KI und die Kunst des Erinnerns
KI und die Kunst des Erinnerns
Einleitung
KI & die Kunst des Erinnerns / Neuronale Netze neu denken fragt danach, wie künstliche neuronale Netze Informationen aufnehmen, behalten, verändern, vergessen und wieder abrufen. Das Thema verbindet Informatik, Kognitionswissenschaft, Neurobiologie, Medienbildung und Ethik. Im Mittelpunkt stehen modularisierte neuronale Gedächtnisarchitekturen: Also Systeme, in denen ein Netz nicht nur aus einer großen, schwer durchschaubaren Gewichtsstruktur besteht, sondern mit klar unterscheidbaren Modulen für Speicher, Abruf, Aufmerksamkeit, Schreiben, Vergessen, Bewertung und Kontrolle arbeitet.
{{#ev:youtube| https://www.youtube.com/watch?v=e6f5Pp7JgO8 |500|center}}
Der Videobeitrag dient als Impuls: Er lädt Dich ein, Gedächtnis nicht nur als menschliche Fähigkeit zu betrachten, sondern als ein technisches, kulturelles und philosophisches Problem. Was bedeutet es, wenn eine KI etwas „weiß“? Wann ist gespeichertes Wissen nur ein Muster in Gewichten, wann ist es ein abrufbarer Eintrag in einer Datenbank, und wann wird daraus eine nachvollziehbare Erinnerung?
Lernziele
Nach diesem aiMOOC kannst Du erklären, wie künstliche neuronale Netze Informationen verarbeiten und warum der Begriff Gedächtnis in der KI vorsichtig verwendet werden muss. Du unterscheidest verschiedene Speicherformen wie parametrisches Gedächtnis, Kontextgedächtnis, externes Gedächtnis und episodisches Gedächtnis. Außerdem analysierst Du LSTM, Attention, Transformer, Memory Networks, Neural Turing Machines, Differentiable Neural Computers und Retrieval Augmented Generation als unterschiedliche Antworten auf die Frage, wie KI-Systeme erinnern können.
Grundidee: Was heißt Erinnern in der KI?
Im Alltag bedeutet Erinnerung oft, dass ein Mensch eine frühere Erfahrung bewusst wiedererlebt oder Wissen aus dem Langzeitgedächtnis abruft. In der KI ist Erinnern nüchterner: Ein System nutzt gespeicherte Informationen, um eine aktuelle Aufgabe besser zu lösen. Dabei kann die Information auf sehr unterschiedliche Weise vorliegen. Sie kann als gelernte Zahl in einem Gewicht gespeichert sein, als Text im aktuellen Kontextfenster, als Eintrag in einer Vektordatenbank, als Aktivierung in einem rekurrenten Netz oder als strukturierter Datensatz in einem externen Speicher.
Wichtig ist: Ein Sprachmodell erinnert sich nicht wie ein Mensch. Es besitzt kein biografisches Bewusstsein und keine menschliche Innenperspektive. Wenn es dennoch den Eindruck von Erinnerung erzeugt, liegt das an trainierten Mustern, aktuellen Eingaben, möglichen externen Speicherkomponenten und statistischer Inferenz. Für eine reflektierte Nutzung von KI musst Du deshalb zwischen scheinbarer Erinnerung und technisch organisierter Speicherung unterscheiden.
Vier Speicherformen in KI-Systemen
- Parametrisches Gedächtnis: Wissen steckt langfristig in den trainierten Parametern eines Modells. Es ist leistungsfähig, aber schwer gezielt zu ändern.
- Arbeitsgedächtnis: Informationen liegen nur im aktuellen Kontextfenster oder in kurzfristigen Aktivierungen vor. Sie sind flexibel, aber begrenzt.
- Externer Speicher: Inhalte werden außerhalb des Modells in Datenbanken, Dokumenten, Wissensgraphen oder Vektordatenbanken gespeichert und bei Bedarf abgerufen.
