ICDL · Künstliche Intelligenz · Kapitel 1

Grundlagen der Künstlichen Intelligenz

7 Lektionen · LZK-Abschnitt 1 „Der Begriff KI" · Pfeiltasten blättern · G = Folienübersicht · P = Referentenansicht · F = Vollbild · Menü unten erscheint beim Mauskontakt

Schüler und Roboter lernen gemeinsam
Das erwartet dich

7 Lektionen, ein Kapitel

1 Was ist KI? Grundlagen & Fähigkeiten
2 Die Geschichte der KI
3 Daten, Algorithmen & Modelle
4 Komplexität & Heuristiken
5 Maschinelles Lernen
6 Neuronale Netze & Deep Learning
7 Generative KI & KI-Agenten
1

Was ist Künstliche Intelligenz?

Grundlagen und Fähigkeiten · Definition, Abgrenzung zur klassischen Software, Stufen der KI, KI im Alltag

Lektion 1 · Definition

Was ist Künstliche Intelligenz?

KI bezeichnet Computersysteme, die aus Daten lernen, Muster erkennen und Aufgaben ausführen, die normalerweise menschliche Wahrnehmung, Entscheidungsfähigkeit oder Problemlösung erfordern.

KI ist kein einzelnes Programm, sondern ein Sammelbegriff für viele verschiedene Technologien und Methoden.

Lektion 1 · Der zentrale Unterschied

Klassische Software vs. KI

Klassische SoftwareKünstliche Intelligenz
RegelnFeste „Wenn-Dann"-Regeln, vom Entwickler vorgegebenLernt eigenständig aus Beispielen und Daten
Neue SituationenVersagt, wenn kein Fall programmiert wurdeErkennt Muster und ist flexibel bei Unbekanntem
BeispielRechner: 2 + 2 ist immer 4Erkennt, ob auf einem Foto eine Katze ist
Lektion 1 · Quick-Check

Software oder KI?

🧮

Taschenrechner-App

Klassische Software – jede Rechnung folgt festen Regeln, nichts wird gelernt.
🔊

„Hey Siri"-Spracherkennung

KI – Sprache lässt sich nicht in Regeln fassen, das System lernt aus unzähligen Sprachbeispielen.
📧

Spam-Filter im Postfach

KI – er lernt aus Millionen Mails und markiert auch neue, unbekannte Spam-Mails.
🚦

Ampelsteuerung (festes Programm)

Klassische Software – immer derselbe feste Ablauf. (Eine lernende, adaptive Ampel wäre KI – diskutiert!)
Lektion 1 · LZK 1.1.4

Die vier Kernkompetenzen von KI

👁️

1 · Wahrnehmung

Informationen aufnehmen: Texte, Bilder, Töne, Sensordaten.

🧠

2 · Schlussfolgern

Die aufgenommenen Daten logisch analysieren und daraus Entscheidungen ableiten.

📈

3 · Lernen

Aus Feedback und Erfahrung lernen und neue Ergebnisse verbessern.

✋

4 · Handeln

Eine konkrete Aktion ausführen: Antwort erzeugen, Wecker stellen, bremsen.

Lektion 1 · Ganz wichtig!

KI simuliert Intelligenz nur

Eine KI besitzt kein eigenes Bewusstsein und keine eigenen Absichten.

Sie verarbeitet Muster in Daten – mehr nicht. Dass sie menschlich wirkt, liegt an den Trainingsdaten, die von Menschen stammen.

Lektion 1 · LZK 1.1.2

Die drei Stufen der KI

  • ANI – Schwache KI: auf eine Fachaufgabe spezialisiert (Bildanalyse, Sprach­erkennung). Alle heutigen KIs!
  • AGI – Starke KI: flexibel wie ein Mensch über alle Themen hinweg – rein theoretisches Forschungsziel.
  • ASI – Superintelligenz: in allem leistungsfähiger als der Mensch – bislang nur Theorie.
ANI = Artificial Narrow Intelligence (schwache KI): auf eine Fachaufgabe spezialisiertANI AGI = Artificial General Intelligence (starke KI): flexibel wie ein Mensch – bislang TheorieAGI ASI = Artificial Super Intelligence (Superintelligenz): in allem stärker als der Mensch – bislang TheorieASI schwache KI · heute starke KI · Theorie Super-KI · Theorie 🤖 🧠 ✨
Lektion 1 · Quick-Check

Welche Stufe ist es?

