aiMOOC

Künstliche Intelligenz verstehen - Grundlagen und Grenzen

QR-Code

Einleitung

Zielgruppe: Auszubildende im 1. Ausbildungsjahr. Voraussetzungen: Einheiten lesen, einfache Tabellen verwenden und Quellen von Vermutungen unterscheiden. Dauer: etwa 4–6 Unterrichtsstunden mit Transfer. Du benötigst Papier, Stift und gegebenenfalls eine Tabellenkalkulation; ein kostenpflichtiges KI-Konto ist nicht nötig.

Dein Lernprodukt: eine begründete Entscheidungskarte für drei Aufgaben einer fiktiven Variantenmontage. Du entscheidest, wann eine feste Regel genügt, welche Daten fehlen und wann KI überhaupt einen überprüfbaren Mehrwert hätte. Du verwendest weder echte Montageanweisungen noch reale Maschinen. Dieser Kurs simuliert nur Entscheidungen und erteilt keine Sicherheitsfreigaben.

Aktivierung in drei Minuten: Öffne als bekannte Grundlage den vorhandenen MOOCwiki-Einstieg. Notiere ohne Abschreiben: Was sind Daten, was ist eine Quelle, was bedeutet eine technische Einheit? Die verlinkte Seite konnte beim externen Quellenabruf am 21.10.2026 nicht inhaltlich überprüft werden; daher wird kein konkreter Inhalt daraus vorausgesetzt. Hier erarbeitest du das neue Produkt statt Grundlagen lange zu wiederholen.

Lernziele: Du unterscheidest Künstliche Intelligenz, Maschinelles Lernen, Deep Learning und Sprachmodell; vergleichst ein KI-Verfahren mit einer regelbasierten Baseline; erkennst fehlende Freigabedaten; überprüfst erfundene KI-Ausgaben anhand benannter Quellen und begründest auch eine bewusste Nicht-KI-Entscheidung.

KI, Machine Learning und Deep Learning unterscheiden

Was zählt als KI?

Unter Künstlicher Intelligenz (KI) verstehen wir unterschiedliche technische Verfahren, die aus Eingaben Ergebnisse wie Klassen, Vorhersagen oder erzeugte Texte ableiten. Die Grenze ist nicht völlig einheitlich definiert. Ein konventionelles Nachschlageprogramm mit fest codierten Regeln muss keine KI sein. Nicht jedes digitale Werkzeug und nicht jede Automatisierung lernt. Frage stets: Was ist die Aufgabe, wie entsteht die Ausgabe, und woran lässt sie sich prüfen?

Maschinelles Lernen (Machine Learning, ML) passt ein Modell anhand von Beispieldaten an. Beim überwachten Lernen besitzen Trainingsbeispiele eine bekannte richtige Kategorie (ein Label). Das Modell soll für neue Fälle möglichst passende Kategorien finden. Deep Learning ist ein Teilbereich des ML mit mehrschichtigen künstlichen neuronalen Netzen. Ein Modell ist kein menschlicher Verstand: Es kann statistische Zusammenhänge nutzen, ohne Normen oder Sachverhalte verlässlich zu verstehen.

Bildhilfe: Der innere Kreis ist kein anderer Name für die äußeren Kreise. Eine Tabelle mit festen Regeln liegt möglicherweise außerhalb des ML. Datei und Lizenz siehe Mediennachweise.

Sprachmodelle sind keine freigegebenen Wissensdatenbanken

Ein Sprachmodell verarbeitet Zeichenfolgen als kleine Einheiten (Tokens) und berechnet passende Fortsetzungen. Große Sprachmodelle (LLM) beruhen häufig auf Deep Learning. Sie können technische Texte ordnen, Ideen formulieren und Zusammenfassungen vorschlagen. Sprachlich überzeugende Antworten sind aber kein Nachweis für technische Richtigkeit, Quellenbezug oder Aktualität. Eine angebliche Dokumentennummer kann erfunden sein. NIST beschreibt solche selbstsicher vorgetragenen Falschaussagen als confabulation oder umgangssprachlich Halluzination.

Merksatz: Plausibilität ist nicht Prüfbarkeit. Auch ein genau klingender Messwert benötigt die konkrete, gültige Quelle und verantwortliche Prüfung.

Bildhilfe: Knoten und Verbindungen sind ein Schema; daraus kannst du nicht direkt ablesen, welche Norm eine Ausgabe belegt.

