, sondern auch robust, effizient, datenschutzfreundlich und anpassungsfähig sein.

Bedeutung für große Sprachmodelle

Bei großen Sprachmodellen zeigt sich das Thema in besonderer Weise. Wenn ein Modell durch Fine-Tuning auf neue Aufgaben angepasst wird, kann es frühere Fähigkeiten verändern oder schwächen. Gleichzeitig müssen solche Modelle mit neuem Wissen, neuen Fachgebieten und neuen Nutzeranforderungen umgehen. Deshalb werden unterschiedliche Strategien genutzt, zum Beispiel vorsichtiges Fine-Tuning, Adapter-Module, Parameter-Efficient Fine-Tuning, Retrieval-Augmented Generation, Evaluations-Suiten und kontrollierte Update-Prozesse.

Wichtig ist: Nicht jedes Wissensproblem sollte durch Gewichtsänderung gelöst werden. Manchmal ist es besser, Wissen extern abrufbar zu machen, statt es vollständig in Modellparametern zu speichern. Damit wird die Frage Was soll ein Modell lernen? von der Frage Was soll ein System zuverlässig abrufen können? getrennt.

Ethische und gesellschaftliche Perspektive

Katastrophales Vergessen ist auch eine ethische Frage. Wenn ein KI-System nach einem Update bestimmte Gruppen schlechter erkennt, medizinische Muster vergisst oder frühere Sicherheitsregeln weniger zuverlässig beachtet, entstehen Risiken. Außerdem kann ein Modell durch neue Daten verzerrt werden, wenn diese Daten nicht repräsentativ sind. Kontinuierliches Lernen braucht deshalb nicht nur technische Verfahren, sondern auch Transparenz, Monitoring, Audit, Datenschutz und klare Verantwortlichkeiten.

Ein verantwortungsvolles System sollte dokumentieren, wann es aktualisiert wurde, welche Datenarten verwendet wurden, welche Fähigkeiten getestet wurden und wo bekannte Grenzen liegen. Lernen darf nicht bedeuten, dass alte Qualitätsstandards unbemerkt verschwinden.

Merksatz

Ein neuronales Netz lernt nicht automatisch wie ein Mensch. Kontinuierliches Lernen bedeutet, neue Informationen aufzunehmen, ohne wichtiges altes Wissen unkontrolliert zu überschreiben. Das Dilemma besteht darin, Plastizität und Stabilität zugleich zu ermöglichen.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was beschreibt katastrophales Vergessen in neuronalen Netzen? (Das starke Verlieren früher gelernter Fähigkeiten beim Lernen neuer Aufgaben) (!Das vollständige Löschen aller Trainingsdaten aus einer Datenbank) (!Das absichtliche Verkleinern eines Modells nach dem Training) (!Das zufällige Erzeugen neuer Trainingsbilder)

Welches Dilemma steht im Zentrum des kontinuierlichen Lernens? (Das Stabilitäts-Plastizitäts-Dilemma) (!Das Hardware-Software-Dilemma) (!Das Eingabe-Ausgabe-Dilemma) (!Das Speicher-Grafik-Dilemma)

Was bedeutet Plastizität in diesem Zusammenhang? (Die Fähigkeit eines Modells, neue Informationen zu lernen) (!Die Fähigkeit eines Modells, alle Gewichte einzufrieren) (!Die Fähigkeit eines Modells, Daten zu verschlüsseln) (!Die Fähigkeit eines Modells, Bilder farbig darzustellen)

Was ist ein Ziel von Replay-Verfahren? (Frühere Beispiele oder frühere Muster beim neuen Training erneut zu berücksichtigen) (!Alle alten Aufgaben dauerhaft zu löschen) (!Ein Modell ohne Daten zufällig neu zu starten) (!Die Eingabeschicht eines Netzes zu entfernen)

Wofür steht EWC als Forschungsansatz? (Wichtige Gewichte früherer Aufgaben beim neuen Lernen zu schützen) (!Neue Trainingsdaten grundsätzlich zu verbieten) (!Jede Aufgabe mit einem neuen Computer auszuführen) (!Nur noch symbolische Regeln statt Netze zu verwenden)

Warum kann das Speichern alter Trainingsbeispiele problematisch sein? (Es kann Datenschutz und Speicherbedarf betreffen) (!Es macht neuronale Netze immer kleiner) (!Es verhindert jede Form von Evaluation) (!Es löscht automatisch alle Modellparameter)

