Die KI die im Job lernt - Neuronale Netze neu denken

Die KI, die im Job lernt - Neuronale Netze neu denken

Einleitung

Die KI, die im Job lernt beschreibt eine aktuelle Forschungsrichtung der Künstlichen Intelligenz: neuronale Netze sollen nicht nur einmal mit einem großen Datensatz trainiert und danach unverändert eingesetzt werden. Sie sollen sich auch während der Nutzung an neue Situationen, neue Datenverteilungen, neue Aufgaben oder neue Arbeitsumgebungen anpassen können. Im Mittelpunkt stehen dabei Begriffe wie Test-Time Adaptation, Test-Time Training, Meta-Lernen, Transfer Learning, Distribution Shift, Out-of-Distribution und Deep Learning.

{{#ev:youtube| https://www.youtube.com/watch?v=06hDL_02HEI |500|center}}

Das Video behandelt die Idee, Neuronale Netze neu zu denken: Eine KI soll im Einsatz nicht nur fertige Antworten liefern, sondern aus dem jeweiligen Kontext lernen. Das kann bedeuten, dass ein Modell seine Parameter, seine Normalisierung, seine Prompt-Strategie, seine Zwischenschritte oder seine Auswahl an Beispielen anpasst. Wichtig ist: Solche Systeme lernen nicht wie Menschen mit Bewusstsein, Absicht und Erfahrung. Sie verändern mathematische Strukturen, Wahrscheinlichkeiten oder Entscheidungswege, damit die Ausgabe besser zur aktuellen Situation passt.

Was bedeutet Lernen bei KI?

Bei maschinellem Lernen wird ein Modell anhand von Daten so angepasst, dass es Muster erkennt und auf neue Fälle übertragen kann. Ein künstliches neuronales Netz besteht aus vielen verbundenen Recheneinheiten, die oft als künstliche Neuronen beschrieben werden. Diese Neuronen sind in Schichten organisiert. Eingaben werden durch das Netz geleitet, Zwischenschichten erzeugen interne Darstellungen, und am Ende entsteht eine Ausgabe wie eine Klassifikation, eine Vorhersage, ein Text oder eine Handlungsempfehlung.

Beim klassischen Training werden die Gewichte des Netzes verändert. Das Modell vergleicht seine Ausgabe mit einer Zielausgabe, berechnet einen Fehler, bestimmt mit Backpropagation und Gradientenverfahren eine Richtung der Verbesserung und passt seine Parameter schrittweise an. Vereinfacht lautet die Idee: Neue Gewichte entstehen aus alten Gewichten, einer Lernrate und dem berechneten Fehlergradienten. Nach dem Training wird das Modell häufig eingefroren. Es trifft dann Vorhersagen, ohne sich weiter zu verändern.

Warum reicht ein fertig trainiertes Modell oft nicht aus?

Ein Modell wird meist mit Trainingsdaten entwickelt, die nur einen Ausschnitt der Welt zeigen. In der Praxis ändern sich jedoch Lichtverhältnisse, Sprache, Sensoren, Nutzerverhalten, Maschinenzustände, medizinische Geräte, Marktbedingungen oder rechtliche Vorgaben. Diese Veränderung heißt Distribution Shift. Das bedeutet: Die Daten im Einsatz unterscheiden sich von den Daten während des Trainings. Ein Modell, das im Labor sehr gut funktioniert, kann in einer neuen Umgebung deutlich schlechter werden.

Beispiele:

Bildverarbeitung: Ein Modell erkennt Werkstücke in einer Fabrikhalle. Nach dem Austausch der Beleuchtung verändern sich Farben und Schatten.
Spracherkennung: Ein System wurde mit klaren Studioaufnahmen trainiert. Im Einsatz hört es Dialekte, Hall, Hintergrundgeräusche und neue Fachwörter.
Medizinische Bildanalyse: Ein Netz wurde mit Bildern eines bestimmten Geräts trainiert. In einer anderen Klinik haben Bilder eine andere Auflösung oder andere Kontraste.
Robotik: Ein Roboter wurde in einer Simulation trainiert. In der echten Welt sind Oberflächen, Reibung und Hindernisse anders.
Sprachmodelle: Ein Modell soll in einer Firma helfen, kennt aber die aktuellen internen Abläufe, Dokumente und Begriffe nicht vollständig.