Audio-Wortschatz: – Aussprache mit Textalternative: „Deep Learning“. Ohne Audiowiedergabe liest du den Begriff und seine Definition hier.

Deutschsprachiges Video: KI-Campus, ML explained – Maschinelles Lernen, einfach erklärt (14.04.2024).

Alternative ohne Video: ML lernt statistische Zuordnungen aus Beispielen; ein Test mit zuvor nicht verwendeten Fällen prüft die Übertragung. Das verlinkte Video wurde als KI-Campus-YouTube-Eintrag recherchiert; Abspielbarkeit kann sich ändern.

Regeln, Daten und überprüfbare Modelle

Warum zuerst eine Regelbaseline?

Eine Baseline ist ein möglichst einfaches Vergleichsverfahren. Beispiel: Eine freigegebene Zuordnungstabelle liefert zu einer Variantenkennung den vorgesehenen Dokumenteneintrag. Eine Wenn-dann-Regel ist transparent, reproduzierbar und benötigt kein KI-Training. Eine KI-Lösung ist nur dann interessant, wenn sie für dieselbe Aufgabe einen messbaren Nutzen schafft, ohne die Anforderungen an Sicherheit und Nachvollziehbarkeit zu verletzen.

Die Aufgabenart entscheidet:

Nachschlagen: feste gültige Kennung, bestätigte Revision, tabellarischer Eintrag → normalerweise Regel oder Datenbank.
Erkennen unscharfer Muster: unterschiedlich formulierte Meldungen → eventuell ML, aber nur mit genügend repräsentativen, geprüften Beispielen.
Text formulieren: ein Sprachmodell kann einen Entwurf unterstützen, aber keine unbekannte Quelle ersetzen und keine Freigabe aussprechen.

Trainingsdaten, Testdaten und Datenlücken

Trainingsdaten dienen zum Erstellen oder Anpassen eines Modells. Testdaten werden zurückgehalten, um das Verhalten bei neuen Fällen zu beurteilen. Datenleckage entsteht, wenn Informationen aus dem Test unzulässig ins Training gelangen. Verzerrung (Bias) bedeutet unter anderem, dass manche Varianten, Fehler oder Formulierungen im Datensatz kaum vorkommen. Verteilungsschift (Data Drift) meint eine Veränderung der späteren Eingaben gegenüber den Trainingsdaten.

Drei entscheidende Prüfungen: (1) Gültigkeit: Ist die Quelle freigegeben und die Revision passend? (2) Vollständigkeit: Sind Variantenkennung, Einheit und Prüfnachweis vorhanden? (3) Messbarkeit: Ist die einfache Baseline definiert, gibt es unabhängige Testfälle, Fehlerarten und eine Stop-Regel? Ein fehlender Wert wird nie aus einem ähnlich aussehenden Datensatz geraten.

Bildhilfe: Modelle verarbeiten Eigenschaften der Daten, nicht automatisch deren fachliche Gültigkeit. Das Schaubild ist englisch; features heißt Merkmale.

Kennzahlen vorsichtig interpretieren

Die Trefferquote (Accuracy) ist Anteil richtiger Vorhersagen. Bei seltenen Fehlern reicht sie allein nicht. Ein falsch positives Ergebnis meldet einen Fehler, obwohl keiner vorliegt; ein falsch negatives Ergebnis übersieht einen tatsächlich vorhandenen Fehler. Die Gewichtung beider Fehler hängt von den Folgen ab. Eine Konfusionsmatrix zeigt die vier Kombinationen von Vorhersage und Wirklichkeit.

Textalternative: wahr positiv = Fehler vorhanden und gemeldet; falsch positiv = kein Fehler, aber gemeldet; falsch negativ = Fehler vorhanden, aber übersehen; wahr negativ = kein Fehler und nicht gemeldet. Bei unklaren Quellen gibt es zusätzlich den Zustand keine Entscheidung.

Animation:

– ein klassisches ML-Beispiel, keine Demonstration von Maschinensteuerung. Ohne Animation: Vergleiche die nächstgelegenen drei farbigen Beispiele; die Mehrheit bestimmt eine Klasse. Das Verfahren prüft nicht selbst, ob die Daten fachlich korrekt oder vollständig sind.