- Episodisches Gedächtnis: Ein System speichert einzelne Ereignisse, Interaktionen oder Zustände, um später darauf Bezug zu nehmen. Dabei sind Datenschutz, Einwilligung und Transparenz besonders wichtig.
Neuronale Netze als Muster-Speicher
Künstliche neuronale Netze bestehen aus miteinander verbundenen künstlichen Neuronen. Sie verarbeiten Eingaben über Schichten und lernen, indem ihre Gewichte während des Trainings angepasst werden. In diesem Sinn ist jedes trainierte Netz bereits ein Speicher: Es speichert nicht einzelne Sätze wie eine Datei, sondern verteilte Muster. Diese Muster erlauben es, ähnliche Fälle zu erkennen, Vorhersagen zu treffen oder passende Ausgaben zu erzeugen.
Ein einfaches Beispiel ist die Bilderkennung. Ein Netz speichert nicht „das eine Bild einer Katze“, sondern Merkmale, die in vielen Katzenbildern häufig vorkommen: Formen, Kanten, Texturen, Proportionen und Kontexte. Bei Sprachmodellen werden sprachliche Muster, semantische Beziehungen, Schreibweisen und statistische Zusammenhänge gespeichert. Diese Speicherform ist mächtig, aber sie erschwert Kontrolle: Man kann nicht einfach eine einzelne falsche Information löschen, ohne möglicherweise andere Fähigkeiten zu beeinflussen.
Die Kunst des Erinnerns als Metapher
Die historische Mnemotechnik arbeitete mit Bildern, Orten und Ordnungen. Ein Gedächtnispalast hilft, Wissen durch räumliche Struktur abrufbar zu machen. Moderne KI-Architekturen lösen ein ähnliches Problem technisch: Sie müssen relevante Informationen so organisieren, dass ein System sie später wiederfindet. Die Metapher des Gedächtnispalasts zeigt, warum reine Speicherung nicht genügt. Entscheidend sind Ordnung, Adressierung, Kontext und Abrufstrategie.
Biologisches Gedächtnis und technische Speicher
Das menschliche Gedächtnis ist kein einzelner Speicherort. Es umfasst Prozesse wie Enkodierung, Konsolidierung, Abruf und Vergessen. Der Hippocampus spielt bei der Bildung neuer Erinnerungen eine wichtige Rolle, während langfristiges Wissen über viele Gehirnregionen verteilt ist. Diese biologische Perspektive inspiriert KI-Forschung, darf aber nicht mit einer direkten Kopie des Gehirns verwechselt werden. Künstliche neuronale Netze sind mathematische Modelle und keine biologischen Gehirne.
Technische Systeme können manches präziser als Menschen speichern, zum Beispiel große Textmengen oder exakte Vektoren. Menschen können dagegen Bedeutung, Emotion, Körpererfahrung und soziale Situation miteinander verbinden. Die Frage „Wie erinnert KI?“ führt deshalb zu einer zweiten Frage: Welche Art von Erinnerung wollen wir technisch nachbauen, und welche nicht?
Rekurrente Netze, LSTM und kontrolliertes Vergessen
Rekurrente neuronale Netze verarbeiten Sequenzen Schritt für Schritt. Sie können frühere Zustände in die aktuelle Berechnung einbeziehen und eignen sich deshalb für Sprache, Zeitreihen oder Musik. Klassische rekurrente Netze haben jedoch Schwierigkeiten, sehr lange Abhängigkeiten stabil zu behalten. Hier setzt LSTM an.
LSTM nutzt eine innere Speicherzelle und mehrere Gates. Ein Input Gate steuert, welche neue Information gespeichert wird. Ein Forget Gate bestimmt, welche Information erhalten oder gelöscht wird. Ein Output Gate legt fest, was an die nächste Berechnung weitergegeben wird. Das Besondere ist nicht, dass LSTM „menschlich erinnert“, sondern dass es Lernen über längere Zeitabstände technisch stabiler macht.
