Zeitreise
Interaktive HTML-Präsentation
KI & DATA SCIENCE · WOCHE 02
Fundamente
der KI
Verstehen. Bauen. Prüfen.
Prof. Dr. Mathias Engel
Fundamente der KI
Fundamente
Fünf Stationen. Fünf eigene Artefakte.
Lernen
Sortierer-Simulation
Werkstatt
Mitarbeiter und Grenzen
Vereinfachen
Anmelde-Mockup
Nutzen
Excel-Pilotmodell
Unser Lernweg bis zur ersten Teilprüfung.
erleben
einordnen
verstehen
steuern
Wissen anbinden
gestalten
zeigen und begründen
Heute: einordnen. Wir unterscheiden Verfahren, Fähigkeiten und Grenzen – bevor wir später eigene Anwendungen gezielt steuern.
W07: Projekt 1 live zeigen und Entscheidungen begründen.
Wie prüfen wir, was KI wirklich leistet?
Wie prüfen wir,
was KI wirklich leistet?
Die Menschheit verändert ihre Umwelt – mit neuen Werkzeugen.
Kulturtechniken: Feuer, Landwirtschaft, Schrift und Buchdruck verändern Alltag und Zusammenarbeit.
Industrialisierung: Maschinen übernehmen körperliche Arbeit; Computer und Netze verändern Informationsarbeit.
Heute: KI erweitert die Verarbeitung und Erzeugung von Informationen – sie steht in dieser langen Werkzeuggeschichte.
Symbolbild: keine maßstäbliche Zeitachse und keine fachlich genaue Frühgeschichte.
KI entwickelt sich nicht in einer geraden Linie.
Dartmouth-Antrag
McCarthy und Kollegen schlagen ein Forschungsprojekt für Sommer 1956 vor.
Dartmouth-Projekt
Das geplante Sommerprojekt wird zum historischen Bezugspunkt der KI-Forschung.
AlexNet
Ein tiefes neuronales Netz erreicht einen großen Fortschritt bei ImageNet-Bildklassifikation.
Transformer
Attention Is All You Need stellt eine auf Attention basierende Architektur vor.
ChatGPT
ChatGPT wird am 30. November als öffentlich nutzbarer Forschungsprototyp vorgestellt.
Dartmouth: Antrag 1955, Sommerprojekt 1956 · Transformer und ChatGPT sind nicht dasselbe.
Die Meilensteine sind unterschiedlich: Forschungsprogramm → lernendes Modell → Architektur → alltagstaugliche Oberfläche. Ältere Verfahren bleiben nutzbar.
Eve: KI-Geschichte als Videoimpuls.
Baut eine interaktive Zeitreise.
BauenBereit
Erwartung: Eine richtige Zeitleiste erklärt Unterschiede, nicht nur Jahreszahlen.
Produkt: Eine HTML-Präsentation mit Zeitreise und Zuordnungsspiel.
Vorgehen: Erwartung notieren → Prompt kopieren → erzeugen → Gegenprobe.
Abgabe: Datei + „zeigt / simuliert / geprüft“.
Zu zweit · Rollenwechsel · Rückfallbeispiel öffnen ↗
Euer Bauauftrag für ChatGPT
BauenBereit
1. Vollständigen Prompt kopieren.
2. In ChatGPT einfügen; Produkt erzeugen lassen.
3. Lokal öffnen und fachlich prüfen.
Zeigen. Prüfen. Verbessern.
Wrap-upBereit
Gegenprobe: Prüft 1955/1956 und zwei falsche Zuordnungen im Spiel.
Begründen: Was stimmt – was simuliert die Datei nur?
Verbessern: Einen konkreten Fehler korrigieren.
Software 1.0: Regeln – Software 2.0: Beispiele.
Regelprogramm: „Wenn Rechnung über 1.000 €, zur Freigabe.“ Ein Mensch legt den Entscheidungsweg fest.
Lernendes Modell: Aus markierten Spam-/Nicht-Spam-Mails werden Muster gelernt; neue Mails werden eingeschätzt.
Unterschied: Nicht jede Regel wird einzeln geschrieben. Daten, Lernziel und anschließende Tests bestimmen das Modell.
Ein gelerntes Modell läuft weiterhin in programmierter Software; Regeln und Modelle lassen sich kombinieren.
Ein Neuron empfängt, verarbeitet und leitet Signale weiter.
Dendriten: empfangen Signale anderer Zellen. Am Zellkörper werden viele Einflüsse integriert.
Axon: leitet ein Aktionspotenzial zu den Endigungen; Myelin unterstützt die schnelle Weiterleitung.
