7 Lektionen · LZK-Abschnitt 1 „Der Begriff KI" · Pfeiltasten blättern · G = Folienübersicht · P = Referentenansicht · F = Vollbild · Menü unten erscheint beim Mauskontakt
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 Software
Künstliche Intelligenz
Regeln
Feste „Wenn-Dann"-Regeln, vom Entwickler vorgegeben
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.
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.
2
Die Geschichte der KI
Von Turing bis ChatGPT · Meilensteine der KI-Entwicklung
Lektion 2 · LZK 1.1.3
Die Anfänge: Können Maschinen denken?
Die Idee denkender Maschinen reicht bis in die Antike zurück (z. B. der Mythos des Bronzeriesen Talos).
1950 – Turing-Test: Alan Turing fragt: „Können Maschinen denken?" Wenn ein Prüfer nicht mehr unterscheiden kann, ob er mit Mensch oder Maschine spricht, gilt die Maschine als intelligent.
1956 – Dartmouth-Konferenz: Geburtstunde des Begriffs „Künstliche Intelligenz". John McCarthy und Marvin Minsky definieren das Ziel: menschliche Fähigkeiten wie Sprache und Kreativität auf Maschinen zu übertragen.
Lektion 2 · Zeitleiste
70 Jahre KI auf einen Blick
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
2018 · GPT: OpenAI stellt die erste „Generative Pre-trained Transformer"-Reihe vor – Revolution der Sprachverarbeitung.
Deep Learning + Big Data: Riesige Datenmengen und enorme Rechenleistung ermöglichen hochpräzise Mustererkennung.
Generative KI: LLMs und GANs erzeugen Texte, Bilder und Medien automatisch.
Breite Anwendung: KI zieht flächendeckend in Wirtschaft, Medizin, Recht und Finanzwesen ein.
🗳️ 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.
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
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)
Ziel
Die bestmögliche, garantiert korrekte Lösung
Eine sehr gute Lösung – in Sekunden statt Jahren
Weg
Alle denkbaren Szenarien vollständig durchrechnen
Gezielt nur die vielversprechendsten Wege verfolgen
Beispiel
Alle Schachzüge bis Ende durchrechnen
Schachcomputer 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.
Lernt aus Beispielen: erkennt selbstständig Muster in Daten (statt fester Wenn-Dann-Regeln)
Verbessert sich durch Erfahrung und Feedback
Generalisiert: wendet das Gelernte auf neue, unbekannte Situationen an
Black Box: das Ergebnis stimmt oft mit hoher Wahrscheinlichkeit – der genaue Entscheidungsweg ist aber schwer nachvollziehbar
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.
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.
🎲 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
🗳️ 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
Fehlerfortpflanzung: Unbemerkte Fehler in frühen Phasen pflanzen sich über die gesamte Prozesskette fort.
Kontrollverlust: Komplexe Entscheidungen über viele Zwischenschritte sind schwer nachvollziehbar und zu überwachen.
Missbrauchspotenzial: Unzureichend abgesicherte Agenten mit Zugriff auf Zahlungs- oder Websysteme sind gefährlich.
Deshalb: Transparenz und klare Systemgrenzen sind essenziell – ein Mensch muss immer eingreifen können.
Kapitel 1 · Das Wichtigste in Kürze
Zusammenfassung
KI = aus Daten lernen, Muster erkennen – Sammelbegriff, kein Programm; sie simuliert Intelligenz (L1)
Stufen: ANI (heute), AGI & ASI (theoretisch) (L1)
Meilensteine: Turing 1950 · Dartmouth 1956 · ELIZA 1966 · Deep Blue 1997 · AlexNet 2012 · GPT 2018 (L2)