Die Grundidee: Anpassung während der Nutzung

Die KI, die im Job lernt steht für Systeme, die im Einsatz Hinweise aus der aktuellen Aufgabe nutzen. Dabei gibt es verschiedene Formen von Anpassung. Manche verändern tatsächlich Modellparameter. Andere verändern nur den Kontext, die Eingabedarstellung oder den Suchprozess. Entscheidend ist, dass die KI nicht nur starr eine erlernte Funktion ausführt, sondern aus der aktuellen Situation zusätzliche Information gewinnt.

Eine sinnvolle Unterscheidung:

Training: Das Modell lernt vor dem Einsatz aus großen Datenmengen.
Fine-Tuning: Ein vortrainiertes Modell wird nachträglich auf spezielle Aufgaben oder Daten angepasst.
Transfer Learning: Wissen aus einer Ausgangsaufgabe wird auf eine neue Aufgabe übertragen.
Online Learning: Ein Modell wird kontinuierlich mit neuen Datenströmen aktualisiert, häufig über längere Zeit.
Test-Time Adaptation: Ein Modell passt sich während der Vorhersagephase an die aktuelle Testumgebung an, oft ohne gelabelte Zielwerte.
Meta-Lernen: Ein Modell wird so trainiert, dass es später schneller und stabiler lernen kann.
In-Context Learning: Ein Sprachmodell nutzt Beispiele im Prompt, ohne seine Gewichte dauerhaft zu verändern.

Fachlicher Hintergrund

Künstliche neuronale Netze

Künstliche neuronale Netze sind Modelle, die Informationen in Form von Zahlen verarbeiten. Ein Bild wird beispielsweise als Raster von Pixelwerten dargestellt, ein Text als Folge von Tokens, ein Audiosignal als Zeitreihe. Das Netz berechnet aus diesen Eingaben Zwischenrepräsentationen. In frühen Schichten können einfache Merkmale entstehen, in späteren Schichten komplexere Muster. Bei Deep Learning gibt es viele solcher Schichten.

Das Lernen eines Netzes besteht darin, Parameter so einzustellen, dass die Ausgaben zu den Beispieldaten passen. Dafür benötigt man eine Verlustfunktion, die misst, wie falsch eine Ausgabe ist. Backpropagation verteilt diesen Fehler rückwärts durch das Netz. Ein Optimierungsverfahren wie Stochastischer Gradientenabstieg verändert anschließend die Gewichte. So entsteht ein Modell, das nicht Regeln auswendig befolgt, sondern statistische Zusammenhänge aus Daten nutzt.

Backpropagation und Fehlerkorrektur

Backpropagation ist ein zentrales Verfahren zum Training neuronaler Netze. Beim Vorwärtsdurchlauf erzeugt das Netz eine Ausgabe. Danach wird der Fehler berechnet. Beim Rückwärtsdurchlauf wird bestimmt, welche Gewichte zu diesem Fehler beigetragen haben. Anschließend werden die Gewichte so angepasst, dass der Fehler bei ähnlichen Beispielen geringer wird.

Für das Thema Test-Time Adaptation ist Backpropagation wichtig, weil manche Anpassungsverfahren auch im Einsatz kleine Optimierungsschritte durchführen. Das Modell arbeitet dann nicht mehr nur mit festen Gewichten. Es kann bestimmte Teile verändern, etwa Normalisierungsparameter, Prompt-Parameter, Adaptermodule oder ausgewählte Schichten. Das kann helfen, birgt aber Risiken: Falsche Anpassung kann Fehler verstärken, Wissen überschreiben oder das Modell übermäßig sicher machen.

Distribution Shift und Out-of-Distribution-Daten

Ein Distribution Shift liegt vor, wenn sich die Verteilung der Einsatzdaten von der Verteilung der Trainingsdaten unterscheidet. Das ist in realen Anwendungen häufig. Ein Bildklassifikator kann durch Nebel, andere Kameras oder Kompression schlechter werden. Ein Sprachmodell kann bei neuen Fachbegriffen unsicher werden. Ein Sensormodell in einer Maschine kann durch Alterung, Temperatur oder Verschleiß andere Signale erhalten.

