Künstliche Intelligenz mit Beispielen aus Baden-Württemberg
Künstliche Intelligenz mit Beispielen aus Baden-Württemberg
Einleitung
Künstliche Intelligenz mit Beispielen aus Baden-Württemberg führt Dich von den Grundlagen bis zu aktuellen Anwendungen. Du lernst, was Künstliche Intelligenz (KI) von normaler Software unterscheidet, wie Maschinelles Lernen funktioniert und warum Daten, Algorithmen und menschliche Entscheidungen zusammengehören. Beispiele aus Tübingen, Stuttgart, Karlsruhe, Renningen und Heilbronn zeigen, dass KI-Forschung und KI-Anwendungen auch direkt in Baden-Württemberg stattfinden.
KI begegnet Dir bereits bei Übersetzungen, Suchmaschinen, Bilderkennung, Empfehlungssystemen, Sprachassistenten, Navigation und generativen Werkzeugen. Wichtig ist: Eine KI ist nicht automatisch „klug“ wie ein Mensch. Sie verarbeitet Eingaben nach mathematischen und informatischen Verfahren. Je nach System erkennt sie Muster, ordnet Daten Klassen zu, erstellt Vorhersagen oder erzeugt neue Inhalte.
Für die Klassen 7–9 stehen anschauliche Beispiele und Grundbegriffe im Mittelpunkt. In den Klassen 10–11 kannst Du Trainingsdaten, Klassifikation und Modellbewertung genauer untersuchen. In der Oberstufe kannst Du zusätzlich über Optimierung, Verzerrungen in Daten, Erklärbarkeit, Datenschutz und gesellschaftliche Folgen diskutieren.
Grundlagen: Was ist Künstliche Intelligenz?
Künstliche Intelligenz ist ein Teilgebiet der Informatik. Der Begriff umfasst unterschiedliche Verfahren, mit denen Computersysteme Aufgaben bearbeiten, für die Menschen häufig Wahrnehmung, Schlussfolgern, Sprachverarbeitung, Planung oder Lernen einsetzen. Zur KI gehören sowohl regelbasierte Ansätze als auch lernende Verfahren.
Ein klassisches Programm folgt Regeln, die Programmierende vorher festlegen. Bei einem System des Maschinellen Lernens wird dagegen ein Modell mit Daten trainiert. Das Modell soll darin Muster finden, die sich auch auf neue, bisher unbekannte Daten übertragen lassen. Deshalb sind gute Daten und eine faire Prüfung des Modells entscheidend.
Algorithmus, Daten und Modell
Ein Algorithmus ist eine eindeutig beschriebene Folge von Verarbeitungsschritten. Daten sind die Informationen, mit denen ein System arbeitet, zum Beispiel Messwerte, Texte, Bilder oder Tonaufnahmen. Ein Modell ist das Ergebnis eines Lernverfahrens: Es enthält mathematisch beschriebene Zusammenhänge, die für Vorhersagen oder Entscheidungen genutzt werden.
Ein einfaches Schulbeispiel ist eine Bilderkennung für Blätter. Du sammelst freigegebene Fotos verschiedener Blattarten, versiehst sie mit passenden Bezeichnungen und trainierst ein Modell. Danach prüfst Du mit neuen Fotos, ob es die Blattarten zuverlässig unterscheiden kann. Wenn die Trainingsbilder fast nur bei Sonne aufgenommen wurden, könnte das Modell bei Regen oder Schatten deutlich schlechter funktionieren. Das zeigt: Die Qualität und Vielfalt der Daten beeinflusst die Leistung.
Maschinelles Lernen
Beim Maschinellen Lernen werden aus Beispieldaten Muster abgeleitet. Beim überwachten Lernen sind zu den Trainingsbeispielen gewünschte Lösungen bekannt, etwa die Klasse „Apfel“ oder „Birne“. Beim unüberwachten Lernen sucht ein Verfahren ohne vorgegebene Klassen nach Strukturen oder Gruppen. Beim bestärkenden Lernen lernt ein System durch Rückmeldungen auf Handlungen.
Für die Schule ist besonders die Klassifikation anschaulich: Ein Modell ordnet eine Eingabe einer Klasse zu. Das kann ein Foto, ein Messwert oder ein kurzer Text sein. Eine hohe Trefferquote allein reicht aber nicht immer aus. Du solltest auch prüfen, welche Fehler auftreten und ob einzelne Gruppen oder Situationen häufiger falsch behandelt werden.