Geführter Modellfall: drei Aufgaben in der Variantenmontage

Ausschließlich fiktiver Auftrag

Die erfundene Lernwerkstatt MontageLab montiert Bauteile in Varianten V-A, V-B und V-C. Jede Zahl hier ist eine didaktische Fantasiezahl ohne technische Geltung. Niemand darf sie auf ein Bauteil, Werkzeug oder einen Arbeitsplatz übertragen. Als rein simulierte Quellen liegen die Karten S1: Übungstabelle Revision R2, S2: synthetische Fehlernotizen, S3: leere Berichtsvorlage, und S4: Prüfprotokoll für diesen Unterrichtsfall vor.

Simulierte Variante	Auftragskennung	Eintrag in S1	Datenstatus
V-A	A-101	Übungswert 12 N·m	S1 / R2 vorhanden
V-B	B-102	Übungswert 16 N·m	S1 / R2 vorhanden
V-C	C-103	kein Eintrag	FEHLT

Wichtig: N·m (Newtonmeter) ist eine Einheit des Drehmoments; dies sind keine Hersteller- oder Sicherheitsvorgaben. Das Beispiel zeigt nur Quellenarbeit. Keine reale Schraube wird angezogen.

Aufgabe 1: Gültigen Tabellenwert suchen

Frage: Kann Software den fiktiven Übungswert einer Variante ermitteln? Regelbaseline: Wenn Variantenkennung exakt V-A und S1/R2 gültig, gib den Übungseintrag aus; bei V-B entsprechend; bei V-C oder abweichender Revision lautet das Ergebnis „Daten fehlen – keine Entscheidung“. KI-Vergleich: Ein Sprachmodell könnte für V-C den Wert von V-B fälschlich übernehmen. Damit wäre das Resultat zwar flüssig, aber nicht quellengebunden. Entscheidung: keine KI verwenden, weil ein direkter Tabellenabruf zuverlässig und nachvollziehbar ist.

Geführter Schritt: Markiere in der Tabelle V-C. Nenne Quelle, Revision und fehlenden Eintrag. Schreibe nicht einfach „vermutlich 16 N·m“. Die begründete Nicht-KI-Entscheidung ist ein vollwertiges Ergebnis.

Aufgabe 2: Synthetische Fehlernotizen einordnen

Eine Klassifikation sortiert Beschreibungen in zwei Übungsklassen: S = Stecker/Clip, D = Dichtung. Die folgende winzige Lehrstichprobe ist zu klein für einen belegbaren produktiven ML-Einsatz. Alle Texte sind erfunden, unkritisch und ohne personenbezogene Daten.

S2 – Beispiele zum Erarbeiten der Regeln: „Stecker locker“ → S; „Clip offen“ → S; „Steckteil klappert“ → S; „Clip sitzt schief“ → S; „Dichtung eingerissen“ → D; „Dichtring porös“ → D; „O-Ring gerissen“ → D; „Dichtfläche beschädigt“ → D.

Regelbaseline: Enthält der Text „Stecker“ oder „Clip“, melde S. Enthält er „Dichtung“ oder „Dichtring“, melde D. Andernfalls melde U = unklar und überlasse die Klärung einem Menschen. Doppelt passende oder widersprüchliche Texte bleiben ebenfalls unklar.

Unabhängiger Unterrichts-Testfall	Sollklasse aus S4	Regelbaseline	Nur simulierte KI-Ausgabe
„Stecker locker“	S	S	S
„Clip nicht eingerastet“	S	S	S
„Dichtung eingerissen“	D	D	D
„O-Ring beschädigt“	D	U	S

Rechenweg: Die Baseline hat drei richtige Klassifikationen und eine Enthaltung (3/4 richtig, 1/4 ungeklärt). Die behauptete KI-Ausgabe hat ebenfalls drei richtige Klassifikationen, produziert aber eine falsche Klasse (3/4 richtig, 1/4 falsch). „U“ ist nicht dieselbe Fehlerart wie eine falsche automatische Zuordnung. Die Ausgaben der KI-Spalte sind von Hand erfundene Simulationswerte, kein getestetes KI-Modell. Kein Vorteil nachgewiesen; mehr gelabelte, getrennte Daten und definierte Sicherheitsgrenzen wären für einen echten Versuch nötig.

Vergleichsfrage: Was ist in einer sachkritischen Arbeit ehrlicher – eine offen deklarierte Unsicherheit oder eine selbstsichere Falschzuordnung? Begründe mit dem vierten Testfall.