Out-of-Distribution bedeutet, dass ein Beispiel deutlich außerhalb des bekannten Trainingsbereichs liegt. Ein gutes KI-System sollte dann nicht nur irgendeine Antwort liefern, sondern Unsicherheit erkennen, vorsichtig handeln und bei Bedarf menschliche Kontrolle anfordern. Anpassung im Einsatz darf deshalb nicht blind erfolgen. Sie braucht Monitoring, Evaluation, Datenschutz, IT-Sicherheit und klare Grenzen.

Test-Time Adaptation

Test-Time Adaptation bezeichnet Verfahren, bei denen ein vortrainiertes Modell während der Test- oder Einsatzphase an neue Daten angepasst wird. Typischerweise stehen dabei keine richtigen Zielwerte zur Verfügung. Das Modell muss also aus unbeschrifteten Daten, aus internen Konsistenzsignalen oder aus Hilfsaufgaben lernen. Ein Beispiel ist ein Bildmodell, das bei veränderten Lichtverhältnissen seine Normalisierungsstatistiken aktualisiert.

Typische Ansätze:

Adaptive Batch Normalization: Das Modell aktualisiert Mittelwerte und Varianzen in Normalisierungsschichten, damit Eingaben der neuen Umgebung besser verarbeitet werden.
Entropie-Minimierung: Das Modell wird so angepasst, dass es eindeutigere Vorhersagen erzeugt. Das kann helfen, kann aber auch zu falscher Über-Sicherheit führen.
Selbstüberwachtes Lernen: Das Modell löst eine Hilfsaufgabe, etwa Rotationserkennung, Maskenrekonstruktion oder Konsistenz zwischen veränderten Ansichten.
Pseudo-Label: Das Modell nutzt eigene vorläufige Vorhersagen als Trainingssignal. Das ist leistungsfähig, aber riskant, wenn frühe Fehler übernommen werden.
Prompt Adaptation: Bei Sprach- und Multimodalmodellen wird der Prompt, ein weicher Prompt oder ein Kontextspeicher an die Aufgabe angepasst.

Test-Time Training

Test-Time Training ist eine verwandte Idee: Vor oder während der Vorhersage wird aus einem Testbeispiel eine selbstüberwachte Aufgabe erzeugt. Das Modell kann sich kurz anpassen und danach die eigentliche Aufgabe bearbeiten. Im Unterschied zu klassischem Training braucht es oft keine gelabelten Daten im Einsatz. Es nutzt stattdessen Hilfssignale, die aus dem Beispiel selbst entstehen.

Ein einfaches didaktisches Beispiel: Ein Bildmodell soll Objekte erkennen. Während des Einsatzes erhält es ein Bild aus einer neuen Kamera. Zusätzlich soll das Modell aus demselben Bild eine Hilfsaufgabe lösen, etwa eine Bildtransformation rückgängig machen. Wenn es diese Hilfsaufgabe besser löst, kann sich auch seine interne Darstellung für die Hauptaufgabe verbessern. In der Forschung wird untersucht, wann solche Anpassung zuverlässig hilft und wann sie instabil wird.

Meta-Lernen: Lernen zu lernen

Meta-Lernen bedeutet, dass ein System nicht nur eine Aufgabe lernt, sondern aus vielen Aufgaben lernt, wie es sich schnell an neue Aufgaben anpassen kann. Beim Menschen wäre eine Analogie: Wer viele Arten von Rätseln kennt, kann ein neues Rätsel schneller verstehen. Bei KI heißt das: Das Modell wird so vorbereitet, dass wenige Beispiele oder wenige Anpassungsschritte ausreichen.

Ein bekannter Ansatz ist MAML. Dabei wird ein Modell so trainiert, dass es nach wenigen Gradientenschritten auf einer neuen Aufgabe gute Ergebnisse erzielen kann. Entscheidend ist nicht nur der Anfangszustand des Modells, sondern seine Lernfähigkeit. Das Modell soll anpassbar sein, ohne sofort altes Wissen zu verlieren.

Test-Time Meta-Adaptation

Test-Time Meta-Adaptation kann als Verbindung von Test-Time Adaptation und Meta-Lernen verstanden werden. Der Begriff wird in diesem aiMOOC als didaktischer Sammelbegriff verwendet: Ein Modell wird bereits vor dem Einsatz so vorbereitet, dass es sich während der Nutzung gezielt, schnell und möglichst stabil anpassen kann. Es geht also nicht nur darum, im Einsatz irgendetwas nachzutrainieren. Es geht darum, die Fähigkeit zur Anpassung selbst zu trainieren.