Künstliche neuronale Netze und Deep Learning
Künstliche neuronale Netze bestehen aus vielen miteinander verbundenen Recheneinheiten, die oft in Schichten angeordnet sind. Ihre Struktur ist von biologischen Nervennetzen inspiriert, aber ein künstliches neuronales Netz ist keine Kopie eines Gehirns. Beim Training werden sehr viele Verbindungsgewichte so angepasst, dass das Netz für eine Aufgabe bessere Ergebnisse liefert.
Deep Learning nutzt neuronale Netze mit mehreren Verarbeitungsschichten. Solche Modelle sind besonders wichtig für Bild-, Sprach- und Textverarbeitung. Sie können leistungsfähig sein, benötigen aber häufig große Datenmengen und beträchtliche Rechenleistung.
Generative KI und Sprachmodelle
Generative KI erzeugt neue Inhalte wie Texte, Bilder, Ton oder Programmcode auf Grundlage erlernter Muster. Große Sprachmodelle verarbeiten Sprache in kleinen Einheiten und berechnen passende Fortsetzungen. Dadurch können flüssige Antworten entstehen, obwohl das System den Wahrheitsgehalt einer Aussage nicht automatisch garantiert.
Eine überzeugend klingende, aber sachlich falsche Ausgabe wird häufig als Halluzination bezeichnet. Deshalb gilt besonders bei Referaten, Hausaufgaben und Recherche: Aussagen prüfen, Originalquellen heranziehen und die Nutzung von KI nach den Regeln Deiner Schule transparent machen.
Vom Datensatz zur Entscheidung
Ein typischer Arbeitsablauf beim maschinellen Lernen besteht aus mehreren Schritten. Zuerst wird die Aufgabe klar beschrieben. Danach werden geeignete Daten gesammelt und auf Fehler, Lücken oder unausgewogene Verteilungen geprüft. Ein Teil der Daten dient dem Training, ein anderer Teil der unabhängigen Prüfung. Erst danach sollte ein Modell in einer realen Anwendung eingesetzt und weiter beobachtet werden.
- Trainingsdaten: Mit ihnen werden Modellparameter angepasst.
- Validierung: Sie hilft bei der Auswahl und Abstimmung eines Modells.
- Testdaten: Mit bisher nicht verwendeten Daten wird geprüft, wie gut das Modell auf neue Fälle überträgt.
- Evaluation: Kennzahlen und Fehleranalysen zeigen, wo das Modell gut oder schlecht arbeitet.
- Menschliche Kontrolle: Menschen legen Ziele fest, bewerten Risiken und tragen Verantwortung für den Einsatz.
Beispiel: Ein Modell zur Erkennung beschädigter Bauteile kann in einer Fabrik Bilder von Werkstücken analysieren. Das System kann die Qualitätskontrolle unterstützen, aber die Entscheidung, wie mit unsicheren Fällen umgegangen wird, muss geplant und überwacht werden. Genau solche Fragen verbinden Informatik mit Technik, Wirtschaft und Ethik.
Baden-Württemberg als KI-Lernregion
Baden-Württemberg verbindet Hochschulen, Forschungsinstitute, Unternehmen, Start-ups und Bildungsangebote. Für Dich ist das spannend, weil sich Grundlagenforschung und praktische Anwendungen an konkreten Orten beobachten lassen. Die folgenden Beispiele sind keine vollständige Liste, sondern zeigen unterschiedliche Schwerpunkte.
Tübingen und Stuttgart: Cyber Valley und Tübingen AI Center
Die Region Stuttgart–Tübingen ist ein wichtiger Standort für Forschung zu KI, maschinellem Lernen, Robotik und intelligenten Systemen. Das Cyber Valley vernetzt Akteure aus Wissenschaft, Wirtschaft und Gesellschaft. Am Tübingen AI Center arbeiten Forschende an Grundlagen des maschinellen Lernens und an verantwortungsvollen Anwendungen.
Für Schülerinnen und Schüler ist Tübingen auch als Lernort interessant: Der Bundeswettbewerb Künstliche Intelligenz ist ein Outreach-Projekt des Tübingen AI Centers. Jugendliche können dort eigene KI-Projekte entwickeln. Außerdem gibt es in Tübingen Angebote zur Wissenschaftskommunikation und außerschulische Lernmöglichkeiten.