Aufgabe 3: Prüfbericht aus belegten Angaben

Die fiktive Berichtsvorlage S3 enthält vier Felder: Auftragskennung, Variante, Quellrevisionsstand, Ergebnisstatus. Für C-103 ist der Quelleneintrag zu V-C nicht vorhanden. Daher ist ein verantwortbarer Entwurf möglich, aber kein vollständig bestätigter Prüfbericht.

Regelbaseline: Fülle nur belegte Felder aus S1 und dem Auftrag aus. Trage beim Ergebnisstatus „offen – Übungswert fehlt“ ein. Simulierter Sprachmodellfehler: „V-C geprüft, 16 N·m freigegeben, Quelle R2“ – diese Ausgabe erfindet den fehlenden Eintrag und eine Freigabe. Quellenprüfung: S1 enthält für V-C keinen Eintrag; S3 ist bloß eine Vorlage, keine autorisierte Unterschrift. Entscheidung: allenfalls sprachliche Glättung eines bereits geprüften, anonymen Entwurfs; ohne Quellenbeleg keine Aussage als geprüft übernehmen.

Entscheidungskarte selbst erstellen und prüfen

Ein überprüfbares Raster

Erstelle eine Entscheidungskarte mit den drei Zeilen Tabellenzuordnung, Fehlernotiz-Klassifikation und Prüfberichtentwurf. Für jede Zeile dokumentierst du Ziel – verwendete Quelle – benötigte Daten – einfache Regelbaseline – möglicher KI-Ansatz – Vergleichsmaß – Fehlerrisiko – Stop-Bedingung – begründete Entscheidung. Die Spalte Entscheidung darf „keine KI“ oder „noch keine Entscheidung“ enthalten.

Aufgabe	Regelbaseline	fehlende Daten / Stop	vorläufig begründete Wahl
Tabellenzuordnung	exakter Abruf nach Variante und Revision	V-C ohne Tabellenwert: stoppen	Nicht-KI; KI verbessert den eindeutigen Abruf nicht
Fehlernotizen	Schlüsselwörter oder U	zu wenige repräsentative Testbeispiele: nicht einführen	eventuell ML als spätere, kontrollierte Hypothese; jetzt Baseline
Berichtsentwurf	geprüfte Felder und Vorlage	fehlende Revision oder Beleg: keine Freigabe	nur manueller bzw. kontrollierter Entwurf, keine KI-Behauptungen

Leitfragen für jede Karte: (1) Welche konkrete Regel wurde verglichen? (2) Welches wichtige Feld fehlt? (3) Warum ist die Nicht-KI-Lösung richtig oder warum darf die KI-Lösung noch nicht eingesetzt werden? Notiere zu einem Fehlerfall Eingabe, Quellenvergleich, mögliche Folge und Korrektur. Eine Entscheidung ohne begründete Datenlage zählt nicht als fertiges Lernprodukt.

Selbstständiger Transfer

Erfinde eine vierte Übungsvariante V-D ohne realen Unternehmensbezug. Gib ihr absichtlich eine unvollständige, widersprüchliche oder veraltete Quellenangabe. Verwende denselben Entscheidungsrahmen und lasse ein zweites Team unabhängig prüfen, ob deine Stop-Bedingung den Fehler entdeckt. Tausche keine echten Betriebsunterlagen aus.

Hilfestellung: Beginne mit der Entscheidung „Daten vorhanden: ja/nein“. Dann vergleiche die einfachste Regel mit einem hypothetischen KI-Versprechen. Vertiefung: Definiere getrennte Kosten für falsch positive und falsch negative Entscheidungen; erkläre, warum die beste Trefferrate nicht automatisch die beste Entscheidung ist.

Grenzen, Verantwortung und der nächste Entwicklungsschritt

Typische Fehlerquellen

Halluzination / Konfabulation: Ein Sprachmodell erfindet Belege, Maße oder Prüfergebnisse.
Datenmangel: Seltene Varianten, neue Begriffe und abweichende Revisionen fehlen.
Scheingenauigkeit: Eine Prozentzahl oder ein selbstbewusster Ton wird mit Gewissheit verwechselt.
Überanpassung (Overfitting): Ein Modell ist für die bekannten Beispiele gut, für neue Fälle schlecht.
Automationsbias: Menschen vertrauen einem automatischen Vorschlag ungeprüft.
Quellen- und Datenschutzprobleme: Unfreigegebene Dokumente, Betriebsgeheimnisse oder personenbezogene Daten dürfen nicht in externe Tools kopiert werden.

