Künstliche Intelligenz ist ein Computerprogramm, das aus großen Datenmengen Muster lernt und auf dieser Basis Texte schreibt, Bilder erkennt, Fragen beantwortet oder Vorhersagen trifft. KI denkt nicht wirklich, sondern berechnet die wahrscheinlichste Antwort auf der Grundlage von Mustern in ihren Trainingsdaten.
Kapitel Eins
Hallo,
schön
dass du da bist.
KI verstehen,
fundiert
erklärt.
KI im
Klassenzimmer
verstehen.
— Künstliche Intelligenz einfach und fundiert erklärt
Heute erkläre ich dir, wie das mit der Künstlichen Intelligenz – kurz KI – eigentlich funktioniert.
Künstliche Intelligenz vom mathematischen Fundament bis zur modernen Transformer-Architektur – strukturiert in sieben Kapiteln.
Hi! Diese Seite erklärt euch in 7 Schritten, was Künstliche Intelligenz ist – mit Lernzielen, Diskussionsfragen und Aufgaben für den Unterricht.
Versprochen: Ganz ohne komplizierte Wörter. Du klickst dich einfach Schritt für Schritt durch.
Mit Fachbegriffen, Quellen und technischer Tiefe – aufbereitet für Selbstlerner und Entwickler. Wechsle jederzeit zurück zu Einfach.
Geeignet ab der 7. Schulstufe (≈ 13 J.). Sieben Kapitel — pro Kapitel ein Mini-Quiz, plus interaktive Demos und FAQ. Lehrkräfte: für Vorbereitung, Lösungen und druckbare Arbeitsblätter wechselt zur Lehrer-Vorbereitung.
~ Mach es dir gemütlich.
~ Zwischenüberschriften, Quellen und technische Boxen wo es hilft.
~ Empfohlene Lerneinheit: 2 Schulstunden á 50 Min.
Kapitel Zwei
Was ist KI
eigentlich?
Was ist KI –
technisch
betrachtet?
Was ist KI?
Eine Definition
für die Klasse.
Stell dir jemanden vor, der fast alle Bücher der Welt gelesen hat. Millionen Bücher, Zeitungen, Briefe – einfach alles.
Künstliche Intelligenz ist ein Sammelbegriff für Systeme, die Aufgaben lösen, für die normalerweise menschliche Intelligenz nötig wäre. Heute meint man damit fast immer Maschinelles Lernen – und insbesondere Deep Learning auf großen neuronalen Netzen.
KI sind Computerprogramme, die Muster aus Daten lernen und damit Aufgaben lösen – Texte schreiben, Bilder erkennen, Sprachen übersetzen. Sie sind keine denkenden Wesen, sondern sehr gute Muster-Erkenner.
Diese „Person“ kann dann Fragen beantworten, Geschichten schreiben oder Bilder erkennen. Nicht weil sie wirklich denkt, sondern weil sie so unfassbar viel gesehen hat.
Aktuelle Large Language Models (LLMs) wie GPT-4, Claude oder Gemini nutzen die Transformer-Architektur (Vaswani et al., 2017, „Attention Is All You Need“), haben Milliarden bis Billionen Parameter und werden auf Korpora mit Hunderten Milliarden Tokens trainiert.
KI heißt Künstliche Intelligenz – also „künstliches Wissen“, das ein Computer gelernt hat.
Im Kern berechnen LLMs eine Wahrscheinlichkeitsverteilung über das nächste Token. Sie „verstehen“ nicht im menschlichen Sinn – sie modellieren Sprachstatistik mit beeindruckender Tiefe.
Begriffshierarchie:
KI ⊃ Machine Learning ⊃ Deep Learning ⊃ Transformers ⊃ LLMs.
Jeder innere Begriff ist ein Spezialfall des äußeren.
📚 Lernziele
- Ihr könnt KI von normaler Software unterscheiden.
- Ihr erklärt den Begriff „Maschinelles Lernen" in eigenen Worten.
- Ihr versteht: KI rechnet die wahrscheinlichste Antwort, sie „denkt" nicht.
- KI: Oberbegriff für Programme, die Aufgaben lösen, für die normalerweise menschliche Intelligenz nötig ist.
- Maschinelles Lernen (ML): Teilbereich der KI — Computer lernen aus Daten statt programmiert zu werden.
- Algorithmus: Eindeutige Schritt-für-Schritt-Anweisung, wie ein Kochrezept.
- Neuronales Netz: Programmstruktur, grob inspiriert von Nervenzellen.
- Trainingsdaten: Die Beispiele, aus denen eine KI lernt.
Das erste KI-Programm Logic Theorist stammt von 1956. KI ist älter als Mondlandung und Internet — sie ist erst seit ~2012 wirklich „explodiert", weil Daten und Rechenleistung dafür reif wurden.
❓ QuizWelche Beschreibung passt am besten zu KI?
Antwort C: „Ein Programm, das aus Beispielen Muster lernt."
A wäre ein klassisches Programm (Taschenrechner). B beschreibt ein menschliches Gehirn. Nur C trifft Maschinelles Lernen.
Für die Lehrkraft — die drei Optionen zum Vorgeben: A: „Ein Computer, der wie ein Mensch denkt." / B: „Eine Sammlung von Nervenzellen mit elektrischen Impulsen." / C: „Ein Programm, das aus Beispielen Muster lernt."