Axonterminale: übergeben das Signal an weitere Zellen. Das Netz entsteht durch viele solcher Verbindungen.
Biologisches Vorbild – kein Bauplan eines digitalen „Neurons“.
An der chemischen Synapse wird aus elektrisch chemisch.
1 · Ankommen: Das elektrische Signal erreicht die präsynaptische Endigung.
2 · Übergeben: Vesikel setzen Neurotransmitter frei; diese gelangen durch den synaptischen Spalt.
3 · Empfangen: Transmitter binden an Rezeptoren und verändern die Aktivität der nächsten Zelle – erregend oder hemmend.
Beispiele im Gehirn
Glutamat: häufig erregend, Lernen
GABA: meist hemmend
Dopamin: Motivation, Belohnungsverarbeitung
Acetylcholin: Aufmerksamkeit, Plastizität
Eine häufige Art der Signalübertragung; es gibt auch elektrische Synapsen.
Hebb: Wiederholtes Zusammenspiel kann Verbindungen stärken.
Gedanke: Trägt Zelle A wiederholt dazu bei, Zelle B zu aktivieren, kann ihre Verbindung wirksamer werden.
Metapher: Ein vorhandener Trampelpfad wird durch wiederholte Nutzung deutlicher.
Grenze: Der Lernalgorithmus heutiger Netze ist nicht einfach die Hebbsche Regel.
Das künstliche Neuron rechnet mit Zahlen, nicht mit Transmittern.
Eingaben: Merkmale werden als Zahlen dargestellt. Gewichte bestimmen ihren Einfluss.
Rechnung: gewichtete Eingaben + Bias → Aktivierungsfunktion → Ausgabe.
Lernen: Ein Trainingsverfahren verändert Gewichte, um einen vorgegebenen Fehler zu verringern.
Vereinfachtes Perzeptron-Schaubild: Rückkopplung steht für Gewichtsanpassung, nicht für biologische Transmitter.
Trainingsleistung ist noch keine Generalisierung.
Training: Das Modell passt sich an bekannte Beispiele an. Es kann dabei auch unwichtige Details lernen.
Test: Neue, zurückgehaltene Beispiele zeigen, ob relevante Muster übertragen werden.
Beispiel: Wer „Baum = grün“ lernt, kann am kahlen Winterbaum scheitern. Ein guter Test enthält solche Gegenfälle.
Die Mensch-/Roboter-Szene ist eine Metapher: Auch KI kann generalisieren und Menschen können auswendig lernen.
Baut einen Sortierer – und bringt ihn zum Scheitern.
BauenBereit
Erwartung: Zwei Regeln können gleich gut zu den Trainingsdaten passen.
Produkt: Zwei Regeln vergleichen und unbekannte Testfälle prüfen.
Vorgehen: Erwartung notieren → Prompt kopieren → erzeugen → Gegenprobe.
Abgabe: Datei + „zeigt / simuliert / geprüft“.
Zu zweit · Rollenwechsel · Rückfallbeispiel öffnen ↗
Euer Bauauftrag für ChatGPT
BauenBereit
1. Vollständigen Prompt kopieren.
2. In ChatGPT einfügen; Produkt erzeugen lassen.
3. Lokal öffnen und fachlich prüfen.
Zeigen. Prüfen. Verbessern.
Wrap-upBereit
Gegenprobe: Welche Regel scheitert bei Grün? Warum war das vorher nicht erkennbar?
Begründen: Was stimmt – was simuliert die Datei nur?
Verbessern: Einen konkreten Fehler korrigieren.
Ein System kann erkennen, erzeugen und handeln.
Anfrage einordnen
„Wo bleibt meine Bestellung?“ → Kategorie Lieferstatus.
Ergebnis: eine Einschätzung
Antwort entwerfen
Aus Anfrage und Bestellstatus einen passenden Text formulieren.
Ergebnis: neuer Inhalt
Werkzeuge einsetzen
Status abrufen, Antwort prüfen, Freigabe einholen, erst dann senden.
Ergebnis: kontrollierte Aktion
Ein Workflow hat vorgegebene Wege. Ein Agent wählt nächste Schritte innerhalb seiner Rechte. Ein Chatbot ist nicht automatisch ein autonomer Agent.
KI ist der Oberbegriff; Machine Learning lernt aus Daten. Generieren und agentisches Handeln sind kombinierbare Fähigkeiten.
Ein digitaler Mitarbeiter braucht mehr als ein Modell.
Skills: kurze Verfahren und Fachaufträge; Tools: erlaubte, möglichst klar prüfbare Aktionen.
Memory: dauerhaftes Mitarbeiterwissen; Kontext: die gerade ausgewählten Informationen.
