-
Notifications
You must be signed in to change notification settings - Fork 11
Expand file tree
/
Copy pathlernos-ai-guide.html
More file actions
3104 lines (3093 loc) · 153 KB
/
Copy pathlernos-ai-guide.html
File metadata and controls
3104 lines (3093 loc) · 153 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml" lang="de-de" xml:lang="de-de">
<head>
<meta charset="utf-8" />
<meta name="generator" content="pandoc" />
<meta name="viewport" content="width=device-width, initial-scale=1.0, user-scalable=yes" />
<title>lernOS KI Leitfaden</title>
<style>
html {
color: #1a1a1a;
background-color: #fdfdfd;
}
body {
margin: 0 auto;
max-width: 36em;
padding-left: 50px;
padding-right: 50px;
padding-top: 50px;
padding-bottom: 50px;
hyphens: auto;
overflow-wrap: break-word;
text-rendering: optimizeLegibility;
font-kerning: normal;
}
@media (max-width: 600px) {
body {
font-size: 0.9em;
padding: 12px;
}
h1 {
font-size: 1.8em;
}
}
@media print {
html {
background-color: white;
}
body {
background-color: transparent;
color: black;
font-size: 12pt;
}
p, h2, h3 {
orphans: 3;
widows: 3;
}
h2, h3, h4 {
page-break-after: avoid;
}
}
p {
margin: 1em 0;
}
a {
color: #1a1a1a;
}
a:visited {
color: #1a1a1a;
}
img {
max-width: 100%;
}
svg {
height: auto;
max-width: 100%;
}
h1, h2, h3, h4, h5, h6 {
margin-top: 1.4em;
}
h5, h6 {
font-size: 1em;
font-style: italic;
}
h6 {
font-weight: normal;
}
ol, ul {
padding-left: 1.7em;
margin-top: 1em;
}
li > ol, li > ul {
margin-top: 0;
}
blockquote {
margin: 1em 0 1em 1.7em;
padding-left: 1em;
border-left: 2px solid #e6e6e6;
color: #606060;
}
code {
font-family: Menlo, Monaco, Consolas, 'Lucida Console', monospace;
font-size: 85%;
margin: 0;
hyphens: manual;
}
pre {
margin: 1em 0;
overflow: auto;
}
pre code {
padding: 0;
overflow: visible;
overflow-wrap: normal;
}
.sourceCode {
background-color: transparent;
overflow: visible;
}
hr {
border: none;
border-top: 1px solid #1a1a1a;
height: 1px;
margin: 1em 0;
}
table {
margin: 1em 0;
border-collapse: collapse;
width: 100%;
overflow-x: auto;
display: block;
font-variant-numeric: lining-nums tabular-nums;
}
table caption {
margin-bottom: 0.75em;
}
tbody {
margin-top: 0.5em;
border-top: 1px solid #1a1a1a;
border-bottom: 1px solid #1a1a1a;
}
th {
border-top: 1px solid #1a1a1a;
padding: 0.25em 0.5em 0.25em 0.5em;
}
td {
padding: 0.125em 0.5em 0.25em 0.5em;
}
header {
margin-bottom: 4em;
text-align: center;
}
#TOC li {
list-style: none;
}
#TOC ul {
padding-left: 1.3em;
}
#TOC > ul {
padding-left: 0;
}
#TOC a:not(:hover) {
text-decoration: none;
}
code{white-space: pre-wrap;}
span.smallcaps{font-variant: small-caps;}
div.columns{display: flex; gap: min(4vw, 1.5em);}
div.column{flex: auto; overflow-x: auto;}
div.hanging-indent{margin-left: 1.5em; text-indent: -1.5em;}
/* The extra [class] is a hack that increases specificity enough to
override a similar rule in reveal.js */
ul.task-list[class]{list-style: none;}
ul.task-list li input[type="checkbox"] {
font-size: inherit;
width: 0.8em;
margin: 0 0.8em 0.2em -1.6em;
vertical-align: middle;
}
.display.math{display: block; text-align: center; margin: 0.5rem auto;}
</style>
</head>
<body>
<header id="title-block-header">
<h1 class="title">lernOS KI Leitfaden</h1>
<p class="subtitle">Künstliche Intelligenz für alle</p>
<p class="date">Version 0.2 (30.04.2024)</p>
</header>
<nav id="TOC" role="doc-toc">
<ul>
<li><a href="#willkommen" id="toc-willkommen"><span
class="toc-section-number">1</span> Willkommen</a></li>
<li><a href="#über-lernos" id="toc-über-lernos"><span
class="toc-section-number">2</span> Über lernOS</a></li>
<li><a href="#grundlagen" id="toc-grundlagen"><span
class="toc-section-number">3</span> Grundlagen</a>
<ul>
<li><a href="#künstliche-intelligenz-und-maschinelles-lernen"
id="toc-künstliche-intelligenz-und-maschinelles-lernen"><span
class="toc-section-number">3.1</span> Künstliche Intelligenz und
Maschinelles Lernen</a></li>
<li><a href="#künstliche-neuronale-netze"
id="toc-künstliche-neuronale-netze"><span
class="toc-section-number">3.2</span> Künstliche neuronale
Netze</a></li>
<li><a href="#menschliches-und-maschinelles-lernen"
id="toc-menschliches-und-maschinelles-lernen"><span
class="toc-section-number">3.3</span> Menschliches und Maschinelles
Lernen</a></li>
<li><a href="#anwendungsfelder-für-künstliche-intelligenz"
id="toc-anwendungsfelder-für-künstliche-intelligenz"><span
class="toc-section-number">3.4</span> Anwendungsfelder für Künstliche
Intelligenz</a></li>
<li><a href="#ki-modelle" id="toc-ki-modelle"><span
class="toc-section-number">3.5</span> KI-Modelle</a></li>
<li><a href="#ki-tools-und--dienste"
id="toc-ki-tools-und--dienste"><span
class="toc-section-number">3.6</span> KI-Tools und -Dienste</a></li>
<li><a href="#prompts-erstellen" id="toc-prompts-erstellen"><span
class="toc-section-number">3.7</span> Prompts erstellen</a></li>
<li><a href="#weiterführende-informationen-und-links"
id="toc-weiterführende-informationen-und-links"><span
class="toc-section-number">3.8</span> Weiterführende Informationen und
Links</a></li>
</ul></li>
<li><a href="#lernpfad" id="toc-lernpfad"><span
class="toc-section-number">4</span> Lernpfad</a>
<ul>
<li><a href="#vorbereiten-kennenlernen-kata-0"
id="toc-vorbereiten-kennenlernen-kata-0"><span
class="toc-section-number">4.1</span> Vorbereiten & Kennenlernen
(Kata 0)</a></li>
<li><a href="#bewusstsein-schaffen-kata-1"
id="toc-bewusstsein-schaffen-kata-1"><span