Merke: Vergessen ist eine Funktion, kein Fehler
In KI-Systemen wird Vergessen oft als Problem beschrieben, etwa beim katastrophalen Vergessen, wenn neues Lernen ältere Fähigkeiten überschreibt. Gleichzeitig ist kontrolliertes Vergessen notwendig. Ein System muss veraltete, falsche, private oder irrelevante Informationen entfernen können. Eine gute Gedächtnisarchitektur braucht deshalb nicht nur starken Speicher, sondern auch Löschregeln, Aktualisierung, Priorisierung und Rechenschaftspflicht.
Attention und Transformer: Erinnern durch Beziehungsgewichtung
Attention ist ein Mechanismus, mit dem ein Modell berechnet, welche Teile einer Eingabe für eine aktuelle Aufgabe besonders relevant sind. Statt alle Informationen gleich zu behandeln, verteilt das Modell Aufmerksamkeit. Im Transformer wurde diese Idee zentral: Self-Attention erlaubt es, Beziehungen zwischen vielen Positionen einer Sequenz parallel zu berechnen. Das war ein entscheidender Schritt für moderne Sprachmodelle, Übersetzungssysteme und generative KI.
{{#ev:youtube| https://www.youtube.com/watch?v=eMlx5fFNoYc |500|center}}
Ein Transformer besitzt kein Gedächtnis im menschlichen Sinn. Er nutzt trainierte Parameter und ein begrenztes Kontextfenster. Innerhalb dieses Kontextfensters kann Attention Verbindungen herstellen: Ein späteres Wort kann sich auf ein früheres Wort beziehen, eine Frage auf einen Textabschnitt, eine Programmzeile auf eine Definition. Für längere oder dauerhafte Erinnerung braucht es zusätzliche Mechanismen wie RAG, Vektordatenbanken, Sitzungsprotokolle oder explizite Speicherverwaltung.
Hopfield-Netze und assoziatives Gedächtnis
Hopfield-Netze zeigen eine wichtige Idee: Erinnerung kann assoziativ funktionieren. Ein unvollständiges oder verrauschtes Muster kann zu einem gespeicherten Muster zurückgeführt werden. In der menschlichen Erinnerung kennst Du das aus Situationen, in denen ein Geruch, ein Ton oder ein Bild eine ganze Szene wachruft. Technisch betrachtet geht es um Zustände, Energie-Landschaften und stabile Muster.
Moderne Forschungsrichtungen verbinden Hopfield-Netze, Attention und Vektorräume neu. Dadurch wird sichtbar, dass Erinnern nicht nur aus dem Speichern einzelner Daten besteht, sondern aus der Fähigkeit, Ähnlichkeit, Relevanz und Kontext zu berechnen.
Externe Speicher: Memory Networks, NTM und DNC
Bei Memory Networks wird ein neuronales Modell mit einem expliziten Langzeitspeicher verbunden. Das System kann relevante Einträge lesen und für eine Antwort nutzen. Neural Turing Machines gehen einen Schritt weiter: Ein neuronaler Controller wird mit einem externen Speicher gekoppelt, auf den er über aufmerksame Lese- und Schreiboperationen zugreift. Differentiable Neural Computers erweitern diese Idee, indem sie strukturierte Daten, Beziehungen und Speicherbelegung stärker berücksichtigen.
Das Grundprinzip lautet: Ein Neuronales Netz entscheidet nicht mehr allein aus seinen festen Parametern, sondern arbeitet mit einem Speicher, der gelesen, beschrieben und organisiert werden kann. Dadurch entstehen Modelle, die algorithmische Aufgaben, Frage-Antwort-Situationen, Wegeplanung oder strukturierte Schlussfolgerungen besser unterstützen können. Gleichzeitig werden sie komplexer: Man muss prüfen, welche Information gespeichert wurde, wie sie adressiert wird, ob sie aktuell ist und ob sie rechtmäßig genutzt werden darf.