💬

ChatGPT, das Texte schreibt

ANI (schwache KI) – auf Sprache spezialisiert, auch wenn es beeindruckend wirkt.
🚗

Ein Auto, das wie ein Mensch in allen Situationen denken und lernen kann

Das wäre AGI (starke KI) – existiert heute noch nicht.
🔍

FaceID-Entsperrung am Handy

ANI – eine einzige Spezialaufgabe: dein Gesicht erkennen.
Lektion 1 · LZK 2.1.1

KI in deinem Alltag

  • Sprachassistenten (Siri, Alexa) und Chatbots
  • Empfehlungssysteme bei YouTube, Netflix, Spotify – „weil du … geschaut hast"
  • Smart-Home, Navigation, Verkehr
  • Bilderkennung in sozialen Netzwerken

KI automatisiert Routineaufgaben, filtert Informationen und unterstützt den Menschen bei Entscheidungen.

📱FaceID & Autokorrektur 🎵Spotify-Vorschläge ▶️YouTube- & Netflix-Feed 🗣️Siri & Alexa 🏠Smart Home 🗺️Navigation & Verkehr
2

Die Geschichte der KI

Von Turing bis ChatGPT · Meilensteine der KI-Entwicklung

Lektion 2 · LZK 1.1.3

Die Anfänge: Können Maschinen denken?

Lektion 2 · Zeitleiste

70 Jahre KI auf einen Blick

1950Turing-Test„Können Maschinendenken?“ – Alan Turing 1956DartmouthKonferenz: der Begriff„KI“ wird geboren 1966ELIZAder erste Chatbotder Welt 70er–80erKI-WinterErnüchterung, Geldwird gestrichen 1997Deep Blueschlägt Schachwelt-meister Kasparow 2012AlexNetDurchbruch desDeep Learning 2018GPTdie Ära der großenSprachmodelle beginnt heuteGenerative KIChatGPT & Co. imAlltag angekommen
Lektion 2 · Meilensteine

Vom Chatbot zum Schach-Großmeister

💬

1966 · ELIZA

Joseph Weizenbaums erster Chatbot simuliert eine Psychotherapeutin – rein mit Suchmustern, ganz ohne Verständnis. Viele Menschen hielten sie trotzdem für „echt".

❄️

70er–80er · KI-Winter

Überzogene Erwartungen, schwache Rechenleistung und teure, unflexible Expertensysteme: Fördergelder und Interesse brechen ein.

♟️

1997 · Deep Blue

IBMs Schachcomputer schlägt Weltmeister Garri Kasparow – spezialisierte Rechenkraft, aber nur für eine einzige Aufgabe.

🏆

2012 · AlexNet

Ein tiefes neuronales Netz gewinnt den ImageNet-Wettbewerb mit riesigem Abstand – der Durchbruch des Deep Learning dank starker Hardware.

Lektion 2 · 2018 bis heute

Der rapide KI-Aufschwung

🗳️ Abstimmung: Welcher Meilenstein überrascht euch am meisten – und warum?

3

Daten, Algorithmen & Modelle

Das technische Fundament der KI

Lektion 3 · LZK 1.2.1

Daten: das Futter der KI

Daten sind das fundamentale Eingabematerial jedes KI-Systems: Texte, Bilder, Videos, Töne und vieles mehr.

Wie gut eine KI arbeitet, hängt maßgeblich von Qualität, Vollständigkeit, Aktualität und Vielfalt der Trainingsdaten ab.

🗑️ Merksatz: „Garbage in, garbage out"

Mangelhafte oder fehlerhafte Eingabedaten führen meistens zu ungenauen oder unbrauchbaren Ergebnissen. Wer dem System nur einseitige Daten gibt, erlernt einseitige Muster!
Lektion 3

Der Algorithmus: ein Kochrezept

Ein Algorithmus ist eine präzise Schritt-für-Schritt-Anweisung, wie aus Daten Erkenntnisse gewonnen werden – wie ein Kochrezept oder eine Wegbeschreibung.

In der KI ist der Algorithmus die methodische Grundlage, mit der das System selbstständig aus Daten lernt und Muster verarbeitet.

Roboter folgt einem Kochrezept
Lektion 3 · Modell-Kategorien

Modelle: das Ergebnis des Trainings

Ein KI-Modell entsteht, wenn ein Algorithmus mit Daten trainiert wurde. Es kann gelernte Muster auf neue Situationen anwenden. Drei Kategorien:

🏛️

Foundation-Modelle

Sehr große, universelle Modelle (z. B. GPT, Claude, Gemini) – trainiert auf riesigen Datenmengen, Fundament für viele Aufgaben.

🎯

Spezialisierte Modelle

Zielgerichtet für ein enges Fachgebiet, z. B. medizinische Bildanalyse oder Wettervorhersage.

🎓

Angepasste Modelle

Fine-tuned: Foundation-Modelle, die mit Branchen- oder Unternehmensdaten nachtrainiert wurden – „Fachexperten".