Was beschreibt Class-Incremental Learning? (Ein Modell lernt nacheinander neue Klassen und muss sie später gemeinsam unterscheiden) (!Ein Modell berechnet nur eine einzige Zahl) (!Ein Modell wird ausschließlich auf identischen Daten trainiert) (!Ein Modell darf keine neuen Kategorien aufnehmen)

Welche Aussage passt zu modularen KI-Systemen? (Spezialisierte Teilmodule können unterschiedliche Funktionen übernehmen) (!Alle Aufgaben müssen in einem einzigen Neuron gespeichert werden) (!Das Modell darf keine Verbindung zur Außenwelt besitzen) (!Alle Gewichte werden nach jeder Aufgabe gelöscht)

Warum reicht eine einzelne Genauigkeitszahl beim kontinuierlichen Lernen oft nicht aus? (Sie zeigt nicht zuverlässig, ob frühere Aufgaben vergessen wurden) (!Sie enthält immer alle Trainingsdaten) (!Sie ersetzt jede Lernkontrolle) (!Sie misst nur die Größe des Bildschirms)

Was ist eine sinnvolle Idee bei Retrieval-Augmented Generation? (Wissen bei Bedarf aus externen Quellen abrufen statt alles nur in Gewichten zu speichern) (!Alle Quellen durch Zufall ersetzen) (!Jede Antwort ohne Kontext erzeugen) (!Das Modell dauerhaft vom Internet trennen)

Memory

Katastrophales Vergessen	Verlust früherer Fähigkeiten nach neuem Training
Plastizität	Fähigkeit zum Lernen neuer Informationen
Stabilität	Bewahrung bereits gelernter Muster
Replay	Wiederholung früherer Beispiele oder Muster
Regularisierung	Begrenzung unerwünschter Gewichtsänderungen
EWC	Schutz wichtiger Modellgewichte
Modulare Architektur	Aufteilung in spezialisierte Teilbereiche
Evaluation	Prüfung neuer und alter Aufgaben

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Ausgangsaufgabe	Das Modell lernt zunächst eine erste Fähigkeit
Neue Daten	Die Datenverteilung verändert sich durch eine weitere Aufgabe
Gewichtsänderung	Das Training passt viele Parameter an
Leistungsverlust	Frühere Fähigkeiten werden schlechter abrufbar
Gegenstrategie	Replay Regularisierung oder Modularität stabilisieren das Wissen

Kreuzworträtsel

Vergessen	Wie heißt der starke Verlust alter Fähigkeiten beim neuen Training?
Replay	Welche Strategie wiederholt frühere Beispiele oder Muster?
Stabilitaet	Welcher Pol des Dilemmas bewahrt altes Wissen?
Plastizitaet	Welcher Pol des Dilemmas ermöglicht neues Lernen?
Gewichte	Was wird im neuronalen Netz beim Training angepasst?
Transfer	Wie heißt die Nutzung gelernter Muster für neue Aufgaben?

LearningApps

Lückentext

Wenn ein neuronales Netz nach dem Lernen einer neuen Aufgabe frühere Fähigkeiten stark verliert, spricht man von

. Das zentrale Spannungsfeld heißt

. Ein Modell braucht

, um neue Informationen aufzunehmen. Gleichzeitig braucht es

, damit wichtiges altes Wissen erhalten bleibt. Beim

werden frühere Beispiele oder Muster erneut berücksichtigt. Bei

werden wichtige Gewichte früherer Aufgaben geschützt. Eine

kann neue Fähigkeiten in spezialisierten Teilbereichen ergänzen. Für reale Anwendungen ist eine sorgfältige

nötig, damit alte und neue Fähigkeiten gemeinsam geprüft werden.

Offene Aufgaben

Leicht

Begriffskarte: Erstelle eine Begriffskarte zu den Wörtern Katastrophales Vergessen, Kontinuierliches Lernen, Replay, Regularisierung und Stabilitäts-Plastizitäts-Dilemma.
Alltagsvergleich: Erkläre das Stabilitäts-Plastizitäts-Dilemma mit einem Beispiel aus Deinem Alltag, etwa beim Lernen eines Musikinstruments, einer Sprache oder eines Sports.
Bildbeschreibung: Beschreibe die Commons-Grafik eines künstlichen neuronalen Netzes und erkläre, welche Rolle Eingabe, verdeckte Schicht und Ausgabe spielen.
Mini-Glossar: Formuliere zehn kurze Definitionen zentraler Fachbegriffe und ergänze jeweils ein eigenes Beispiel.