Pensum: Zeit-/Schrittbudget. Grenzen: Aufgabenkomplexität und verfügbarer Kontext; bei Überforderung eskalieren.
Mitarbeiter „Antwort“
- Skill
- Rückfragen formulieren
- Tool
- Antwortvorlage
- Memory
- Ton & bekannte Fälle
- Aktiver Kontext
- 3 Informationskarten
- Budget
- 4 simulierte Minuten
Komplexe Kulanzentscheidung? Zum Menschen.
Didaktisches Profil, keine IQ-Skala. Ein kleines Modell kann für eine klar begrenzte Aufgabe genügen – das muss getestet werden.
Die Werkstatt verbindet Mitarbeiter, Wissen und Arbeitsumgebung.
Werkstatt-Memory: gemeinsame Regeln, Vorlagen und geprüfte Erfahrungen; Mitarbeiter behalten eigenes Fachwissen.
Projekt-Memory: Auftrag, Fallinformationen, Entscheidungen und Ergebnisse – getrennt von anderen Projekten.
Environment: verfügbare Tools, Sandbox und Zugriffsrechte. Der Ablauf regelt Übergaben, Prüfung und menschliche Freigabe.
Beispiel: Eingang → Antwort → Qualität. Mehr Mitarbeiter bringen zusätzliche Übergaben, nicht automatisch mehr Nutzen.
Baut ein isometrisches Werkstattspiel.
BauenBereit
Erwartung: Ohne passenden Kontext oder Budget muss ein Worker eskalieren.
Produkt: Worker bewegen sich, bekommen Aufträge und erweitern Skills/Memory.
Vorgehen: Erwartung notieren → Prompt kopieren → erzeugen → Gegenprobe.
Abgabe: Datei + „zeigt / simuliert / geprüft“.
Zu zweit · Rollenwechsel · Rückfallbeispiel öffnen ↗
Euer Bauauftrag für ChatGPT
BauenBereit
1. Vollständigen Prompt kopieren.
2. In ChatGPT einfügen; Produkt erzeugen lassen.
3. Lokal öffnen und fachlich prüfen.
Zeigen. Prüfen. Verbessern.
Wrap-upBereit
Gegenprobe: Vergebt einen Auftrag mit fehlendem Skill. Nach Upgrade erneut testen. Wächst Memory nur nach erfolgreicher Arbeit?
Begründen: Was stimmt – was simuliert die Datei nur?
Verbessern: Einen konkreten Fehler korrigieren.
Kurz Luft holen.
Bereit
Ergänzen und Weglassen sind zwei Wege zur Verbesserung.
Additiv: Ein Hilfetext kann eine unverständliche Anmeldung erklären.
Subtraktiv: Ein unnötiges zweites E-Mail-Feld lässt sich entfernen.
Entscheidend: Beide Varianten am gleichen Ziel prüfen: verständlich anmelden, nur benötigte Daten erfassen.
Weglassen ist kein Selbstzweck: erforderliche Informationen und Schutzmechanismen bleiben erhalten.
Das LEGO-Experiment: stabilisieren – aber wie?
Aufgabe: Eine Plattform über einer Figur sollte einen schweren Stein tragen. Ein einzelner Eckpfeiler machte sie instabil.
Zwei Wege: zusätzliche Stützen anbringen oder den vorhandenen Pfeiler entfernen; dann liegt die Plattform auf der darunterliegenden Schicht.
Anreiz: 1 Dollar Bonus. Jedes ergänzte Teil kostete 10 Cent; Entfernen war kostenlos.
Ein expliziter Hinweis lenkt die Suche aufs Weglassen.
Kontrolle: Die Anleitung nennt nur die Kosten des Hinzufügens.
Hinweisgruppe: Zusätzlich wird ausdrücklich gesagt, dass Entfernen kostenlos ist.
Kontrolle: ohne Entfernungshinweis
41 %40 von 98 entfernen den Pfeiler.
Mit Entfernungshinweis
61 %60 von 99 entfernen den Pfeiler.
Transfer: Nicht nur „Was ergänzen wir?“ fragen, sondern ausdrücklich „Was könnte entfallen?“
Adams et al. (2021), Experiment1, S.259. Bedingungsraten, keine universellen Persönlichkeitsanteile und kein Beweis, dass Entfernen immer besser ist.
Gestaltet eine Anmeldung neu.
BauenBereit
Erwartung: Eine einfachere Anmeldung behält alle notwendigen Informationen.
Produkt: Felder platzieren, entfernen, Texte/Farben ändern und beurteilen.
Vorgehen: Erwartung notieren → Prompt kopieren → erzeugen → Gegenprobe.