Prüfablauf: erst Zweck und Risiko bestimmen, dann gültige Quellen und Daten kontrollieren, eine einfache Baseline festlegen, Tests getrennt durchführen, Fehlertypen auswerten, Stop-Regeln dokumentieren und menschliche Fachverantwortung belassen. Das ist keine automatische Konformitäts- oder Sicherheitszertifizierung.

Rechts- und Regelkontext: Die Europäische Kommission erläutert auf ihrer fortlaufend aktualisierten FAQ-Seite zu AI Literacy die kontextabhängige Kompetenzentwicklung rund um Artikel 4 des AI Act. Diese Lernaufgabe ersetzt keine betriebliche Umsetzung, Rechtsberatung oder formale Schulung. Die NIST-Publikation AI 600-1 (Juli 2024) ist ein freiwilliges Risikomanagementprofil für generative KI und kein Nachweis, dass dieses Kursbeispiel betrieblich freigegeben wäre. Rechtslage und FAQ können sich verändern; siehe Quellenstand.

Zukunftsakzent: Sinnvoll sind eng begrenzte, dokumentierte, testbare Verfahren, die eine klar definierte Aufgabe lösen und ihre Grenzen angeben – nicht die Vorstellung einer Alleskönner-KI. Ein System, das bei fehlenden Fakten zuverlässig „Ich weiß es nicht“ sagt, kann geeigneter sein als eine sprachlich überzeugende Vollautomatik.

Deutschsprachiges Video zur kritischen Nutzung von Sprachmodellen: KI-Campus, Wie können Studierende KI-Sprachsysteme wie ChatGPT nutzen? (24.07.2023). Der Hochschulkontext ist ein Transferbeispiel; die Montagekarte wird weiterhin ohne KI-Konto gelöst.

Alternative ohne Video: Sprachmodelle können beim Formulieren unterstützen; ohne geprüfte Belegkette darf daraus kein technisch verbindlicher Status entstehen. Prüfe im Übungsfall die behauptete Freigabe zur Variante V-C direkt gegen S1.

Interaktive Aufgaben

Quiz: Wissen anwenden

Was trifft die Beziehung zwischen KI, ML und Deep Learning am besten? Prüfhinweis: Denke an übergeordnete und untergeordnete Begriffe. (Deep Learning ist ein Teilgebiet des maschinellen Lernens und dieses ein Teilgebiet der KI) (!Jede KI ist automatisch Deep Learning) (!Machine Learning ist immer eine starre Tabelle) (!Ein Sprachmodell ist grundsätzlich keine KI)

Wann ist eine Regelbaseline besonders sinnvoll? Prüfhinweis: Prüfe, ob eine klare Regel eine Ungewissheit bereits löst. (Wenn eine gültige Freigabetabelle eine eindeutige Zuordnung vorgibt) (!Wenn Informationen fehlen und ein Wert geschätzt werden soll) (!Wenn sich ein System ohne Datengrundlage selbst bestätigen soll) (!Wenn man Quellen grundsätzlich nicht dokumentieren möchte)

Was ist für V-C aus der Tabelle S1 bekannt? Prüfhinweis: Kontrolliere die Zeile der betroffenen Variante. (Für V-C fehlt der Eintrag und es darf kein Übungswert angenommen werden) (!V-C erbt automatisch den Wert von V-B) (!Für V-C steht ein vom Modell geprüfter Wert fest) (!Eine gut formulierte Antwort ersetzt die fehlende Quelle)

Was beschreibt ein Trainingslabel? Prüfhinweis: Trenne Eingabe und bekannte Zielklasse. (Eine bekannte Zielkategorie zu einem Trainingsbeispiel) (!Eine öffentliche Lizenz aller Daten) (!Eine Sicherheitsfreigabe durch einen Algorithmus) (!Eine Garantie für neue unbekannte Fälle)

Was wurde in der simulierten Klassifikation tatsächlich gezeigt? Prüfhinweis: Unterscheide Enthaltung und falsche Klassenzuordnung. (Baseline und erfundene KI-Ausgabe haben gleich viele richtige Ergebnisse, aber unterschiedliche Fehlerarten) (!Die KI ist an realen Produktionsdaten trainiert worden) (!Die KI wurde unabhängig zertifiziert) (!Die Baseline darf keine unklaren Fälle melden)