Module einer neuronalen Gedächtnisarchitektur
- Controller: Er verarbeitet Eingaben und entscheidet, welche Speicheroperation nötig ist.
- Adressierung: Sie bestimmt, wo im Speicher gelesen oder geschrieben wird, zum Beispiel über Inhalt, Position oder Ähnlichkeit.
- Lesekopf: Er ruft Informationen aus dem Speicher ab und übergibt sie an das Modell.
- Schreibkopf: Er legt neue Informationen ab oder verändert bestehende Speicherinhalte.
- Vergessensmechanismus: Er löscht, überschreibt oder schwächt Informationen, die nicht mehr genutzt werden sollen.
- Bewertungsmodul: Es prüft Relevanz, Verlässlichkeit, Aktualität und mögliche Risiken der gespeicherten Inhalte.
Retrieval Augmented Generation: Erinnern mit Dokumenten
Retrieval Augmented Generation verbindet generative KI mit einer externen Wissensquelle. Ein typischer Ablauf besteht aus vier Schritten: Eine Frage wird in eine Vektordarstellung übersetzt, passende Dokumente werden in einer Vektordatenbank gesucht, relevante Textstellen werden in den Prompt eingefügt, und das Modell erzeugt daraus eine Antwort. Dadurch kann ein System aktuelles oder spezialisiertes Wissen nutzen, ohne dass alle Informationen neu in die Parameter trainiert werden müssen.
RAG ist besonders nützlich für Schule, Studium, Unternehmen, Archive und Bibliotheken. Es hat aber Grenzen. Der Abruf kann falsche Quellen finden, wichtige Quellen übersehen oder Inhalte aus dem Kontext reißen. Deshalb braucht RAG gute Metadaten, nachvollziehbare Quellen, klare Zitationen, regelmäßige Aktualisierung und eine kritische Prüfung durch Menschen.
Modularisierung: Neuronale Netze neu denken
Eine modularisierte Gedächtnisarchitektur zerlegt Erinnern in mehrere Funktionen. Dadurch wird ein KI-System besser analysierbar und gestaltbar. Statt alles in einem einzigen Modellgewicht zu verbergen, können Entwicklerinnen und Entwickler fragen: Wo liegt welches Wissen? Wie wird es abgerufen? Wer darf es verändern? Wann muss es gelöscht werden? Welche Quellen sind zuverlässig? Welche Speicherform ist für die Aufgabe angemessen?
Diese Sichtweise ist wichtig, weil moderne KI nicht nur aus einem Modell besteht. Ein praktisches System kann aus Sprachmodell, Datenbank, Suchmaschine, Wissensgraph, Nutzerprofil, Feedbacksystem, Sicherheitsfilter und Benutzeroberfläche zusammengesetzt sein. Erinnern entsteht dann als Zusammenspiel vieler Module.
Vergleich wichtiger Speicheransätze
| Speicheransatz | Wo liegt die Information? | Stärke | Risiko |
|---|---|---|---|
| Parametrisches Gedächtnis | In Gewichten des trainierten Modells | Sehr schnelle Nutzung gelernter Muster | Schwer gezielt zu korrigieren |
| Kontextfenster | In der aktuellen Eingabe | Flexibel und transparent im aktuellen Dialog | Begrenzte Länge und keine dauerhafte Garantie |
| Vektordatenbank | In extern gespeicherten Embeddings | Semantische Suche in großen Dokumentmengen | Falscher oder unvollständiger Abruf möglich |
| Memory Network | In explizitem Langzeitspeicher | Kombination aus Abruf und Schlussfolgerung | Komplexe Speichersteuerung |
| LSTM | In Zellzustand und Gates | Stabilere Sequenzverarbeitung | Begrenzte Skalierung für sehr lange Kontexte |
| Transformer | In Parametern und Attention über Kontext | Parallele Verarbeitung und starke Sprachleistung | Kein automatisches dauerhaftes Erinnern |
Ethik, Datenschutz und Verantwortung
Wenn KI-Systeme erinnern, entstehen neue Verantwortungsfragen. Darf ein System frühere Gespräche speichern? Wer kontrolliert diese Daten? Wie können falsche Erinnerungen korrigiert werden? Wie wird verhindert, dass sensible Informationen in einem Sprachmodell oder einem externen Speicher weiterverwendet werden? Datenschutz, Datensparsamkeit, Einwilligung, Transparenz und Löschbarkeit sind keine Zusatzthemen, sondern Kernfragen jeder Gedächtnisarchitektur.