Karlsruhe: KIT und FZI
Am Karlsruher Institut für Technologie (KIT) wird KI unter anderem für Natur- und Ingenieurwissenschaften erforscht. Beispiele reichen von Grundlagenmodellen über Energie- und Umweltfragen bis zu Robotik. Das KIT betreibt außerdem leistungsfähige Recheninfrastruktur, die für datenintensive Forschung wichtig ist.
Karlsruhe besitzt zudem eine lange Robotiktradition. Das FZI Forschungszentrum Informatik entwickelt und erprobt intelligente technische Systeme. Der Laufroboter LAURON ist ein anschauliches Beispiel dafür, wie Sensorik, Regelung, Planung und Informatik in der Robotik zusammenspielen.
Stuttgart und Renningen: KI in Produktion und Industrie
Das Fraunhofer IPA in Stuttgart untersucht, wie KI und maschinelle Lernverfahren in Produktion und Automatisierung eingesetzt werden können. Typische Aufgaben sind Qualitätsprüfung, Robotik, Prozessoptimierung und die Auswertung von Produktionsdaten. Solche Anwendungen zeigen, dass KI oft nicht allein arbeitet, sondern Teil eines größeren technischen Systems ist.
In Renningen befindet sich der Bosch Forschungscampus. Er ist ein zentraler Standort von Bosch Research und des Bosch Center for Artificial Intelligence. Dort wird an angewandter KI für technische Produkte, Automatisierung und vernetzte Systeme gearbeitet.
Heilbronn: IPAI und angewandte KI
In Heilbronn entsteht mit IPAI eine Plattform für angewandte KI. Dort sollen Unternehmen, Forschung, öffentliche Einrichtungen und weitere Akteure gemeinsam KI-Anwendungen entwickeln, erproben und diskutieren. IPAI versteht sich als Ort für Zusammenarbeit, Weiterbildung und Transfer zwischen Forschung und Praxis.
Für Lernende ist daran besonders interessant, dass KI hier nicht nur als Programmieraufgabe erscheint. Es geht auch um Arbeitswelt, Geschäftsmodelle, Nachhaltigkeit, Regeln, Vertrauen und die Frage, wie Menschen bei wichtigen Entscheidungen einbezogen bleiben.
Anwendungen und Chancen
KI kann Menschen bei Aufgaben unterstützen, für die große Datenmengen ausgewertet, Muster erkannt oder viele Möglichkeiten verglichen werden müssen. Entscheidend ist, ob die Anwendung zu einem klaren Problem passt und zuverlässig geprüft wurde.
In der Produktion kann KI auffällige Muster in Sensordaten erkennen, Qualitätskontrollen unterstützen oder Roboter flexibler machen. In der Medizin kann maschinelles Lernen beispielsweise bei der Analyse medizinischer Bilder erforscht und eingesetzt werden; die ärztliche Verantwortung verschwindet dadurch nicht. In Energie und Umwelt können Modelle Wetter- und Messdaten auswerten und Vorhersagen unterstützen. In der Mobilität helfen KI-Verfahren bei Wahrnehmung, Planung und Assistenzfunktionen. In der Bildung können KI-Systeme Rückmeldungen, Erklärungen oder Übungsideen anbieten, wenn sie didaktisch sinnvoll und regelkonform genutzt werden.
Eine wichtige Chance liegt in der Unterstützung statt bloßer Automatisierung: KI kann Routinearbeiten beschleunigen, Menschen auf Auffälligkeiten hinweisen oder viele Daten strukturieren. Dadurch bleibt mehr Zeit für Aufgaben, die Urteilskraft, Kreativität, Verantwortung und Kommunikation erfordern.
KI in der Schule in Baden-Württemberg
Baden-Württemberg hat am Zentrum für Schulqualität und Lehrerbildung ein KI-Zentrum Schule eingerichtet. Über die digitale Bildungsplattform SCHULE@BW steht Schulen außerdem der für den schulischen Einsatz entwickelte Chatbot AIS.chat zur Verfügung. Solche Angebote machen deutlich, dass KI-Kompetenz nicht nur Bedienwissen bedeutet: Du sollst Funktionsweisen verstehen, Ergebnisse kritisch prüfen und Grenzen erkennen.