Eine solche Architektur kann aus zwei Schleifen bestehen:

Innere Schleife: Das Modell passt sich im Einsatz an aktuelle Daten an.
Äußere Schleife: Während der Entwicklung wird gelernt, welche Anpassungen später hilfreich sind.

Diese Idee ist anspruchsvoll, weil sie Fragen der Stabilität, Effizienz, Sicherheit, Erklärbarkeit und Verantwortung berührt. Wenn ein Modell im Betrieb lernt, muss klar sein, was verändert wird, wie Veränderungen geprüft werden und wann ein Mensch eingreifen soll.

Neuronale Netze neu denken

Klassische neuronale Netze werden oft als starre Modelle verstanden: trainieren, speichern, einsetzen. Neuere Forschung betrachtet KI-Systeme stärker als adaptive Systeme. Dazu gehören Foundation Models, Retrieval-Augmented Generation, Tool Use, KI-Agenten, Self-Supervised Learning, Continual Learning, Meta-Lernen und Test-Time Adaptation. Der Fokus verschiebt sich von einem einzelnen Modell zu einem Gesamtsystem aus Modell, Speicher, Datenfluss, Werkzeugen, Feedback, Evaluation und Sicherheitsregeln.

Bei Transformern und großen Sprachmodellen bedeutet Anpassung im Einsatz nicht automatisch, dass Gewichte verändert werden. Häufig geschieht Lernen im weiteren Sinn über Kontext: Das Modell erhält Beispiele, Dokumente, Werkzeuge oder Zwischenschritte im Prompt. Dieses In-Context Learning ist keine dauerhafte Parameteränderung, kann sich für Nutzende aber wie Lernen anfühlen. Dauerhaftes Lernen erfordert zusätzliche Mechanismen wie Fine-Tuning, Speicher, Feedbackschleifen oder kontrollierte Aktualisierungen.

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

Beispiele aus der Praxis

Industrie und Qualitätssicherung

In der Industrie 4.0 prüfen Kameras, Sensoren und KI-Modelle Produkte auf Fehler. Trainingsdaten stammen häufig aus einer bestimmten Produktionsphase. Später ändern sich Materialien, Maschinen, Beleuchtung oder Kamerapositionen. Ein adaptives Modell kann lernen, normale Veränderungen zu berücksichtigen, ohne jeden kleinen Wechsel als Fehler zu melden. Gleichzeitig muss verhindert werden, dass echte Defekte als neue Normalität gelernt werden.

Medizin und Gesundheit

In der medizinischen Bildverarbeitung können Bilder je nach Gerät, Klinik, Protokoll und Patientengruppe unterschiedlich aussehen. Test-Time Adaptation könnte helfen, Modelle robuster zu machen. Allerdings ist Medizin ein Hochrisikobereich. Anpassungen müssen streng geprüft, dokumentiert und validiert werden. Eine KI darf medizinische Entscheidungen nicht eigenmächtig verändern, ohne dass Verantwortlichkeiten, Zulassung und Qualitätssicherung geklärt sind.

Robotik und autonome Systeme

Roboter arbeiten in dynamischen Umgebungen. Ein Lagerroboter trifft auf neue Hindernisse, glatte Böden oder andere Lichtverhältnisse. Ein adaptives System kann Sensorverarbeitung und Bewegungsplanung anpassen. In der automatisierten Mobilität können Wetter, Baustellen, Kameraverschmutzung oder regionale Verkehrszeichen neue Herausforderungen erzeugen. Anpassung ist hier nützlich, aber sicherheitskritisch.

Sprache, Text und Wissensarbeit

In Büros, Schulen, Verwaltungen und Forschungseinrichtungen werden Sprachmodelle für Schreiben, Suchen, Zusammenfassen, Programmieren und Entscheiden genutzt. Eine KI, die im Job lernt, könnte sich an Fachsprache, Projektziele und Dokumente anpassen. Dafür werden oft Retrieval-Augmented Generation, Prompt Engineering, Benutzerfeedback, Fine-Tuning oder Agentenworkflows verwendet. Wichtig ist, dass interne Daten geschützt werden und Ergebnisse überprüfbar bleiben.