Was ist eine Halluzination eines Sprachmodells? Prüfhinweis: Sprache und Wahrheitsgehalt sind getrennt zu prüfen. (Ein plausibel formulierter, aber unbelegter oder falscher Inhalt) (!Ein verpflichtender Nachweis einer amtlichen Prüfstelle) (!Ein durch Quellen eindeutig bestätigter Tabellenwert) (!Eine mechanische Fehlfunktion an einer echten Anlage)

Wozu werden unabhängige Testdaten benötigt? Prüfhinweis: Beachte den Unterschied zwischen Einüben und Überprüfen. (Um Ergebnisse an zuvor nicht verwendeten Fällen zu prüfen) (!Um fehlende Quellen im Nachhinein zu erfinden) (!Um eine frei erfundene Freigabe zu dokumentieren) (!Um Trainingsfehler grundsätzlich auszuschließen)

Welche Aussage zu einer hohen Trefferquote ist richtig? Prüfhinweis: Frage, welche falschen Entscheidungen hinter der Gesamtzahl stecken. (Sie kann seltene kritische Fehler verschleiern und muss mit Fehlerarten betrachtet werden) (!Sie garantiert null falsch negative Ergebnisse) (!Sie ersetzt die Dokumentenrevision) (!Sie belegt automatisch die rechtliche Zulässigkeit)

Wie soll der simulierte Prüfbericht für C-103 enden? Prüfhinweis: Die Quelle muss jeden behaupteten Status tragen. (Als offen gekennzeichneter Entwurf mit fehlendem Beleg) (!Als freigegebene Montageanweisung mit dem Wert von V-B) (!Als durch ein Sprachmodell bestätigtes Prüfzertifikat) (!Als automatisch unterschriebener Prüfabschluss)

Welche Zukunftsstrategie passt zur überprüfbaren KI-Nutzung? Prüfhinweis: Eine definierte Zuständigkeit ist wichtiger als der Eindruck grenzenloser Fähigkeiten. (Kleine klar begrenzte Verfahren mit Baseline, Test und Stop-Regel) (!Ein allgemeines Sprachmodell ohne Quellenprüfung für alle Aufgaben) (!Weglassen von Nicht-KI-Alternativen) (!Veröffentlichen vertraulicher Aufträge zur Verbesserung von Antworten)

Memory: Fachbegriffe zuordnen

Baseline	Einfaches Vergleichsverfahren für denselben Zweck
Trainingslabel	Bekannte Zielklasse eines Lernbeispiels
Konfabulation	Selbstsicher geäußerter unbelegter Inhalt
Testdatensatz	Für eine unabhängige Leistungsprüfung zurückgehaltene Fälle
Enthaltung	Bewusstes Nichtzuordnen bei unklaren Angaben
Datenleckage	Unzulässige Übernahme von Testinformation in das Training

Drag-and-Drop: Prüfmaßnahmen finden

Ordne den passenden Prüfbegriff zu.	Beobachtung
Revision prüfen	Quellendokument ist möglicherweise veraltet
Stop-Bedingung anwenden	Ein Variantenwert fehlt vollständig
Baseline vergleichen	Ein teures Verfahren soll eine einfache Aufgabe übernehmen
Testfall trennen	Bereits bekannte Fälle verfälschen die Bewertung
Falschzuordnung erklären	Ein System behauptet für den O-Ring die Klasse Stecker

Kreuzworträtsel: zentrale Begriffe

Baseline	Wie heißt das einfache Vergleichsverfahren?
Daten	Was benötigt ein lernendes Modell als Beispiele?
Revision	Was identifiziert den gültigen Stand eines Dokuments?
Training	Wie heißt die Phase des Modellanpassens?
Modell	Was bildet aus Eingaben eine prognostizierte Ausgabe?
Quelle	Was muss eine technische Behauptung belegen?

LearningApps: ergänzende Suchaufgaben

Ohne LearningApps: Ordne auf Papier die sechs Begriffe aus dem Kreuzworträtsel je einer Definition zu. Die Suchseite bietet wechselnde fremde Übungen; deren Qualität und Verfügbarkeit sind nicht Teil der Leistungsbewertung.

Lückentext: Quellen statt Vermutungen

Ein einfaches Vergleichsverfahren heißt

.

Für das Einlernen eines Klassifikators nutzt man bezeichnete

.

Eine bekannte Zielklasse eines Beispiels heißt

.

Neue Fälle prüft man mit getrennten

.

Ein fehlender Wert braucht eine gültige

.