class="toc-section-number">4.2</span> Bewusstsein schaffen (Kata
1)</a></li>
<li><a href="#einstieg-mit-ki-kata-2"
id="toc-einstieg-mit-ki-kata-2"><span
class="toc-section-number">4.3</span> Einstieg mit KI (Kata 2)</a></li>
<li><a href="#ki-als-dialogpartner-kata-3"
id="toc-ki-als-dialogpartner-kata-3"><span
class="toc-section-number">4.4</span> KI als Dialogpartner (Kata
3)</a></li>
<li><a href="#reflexion-der-lernergebnisse-kata-4"
id="toc-reflexion-der-lernergebnisse-kata-4"><span
class="toc-section-number">4.5</span> Reflexion der Lernergebnisse (Kata
4)</a></li>
<li><a href="#anwendungsfelder-am-eigenen-arbeitsplatz-kata-5"
id="toc-anwendungsfelder-am-eigenen-arbeitsplatz-kata-5"><span
class="toc-section-number">4.6</span> Anwendungsfelder am eigenen
Arbeitsplatz (Kata 5)</a></li>
<li><a href="#vertiefung-deines-lernziels-kata-6"
id="toc-vertiefung-deines-lernziels-kata-6"><span
class="toc-section-number">4.7</span> Vertiefung Deines Lernziels (Kata
6)</a></li>
<li><a href="#zusammenarbeit-mit-ki-kata-7"
id="toc-zusammenarbeit-mit-ki-kata-7"><span
class="toc-section-number">4.8</span> Zusammenarbeit mit KI (Kata
7)</a></li>
<li><a href="#reflexion-der-lernergebnisse-kata-8"
id="toc-reflexion-der-lernergebnisse-kata-8"><span
class="toc-section-number">4.9</span> Reflexion der Lernergebnisse (Kata
8)</a></li>
<li><a href="#ki-als-träumer-halluzinator-oder-lügner-kata-9"
id="toc-ki-als-träumer-halluzinator-oder-lügner-kata-9"><span
class="toc-section-number">4.10</span> KI als Träumer, Halluzinator oder
Lügner (Kata 9)</a></li>
<li><a href="#souverän-prompten-teil-1-kata-10"
id="toc-souverän-prompten-teil-1-kata-10"><span
class="toc-section-number">4.11</span> Souverän prompten Teil 1 (Kata
10)</a></li>
<li><a href="#souverän-prompten-teil-2-kata-11"
id="toc-souverän-prompten-teil-2-kata-11"><span
class="toc-section-number">4.12</span> Souverän prompten Teil 2 (Kata
11)</a></li>
<li><a href="#review-und-lessons-learned-kata-12"
id="toc-review-und-lessons-learned-kata-12"><span
class="toc-section-number">4.13</span> Review und Lessons Learned (Kata
12)</a></li>
</ul></li>
<li><a href="#anhang" id="toc-anhang"><span
class="toc-section-number">5</span> Anhang</a>
<ul>
<li><a href="#danksagungen" id="toc-danksagungen"><span
class="toc-section-number">5.1</span> Danksagungen</a></li>
<li><a href="#änderungshistorie" id="toc-änderungshistorie"><span
class="toc-section-number">5.2</span> Änderungshistorie</a></li>
</ul></li>
</ul>
</nav>
<h1 data-number="1" id="willkommen"><span
class="header-section-number">1</span> Willkommen</h1>
<p>Herzlich willkommen im <strong>lernOS Künstliche Intelligenz (KI)
Leitfaden</strong>. Der Leitfaden steht in einer ersten Version 0.2 zur
Verprobung bereit.</p>
<p><strong>Ziel des Leitfadens:</strong> Menschen ohne KI-Vorbildung an
das Thema Künstliche Intelligenz heranführen, damit sie eine informierte
Entscheidung treffen können, wie/wo sie betroffen sind und welchen
Nutzen sie durch KI haben könnten. Die Technologien/Beispiele sollen in
und außerhalb von Organisationen funktionieren (Internet und
Intranet).</p>
<p><strong>Zielgruppe:</strong> Anwender:innen (Menschen, die vor der
“Mattscheibe” sitzen) nicht Entwickler:innen; Anwender sollten aber
Hintergründe verstehen. Der Leitfaden ist für die Anwendung innerhalb
(Kontext: Intranet) und außerhalb (Kontext: Internet) von Organisationen
geschrieben.</p>
<h1 data-number="2" id="über-lernos"><span
class="header-section-number">2</span> Über lernOS</h1>
<p>lernOS ist eine Methode zur Selbstorganisation für Menschen, die im
21. Jahrhundert leben und arbeiten. Um heute erfolgreich zu sein, muss
man ständig lernen, sich organisieren und weiterentwickeln. Niemand
sonst ist für diesen Prozess verantwortlich. Man muss sich selber darum
kümmern (selbstgesteuertes, lebenslanges Lernen).</p>
<p>lernOS Leitfäden stehen unter der Lizenz <a
href="https://creativecommons.org/licenses/by/4.0/deed.de">Creative
Commons Namensnennung 4.0 International</a> (CC BY 4.0):</p>
<p><img src="https://i.creativecommons.org/l/by/4.0/88x31.png" /></p>
<p><strong>Du darfst:</strong></p>
<ul>
<li><strong>Teilen</strong> - das Material in jedwedem Format oder
Medium vervielfältigen und weiterverbreiten.</li>
<li><strong>Bearbeiten</strong> - das Material remixen, verändern und
darauf aufbauen und zwar für beliebige Zwecke, sogar kommerziell.</li>
</ul>
<p><strong>Unter folgenden Bedingungen:</strong></p>
<ul>
<li><strong>Namensnennung</strong> - Du musst angemessene Urheber- und
Rechteangaben machen, einen Link zur Lizenz beifügen und angeben, ob
Änderungen vorgenommen wurden. Diese Angaben dürfen in jeder
angemessenen Art und Weise gemacht werden, allerdings nicht so, dass der
Eindruck entsteht, der Lizenzgeber unterstütze gerade Sie oder Ihre
Nutzung besonders.</li>
<li><strong>Keine weiteren Einschränkungen</strong> - Du darst keine
zusätzlichen Klauseln oder technische Verfahren einsetzen, die anderen
rechtlich irgendetwas untersagen, was die Lizenz erlaubt.</li>
</ul>
<h1 data-number="3" id="grundlagen"><span
class="header-section-number">3</span> Grundlagen</h1>
<h2 data-number="3.1"
id="künstliche-intelligenz-und-maschinelles-lernen"><span
class="header-section-number">3.1</span> Künstliche Intelligenz und
Maschinelles Lernen</h2>
<p>Der Titel dieses LernOS Leitfadens ist <strong>“Künstliche
Intelligenz”</strong>, in diesem Grundlagenkapitel wollen wir etwas
Ordnung in die Begrifflichkeit bringen, der man bei KI begegnet.