{{#ev:youtube| https://www.youtube.com/watch?v=2yfA_IbhCPs |500|center}}

Chancen und Grenzen

Chancen

Adaptive KI kann robuster, persönlicher und effizienter werden. Sie kann mit neuen Situationen umgehen, ohne für jede Veränderung vollständig neu trainiert zu werden. Sie kann lokale Besonderheiten berücksichtigen, kleine Datenmengen nutzen und auf veränderte Bedingungen reagieren. In Forschung und Entwicklung eröffnet das neue Wege, Modelle nicht nur größer, sondern lernfähiger zu machen.

Grenzen

Anpassung im Einsatz ist kein automatischer Fortschritt. Wenn das Modell aus falschen Signalen lernt, kann es schlechter werden. Wenn Pseudo-Labels falsch sind, verstärkt es seine eigenen Fehler. Wenn neue Daten manipuliert werden, kann ein Angreifer das Modell gezielt beeinflussen. Wenn Datenschutzregeln fehlen, können sensible Informationen in Trainingsprozesse geraten. Wenn Monitoring fehlt, merkt niemand, dass sich die Modellqualität verändert.

Sicherheitsfragen

Eine KI, die im Job lernt, braucht Leitplanken:

Validierung: Jede relevante Änderung muss überprüfbar sein.
Monitoring: Leistung, Unsicherheit und Fehlerarten müssen beobachtet werden.
Rollback: Schädliche Anpassungen müssen rückgängig gemacht werden können.
Datenschutz: Personenbezogene Daten dürfen nicht unkontrolliert gespeichert oder trainiert werden.
IT-Sicherheit: Manipulierte Eingaben dürfen das Modell nicht vergiften.
Human-in-the-Loop: Menschen müssen in kritischen Fällen entscheiden können.
Dokumentation: Änderungen, Datenquellen und Modellversionen müssen nachvollziehbar sein.

Ethische Perspektive

Adaptive KI verändert Verantwortlichkeiten. Wenn ein System nach der Auslieferung weiterlernt, reicht es nicht, nur den Trainingsstand zu prüfen. Man muss auch den Betrieb, die Datenflüsse und die Entscheidungsprozesse betrachten. In Schule, Ausbildung und Studium ist deshalb nicht nur die technische Funktionsweise wichtig, sondern auch die Frage: Wer trägt Verantwortung, wenn eine lernende KI im Einsatz falsche Entscheidungen trifft?

Zentrale Begriffe im Überblick

Künstliche Intelligenz: Sammelbegriff für Systeme, die Aufgaben ausführen, die menschliche Intelligenzleistungen berühren, etwa Wahrnehmen, Planen, Entscheiden oder Sprache verarbeiten.
Maschinelles Lernen: Teilgebiet der KI, in dem Modelle Muster aus Daten lernen, statt ausschließlich fest programmierte Regeln zu nutzen.
Deep Learning: Maschinelles Lernen mit tiefen neuronalen Netzen.
Künstliches neuronales Netz: Modell aus verbundenen künstlichen Neuronen, das Eingaben in Ausgaben transformiert.
Parameter: Veränderbare Zahlenwerte eines Modells, zum Beispiel Gewichte und Bias-Werte.
Backpropagation: Verfahren, mit dem Fehler durch ein Netz zurückgerechnet werden, um Parameter zu verbessern.
Distribution Shift: Veränderung zwischen Trainingsdaten und Einsatzdaten.
Test-Time Adaptation: Anpassung eines Modells während der Test- oder Einsatzphase.
Test-Time Training: Training oder Selbstanpassung anhand eines Testbeispiels oder Testdatenstroms.
Meta-Lernen: Lernen, wie man schneller oder besser lernt.
Continual Learning: Fortlaufendes Lernen über längere Zeit, ohne wichtiges altes Wissen zu verlieren.
In-Context Learning: Anpassung über Beispiele und Informationen im Prompt, ohne dauerhafte Gewichtsänderung.