Ein verantwortliches System sollte offenlegen, welche Daten im aktuellen Kontext genutzt werden, welche Daten langfristig gespeichert werden, wie lange sie gespeichert bleiben und wie Nutzerinnen und Nutzer Korrektur oder Löschung verlangen können. Für Schule und Studium bedeutet das: Arbeite mit KI nie so, als wäre sie ein neutrales Gedächtnis. Prüfe Quellen, dokumentiere Entscheidungen und unterscheide zwischen Wissen, Vermutung und Halluzination.
Praxisbeispiel: Ein KI-Lernassistent mit Gedächtnis
Stell Dir einen KI-Lernassistenten vor, der Dich über ein Schuljahr begleitet. Er könnte speichern, welche Themen Du geübt hast, welche Fehler häufig vorkommen und welche Lernstrategien Dir helfen. Modular gedacht würde das System mehrere Speicher nutzen: Das Sprachmodell bringt allgemeines Wissen mit, das Kontextfenster enthält die aktuelle Aufgabe, eine Datenbank speichert Lernfortschritte, ein Retrieval-Modul ruft passende Materialien ab, und ein Datenschutz-Modul regelt, was gelöscht oder anonymisiert wird.
Ein solches System wäre nur dann pädagogisch sinnvoll, wenn es nicht heimlich sammelt, sondern transparent arbeitet. Du solltest sehen können, was gespeichert wurde, warum es verwendet wird und wie Du es verändern kannst. Die Kunst des Erinnerns ist also auch eine Kunst des fairen, erklärbaren und begrenzten Speicherns.
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Was bedeutet parametrisches Gedächtnis in einem KI-Modell? (Wissen ist in den trainierten Gewichten des Modells verteilt) (!Wissen liegt immer als Klartextdatei vor) (!Wissen wird ausschließlich im Arbeitsspeicher des Computers gespeichert) (!Wissen entsteht erst nach der Ausgabe des Modells)
Welche Funktion hat Attention in vielen modernen neuronalen Netzen? (Attention gewichtet relevante Teile einer Eingabe) (!Attention löscht automatisch alle falschen Daten) (!Attention ersetzt das Training eines Modells vollständig) (!Attention speichert jede Nutzereingabe dauerhaft)
Warum ist kontrolliertes Vergessen in KI-Systemen wichtig? (Veraltete oder sensible Informationen müssen gezielt entfernt werden können) (!Ein KI-System darf niemals Informationen verlieren) (!Vergessen bedeutet immer einen technischen Defekt) (!Vergessen verhindert jede Form von Lernen)
Welche Architektur nutzt Gates und eine Speicherzelle für längere Sequenzabhängigkeiten? (LSTM) (!Perzeptron) (!Entscheidungsbaum) (!Lineare Regression)
Was ist ein Vorteil von Retrieval Augmented Generation? (Das Modell kann externe Dokumente für eine Antwort nutzen) (!Das Modell benötigt keine Quellenprüfung mehr) (!Das Modell erzeugt dadurch immer fehlerfreie Antworten) (!Das Modell vergisst automatisch alle Trainingsdaten)
Was unterscheidet ein externes Gedächtnis von rein parametrischem Wissen? (Externe Inhalte können getrennt vom Modell gespeichert und abgerufen werden) (!Externe Inhalte bestehen immer aus biologischen Neuronen) (!Externes Gedächtnis ist grundsätzlich unzuverlässig) (!Parametrisches Wissen ist immer als Tabelle sichtbar)