Den Gültigkeitsstand eines Dokuments bezeichnet seine

.

Ein erfundener, überzeugend formulierter Inhalt kann eine

sein.

Wenn ein Fehler nicht erkannt wird, liegt ein falsch negatives

vor.

Der Status bei ungeklärter Datenlage bleibt

.

Die drei simulierten Aufgaben bündelst du in einer

.

Offene Aufgaben

Bearbeite die Aufgaben zuerst ohne externes KI-System. Verwende ausschließlich die synthetischen Angaben aus dem Kurs. Die verlinkten Themen dienen als Lernnavigation, nicht als erforderlicher Datenabruf.

Leicht

Künstliche Intelligenz: Zeichne drei ineinanderliegende Bereiche für KI, ML und Deep Learning und beschrifte sie mit je einem Beispiel.
Technische Dokumentation: Markiere in S1 drei gültige Felder und erläutere, warum V-C ohne Eintrag bleibt.
Maschinelles Lernen: Erkläre den Unterschied zwischen Trainingsbeispiel und unabhängigem Testfall mit jeweils einem erfundenen Satz.
Datenqualität: Erstelle eine kurze Prüfliste mit Quelle, Revision, Vollständigkeit und Stop-Bedingung.

Standard

Regelbasierte Systeme: Formuliere die Wenn-dann-Regel für V-A, V-B und V-C und teste sie mit allen drei Varianten.
Klassifikation: Übertrage die vier Testfälle der Fehlernotizen in eine Tabelle und kennzeichne richtig, falsch und unklar getrennt.
Prüfbericht: Schreibe einen quellengebundenen Entwurf für Auftrag C-103 und markiere das fehlende Feld unmissverständlich.
Medienkompetenz: Vergleiche einen Satz aus dem erklärenden KI-Campus-Video mit einer Aussage des Kurses und erläutere, wie du beide unabhängig prüfen würdest; ohne Video nutze den hier gegebenen Alternativtext.

Schwer

Entscheidungsunterstützung: Baue die vollständige Entscheidungskarte aller drei Aufgaben und begründe explizit die Nicht-KI-Wahl.
Fehleranalyse: Entwirf eine fiktive falsche Sprachmodellantwort für V-C, markiere jede unbelegte Behauptung und beschreibe den Korrekturweg.
Maschinelles Lernen: Entwickle einen Plan mit getrennten Trainings- und Testdaten für eine spätere Fehlerklassifikation und diskutiere ungleiche Fehlerrisiken.
Technikfolgenabschätzung: Erfinde V-D mit einer widersprüchlichen Revision und verteidige deine Stop-Regel gegen zwei hypothetische Einwände.

Lernkontrolle

Begriffsverständnis: Begründe an je einem Montagebeispiel, warum KI, ML, Deep Learning und LLM keine austauschbaren Begriffe sind.
Regelbasierte Systeme: Leite für V-A, V-B und V-C eine reproduzierbare Baseline ab und benenne deren Grenzen.
Datenqualität: Finde zwei fehlende Informationen in einem selbst erfundenen Prüfauftrag und formuliere eine angemessene Enthaltung.
Fehlklassifikation: Vergleiche den vierten Testfall der S2-Aufgabe für die Baseline und die simulierte KI; erkläre den Unterschied zwischen ungeklärt und falsch.
Quellenkritik: Widerlege die simulierte Aussage „V-C geprüft, 16 N·m freigegeben“ anhand von S1 und S3.
Transfer: Erstelle für V-D eine neue Karte mit nachvollziehbarer Entscheidung, Quellenangabe, Fehlerfall und Stop-Regel.
Verantwortung: Erkläre, warum eine hohe Trefferquote oder ein KI-Konto weder eine echte Maschinenfreigabe noch ein Zertifikat ersetzen.

Lernnachweis

Abzugebendes Produkt: eine zweiseitige Entscheidungskarte oder eine Tabelle zu genau drei Unterrichtsaufgaben mit drei zusätzlichen Kurzbelegen:

Begriffskarte: KI, ML, Deep Learning und Sprachmodell mit jeweils einem trennscharfen Satz.
Regelvergleich: für jede Aufgabe Ziel, S-Quelle, Baseline, Datenstatus, hypothetische KI-Alternative und begründete Wahl.
Fehlerbeleg: mindestens eine nachgerechnete Falschzuordnung oder erfundene Freigabe mit Quelle, Abweichung, Risiko und angemessenem Stopp.