Abgabe: Datei + „zeigt / simuliert / geprüft“.
Zu zweit · Rollenwechsel · Rückfallbeispiel öffnen ↗
Euer Bauauftrag für ChatGPT
BauenBereit
1. Vollständigen Prompt kopieren.
2. In ChatGPT einfügen; Produkt erzeugen lassen.
3. Lokal öffnen und fachlich prüfen.
Zeigen. Prüfen. Verbessern.
Wrap-upBereit
Gegenprobe: Entfernt das E-Mail-Feld. Erkennt der Check den Fehler? Prüft eine kontrastarme Farbe.
Begründen: Was stimmt – was simuliert die Datei nur?
Verbessern: Einen konkreten Fehler korrigieren.
Amara: Zwischen Begeisterung und Alltagswirkung liegt Arbeit.
Feuerwerk: Eine beeindruckende Demo erzeugt schnelle Erwartungen. Das Produkt muss deshalb noch nicht im Alltag funktionieren.
Wurzeln: Dauerhafte Wirkung braucht Daten, Integration, Kompetenzen, Prüfungen und geeignete Arbeitsabläufe.
Unser Test: Welche konkrete Aufgabe wird besser – nach Berücksichtigung von Fehlern und Nacharbeit?
Amaras Gesetz ist eine Denkheuristik, keine messbare Prognose oder garantierte Entwicklung.
Nacharbeit kann den Zeitgewinn aufzehren.
100 × 8 Minuten
KI 200 + Prüfung 300
Nacharbeit 200 + Einrichtung 120
KI: 200Prüfung: 300Nacharbeit: 200Einrichtung: 120
100 Fälle: vorher 8 min; KI2 + Prüfung3 + 25% × Nacharbeit8 min. Einrichtung120 min einmalig. Erste Woche −20 min; Folgewochen +100 min. Fiktive Annahmen; Qualität separat prüfen.
Baut ein Excel-Modell für einen KI-Pilot.
BauenBereit
Erwartung: Mehr Prüfaufwand kann den scheinbaren Vorteil umkehren.
Produkt: Eingaben variieren und Nettozeit mit Formeln/Diagramm prüfen.
Vorgehen: Erwartung notieren → Prompt kopieren → erzeugen → Gegenprobe.
Abgabe: Datei + „zeigt / simuliert / geprüft“.
Zu zweit · Rollenwechsel · Rückfallbeispiel öffnen ↗
Euer Bauauftrag für ChatGPT
BauenBereit
1. Vollständigen Prompt kopieren.
2. In ChatGPT einfügen; Produkt erzeugen lassen.
3. Lokal öffnen und fachlich prüfen.
Zeigen. Prüfen. Verbessern.
Wrap-upBereit
Gegenprobe: Erhöht die Prüfzeit auf 5 Minuten: erste Woche −220 min, Folgewochen −100 min.
Begründen: Was stimmt – was simuliert die Datei nur?
Verbessern: Einen konkreten Fehler korrigieren.
Was hält einer Gegenprobe stand?
Geschichte & Lernen
1955 oder 1956? Gute Trainingsleistung = guter Test?
Agenten & UI
Werkzeugzugriff = Freigabe? Weniger Felder = immer besser?
Nutzen
Zeitgewinn = Qualität? Welche Annahme kippt Eure Rechnung?
Vom Staunen zum überprüfbaren Ergebnis.
Einordnen
Entwicklung ≠ Fortschrittsgarantie
Lernen
Training ≠ Generalisierung
Organisieren
Tools + Wissen + Grenzen
Vereinfachen
Zweck erhalten, Ballast entfernen
Prüfen
Zeit + Qualität + Verantwortung
Erwartung formulieren → bauen → Gegenprobe → verbessern
Quellen und Materialien.
Definitionen & KI-Geschichte
OECD · Dartmouth · AlexNet · Transformer · ChatGPTLernen & Lösungssuche
Hebb · LeCun et al. · Adams et al.Agenten & Wirkung
Anthropic · Trinity-Konzeption · IFTF / AmaraAlle Bau- und Prüfaufträge
Prompts · Rückfallbeispiele · Dozentenleitfaden
OECD · Dartmouth · AlexNet · Transformer · ChatGPTLernen & Lösungssuche
Hebb · LeCun et al. · Adams et al.Agenten & Wirkung
Anthropic · Trinity-Konzeption · IFTF / AmaraAlle Bau- und Prüfaufträge
Prompts · Rückfallbeispiele · Dozentenleitfaden
Illustrationen sind Metaphern. Simulationen und Beispielzahlen sind keine empirischen Befunde.