Gleichzeitig wollen wir klären, womit wir uns in diesem Leitfaden näher
beschäftigen: Mit dem Teil der KI-Anwendungen, die mit den Begriffen
<strong>“Maschinelles Lernen”</strong> und <strong>“Generativer
KI”</strong> überschrieben werden. Künstliche Intelligenz allgemein
umfasst jedoch sehr viel mehr Spezialisierungen, mit denen wir in
unserem Alltag konfrontiert sind, die wir hier jedoch nicht behandeln:
Sprachassistenten wie Siri und Alexa, automatische Übersetzer wie Google
Translate, Gesichtserkennung für das Entsperren unserer Mobiltelefone
oder persönliche Empfehlungssysteme basierend auf unserem bisherigen
Konsumverhalten, um nur einige zu nennen.</p>
<p>Wir beschränken uns in diesem Leitfaden auf die
<strong>KI-Anwendungen</strong>, mit denen <strong>Bürger:innen</strong>
und <strong>Mitarbeiter:innen</strong> voraussichtlich <strong>in ihrem
Alltag in Berührung kommen</strong> und die sie selbst auch nutzen.</p>
<figure>
<img src="./images/lernos-ki-spiegelei.png"
alt="Künstliche Intelligenz von 1956 bis heute" />
<figcaption aria-hidden="true">Künstliche Intelligenz von 1956 bis
heute</figcaption>
</figure>
<p>Wir haben in dieser Infografik eine hierarchische und gleichzeitig
zeitliche Einordnung der wesentlichen Entwicklungsschritte der
Künstliche Intelligenz dargestellt. Seit ihrer ersten Erwähnung um 1956
bis zur Generativen KI 2021 kann diese Entwicklung als eine Reise von
theoretischen Konzepten zu praktischen Anwendungen mit zunehmender Tiefe
und Komplexität betrachtet werden. Seit Mitte des 20. Jahrhunderts hat
sich die Landschaft von einfachen, regelbasierten Algorithmen zu
komplexen Lernsystemen gewandelt, die in der Lage sind, menschenähnliche
Aufgaben zu übernehmen und zu erfüllen.</p>
<h3 data-number="3.1.1" id="künstliche-intelligenz"><span
class="header-section-number">3.1.1</span> Künstliche Intelligenz</h3>
<p>Der Begriff <strong>Künstliche Intelligenz (KI)</strong> wurde
erstmals um 1956 verwendet. KI bildete das fundamentale Konzept für die
Entwicklung “intelligenter” Maschinen. Die Anfänge waren geprägt vom
Bestreben Maschinen zu schaffen, die grundlegende menschliche
Intelligenzprozesse nachahmen können. Frühe KI-Systeme konnten einfache
Aufgaben wie das Lösen von Logikrätseln oder das Spielen von Schach
bewältigen. Der Fokus lag auf der Programmierung spezifischer Regeln,
die es Maschinen ermöglichten, bestimmte Aufgaben zu erfüllen. KI ist
der umfassendste Begriff, er repräsentiert heute das gesamte Feld der
Informatik, das darauf abzielt, intelligente Maschinen zu schaffen, die
menschliche Intelligenz nachahmen oder übertreffen können. Es geht um
Systeme, die in der Lage sind, Aufgaben zu bewältigen, die normalerweise
menschliches Denken erfordern, wie visuelle Wahrnehmung, Spracherkennung
und Entscheidungsfindung. Das beinhaltet alles von einfachen
programmierten Vorgängen bis hin zu komplexen Systemen, die lernen und
sich anpassen können. Stell Dir das als den äußersten Kreis vor, den
Oberbegriff, unter dem sich speziellere Konzepte und Anwendungen
subsumieren lassen.</p>
<h3 data-number="3.1.2" id="maschinelles-lernen"><span
class="header-section-number">3.1.2</span> Maschinelles Lernen</h3>
<p><strong>Maschinelles Lernen (ML)</strong> ist seit 1997 ein
spezifischer Bereich innerhalb der KI, um Maschinen das Lernen aus Daten
zu ermöglichen. ML markiert den Übergang von einer starren,
regelbasierten KI zu adaptiven Systemen. Mit der Einführung des Machine
Learnings wurde ein signifikanter Fortschritt erzielt. So entstand eine
spezifischere Disziplin, die Maschinen befähigt, sich über die Zeit zu
verbessern, um Entscheidungen zu treffen oder Vorhersagen zu machen.
Machine Learning umfasst eine Vielzahl von Techniken, die es Computern
ermöglichen, Muster in Daten zu erkennen und diese Erkenntnisse für
zukünftige Aufgaben zu nutzen.</p>
<h3 data-number="3.1.3" id="deep-learning"><span
class="header-section-number">3.1.3</span> Deep Learning</h3>
<p><strong>Deep Learning</strong> markiert den Durchbruch in der
Fähigkeit von Maschinen, unstrukturierte Daten wie Bilder und
menschliche Sprache zu verarbeiten und daraus zu lernen. Die Technik ist
inspiriert von der Funktionsweise des menschlichen Gehirns. Hier werden
Schichten von neuronalen Netzwerken genutzt, um große Mengen von Daten
zu verarbeiten, komplexe Muster in Daten zu erkennen und Entscheidungen
zu treffen.</p>
<h3 data-number="3.1.4" id="generative-ki"><span
class="header-section-number">3.1.4</span> Generative KI</h3>
<p><strong>Generative KI</strong> repräsentiert den aktuellen Höhepunkt
der KI-Entwicklung, die auf Deep Learning aufbaut, sie geht über das
reine Erkennen von Mustern hinaus und kann neue Inhalte erzeugen. Sie
ist in der Lage, anhand von Vorgaben oder vorhandenen Daten neue
schriftliche, visuelle und auditive Inhalte zu erstellen. Generative KI
kann damit auch Inhalte erzeugen, die nicht in den Trainingsdaten für
das Modell vorhanden waren. Dies können beispielsweise Musikstücke,
Kunstwerke oder Texte sein, die sich von menschlichen Kreationen kaum
unterscheiden.</p>
<h3 data-number="3.1.5"
id="large-language-models-diffusion-models"><span
class="header-section-number">3.1.5</span> Large Language Models &
Diffusion Models</h3>
<p>Innerhalb der Generativen KI haben sich <strong>Large Language Models
(LLMs)</strong>, wie das bekannte GPT (Generative Pre-trained
Transformer der Fa. OpenAI) als entscheidend erwiesen. Diese Modelle
sind darauf spezialisiert, menschliche Sprache zu verstehen und zu
generieren. Sie haben aufgrund ihrer Fähigkeit, kohärente und relevante
Texte zu produzieren, großes Aufsehen erregt und weite Verbreitung
gefunden. LLMs haben neue Anwendungen in der Übersetzung und
Zusammenfassung von Texten sowie in der Generierung von Programmcode
ermöglicht. Eine weitere Spezialisierung innerhalb der Generativen KI
sind die <strong>Diffusion Models</strong>. Diese Modelle stellen eine
Innovation in der Bildgenerierung dar und sind in der Lage, Bilder von
hoher Qualität zu erzeugen, die von realen kaum zu unterscheiden sind.