Ein sinnvoller schulischer Einsatz kann so aussehen: Du lässt Dir zunächst unterschiedliche Erklärungen zu einem Informatikbegriff geben, vergleichst sie mit dem Schulbuch oder vertrauenswürdigen Quellen und formulierst danach eine eigene Erklärung. Die KI ist dann ein Werkzeug für den Lernprozess, nicht der Ersatz für Deine eigene Leistung.
Chancen verantwortungsvoll nutzen: Grenzen und Risiken
KI-Systeme können Fehler machen. Trainingsdaten können Lücken, Vorurteile oder Messfehler enthalten. Ein Modell kann in einer vertrauten Testsituation gut funktionieren und bei neuen Bedingungen trotzdem scheitern. Generative KI kann falsche Informationen erzeugen. Bei personenbezogenen Daten kommen Datenschutz und Persönlichkeitsrechte hinzu. Außerdem benötigen große Modelle Rechenzentren, Energie und Hardware.
Bias bedeutet, dass ein System bestimmte Gruppen oder Situationen systematisch benachteiligen kann. Das kann aus einseitigen Daten, ungeeigneten Zielgrößen oder falschen Annahmen entstehen. Deshalb gehört zur Informatik nicht nur das Programmieren, sondern auch die Frage, was optimiert wird, für wen ein System funktioniert und wer die Folgen trägt.
Ein guter Umgang mit KI folgt daher vier Leitfragen:
- Zweck: Welches Problem soll die KI tatsächlich lösen?
- Daten: Woher stammen die Daten und wen bilden sie gut oder schlecht ab?
- Prüfung: Wie wird die Qualität mit neuen Daten und nachvollziehbaren Kriterien getestet?
- Verantwortung: Wer entscheidet bei Fehlern, Zweifeln oder besonders wichtigen Folgen?
Informatik nach Klassenstufen
Klasse 7–9: Du solltest erklären können, was Daten, Algorithmus, Modell, Training und Klassifikation bedeuten. Kleine Experimente mit Bildern, Texten oder einfachen Entscheidungsregeln helfen beim Verständnis.
Klasse 10–11: Du kannst Trainings- und Testdaten unterscheiden, Fehlerarten vergleichen und diskutieren, warum eine hohe Genauigkeit allein nicht genügt. Du kannst einfache Klassifikationsaufgaben selbst planen und die Datenqualität begründen.
Klasse 12–13: Du kannst zusätzlich Modellgrenzen, Optimierung, Erklärbarkeit, Bias, Datenschutz und gesellschaftliche Folgen analysieren. Bei Projekten solltest Du dokumentieren, wie Daten ausgewählt, Modelle bewertet und Entscheidungen begründet wurden.
Merksätze
- Künstliche Intelligenz ist ein Teilgebiet der Informatik und umfasst verschiedene Verfahren.
- Maschinelles Lernen ist ein Teilgebiet der KI, bei dem Modelle aus Daten Muster lernen.
- Deep Learning nutzt mehrschichtige künstliche neuronale Netze.
- Generative KI erzeugt neue Inhalte, garantiert aber nicht deren Wahrheit.
- Datenqualität und geeignete Testverfahren sind für zuverlässige KI zentral.
- KI bietet Chancen, wenn Menschen Ziele, Grenzen und Verantwortung bewusst gestalten.
- Baden-Württemberg bietet mit Tübingen, Stuttgart, Karlsruhe, Renningen und Heilbronn viele konkrete Lern- und Forschungsbeispiele.