Vertiefung: Lernschleifen eines adaptiven KI-Systems

Ein adaptives KI-System kann in mehreren Ebenen lernen. Die erste Ebene ist das ursprüngliche Training auf großen Datenmengen. Die zweite Ebene ist die Anpassung an eine Domäne, etwa ein Unternehmen, eine Sprache oder eine Maschine. Die dritte Ebene ist die kurzfristige Anpassung an eine konkrete Situation im Einsatz. Die vierte Ebene ist die Meta-Ebene: Das System oder seine Entwickler lernen, welche Anpassungsstrategien zuverlässig funktionieren.

Ein Beispiel aus der Bildklassifikation:

Vortraining: Das Netz lernt allgemeine visuelle Muster aus vielen Bildern.
Domänenanpassung: Das Netz wird auf Bilder aus einer bestimmten Fabrik vorbereitet.
Test-Time Adaptation: Bei veränderter Beleuchtung werden Normalisierungswerte angepasst.
Meta-Lernen: Das Modell wurde zuvor so trainiert, dass genau solche Anpassungsschritte möglichst nützlich sind.
Evaluation: Ein Überwachungssystem prüft, ob die Fehlerrate sinkt oder steigt.

Vergleich: Starre KI und adaptive KI

Aspekt	Starre KI	Adaptive KI
Training	Vor dem Einsatz abgeschlossen	Vor dem Einsatz plus mögliche Anpassung im Betrieb
Daten	Nutzt vor allem Trainingsdaten	Nutzt zusätzlich aktuelle Einsatzdaten oder Kontextinformationen
Robustheit	Kann bei Distribution Shift stark nachlassen	Kann sich an neue Verteilungen anpassen, wenn die Signale zuverlässig sind
Risiko	Fehler bleiben oft konstant	Fehler können sich verbessern oder verstärken
Kontrolle	Modellversion ist leichter festzuhalten	Änderungen müssen laufend dokumentiert und überwacht werden
Beispiel	Bildmodell mit festen Gewichten	Bildmodell mit Test-Time Adaptation und Monitoring

Mini-Projekt: Eine Lernende-KI-Idee entwerfen

Stell Dir vor, Du entwickelst ein KI-System für eine Schule, eine Werkstatt, ein Labor oder ein Büro. Es soll im Einsatz dazulernen, aber sicher bleiben. Beantworte diese Fragen:

Aufgabe: Welche Aufgabe soll die KI lösen?
Datenquelle: Aus welchen Daten darf sie lernen?
Grenze: Was darf sie niemals automatisch verändern?
Feedback: Wie geben Menschen Rückmeldung?
Sicherheit: Wie erkennst Du, dass die Anpassung schadet?
Transparenz: Wie dokumentierst Du, was gelernt wurde?

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was bedeutet Test-Time Adaptation? (Anpassung eines Modells während der Test- oder Einsatzphase) (!Einmaliges Löschen aller Trainingsdaten) (!Manuelles Programmieren fester Regeln) (!Ausschalten der Modellbewertung)

Was beschreibt ein Distribution Shift? (Einsatzdaten unterscheiden sich von Trainingsdaten) (!Ein Modell hat gar keine Eingabedaten) (!Eine Datei wird von einem Ordner in einen anderen verschoben) (!Ein neuronales Netz besteht nur aus einer Schicht)

Was wird bei neuronalen Netzen typischerweise während des Trainings verändert? (Gewichte und andere Parameter) (!Die Bildschirmauflösung des Computers) (!Die Namen der Nutzerinnen und Nutzer) (!Die Lizenz des Betriebssystems)

Welche Rolle spielt Backpropagation? (Sie berechnet, wie Fehler zur Anpassung der Gewichte genutzt werden können) (!Sie verhindert jede Form von Lernen) (!Sie übersetzt Text automatisch in Bilder) (!Sie speichert alle Trainingsdaten unverändert ab)

Was bedeutet Meta-Lernen vereinfacht? (Lernen zu lernen) (!Lernen ohne Daten, Modelle und Aufgaben) (!Das Verstecken eines Modells) (!Das Löschen aller Fehlerprotokolle)

Warum kann Test-Time Adaptation riskant sein? (Falsche Anpassungen können Fehler verstärken) (!Sie macht jede KI automatisch perfekt) (!Sie benötigt niemals Kontrolle) (!Sie verhindert grundsätzlich Datenschutzprobleme)