Sie erweitern die Möglichkeiten in der Bildsynthese und bieten neue
Werkzeuge für Designer und Kreative.</p>
<p>Jeder dieser Schritte erweiterte die Möglichkeiten der KI und
verlagerte den Schwerpunkt von starren, regelbasierten Ansätzen hin zu
adaptiven und selbstlernenden Systemen. Diese sind in der Lage, mit
einer Vielfalt von Daten umzugehen und menschenähnliche Kreativität zu
demonstrieren. KI bildet die Basis, Machine Learning ist die Methode,
durch die Systeme aus Daten lernen, Deep Learning ist eine ausgefeilte
Technik, die tiefe künstliche neuronale Netzwerke verwendet, und
Generative KI ist die Spitze der Innovation, die es ermöglicht, neue
Kreationen hervorzubringen. Jede Ebene baut auf dem Wissen und den
Techniken der vorherigen auf und wird spezifischer und komplexer.</p>
<h3 data-number="3.1.6"
id="wichtige-meilensteine-der-künstlichen-intelligenz"><span
class="header-section-number">3.1.6</span> Wichtige Meilensteine der
Künstlichen Intelligenz</h3>
<p>Die Geschichte der Künstlichen Intelligenz reicht zurück bis in die
1950er Jahre. Die folgende Tabelle gibt Dir einen Überblick über die
wichtigsten Meilensteine:</p>
<table>
<colgroup>
<col style="width: 4%" />
<col style="width: 95%" />
</colgroup>
<thead>
<tr>
<th>Jahr</th>
<th>Meilenstein</th>
</tr>
</thead>
<tbody>
<tr>
<td><strong>1950</strong></td>
<td>Alan Turing entwickelt den <a
href="https://en.wikipedia.org/wiki/Turing_test">Turing Test</a>
(ursprünglich Imitation Game), um das intelligente Verhalten einer
Maschine zu prüfen.</td>
</tr>
<tr>
<td><strong>1956</strong></td>
<td>Die <a
href="https://en.wikipedia.org/wiki/Dartmouth_Conference">Dartmouth
Konferenz</a> gilt als Geburtsstunde der <strong>Künstlichen
Intelligenz</strong> als Fachgebiet.</td>
</tr>
<tr>
<td><strong>1959</strong></td>
<td>Allen Newell und Herbert A. Simon entwickeln den <a
href="https://en.wikipedia.org/wiki/Logic_Theorist">Logic Theorist</a>,
das erste KI-Programm.</td>
</tr>
<tr>
<td><strong>1966</strong></td>
<td>Joseph Weizenbaum entwickelt <a
href="https://en.wikipedia.org/wiki/ELIZA">ELIZA</a>, was die
Kommunikation zwischen Mensch und Maschine in natürlicher Sprache
ermöglicht.</td>
</tr>
<tr>
<td><strong>1967</strong></td>
<td><a href="https://en.wikipedia.org/wiki/Dendral">Dendral</a> wird
entwickelt, ein regelbasiertes System für die chemische Analyse, eine
bedeutende KI-Leistung.</td>
</tr>
<tr>
<td><strong>1969</strong></td>
<td><a href="https://en.wikipedia.org/wiki/Shakey_the_robot">Shakey the
Robot</a> wird der erste mobile Roboter, der logisch denken und Probleme
lösen kann.</td>
</tr>
<tr>
<td><strong>1970er</strong></td>
<td><a
href="https://en.wikipedia.org/wiki/Expert_system">Expertensysteme</a> mit
manuell erstellen Regeln werden entwickelt.</td>
</tr>
<tr>
<td><strong>1973</strong></td>
<td>Der (erste) <a
href="https://en.wikipedia.org/wiki/AI_winter">KI-Winter</a> beginnt
aufgrund hoher Erwartungen und unerfüllter Ziele in der KI-Forschung.