Bewertungsraster (20 Punkte): Begriffe 4, nachvollziehbarer Baseline-Vergleich 4, fehlende Daten und Quellen 4, begründeter Nicht-KI-Fall 4, Fehleranalyse und Transfer 4. Bestanden als Lernkontrolle: mindestens 12 Punkte und kein ungekennzeichneter sicherheitsrelevanter Freigabesatz. Dies ist nur eine kursinterne Unterrichtsbewertung, keine offizielle Liebherr- oder IHK-Zertifizierung.

Selbstprüfung: Kann eine zweite Person ohne KI-Konto, ohne Live-Daten und ohne echte Maschine jeden Schluss in deiner Karte nachvollziehen? Wenn nicht, verbessere Quellenbezug und Stop-Regel. Deine Entscheidung bleibt ausdrücklich eine Simulation.

OER und Wikipedia

Fachquellen und Geltungsbereich, Recherche-Stand 21.10.2026:

NIST AI 600-1, Artificial Intelligence Risk Management Framework: Generative AI Profile, Ausgabe Juli 2024, DOI 10.6028/NIST.AI.600-1; freiwilliges Risikoprofil, insbesondere zu Konfabulation und Messung. Verlagsnachweis bei NIST. Nicht mit einer Norm für reale Schraubarbeiten verwechseln.
Europäische Kommission: AI Literacy – Questions & Answers, fortlaufend aktualisierte öffentliche FAQ, online geprüft am 21.10.2026; kein individuelles Kurszertifikat und keine rechtsverbindliche Auskunft. Konkrete Anforderungen können sich ändern.
Wikipedia: Künstliche Intelligenz und Wikipedia: Maschinelles Lernen, offene Überblicksartikel; Versionsstand beim Lesen beachten.
MOOCwiki: vorausgesetzter vorhandener Grundlagenbeitrag, als Aktivierung verlinkt, öffentlicher Seiteninhalt zum Recherchezeitpunkt nicht unabhängig abrufbar.

Wikipedia-Lesefenster (deutsch):

Wenn Einbettungen fehlen: Nutze die oben verlinkten Textquellen oder den gesamten offline bearbeitbaren Modellfall. Bilder, Videos, Ton und externe Lernapps sind freiwillige Vertiefungen.

Mediennachweise: Die folgenden konkreten Wikimedia-Commons-Dateiseiten wurden auf Dateiname, angegebenen Urheber und dort genannte Lizenz geprüft. Mit Bildunterschriften und Alternativtexten; die Lizenzbedingungen der Originalseiten gelten bei Nachnutzung. YouTube-Einträge waren bei der Recherche auffindbar; spätere Sperren, regionale Einschränkungen und Löschungen lassen sich nicht ausschließen.

Medium	Verifizierbare Originaldateiseite	Urheberschaft	Lizenz laut Dateiseite
File:AI-ML-DL.svg	Commons	Avimanyu786 (Vorlage), Tukijaaliwa (SVG)	CC BY-SA 4.0
File:Neural network.svg	Commons	Dake und Mysid	CC BY 1.0
File:Feature Learning Diagram.png	Commons	Fgpacini	CC BY-SA 4.0
File:Confusion Matrix.png	Commons	Humzaashraf97	CC0 1.0
File:KNN decision surface animation.gif	Commons	Paolo Bonfini	CC BY-SA 4.0
File:De-Deep Learning.ogg	Commons	Jeuwre	CC BY-SA 4.0
https://www.youtube.com/watch?v=UU4rJ-WQ7nc	KI-Campus-Video von 2024	KI-Campus	CC BY-SA 4.0 laut Videobeschreibung
https://www.youtube.com/watch?v=BdbZYL4XBjM	KI-Campus-Video von 2023	KI-Campus / Christian Spannagel	CC BY-SA 4.0 laut Videobeschreibung

Quellenunsicherheit: Die historischen NIST-Aussagen beziehen sich auf die Ausgabe von 2024; für gegenwärtige Regeln ist die jeweils aktuelle amtliche Fassung maßgeblich. Die EU-FAQ ist ein lebendes Dokument. Der gesamte Montagefall ist didaktisch erfunden und nicht aus einem realen Unternehmen übernommen. Für die beiden Videos wurde die Video-Metadatenverfügbarkeit geprüft; ein Abspieltest an jedem Endgerät ist nicht möglich.