Mittelneu im Katalog 2025
KI-Grundlagen
ML-Konzepte, generative KI, Chancen und Risiken – neu im Katalog 2025.
Warum Priorität „Mittel"? Gelegentlich Teil der Prüfung (40–59%). Verstehen, aber nicht überinvestieren.
Lernziele
- ML-Grundbegriffe (Training, Modell, Features, Overfitting) einordnen
- Supervised vs. Unsupervised vs. Reinforcement Learning unterscheiden
- Chancen und Risiken generativer KI benennen
Begriffswelt
- KI: Oberbegriff für Systeme, die Aufgaben lösen, die typischerweise menschliche Intelligenz erfordern.
- Machine Learning (ML): Teilgebiet – lernt aus Daten, ohne explizit programmiert zu sein.
- Deep Learning: ML mit tiefen neuronalen Netzen.
- Generative KI (GenAI): erzeugt neue Inhalte (Text, Bilder, Code). Beispiele: LLMs, Diffusionsmodelle.
- LLM: Large Language Model, z. B. für Chatbots.
Lern-Arten
- Supervised Learning – Trainingsdaten mit Label (z. B. Spam/Nicht-Spam).
- Unsupervised Learning – keine Labels, Muster finden (z. B. Clustering).
- Reinforcement Learning – Agent lernt durch Belohnung/Strafe in einer Umgebung.
Typische Fallstricke
- Overfitting: Modell »memorisiert« Trainingsdaten, generalisiert schlecht.
- Bias: Vorurteile in den Trainingsdaten werden verstärkt.
- Halluzinationen: LLMs erfinden plausibel klingende, falsche Fakten.
- Datenschutz: Trainings- oder Prompt-Daten können sensible Inhalte enthalten.
Chancen & Risiken generativer KI
| Chancen | Risiken |
|---|---|
| Produktivitätsgewinne (Code, Texte, Zusammenfassungen) | Plagiat, Urheberrechtsfragen |
| Bessere Suche, Customer Support | Halluzinationen / falsche Antworten |
| Barrierefreiheit (Übersetzung, Vorlesen) | Deepfakes, Manipulation |
| Automatisierung repetitiver Tätigkeiten | Datenschutz, Jobverlust in manchen Bereichen |
Übungen
Eine AntwortWas bedeutet Overfitting?
MehrfachauswahlWelche Risiken bringt generative KI mit sich?