Der zweite KI-Winter begann 1987.</td>
</tr>
<tr>
<td><strong>1980er</strong></td>
<td><a
href="https://en.wikipedia.org/wiki/Expert_system">Expertensysteme</a>
gewinnen an Popularität. Sie verwenden Regeln, um menschliches
Fachwissen in engen Bereichen zu imitieren.</td>
</tr>
<tr>
<td><strong>1997</strong></td>
<td>Das <a
href="https://en.wikipedia.org/wiki/Long_short-term_memory">Long
Short-Term Memory</a> (LSTM) wird als wichtiger Algorithmus für
<strong>Machine Learning</strong> veröffentlicht.</td>
</tr>
<tr>
<td><strong>1997</strong></td>
<td>IBM <a
href="https://en.wikipedia.org/wiki/Deep_Blue_(chess_computer)">Deep
Blue</a> besiegt den Schachweltmeister Garri Kasparow und demonstriert
damit das Potenzial der KI.</td>
</tr>
<tr>
<td><strong>2011</strong></td>
<td><a href="https://en.wikipedia.org/wiki/IBM_Watson">IBM Watson</a>
gewinnt die Spielshow Jeopardy! und demonstriert damit die natürliche
Sprachverarbeitung der KI.</td>
</tr>
<tr>
<td><strong>2011</strong></td>
<td>Apple’s Sprachassistin <a
href="https://en.wikipedia.org/wiki/Siri">Siri</a> kommt auf den
Markt.</td>
</tr>
<tr>
<td><strong>2012</strong></td>
<td>Geoffrey Hintons <a
href="https://en.wikipedia.org/wiki/Deep_learning">Deep
Learning</a>-Techniken lassen das Interesse an künstlichen neuronalen
Netzwerken wieder aufleben.</td>
</tr>
<tr>
<td><strong>2014</strong></td>
<td><a href="https://en.wikipedia.org/wiki/Google_DeepMind">Google
DeepMind</a> entwickelt ein künstliches neuronales Netzwerk, das lernt,
Videospiele zu spielen.</td>
</tr>
<tr>
<td><strong>2016</strong></td>
<td><a href="https://en.wikipedia.org/wiki/AlphaGo">AlphaGo</a> von
DeepMind besiegt den Go-Weltmeister Lee Sedol und beweist damit das
strategische Denken der KI.</td>
</tr>
<tr>
<td><strong>2017</strong></td>
<td>Die <strong>Deep Learning</strong> Architektur <a
href="https://en.wikipedia.org/wiki/Transformer_(machine-learning_model)">Transformer</a> wird
vorgeschlagen. Sie benötigt weniger Trainingszeit als vorherige
Architekturen (RNN, LSTM)</td>
</tr>
<tr>
<td><strong>2021</strong></td>
<td>Der Begriff <a
href="https://en.wikipedia.org/wiki/Foundation_models">Foundation
Model</a> (Grund- oder Basismodell) wird erstmals vom Center for
Research on Foundation Models (CRFM) des Stanford Institute for
Human-Centered Artificial Intelligence’s (HAI) verwendet.</td>
</tr>
<tr>
<td><strong>2021</strong></td>
<td>Die <strong>Generative KI</strong> <a
href="https://en.wikipedia.org/wiki/DALL-E">DALL-E</a> zur Generierung
von Bildern aus Text wird veröffentlicht.</td>
</tr>
<tr>
<td><strong>2021</strong></td>
<td><a href="https://en.wikipedia.org/wiki/Ameca_(robot)">Ameca</a> ist
ein humanoider Roboter, der von Engineered Arts entwickelt wurde. Ameca
ist in erster Linie als Plattform für die Weiterentwicklung von
Robotik-Technologien für die Mensch-Roboter-Interaktion gedacht. Die
Interaktion kann entweder durch GPT-3 oder menschliche Telepräsenz
gesteuert werden.</td>
</tr>
<tr>
<td><strong>2022</strong></td>
<td>Der Chatbot <a
href="https://en.wikipedia.org/wiki/ChatGPT">ChatGPT</a>, der das Large
Language Model GPT-3.5 verwendet, wird veröffentlicht.</td>
</tr>
</tbody>
</table>
<h2 data-number="3.2" id="künstliche-neuronale-netze"><span
class="header-section-number">3.2</span> Künstliche neuronale Netze</h2>
<p>Bei der sog. <strong>Transformer-Architektur</strong> von generativer
KI wie z.B. GPT handelt es sich um <strong>künstliche neuronale
Netze</strong> (KNN, auch <a
href="https://en.wikipedia.org/wiki/Perceptron">Perzeptron</a>), die der
Funktionsweise von natürlichen neuronalen Netzen wie z.B. in einem
Gehirn nachempfunden sind.</p>
<p>Die künstlichen Neuronen in einem künstlichen neuronalen Netz werden
dabei in <strong>Schichten</strong> (Layern) hintereinander angeordnet.
Man spricht von der <strong>Eingabeschicht</strong> (rot), der
<strong>Ausgabeschicht</strong> (grün) und den <strong>versteckten
Schichten</strong> (blau).</p>
<figure>
<img src="images/neural-network.png"
alt="Künstliches neuronales Netzwerk mit Input-, Hidden- und Output-Schichten" />
<figcaption aria-hidden="true">Künstliches neuronales Netzwerk mit
Input-, Hidden- und Output-Schichten</figcaption>
</figure>
<p>Ein einzelnes <strong>künstliches Neuron</strong> ist dabei mit allen
Neuronen der vorgelagerten Schicht verbunden. Die Verbindungen darf man
sich nicht wie Schalter (ein/aus) vorstellen. Vielmehr werden die
Signale aller Eingaben gewichtet und mit einer
<strong>Übertragungsfunktion</strong> als Netzeingabe verwendet. Eine
<strong>Aktivierungsfunktion</strong> führt unter Berücksichtigung eines
Schwellwerts zur Aktivierung des künstlichen Neurons (es “feuert”). Die
<strong>Gewichtungen</strong> entsprechen den <strong>Parametern des
Netzes</strong>. So hat ein Llama 3 7B Modell z.B. 7 Milliarden solcher
Parameter, das GPT-4 Modell hat ca. 1,8 Billionen Parameter auf 120
Schichten.</p>
<p>Beim <strong>Training eines künstlichen neuronalen Netzwerks</strong>
startet man mit zufälligen Parametern. Im Trainingsprozess werden die
Parameter durch einen <strong>Prozess des Maschinellen Lernens</strong>
über die Berechnung einer Fehlerfunktion (<a
href="https://en.wikipedia.org/wiki/Loss_function">loss function</a>) so
eingestellt, dass das künstliche neuronale Netz möglichst richtige
Antworten liefert.</p>
<p>Das <strong>Video</strong> <a
href="https://www.youtube.com/watch?v=aircAruvnKk">But what is a neural
network?</a> erklärt, <strong>wie ein künstliches neuronales Netz
Zahlen</strong> erkennen kann (z.B. die Postleitzahl auf einem Brief).
Als <strong>Eingabeschicht</strong> wird ein 28x28 Quadratpixel großes
Bild verwendet (784 Eingaben). Das verwendete Netz hat zwei versteckte
Schichten. Die <strong>Ausgabeschicht</strong> hat zehn Ausgaben
(Indikatoren für die Zahlen 0-9).</p>
<p>Das <strong>Video</strong> <a
href="https://www.youtube.com/watch?v=Dw3BZ6O_8LY">Training an
unbeatable AI in Trackmania</a> erklärt in sehr anschaulicher Weise, wie
eine KI ein <strong>Autorennspiel auf dem Computer</strong> lernt. Der
Lernprozess verläuft ähnlich wie beim Menschen, die KI kann nur viel
öfter trainineren, ohne müde zu werden.</p>
<h2 data-number="3.3" id="menschliches-und-maschinelles-lernen"><span
class="header-section-number">3.3</span> Menschliches und Maschinelles
Lernen</h2>
<p>Stellen wir uns vor, <strong>ein Kind sieht zum ersten Mal einen
Hund</strong>. Das Kind ist fasziniert von diesem neuen Tier und ruft
begeistert “Wauwau!”. In seiner kindlichen Begeisterung bezeichnet es
zunächst jeden Vierbeiner als “Wauwau”. Erst nach und nach lernt es
durch Beobachtung und mit Hilfe seiner Eltern, die feinen Unterschiede
zwischen verschiedenen Tieren wie Hunden und Katzen zu erkennen.</p>
<p>Dieser Prozess der Erkundung und Anpassung findet sich auch beim
Maschinellen Lernen wieder. <strong>Computerprogramme lernen aus
Beispielen</strong>, ohne explizit programmiert zu sein. Am Anfang
kennen sie die feinen Unterschiede zwischen verschiedenen Kategorien
noch nicht. Durch das <strong>Analysieren großer Mengen von
Daten</strong> (das “Training”) lernen sie nach und nach, Muster zu
erkennen und Daten korrekt einzuordnen.</p>
<p>Für uns war es sinnvoll, den gesamten Prozess als <strong>Kreislauf
von insgesamt sieben Schritten</strong> darzustellen. Wir haben uns für
diese Darstellung entschieden, um menschliches und Maschinelles Lernen
gegenüberzustellen. Für Prozesse, die ausschließlich auf Maschinellem
Lernen basieren, findet man in der Literatur verschiedene Darstellungen.