Quellen und Vertiefung
- Wikipedia: Künstliche Intelligenz
- Wikipedia: Maschinelles Lernen
- Cyber Valley
- IPAI Heilbronn
- KIT Karlsruhe
- Fraunhofer IPA Stuttgart
- ZSL Baden-Württemberg: Künstliche Intelligenz in der Bildung
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Zu welchem Fachgebiet gehört Künstliche Intelligenz? (Informatik) (!Geologie) (!Musikwissenschaft) (!Sportwissenschaft)
Was geschieht beim maschinellen Lernen? (Ein Modell lernt Muster aus Daten) (!Ein Computer erhält immer nur vollständig festgeschriebene Lösungen) (!Alle Daten werden automatisch wahr) (!Ein Roboter entwickelt ein menschliches Bewusstsein)
Wozu dienen Testdaten? (Sie prüfen ein Modell mit bisher nicht zum Training genutzten Daten) (!Sie ersetzen das Training vollständig) (!Sie machen jede Vorhersage automatisch richtig) (!Sie bestehen nur aus Programmcode)
Was beschreibt ein künstliches neuronales Netz am besten? (Ein Modell aus verbundenen künstlichen Recheneinheiten) (!Eine vollständige digitale Kopie eines menschlichen Gehirns) (!Eine Sammlung ausschließlich mechanischer Zahnräder) (!Ein Speicher ohne Rechenoperationen)
Was ist typisch für generative KI? (Sie kann neue Inhalte aus erlernten Mustern erzeugen) (!Sie garantiert die Wahrheit jeder Ausgabe) (!Sie benötigt grundsätzlich keine Daten) (!Sie kann nur Zahlen addieren)
Mit welcher Region ist Cyber Valley besonders verbunden? (Stuttgart und Tübingen) (!Konstanz und Ulm) (!Freiburg und Offenburg) (!Mannheim und Heidelberg)
In welcher Stadt befindet sich IPAI? (Heilbronn) (!Tübingen) (!Karlsruhe) (!Freiburg)
Welche Einrichtung ist ein wichtiges KI-Forschungsbeispiel in Karlsruhe? (Karlsruher Institut für Technologie) (!Tübingen AI Center) (!IPAI) (!Fraunhofer IPA in Stuttgart)
Was bedeutet Halluzination bei generativer KI? (Eine plausibel klingende aber sachlich falsche Ausgabe) (!Eine garantierte wissenschaftliche Quelle) (!Eine fehlerfreie Messung) (!Eine verschlüsselte Festplatte)
Was gehört zu einem verantwortungsvollen KI-Einsatz in der Schule? (Aussagen prüfen und die Nutzung nach Schulregeln transparent machen) (!Jede KI-Antwort ungeprüft übernehmen) (!Persönliche Daten immer vollständig hochladen) (!Quellen grundsätzlich weglassen)
Memory
| Künstliche Intelligenz | Oberbegriff für verschiedene intelligente Problemlösungsverfahren |
| Maschinelles Lernen | Musterlernen aus Daten |
| Trainingsdaten | Beispiele zur Anpassung eines Modells |
| Neuronales Netz | Schichten verbundener künstlicher Recheneinheiten |
| Klassifikation | Zuordnung einer Eingabe zu einer Klasse |
| Generative KI | Erzeugung neuer Inhalte aus erlernten Mustern |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Tübingen | Tübingen AI Center und Cyber Valley |
| Karlsruhe | KIT und FZI |
| Stuttgart | Fraunhofer IPA und Fraunhofer IAO |
| Renningen | Bosch Forschungscampus |
| Heilbronn | IPAI |
Kreuzworträtsel
| Algorithmus | Wie heißt eine eindeutig beschriebene Folge von Verarbeitungsschritten? |
| Training | Wie heißt die Phase, in der ein lernendes Modell angepasst wird? |
| Tübingen | In welcher Stadt befindet sich das Tübingen AI Center? |
| Karlsruhe | In welcher Stadt liegt das KIT? |
| Heilbronn | In welcher Stadt befindet sich IPAI? |
| Robotik | Welches Fachgebiet verbindet Informatik mit intelligenten Maschinen? |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- KI-Tagebuch: Notiere einen Tag lang, wo Dir KI oder vermutlich KI-gestützte Funktionen begegnen. Begründe bei jedem Beispiel, woran Du den KI-Bezug erkennst.
- Begriffsplakat: Gestalte ein Plakat oder eine digitale Grafik zu Daten, Algorithmus, Modell, Training und Test. Verbinde die Begriffe mit Pfeilen und kurzen Erklärungen.
- Prompt-Vergleich: Stelle einem schulisch erlaubten KI-System dieselbe Informatikfrage in drei unterschiedlich präzisen Formulierungen. Vergleiche die Antworten und markiere Unterschiede.
- Mediencheck: Wähle einen Beitrag über KI und prüfe Überschrift, Quelle, Datum, Belege und mögliche Übertreibungen. Formuliere anschließend eine sachlichere Zusammenfassung.
Standard
- Mini-Datensatz: Erstelle mit eigenen oder frei nutzbaren, nicht personenbezogenen Beispielen einen kleinen Datensatz für eine einfache Klassifikation. Dokumentiere, welche Fälle fehlen könnten.