Lektion 3 · Das Zusammenspiel

Ein Kreislauf – kein Einmaleins

Daten 📊 Algorithmus 🧾 Modell 🤖 Praxis ✅ sammeln & aufbereiten lernt aus liefert trainieren testen & einsetzen neue Daten neue Praxisdaten fließen zurück – das Modell wird laufend besser
4

Komplexität & Heuristiken

Warum KIs manchmal „gut genug" statt „perfekt" rechnen

Lektion 4 · LZK 1.2.5

Komplexität: Wenn Möglichkeiten explodieren

Viele Aufgaben, die Menschen mit Intuition mühelos schaffen, sind für Computer extrem schwierig – weil die Anzahl der Möglichkeiten exponentiell ansteigt.

♟️

Schach

Rund 100 Millionen mögliche Stellungen nach nur vier Zügen.

🗺️

Routenplanung

Viele Zwischenstopps ergeben Trillionen potenzieller Kombinationen.

🗣️

Natürliche Sprache

Wörter haben je nach Kontext unzählige Bedeutungen.

Lektion 4 · Die praktische Lösung

Heuristiken: kluge Faustregeln

Algorithmus (exakt)Heuristik (Faustregel)
ZielDie bestmögliche, garantiert korrekte LösungEine sehr gute Lösung – in Sekunden statt Jahren
WegAlle denkbaren Szenarien vollständig durchrechnenGezielt nur die vielversprechendsten Wege verfolgen
BeispielAlle Schachzüge bis Ende durchrechnenSchachcomputer verwirft aussichtslose Züge früh; Navigation findet in Sekunden eine sehr gute Route

Der Kompromiss „weniger perfekt, aber schnell" macht KI-Anwendungen im Alltag überhaupt erst einsatzfähig.

5

Maschinelles Lernen

Der Motor moderner KI · Machine Learning, Lernarten, Black Box

Lektion 5 · LZK 1.2.2

Was ist Machine Learning?

Maschinelles Lernen ist ein Teilgebiet der KI und der eigentliche Motor moderner Anwendungen – von Chatbots über Filmempfehlungen bis Generativer KI.

Lektion 5 · LZK 1.2.7

Die drei Lernarten

  • Überwachtes Lernen (Supervised): Training mit gekennzeichneten Daten (Labels) – z. B. „Das ist ein Hund." Präzise, aber Label-Beschaffung ist aufwendig.
  • Unüberwachtes Lernen (Unsupervised): Keine Labels – die KI sucht selbst nach Mustern, Ähnlichkeiten und Strukturen (Clustering). Günstiger, aber schwerer zu interpretieren.
  • Verstärkendes Lernen (Reinforcement): Lernen durch Ausprobieren – Erfolge werden belohnt, Fehler bestraft. Für Robotik und Spiele – braucht viel Rechenleistung.
Roboter lernt durch Belohnung im Spiel
Lektion 5 · Quick-Check

Welche Lernart passt?

📧

Spam-Erkennung mit tausenden Mails, markiert als „Spam"/„Kein Spam"

Überwachtes Lernen – die Daten sind mit Labels versehen.
🛒

Ein Shop sortiert Kunden selbst nach ähnlichem Kaufverhalten in Gruppen

Unüberwachtes Lernen – keine Labels, die KI findet selbst Strukturen (Clustering).
🎮

Eine KI lernt ein Rennspiel: schnelle Runden bringen Punkte, Crashes kosten Punkte

Verstärkendes Lernen – Belohnung und Bestrafung durch Trial & Error.
Lektion 5 · Stärken & Verantwortung

Was ML kann – und wo es gefährlich wird

💪 Stärken

Skalierbar, vielseitig, findet hochkomplexe Muster in riesigen Datenmengen.

⚠️ Herausforderungen

Stark abhängig von Datenqualität; zeitintensive Datenaufbereitung; viele Modelle nicht nachvollziehbar.

⚖️ Ethischer Kern: Modelle übernehmen Vorurteile und Diskriminierungen aus den Trainingsdaten – und verstärken sie unbewusst.

Verantwortungsvoller Einsatz erfordert: Fairness (keine Benachteiligung), Transparenz über die Entscheidungsgrundlagen und klare ethische Verantwortung der Entwickler:innen und Organisationen.
6

Neuronale Netze & Deep Learning

Vom Vorbild Gehirn zur Bilderkennung

Lektion 6 · LZK 1.2.3

Vom Neuron zum Netz

Neuronale Netze sind vom menschlichen Gehirn inspiriert: Während biologische Neuronen Signale verarbeiten, nutzen künstliche Netze vereinfachte mathematische Recheneinheiten, die mit Zahlen arbeiten.

Eingabeschicht(Input Layer) Verborgene Schichten(Hidden Layers) Ausgabeschicht(Output Layer) 📷PixelDaten „Hund"„Katze" Verbindungen mit Gewichtung:Wie stark wird ein Signal weitergeleitet?
Lektion 6 · Trainingsprozess

Wie lernt ein Netz?