Nachfolgend findest du eine schematische Darstellung des maschinellen
Lernprozesses. Wichtig ist, dass der Lernprozess nach einem Durchlauf
nicht abgeschlossen ist, sondern in mehreren Schleifen erfolgt. Auch das
ist eine Gemeinsamkeit zwischen dem menschlichen und dem Maschinellen
Lernen.</p>
<figure>
<img src="images/human-and-machine-learning.png"
alt="Menschliches und Maschinelles Lernen" />
<figcaption aria-hidden="true">Menschliches und Maschinelles
Lernen</figcaption>
</figure>
<p>Nehmen wir zur Erläuterung des gesamten Lernprozesses ein konkretes
Beispiel: Eine KI-Anwendung soll lernen, Bilder von Hunden und Katzen zu
unterscheiden.</p>
<h3 data-number="3.3.1" id="situation"><span
class="header-section-number">3.3.1</span> Situation</h3>
<p>Bei Kindern ist die Ausgangssituation für den Beginn eines
Lernprozesses nicht so explizit wie in einem KI-Projekt, sondern eher
durch eine intrinsische Motivation ausgelöst oder durch einen von der
Umwelt stimulierten Lernanreiz. Kinder sind neugierig und wollen die
Welt um sich herum verstehen. In unserem konkreten Beispiel möchte ein
Kind lernen, die Unterschiede zwischen einem Hund und einer Katze zu
erkennen. Generalisiert übertragen auf die KI heißt das, dass sie Bilder
klassifizieren soll.</p>
<h3 data-number="3.3.2" id="datensammlung"><span
class="header-section-number">3.3.2</span> Datensammlung</h3>
<p>In der realen Welt sieht das Kind viele verschiedene Hunde und
Katzen. Es erkennt Tiere, wenn sie 4 Beine und einen Schwanz haben und
sagt dann “Wauwau”. Die Eltern helfen dem Kind, indem sie auf die Tiere
zeigen und diese benennen. So verbindet das Kind die Bilder und Laute
der Tiere mit den richtigen Begriffen.</p>
<p>Für die KI werden Tausende Bilder von Hunden und Katzen gesammelt und
entsprechend gekennzeichnet. Diese Daten müssen eventuell bereinigt
werden, um Fehler oder irrelevante Informationen zu entfernen.</p>
<h3 data-number="3.3.3" id="modellauswahl"><span
class="header-section-number">3.3.3</span> Modellauswahl</h3>
<p>Im Kopf des Kindes bilden sich durch Wiederholung und Korrektur feste
neuronale Verbindungen, was zu einer klareren Unterscheidung zwischen
Hunden und Katzen führt. Dieser Prozess ist ähnlich der Art und Weise,
wie ein <strong>neuronales Netz</strong> (<a
href="https://ai.lernos.org/de/1-02-neuronal-networks/">vgl. 3.2</a>) im
KI-Training gestärkt wird. Es ist besonders geschickt darin, in
unstrukturierten Daten Muster zu erkennen und aus diesen zu lernen.</p>
<p>Mit jedem durchlaufenen Trainingsbild verbessert das KI-Modell seine
Erkennungsfähigkeit für charakteristische Merkmale wie die
Beschaffenheit des Fells, die Form der Ohren und die Beschaffenheit des
Schwanzes. Es optimiert seine Vorhersagegenauigkeit, indem es relevante
Muster hervorhebt und weniger wichtige vernachlässigt. Diese
schrittweise Verfeinerung seiner Erkennungsleistung gleicht dem
Lernprozess eines Kindes, das durch ständiges Ausprobieren und die
daraus resultierenden Korrekturen lernt.</p>
<h3 data-number="3.3.4" id="training"><span
class="header-section-number">3.3.4</span> Training</h3>
<p>Das Kind lernt durch Wiederholung und Rückmeldung der Eltern. Wenn es
einen Hund als Katze bezeichnet, wird es korrigiert. So verfeinert das
Kind mit jeder Korrektur sein inneres Modell.</p>
<p>In der KI gibt es zwei grundlegende Arten des Trainings:</p>
<ul>
<li>Beim überwachten Lernen (<a
href="https://en.wikipedia.org/wiki/Supervised_learning">Supervised
Learning</a>) bekommt das Modell zu allen Trainingsdaten die korrekte
Klassifikation. Anhand dieser Labels lernt es die relevanten Merkmale.