- KI-Landkarte Baden-Württemberg: Recherchiere Tübingen, Stuttgart, Karlsruhe, Renningen und Heilbronn und gestalte eine Karte mit je einem gesicherten KI-Beispiel und einer Quellenangabe.
- Interview zu KI: Befrage eine Lehrkraft, eine Person aus einem Betrieb oder eine Person aus Forschung und Ausbildung dazu, welche KI-Anwendungen sinnvoll sind und wo menschliche Kontrolle nötig bleibt.
- Erklärvideo: Produziere ein zwei- bis dreiminütiges Video, das Trainingsdaten, Testdaten und Modell an einem selbst gewählten Beispiel erklärt.
Schwer
- Bias-Experiment: Entwickle ein Gedankenexperiment oder ein kleines Modellbeispiel, bei dem unausgewogene Daten zu unfairen Ergebnissen führen. Zeige anschließend eine mögliche Verbesserung.
- Modellvergleich: Vergleiche zwei Klassifikationsmodelle nicht nur nach Trefferquote, sondern auch nach typischen Fehlern. Begründe, welches Modell für einen konkreten Anwendungsfall geeigneter ist.
- KI-Projekt Baden-Württemberg: Entwirf eine KI-Anwendung für Schule, Umwelt, Mobilität oder Produktion in Baden-Württemberg. Beschreibe Daten, Modellidee, Nutzen, Risiken, Tests und menschliche Verantwortung.
- Exkursion und Wissenschaftskommunikation: Plane eine Exkursion zu einem passenden Forschungs-, Bildungs- oder Technikort. Erstelle danach einen Bericht, Podcast oder Kurzfilm, der Forschungsergebnisse verständlich und kritisch einordnet.
|
|
Lernkontrolle
- Transfer: Qualitätskontrolle: Eine Fabrik möchte mit KI fehlerhafte Bauteile erkennen. Entwickle einen sinnvollen Ablauf von Datensammlung bis Kontrolle im Betrieb und begründe jeden Schritt.
- Transfer: Medizinische Bildanalyse: Erkläre, warum ein KI-System zur Bildanalyse trotz hoher Trefferquote nicht automatisch die gesamte medizinische Entscheidung übernehmen sollte.
- Transfer: Datenverzerrung: Ein Trainingsdatensatz enthält fast nur Bilder bei gutem Tageslicht. Leite ab, welche Probleme beim Einsatz in der Dämmerung entstehen können und wie Du das Training verbessern würdest.
- Transfer: Schulchatbot: Entwirf Regeln für einen verantwortungsvollen Einsatz eines KI-Chatbots bei einer Informatik-Hausaufgabe. Begründe, welche Teile die Lernenden selbst leisten müssen.
- Transfer: Standortvergleich: Vergleiche Tübingen und Heilbronn als KI-Beispiele. Arbeite heraus, wie sich Grundlagenforschung, angewandte Innovation, Bildung und Transfer ergänzen können.
- Transfer: Entscheidungskriterien: Du darfst ein KI-Modell nicht nur nach Genauigkeit bewerten. Entwickle mindestens drei weitere Kriterien und erkläre, wann sie besonders wichtig sind.
Lernnachweis
Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du Zusammenhänge erklären und auf neue Fälle übertragen kannst.
- Du unterscheidest Künstliche Intelligenz, Maschinelles Lernen, Deep Learning und Generative Künstliche Intelligenz.
- Du erklärst die Rollen von Daten, Training, Test und Evaluation in einem KI-Projekt.
- Du analysierst mindestens ein KI-Beispiel aus Baden-Württemberg fachlich korrekt.
- Du kannst Chancen, Grenzen, Fehlerquellen und mögliche Verzerrungen begründet abwägen.
- Du entwirfst für eine neue Problemstellung einen einfachen KI-Arbeitsablauf und begründest die benötigten Daten.
- Du prüfst KI-Ausgaben mit geeigneten Quellen und machst den eigenen KI-Einsatz entsprechend den schulischen Regeln transparent.
- Du verwendest Fachbegriffe verständlich und kannst Deine Entscheidungen in einer Präsentation, Dokumentation oder Projektarbeit begründen.
OERs zum Thema
Verknüpfte Lernbereiche