Welche Aussage beschreibt ein Kontextfenster am besten? (Es enthält Informationen, die im aktuellen Ablauf verfügbar sind) (!Es ist ein menschlicher Gehirnbereich) (!Es ist immer unbegrenzt groß) (!Es ersetzt alle Datenbanken eines Systems)
Warum sind Quellenangaben bei RAG-Systemen wichtig? (Sie machen den Abruf nachvollziehbar und prüfbar) (!Sie erhöhen automatisch die Rechenleistung des Modells) (!Sie verhindern jede Halluzination vollständig) (!Sie machen Datenschutz überflüssig)
Welche Rolle kann ein Controller in einer Gedächtnisarchitektur übernehmen? (Er entscheidet über Lese- und Schreiboperationen) (!Er ist die rechtliche Eigentümerin der Daten) (!Er löscht den gesamten Speicher nach jeder Eingabe) (!Er ersetzt alle Gewichte im Modell durch Bilder)
Welche Aussage ist für Sprachmodelle besonders wichtig? (Sie erinnern nicht menschlich, sondern nutzen technische Speichermechanismen) (!Sie besitzen immer ein autobiografisches Bewusstsein) (!Sie speichern jede Information exakt wie ein Foto) (!Sie können keine externen Daten verwenden)
Memory
| Parametrisches Gedächtnis | Wissen in Gewichten |
| Kontextfenster | Kurzfristiger Arbeitsbereich |
| Attention | Gewichtung von Relevanz |
| Vektordatenbank | Semantischer Abruf |
| LSTM | Gates und Zellzustand |
| RAG | Abruf plus Generierung |
| Datenschutz | Kontrolle sensibler Daten |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Parametrische Speicherung | Langfristige Muster in Modellgewichten |
| Kontextspeicher | Informationen im aktuellen Dialog |
| Vektorspeicher | Suche nach semantischer Ähnlichkeit |
| Schreibkopf | Aktualisierung eines externen Speichers |
| Vergessensmechanismus | Entfernen weniger relevanter Informationen |
| Quellenprüfung | Bewertung von Verlässlichkeit und Herkunft |
...
Kreuzworträtsel
| Attention | Mechanismus, der Relevanzgewichte verteilt. |
| Embedding | Vektordarstellung von Begriffen oder Daten. |
| Retrieval | Gezielter Abruf passender Informationen. |
| Hippocampus | Hirnstruktur, die an Gedächtnisbildung beteiligt ist. |
| LSTM | Rekurrente Architektur mit Gates. |
| Konsolidierung | Stabilisierung von Erinnerung über Zeit. |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Begriffskarte: Erstelle eine Begriffskarte zu Gedächtnis, Speicher, Abruf, Attention und Vergessen und erkläre jeden Begriff in einem eigenen Beispielsatz.
- Alltagsvergleich: Vergleiche ein menschliches Erinnern mit einem Kontextfenster eines Sprachmodells und notiere drei Gemeinsamkeiten sowie drei Unterschiede.
- Videoimpuls: Schaue das eingebettete Video und formuliere fünf Fragen, die Du anschließend in der Klasse oder im Seminar diskutieren möchtest.
- Mini-Glossar: Erstelle ein Glossar mit zehn Fachbegriffen aus diesem aiMOOC und ergänze zu jedem Begriff ein eigenes Symbol oder eine Skizze.
Standard
- Architekturdiagramm: Zeichne eine modulare KI-Architektur mit Sprachmodell, Vektordatenbank, Controller, Retrieval und Datenschutz und beschreibe die Datenflüsse.
- Quellenanalyse: Wähle drei Texte zu einem Thema und entwirf ein kleines RAG-Konzept, das erklärt, wie ein Lernassistent daraus Antworten erzeugen könnte.