In diese Lernkategorie gehören auch Künstliche neuronale Netze.</li>
<li>Beim unüberwachten Lernen (<a
href="https://en.wikipedia.org/wiki/Unsupervised_learning">Unsupervised
Learning</a>) erhält das Modell nur die Daten ohne Labels. Es muss
selbst Ähnlichkeiten erkennen und die Daten gruppieren. So entdeckt es
eigenständig Muster und Strukturen. Das unüberwachte Lernen kann als
ergänzende Methode beim Training eingesetzt werden, um dem Modell noch
tiefergehenderes Verständnis zu ermöglichen. Es hilft dem Modell,
latente Merkmale und Zusammenhänge zwischen den Daten zu erfassen, die
durch das überwachte Lernen allein möglicherweise nicht erfasst werden
könnten.</li>
</ul>
<p>Die Ergänzung bzw. die Kombination von Künstlichen neuronalen Netzen
mit dem überwachten Lernen nennt man <strong>Deep Learning</strong>, was
als Begriff auch häufig in der KI-Diskussion auftaucht.</p>
<p>Ergänzend zu den genannten Verfahren existiert das verstärkende
Lernen (<a
href="%5BReinforcement%20learning%20-%20Wikipedia%5D(https://en.wikipedia.org/wiki/Reinforcement_learning%20%22https://en.wikipedia.org/wiki/Reinforcement_learning%22)">Reinforcement
Learning</a>), bei dem ein Modell seine Entscheidungen anhand von
Belohnungen und Bestrafungen optimiert. Dieses Verfahren betont den
iterativen Charakter des Lernens und verdeutlicht, wie kontinuierliche
Rückmeldung – wie im Beispiel des Rennfahrens und Gamings (vgl. <a
href="https://media.ccc.de/v/2025-186-how-do-models-like-chatgpt-llm-work-can-you-hack-them-and-run-them-offline-">Video</a>ab
Minute 7:40) – zu einer stetigen Verbesserung führt.</p>
<p>So wie ein Kind durch Wiederholung und Korrektur seine
Unterscheidungsfähigkeit verbessert, optimiert das KI-Modell seine
Leistung iterativ durch viele Trainingsdurchläufe und Anpassungen. Nach
genügend Training kann es dann auch neue Daten zuverlässig
klassifizieren.</p>
<h3 data-number="3.3.5" id="validierung"><span
class="header-section-number">3.3.5</span> Validierung</h3>
<p>Ähnlich wie ein Kind lernen muss, Hunde und Katzen in neuen
Situationen richtig zu erkennen, muss ein KI-Modell beweisen, dass es in
der Lage ist, Daten zu generalisieren und es nicht nur auswendig gelernt
hat. Dazu werden neue Testdaten verwendet, um die Fähigkeit des Modells
zur korrekten Klassifikation zu überprüfen. Wenn die Ergebnisse
unzureichend sind, muss das Modell verbessert werden, um die zugrunde
liegenden Regeln zu verstehen und nicht nur einzelne Merkmale auswendig
zu lernen. So wie Eltern ein Kind herausfordern und bei Bedarf
korrigieren, hilft die Validierung dabei, das KI-Modell zu testen und zu
verbessern. Dieses Konzept ist entscheidend beim Maschinellen Lernen und
ermöglicht es dem Modell, seine Leistung kontinuierlich zu
verbessern.</p>
<h3 data-number="3.3.6" id="anwendung"><span
class="header-section-number">3.3.6</span> Anwendung</h3>
<p>Nach dem Training kann das KI-Modell sein gelerntes Wissen anwenden,
ähnlich wie ein Kind sein Wissen nutzt, um neue Tiere draußen korrekt zu
erkennen und zu benennen. Das trainierte Modell kann in verschiedenen
Anwendungen eingesetzt werden, wie z.B. einer Bildanalyse-App oder einem
Empfehlungssystem. Es wendet sein gelerntes Wissen auf neue Daten an und
ermöglicht es, nützliche Aufgaben zu lösen. Genau wie ein Kind
verschiedene Tiere erkennt und dieses Wissen praktisch anwendet, findet
ein trainiertes KI-Modell Anwendung in realen Systemen.</p>
<h3 data-number="3.3.7" id="feedback"><span
class="header-section-number">3.3.7</span> Feedback</h3>
<p>Regelmäßiges Feedback ist für das Kind unerlässlich, um zu lernen und
sich weiterzuentwickeln. So wird es beispielsweise durch Spiele, die die
Unterscheidung von Farben und Formen fördern, oder durch interaktive
Bildungstools, die spielerisch Wissen vermitteln, weiter gefordert und
unterstützt. Gleiches gilt für ein KI-Modell, das durch die
kontinuierliche Analyse von Nutzerinteraktionen in einer
Foto-Sortier-App oder durch die Einbeziehung neuer, vielfältiger
Bilddatensätze stetig verfeinert wird. Ein Kind lernt durch den Besuch
eines Zoos oder durch das Blättern in einem Tierbuch neue Tierarten
kennenlernt und sein Wissen vertieft. Genauso erweitert das KI-Modell
seine Erkennungsfähigkeiten durch die Einführung zusätzlicher,
unterschiedlicher Bilder oder durch Feedback von Benutzer*innen, die
Fehlklassifikationen melden. Diese fortlaufende Interaktion, sei es
durch menschliche Rückmeldung oder durch neue Dateninputs, ermöglicht es
dem Modell, adaptiv zu bleiben und sich an die sich wandelnde Welt
anzupassen.</p>
<h3 data-number="3.3.8" id="reflexionsfragen"><span
class="header-section-number">3.3.8</span> Reflexionsfragen</h3>
<p>Welche Meinung hast du selbst zu folgenden Punkten, die im
Zusammenhang mit der weiteren Entwicklung des Maschinellen Lernens
diskutiert werden? Welche Zukunftsaspekte stimmen Dich skeptisch,
welchen stehst du eher positiv gegenüber, wenn sie so eintreffen?