Was ist ein typisches Signal für selbstüberwachtes Lernen? (Eine Hilfsaufgabe wird aus den Daten selbst erzeugt) (!Ein Mensch schreibt für jedes Beispiel ein neues Gesetz) (!Das Modell arbeitet ohne Eingabe) (!Alle Parameter werden zufällig gelöscht)

Was ist In-Context Learning bei Sprachmodellen? (Nutzung von Beispielen und Informationen im Prompt ohne dauerhafte Gewichtsänderung) (!Austausch der Grafikkarte während des Trainings) (!Verschlüsselung aller Ausgaben) (!Verbot von Kontextinformationen)

Welche Maßnahme ist für adaptive KI besonders wichtig? (Monitoring der Modellleistung im Betrieb) (!Verzicht auf Dokumentation) (!Geheime Änderung aller Datenquellen) (!Ausschluss menschlicher Kontrolle)

Welche Aussage passt am besten zu einer KI, die im Job lernt? (Sie nutzt aktuelle Einsatzinformationen, um sich kontrolliert besser anzupassen) (!Sie besitzt automatisch menschliches Bewusstsein) (!Sie ist immer fehlerfrei) (!Sie braucht keine Datenqualität)

Memory

Test-Time Adaptation	Anpassung im Einsatz
Distribution Shift	Veränderte Datenverteilung
Meta-Lernen	Lernen zu lernen
Backpropagation	Fehler rückwärts berechnen
Entropie	Unsicherheit einer Vorhersage
Pseudo-Label	Vorläufige Eigenbeschriftung
Monitoring	Laufende Qualitätsprüfung
Rollback	Rückkehr zu sicherer Version

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Training	Lernen vor dem Einsatz
Fine-Tuning	Spezialisierung nach dem Vortraining
Test-Time Adaptation	Anpassung während der Vorhersagephase
Meta-Lernen	Vorbereitung auf schnelles Lernen
Monitoring	Überwachung im laufenden Betrieb
Rollback	Rücknahme schädlicher Änderungen
Human-in-the-Loop	Menschliche Kontrolle in kritischen Fällen

...

Kreuzworträtsel

Adaptation	Wie heißt die Anpassung eines Modells an neue Einsatzbedingungen mit einem Fremdwort?
Neuron	Wie heißt eine Recheneinheit in einem künstlichen neuronalen Netz?
Training	Wie heißt die Phase, in der ein Modell aus Daten lernt?
Entropie	Welcher Begriff beschreibt in der Informationstheorie Unsicherheit?
Gradient	Welcher mathematische Richtungsbegriff hilft bei der Optimierung?
Monitoring	Wie heißt die laufende Überwachung eines Systems im Betrieb?

LearningApps

Lückentext

Eine KI, die im Job lernt, passt sich nicht wie ein Mensch mit Bewusstsein an, sondern verändert mathematische Strukturen oder nutzt neuen

. Ein wichtiges Problem im Einsatz entsteht, wenn sich Trainingsdaten und Einsatzdaten unterscheiden; diese Veränderung heißt

. Bei

wird ein Modell während der Vorhersagephase an aktuelle Daten angepasst. Beim

kann aus einem Testbeispiel eine Hilfsaufgabe entstehen.

bedeutet, dass ein System lernt, wie es später schneller lernen kann. Die Berechnung von Fehlerbeiträgen in neuronalen Netzen heißt

. Wenn ein Modell eigene vorläufige Antworten als Beschriftung nutzt, spricht man von

. Damit adaptive KI sicher bleibt, braucht sie

. Eine schädliche Modelländerung sollte durch ein

zurückgenommen werden können. In kritischen Bereichen ist ein

wichtig.

Offene Aufgaben

Leicht

Begriffe klären: Erstelle ein Glossar mit zehn Begriffen aus diesem aiMOOC und formuliere zu jedem Begriff ein eigenes Beispiel.
Alltagsbeispiel finden: Beschreibe eine Situation, in der ein KI-System durch veränderte Umgebungsbedingungen schlechter werden könnte.
Bildanalyse: Wähle ein Wikimedia-Bild zu neuronalen Netzen aus und erkläre in fünf Sätzen, was daran dargestellt wird.
Vergleich schreiben: Erkläre den Unterschied zwischen Training, Fine-Tuning und Test-Time Adaptation mit eigenen Worten.