- Fehleranalyse: Entwickle ein Beispiel, in dem ein KI-System eine falsche Erinnerung erzeugt, und erkläre, ob der Fehler im Training, im Kontext, im Retrieval oder in der Ausgabe liegt.
- Lernjournal: Führe eine Woche lang ein Lernjournal darüber, wann Du selbst Informationen speicherst, vergisst oder wiederfindest, und übertrage die Beobachtungen auf KI-Systeme.
Schwer
- Prototyp: Plane einen datenschutzfreundlichen KI-Lernassistenten mit Gedächtnis und formuliere Regeln für Speicherung, Einsicht, Korrektur und Löschung.
- Debatte: Bereite eine Pro-und-Contra-Debatte zur Frage vor, ob KI-Systeme langfristige Nutzerprofile speichern dürfen, wenn dadurch Lernen personalisiert wird.
- Forschungsvergleich: Vergleiche LSTM, Transformer, Memory Networks und RAG hinsichtlich Speicherort, Abrufmechanismus und Kontrollierbarkeit.
- Kritischer Essay: Schreibe einen Essay zur These: „Die Zukunft der KI entscheidet sich nicht nur an größeren Modellen, sondern an besseren Gedächtnisarchitekturen.“
|
|
Lernkontrolle
- Transferaufgabe: Entwirf für eine Bibliothek ein KI-System, das historische Dokumente durchsucht, und begründe, welche Speicherformen Du kombinieren würdest.
- Fallanalyse: Ein Lernassistent verwechselt alte und neue Informationen über eine Schülerin. Analysiere, welche Module der Gedächtnisarchitektur versagt haben könnten.
- Modellkritik: Erkläre, warum ein größeres Kontextfenster nicht automatisch ein verantwortliches Langzeitgedächtnis ersetzt.
- Ethikentscheidung: Formuliere Regeln für ein System, das Lernfortschritte speichert, aber sensible persönliche Daten schützen muss.
- Architekturvergleich: Vergleiche ein rein parametrisches Modell mit einem RAG-System und bewerte, welches System für aktuelle Fachinformationen geeigneter ist.
- Kreativtransfer: Übertrage die Idee des Gedächtnispalasts auf eine KI-Anwendung und erkläre, welche technischen Module den „Räumen“ entsprechen könnten.
Lernnachweis
Für einen gelungenen Lernnachweis zeigst Du, dass Du nicht nur Fachbegriffe wiedergeben kannst, sondern Zusammenhänge erkennst und auf neue Situationen überträgst.
- Fachverständnis: Du erklärst mindestens vier Speicherformen in KI-Systemen mit eigenen Beispielen.
- Systemanalyse: Du beschreibst eine modulare Gedächtnisarchitektur mit Speicher-, Abruf-, Bewertungs- und Löschmechanismen.
- Transfer: Du wendest das Konzept auf ein eigenes Szenario an, zum Beispiel Schule, Archiv, Medizin, Journalismus oder Unternehmen.
- Kritikfähigkeit: Du benennst Risiken wie Halluzination, Bias, Datenschutzverletzung und katastrophales Vergessen.
- Gestaltungskompetenz: Du entwickelst Regeln, wie ein KI-System transparent, korrigierbar und verantwortungsvoll erinnern soll.
- Dokumentation: Du belegst Deine Aussagen mit nachvollziehbaren Quellen, Skizzen, Beispielen oder einem Prototyp.
OERs zum Thema
Links
aiMOOC-Projekte
Schulfach+
|
|
aiMOOCs
aiMOOC Projekte
|
|
THE MONKEY DANCE
{{#ev:youtube | https://youtu.be/rFhZlg38Zf8?si=9KdMNZYRkRD81YTo%7C 500 | center}}
|
{{#ev:youtube | https://youtu.be/Ob7etf9QuBo?si=t_NBA71bWg3Rq3LI%7C 500 | center}}
|
|