Glaubst du an diese Potenziale?</p>
<ol type="1">
<li><strong>Lernprozesse und Anpassungsfähigkeit</strong>: Maschinelle
Lernmodelle werden in der Lage sein, nicht nur die Komplexität
menschlicher Lernprozesse nachzubilden, sondern sich auch an neue
Situationen anzupassen, indem sie emotionale und soziale Kontexte
integrieren und flexibel auf Veränderungen reagieren.</li>
<li><strong>Generalisierung und Transferlernen</strong>: Fortschritte im
Maschinellen Lernen werden es Systemen ermöglichen, mit minimalen
Datenmengen zu generalisieren und Wissen über verschiedene Domänen
hinweg zu transferieren, ähnlich der menschlichen Kapazität, aus wenigen
Beispielen zu lernen und Erkenntnisse in unterschiedlichen Kontexten
anzuwenden.</li>
<li><strong>Autonome Motivation und kontextuelles Verständnis</strong>:
Zukünftige maschinelle Lernmodelle werden ein tiefes Verständnis für
Kontext und Nuancen erlangen und eine eigene Form der “Motivation”
entwickeln, was sie in die Lage versetzen wird, kontextbewusst und
autonom zu handeln.</li>
<li><strong>Interaktives Lernen und kontinuierliche
Verbesserung</strong>: Durch die Integration von interaktiven und
sozialen Feedbackmechanismen werden maschinelle Lernsysteme eine
Lernerfahrung bieten, die kontinuierliche Verbesserungen ermöglichen und
der menschlichen Lernerfahrung ähnelt.</li>
</ol>
<h2 data-number="3.4"
id="anwendungsfelder-für-künstliche-intelligenz"><span
class="header-section-number">3.4</span> Anwendungsfelder für Künstliche
Intelligenz</h2>
<p>Für die Generative KI gibt es leider noch kein schönes Schaubild
ähnlich der <a
href="https://ojs.aaai.org/aimagazine/index.php/aimagazine/article/view/2168">AI
Landscape der Association for the Advancement of Artificial
Intelligence</a> (AAAI) das zeigt, <strong>in welchen Bereichen unseres
Lebens und unserer Arbeit die KI eine Rolle spielt</strong> oder spielen
kann. Auf der Plattform Hugging Face gibt es mit der <a
href="https://huggingface.co/models">Klassifizierung von Modellen</a>
eine Kategorisierung von Anwendungsfeldern der Künstlichen Intelligenz,
die allerdings sehr technisch ist. McKinsey beschreibt mögliche
Anwendungsfelder im Artikel <a
href="https://www.mckinsey.com/featured-insights/mckinsey-%20explainers/whats-the-future-of-generative-ai-an-early-view-in-15-charts">What’s
the future of generative AI?</a> anwendungsnäher:</p>
<table>
<colgroup>
<col style="width: 28%" />
<col style="width: 71%" />
</colgroup>
<thead>
<tr>
<th>Modalität/ Anwendungsfeld</th>
<th>Beispiel</th>
</tr>
</thead>
<tbody>
<tr>
<td><strong>TEXT</strong></td>
<td></td>
</tr>
<tr>
<td>Inhalte erstellen</td>
<td>Kommunikation: Personalisierte Emails und Posts
erstellen<br/>Personalwesen: Interview-Fragen und Job-Beschreibungen
erstellen</td>
</tr>
<tr>
<td>Chatbots und Assistenten</td>
<td>Kommunikation: Chatbots für Webseiten im Internet und Intranet</td>
</tr>
<tr>
<td>Suche</td>
<td>Natürlichsprachige Suche statt Schlagwortsuche</td>
</tr>
<tr>
<td>Analyse und Synthese</td>
<td>Vertrieb: Kundeninteraktion analysieren<br/>Recht: Gesetze und
regulatorische Dokumente zusammenfassen</td>
</tr>
<tr>
<td><strong>CODE</strong></td>
<td></td>
</tr>
<tr>
<td>Code erstellen</td>
<td>IT: Anwendungserstellung<br/>Low-Code und No-Code ermöglichen</td>
</tr>
<tr>
<td>Prototypen von Anwendungen und Designs erstellen</td>
<td>IT: Prototypen und Benutzeroberflächen schnell designen</td>
</tr>
<tr>
<td>Datensätze generieren</td>
<td>IT: KI-Modellqualität durch Datensätze verbessern</td>
</tr>
<tr>
<td><strong>BILD</strong></td>
<td></td>
</tr>
<tr>
<td>Bilder erstellen</td>
<td>Kommunikation: einzigartige Bilder generieren (statt
Stockfotos)</td>
</tr>
<tr>
<td>Bilder bearbeiten</td>
<td>Kommunikation: Bildhintergründe entfernen oder verändern</td>
</tr>
<tr>
<td><strong>AUDIO</strong></td>
<td></td>
</tr>
<tr>
<td>Text-to-Speech generieren</td>
<td>Training: Voiceover Stimmen erzeugen</td>
</tr>
<tr>
<td>Sounds generieren</td>
<td>Medien: Hintergrundgeräusche oder -musik erzeugen</td>
</tr>
<tr>
<td>Audio bearbeiten</td>
<td>Kommunikation: Podcasts editieren ohne neue Aufnahme</td>
</tr>
<tr>
<td><strong>VIDEO</strong></td>
<td></td>
</tr>
<tr>
<td>Video erstellen</td>
<td>Training: kurze Lernvideos mit AI-Avataren erzeugen</td>
</tr>
<tr>
<td>Video bearbeiten</td>
<td>Marketing: Standard-Videos personalisieren<br/>Kommunikation:
Hintergründe von Videos entfernen</td>
</tr>
<tr>
<td>Sprache übersetzen und anpassen</td>
<td>Kommunikation: Dubbing, Originalsprache durch Voiceover
ersetzen<br/>Meetings: Live-Übersetzung in Besprechungen</td>
</tr>
<tr>
<td>Gesichtstausch und Anpassungen vornehmen</td>
<td>Kommunikation: Übersetzung mit Veränderung der Lippenbewegung für
andere Sprachen</td>
</tr>
<tr>
<td><strong>3D & VR</strong></td>
<td></td>
</tr>
<tr>
<td>3D-Objekte generieren</td>
<td>Videospiele: Charaktere und Objekte erstellen</td>
</tr>
<tr>
<td>Produkte designen und erfahrbar machen</td>
<td>Produktentwicklung: Entwicklungsprozess beschleunigen</td>
</tr>
</tbody>
</table>
<p>Wie im <strong>HBR-Artikel</strong> <a
href="https://hbr.org/2023/09/where-should-your-company-start-with-genai">Where
Should Your Company Start with GenAI?</a> beschrieben, sollten
Organisationen aber auch alle einzelnen Wissensarbeiter:innen
herausfinden, ob und wie ihre Tätigkeiten von Generativer KI betroffen
sind. Der Artikel schlägt dafür das WINS-Meme vor, mit dem Du prüfen
kannst, wie viel Aufwand der eigenen Tätigkeiten auf Umgang mit Texten
(Words), Bildern (Images), Zahlen (Numbers) und Audio (Sounds) entfällt.
Je nach Aufwand und Digitalisierungsgrad bei der jeweiligen Tätigkeit
ergibt sich der Grad der eigenen Betroffenheit.</p>
<p>Wenn Du keine <strong>persönliche Wissenslandkarte mit einer
Übersicht deiner Aufgaben</strong> hast, kannst du die <a
href="https://lit.bibb.de/vufind/Record/DS-131131">Kategorien der
wissensintensiven Tätigkeiten des Bundesinstituts für Berufsbildung</a>
als Ausgangspunkt verwenden:</p>
<ol type="1">
<li>Forschen</li>
<li>Entwickeln</li>
<li>Recherchieren</li>
<li>Dokumentieren</li>
<li>Ausbilden</li>
<li>Unterrichten</li>
<li>Organisieren fremder Arbeitsabläufe</li>
</ol>
<h2 data-number="3.5" id="ki-modelle"><span
class="header-section-number">3.5</span> KI-Modelle</h2>
<p>Dieses Kapitel gibt einen Überblick über <strong>KI-Modelle</strong>
und unterteilt sie in verschiedene Leistungsgruppen. Sie stellen die