  1. Daten sammeln & aufbereiten – bereinigen, formatieren
  2. Aufteilen in Trainingsdaten (Lernen), Validierungsdaten (Überprüfung während des Lernens) und Testdaten (finale Bewertung)
  3. Architektur festlegen – Typ, Anzahl der Schichten und Neuronen
  4. Training durchführen – Fehler messen, Gewichtungen schrittweise anpassen, Fehlschlüsse minimieren
  5. Evaluieren – Generalisierungsfähigkeit mit neuen Testdaten prüfen
  6. Praxiseinsatz – Integration in reale Anwendungen

Merke: Die Tiefe eines Netzes = Anzahl der verborgenen Schichten. Tiefer = mehr Verarbeitungsschritte, aber auch mehr Daten und Rechenleistung nötig.

Lektion 6 · LZK 1.2.4

Deep Learning: Lernen in die Tiefe

Deep Learning ist ein Teilbereich des Maschinellen Lernens mit sehr tiefen Netzen – zahlreichen verborgenen Schichten.

🔍

Selbstlernende Merkmale

Modelle lernen aus unstrukturierten Rohdaten – Merkmale müssen nicht mehr manuell vorgegeben werden.

🧩

Schicht für Schicht

Frühe Schichten erkennen einfache Muster (Kanten), tiefere Schichten komplexe Konzepte (Gesichter, Objekte).

🚗

Anwendungen

Autonome Fahrzeuge, Sprachassistenten, medizinische Bildanalysen.

🎲 Nicht immer vorhersagbar: Minimal andere Eingaben können stark abweichende Ergebnisse liefern.

Entscheidungen basieren auf komplexen Verkettungen von Millionen Gewichtungen – anders als beim deterministischen Taschenrechner gibt es keine garantierte, immer gleiche Antwort.
7

Generative KI & KI-Agenten

Das nächste Level · NLP, LLMs, Prompts, Agentische KI

Lektion 7 · LZK 1.3.1

Generative KI: erschaffen statt nur erkennen

Traditionelle KIGenerative KI
ZielErkennen, Analysieren, Klassifizieren, vordefinierte EntscheidungenVöllig neue Inhalte erzeugen und kreieren
ErgebnisEine spezifische, richtige Lösung (z. B. „Spam ja/nein")Variierende Ergebnisse (E-Mail schreiben, Bild generieren, Kampagne entwerfen)
BeispieleSpam-Filter, Gesichtserkennung, ProduktempfehlungChatGPT, Claude, Mistral, Copilot, Midjourney, DALL·E

Gesteuert wird das Ganze über Prompts – Fragen oder Anweisungen an die KI.

Lektion 7 · Was kann sie erstellen?

Text, Bild, Audio, Code – oft multimodal

📝

Text

Artikel, Berichte, Präsentationen, Zusammenfassungen.

🖼️

Bild & Video

Illustrationen, Logos, Storyboards, Text-to-Video-Szenen.

🎵

Audio & Musik

Kompositionen, Soundeffekte, Sprachausgabe (Text-to-Speech).

💻

Programmcode

Quellcode für Software, Websites, Skripte – inklusive Anpassungen.

Multimodale KI kann mehrere Medientypen gleichzeitig verarbeiten und kombinieren (z. B. Bild + Sprache + Text).

Lektion 7 · LZK 1.3.3

Wie versteht die KI unsere Sprache?

🗳️ Diskutiert: Wenn ein LLM „nur" Wahrscheinlichkeiten berechnet – wie kommt trotzdem ein sinnvoller Text dabei heraus?

Lektion 7 · LZK 1.4.1 / 1.4.2

KI-Agenten & Agentische KI

💬

Generative KI

Rein reaktiv: „Frage rein, Antwort raus" – ein Schritt nach dem anderen.

🔧

KI-Agent

Baut auf dem Sprachmodell auf, übernimmt proaktiv eine spezifische Aufgabe und nutzt dafür eigenständig Tools (Recherche, Dateioperationen).

🤝

Agentische KI

Plant, überprüft und erledigt hochkomplexe Ziele selbstständig über viele Zwischenschritte – z. B. eine komplette Schulung vorbereiten inkl. Terminen, Einladungen, Raumbuchung. Oft arbeiten mehrere spezialisierte Agenten zusammen.

Lektion 7 · Risiken agentischer KI

Mehr Autonomie, mehr Verantwortung

Deshalb: Transparenz und klare Systemgrenzen sind essenziell – ein Mensch muss immer eingreifen können.

Kapitel 1 · Das Wichtigste in Kürze

Zusammenfassung

Geschafft! 🎉

Was ihr mitnehmt

Lesemodus zum Nacharbeiten: Button unten rechts · Vollbild beenden: Esc