Standard

Fallanalyse: Analysiere ein Beispiel aus Robotik, Medizin oder Sprachverarbeitung, bei dem katastrophales Vergessen problematisch wäre.
Methodenvergleich: Vergleiche Replay, Elastic Weight Consolidation und Modulare Architektur anhand der Kriterien Wirksamkeit, Speicherbedarf und Datenschutz.
Experiment planen: Entwirf ein kleines Gedankenexperiment, bei dem ein Modell zuerst Aufgabe A und danach Aufgabe B lernt. Lege fest, wie Du Vergessen messen würdest.
Videoanalyse: Fasse die Kernaussagen des eingebundenen Videos zusammen und ordne sie den Begriffen Stabilität, Plastizität und kontinuierliches Lernen zu.

Schwer

Forschungsfrage: Entwickle eine eigene Forschungsfrage dazu, wie neuronale Netze neues Wissen aufnehmen können, ohne altes Wissen zu überschreiben.
Bewertungsraster: Erstelle ein Raster zur Bewertung eines kontinuierlich lernenden KI-Systems mit mindestens fünf Kriterien, darunter Genauigkeit, Vergessen, Datenschutz und Ressourcenbedarf.
Ethik-Dossier: Untersuche, welche Risiken entstehen, wenn ein KI-System nach Updates bestimmte Gruppen oder Fälle schlechter behandelt als zuvor.
Systementwurf: Skizziere ein hybrides KI-System, das neuronale Netze, externes Wissen und Monitoring verbindet, um katastrophales Vergessen zu reduzieren.

Lernkontrolle

Transferaufgabe: Erkläre, warum ein Modell, das nur auf der neuesten Aufgabe sehr gut ist, trotzdem für reale Anwendungen ungeeignet sein kann.
Anwendungsanalyse: Beurteile für ein selbst gewähltes Beispiel, ob Replay, Regularisierung oder Modularität die passendste Strategie gegen Vergessen wäre.
Konzeptvergleich: Vergleiche menschliches Wiederholen beim Lernen mit Replay in neuronalen Netzen. Benenne Gemeinsamkeiten und Grenzen des Vergleichs.
Evaluationsdesign: Entwickle einen Testplan, der zeigt, ob ein Modell nach einem Update alte und neue Fähigkeiten zuverlässig beherrscht.
Argumentation: Begründe, warum kontinuierliches Lernen neben Technik auch Datenschutz, Transparenz und Verantwortung betrifft.
Kritische Reflexion: Diskutiere, ob immer mehr Modellparameter eine gute Lösung gegen katastrophales Vergessen sind oder ob dadurch neue Probleme entstehen.
Zukunftsszenario: Entwirf ein realistisches Szenario aus dem Jahr 2035, in dem kontinuierlich lernende KI-Systeme eingesetzt werden, und analysiere Chancen und Risiken.

Lernnachweis

Für einen Lernnachweis zu diesem Thema solltest Du zeigen, dass Du das Problem des katastrophalen Vergessens nicht nur definieren, sondern auf neue Situationen übertragen kannst. Wichtig sind eine fachlich korrekte Erklärung des Stabilitäts-Plastizitäts-Dilemmas, ein Vergleich mehrerer Gegenstrategien und eine begründete Einschätzung ihrer Grenzen.

Fachbegriffe: Du verwendest zentrale Begriffe wie Kontinuierliches Lernen, Replay, Regularisierung, Elastic Weight Consolidation, Wissensdistillation, Modularität und Evaluation korrekt.
Zusammenhangswissen: Du erklärst, warum neue Gewichtsänderungen alte Fähigkeiten beeinträchtigen können.
Methodenkompetenz: Du vergleichst mindestens drei Lösungsansätze mit Vor- und Nachteilen.
Transferleistung: Du wendest das Thema auf ein eigenes Beispiel aus Schule, Beruf, Forschung oder Alltag an.
Reflexion: Du bewertest technische, ethische und gesellschaftliche Folgen kontinuierlich lernender KI-Systeme.
Produkt: Du erstellst ein eigenes Lernprodukt, zum Beispiel eine Präsentation, ein Erklärvideo, ein Poster, ein Experimentdesign oder ein schriftliches Dossier.

OERs zum Thema

Links

Katastrophales Vergessen

Weiterführende Lernbereiche

Neuronale Netze neu denken

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.