Standard

Fallstudie Industrie: Entwirf ein Szenario für eine Fabrik, in dem Test-Time Adaptation hilfreich sein könnte, und nenne zwei Risiken.
Prompt-Experiment: Teste mit einem Sprachmodell, wie sich Antworten verändern, wenn Du Beispiele im Prompt ergänzt, und dokumentiere Deine Beobachtungen.
Risikomatrix: Erstelle eine Tabelle mit Chancen, Risiken und Schutzmaßnahmen für eine KI, die im Betrieb lernt.
Interview: Befrage eine Person aus Schule, Betrieb oder Studium, wo adaptive KI nützlich wäre, und fasse das Gespräch anonymisiert zusammen.

Schwer

Konzeptentwurf: Entwickle ein technisches Konzept für ein adaptives KI-System mit Datenfluss, Anpassungsschleife, Monitoring und Rollback.
Ethikanalyse: Diskutiere, wer verantwortlich ist, wenn eine lernende KI nach der Auslieferung falsche Entscheidungen trifft.
Forschungsvergleich: Vergleiche Test-Time Adaptation, Continual Learning und Meta-Lernen in einer strukturierten Ausarbeitung.
Evaluationsplan: Entwirf ein Testverfahren, mit dem Du prüfst, ob eine Anpassung im Einsatz wirklich besser und nicht nur selbstsicherer wird.

Lernkontrolle

Transferaufgabe Robotik: Ein Lagerroboter funktioniert nach einer Änderung der Beleuchtung schlechter. Erkläre, welche Art von Distribution Shift vorliegt, welche Anpassung helfen könnte und welche Sicherheitsgrenze nötig ist.
Bewertung medizinischer KI: Beurteile, warum Test-Time Adaptation in der medizinischen Bildanalyse nützlich, aber besonders streng zu kontrollieren ist.
Vergleichsargumentation: Vergleiche ein starres KI-Modell mit einem adaptiven KI-System und entscheide, welches für eine dynamische Umgebung geeigneter ist.
Fehlerverstärkung: Erkläre an einem eigenen Beispiel, wie Pseudo-Labels zu einer Verstärkung falscher Vorhersagen führen können.
Meta-Lernen anwenden: Beschreibe, wie Meta-Lernen ein Modell darauf vorbereiten kann, mit wenigen Anpassungsschritten eine neue Aufgabe zu bewältigen.
Datenschutz prüfen: Entwickle Regeln für eine Organisation, die verhindern möchte, dass eine lernende KI personenbezogene Daten unkontrolliert speichert.
Unsicherheit deuten: Erkläre, warum ein Modell, das nach Anpassung sehr sicher wirkt, nicht automatisch richtiger sein muss.
Systemdesign: Entwirf eine einfache Architektur aus Modell, Datenstrom, Feedback, Monitoring und Rollback für eine KI, die im Job lernt.

Lernnachweis

Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe auswendig kennst, sondern Zusammenhänge erklären und auf neue Situationen übertragen kannst.

Fachbegriffe: Du verwendest Begriffe wie Test-Time Adaptation, Meta-Lernen, Distribution Shift, Backpropagation und Monitoring korrekt.
Erklärungskompetenz: Du kannst erklären, warum ein fertig trainiertes Modell in der Praxis scheitern kann.
Transferleistung: Du entwickelst eigene Beispiele für adaptive KI in Schule, Beruf, Medizin, Industrie oder Forschung.
Risikobewertung: Du erkennst technische, ethische und organisatorische Risiken lernender KI-Systeme.
Gestaltungskompetenz: Du kannst ein einfaches Konzept für eine sichere Anpassungsschleife entwerfen.
Kritisches Denken: Du unterscheidest zwischen tatsächlicher Parameteranpassung, In-Context Learning und bloßer Personalisierung.
Dokumentation: Du hältst Datenquellen, Modelländerungen, Feedback und Bewertung nachvollziehbar fest.
Präsentation: Du stellst Ergebnisse verständlich, quellenbewusst und adressatengerecht dar.

OERs zum Thema

Weiterführende freie Materialien und Forschungsquellen

{{#ev:youtube| https://www.youtube.com/watch?v=Ilg3gGewQ5U |500|center}}

{{#ev:youtube| https://www.youtube.com/watch?v=3p0O28W1ZHg |500|center}}

Links

Die KI, die im Job lernt

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.