🎯 Erweiterte Lernziele (Bloom-Taxonomie)
- K1 — Wissen: Schüler nennen 3 Beispiele für KI im Alltag.
- K2 — Verstehen: Schüler erklären den Unterschied „klassisches Programm" vs „Maschinelles Lernen" in eigenen Worten.
- K3 — Anwenden: Schüler ordnen Alltagsanwendungen einer der beiden Kategorien zu.
- K4 — Analysieren: Schüler diskutieren, was KI von menschlichem Denken unterscheidet.
- 2 Min: Lead-Text gemeinsam vorlesen lassen.
- 3 Min: Wichtige Begriffe an der Tafel sammeln (mit Schüler-Vermutungen).
- 2 Min: „Wusstest du…"-Fakt — kurze Reaktion einsammeln.
- 5 Min: Quiz in Kleingruppen (2-3 Personen). Vermutung notieren bevor aufklappen.
- 3 Min: Diskussion: „Beeindruckend vs. beunruhigend".
Frage: „Was findet ihr beeindruckend an KI? Was beunruhigt euch?"
Erwartete Schüler-Antworten:
- Beeindruckend: „Erkennt Gesichter", „Übersetzt sofort", „Kann Bilder zeichnen"
- Beunruhigend: „Nimmt Jobs weg", „Macht Fake-News", „Weiß alles über mich"
Anschluss-Frage: „Welche Sorge ist berechtigt, welche übertrieben? Begründet."
❓ Quiz-Lösung mit pädagogischer ErläuterungAntwort: C — „Ein Programm, das aus Beispielen Muster lernt."
Warum diese Frage wichtig ist: Schüler verwechseln KI oft mit „digitalem Gehirn" (Option B) oder mit „sehr cleverer Software" (kein Lernen). Die Quiz-Frage prüft, ob das Kernkonzept „Lernen aus Daten" verstanden wurde.
Typische Missverständnisse:
- „KI ist wie ein Mensch, nur digital" → Nein, kein Bewusstsein.
- „KI weiß alles" → Nein, nur was in den Trainingsdaten war.
- „KI denkt nach" → Nein, sie berechnet Wahrscheinlichkeiten.
- „Ist Alexa eine KI?" — Ja, eine Sprach-KI (siehe Kapitel 4).
- „Kann KI Gefühle haben?" — Nein. Sie kann Gefühle simulieren, aber nicht erleben.
- „Wird KI uns alle ersetzen?" — Manche Aufgaben ja, das ist ein eigenes Diskussionsfeld (siehe Kapitel 6+7).
- „Was ist der Unterschied zu Robotern?" — Roboter = physische Maschine, KI = Software. Manche Roboter nutzen KI, viele nicht.
- Definiere „KI" in maximal 2 Sätzen.
- Nenne 3 Beispiele für KI aus deinem Alltag.
- Erkläre den Unterschied zwischen einem Taschenrechner und einer KI.
- Was bedeutet „Maschinelles Lernen"? Erkläre an einem Beispiel.
- Welche Sorge zum Thema KI findest du persönlich am wichtigsten? Begründe.
Musterlösung Aufgabe 1: „KI ist ein Computerprogramm, das aus Daten Muster lernt und damit Aufgaben löst (z.B. Texte schreiben, Bilder erkennen)."
✅ Lernerfolg messen- Schnellabfrage (1 Min): „Wer kann KI in 10 Wörtern erklären?" (Hände heben)
- Hausaufgabe-Check: Wurden 5 verschiedene Alltagsbeispiele genannt?
- Verständnis-Tiefe: Können Schüler den Unterschied „Programmiert" vs „Trainiert" benennen?
Kapitel Drei
Wie lernt
eine KI?
Wie trainiert man
ein Modell?
Wie lernt eine KI?
Wie ihr.
Ganz ähnlich wie ein kleines Kind. Du zeigst dem Kind oft genug eine Katze, und irgendwann erkennt es Katzen überall – sogar im Buch oder als Skulptur.
Modernes Maschinelles Lernen läuft typischerweise in drei Phasen: Pre-Training (unsupervised, riesige Korpora), Supervised Fine-Tuning (kuratierte Beispiele) und RLHF – Reinforcement Learning from Human Feedback für Sicherheit und Alignment.
Wenn ihr Vokabeln paukt, wiederholt ihr sie oft bis sie sitzen. Eine KI macht dasselbe – nur mit Milliarden Beispielen statt 30 Vokabeln.
Bei der KI ist es genauso – nur schaut sie sich Millionen Bilder an, bis sie es sicher kann.
Mathematisch passt das Netz seine Parameter via Backpropagation und Gradient Descent so an, dass eine Loss-Funktion (etwa Cross-Entropy) minimiert wird. Training großer Modelle kostet heute Millionen Dollar an GPU/TPU-Stunden.
📚 Lernziele
- Ihr versteht, dass eine KI nicht programmiert, sondern trainiert wird.
- Ihr erklärt, warum eine KI Millionen Beispiele braucht, ein Kind aber nur wenige.
- Ihr nennt die drei Trainingsphasen: Pre-Training, Fine-Tuning, RLHF.
- Training: Der Lernprozess der KI — viele Beispiele, viele Wiederholungen.
- Parameter: Die „Stellschrauben" im Netz. GPT-4 hat geschätzt
1.700.000.000.000davon. - Loss / Verlust: Maß dafür, wie falsch die KI noch liegt. Ziel: minimieren.
- Überanpassung: Wenn die KI auswendig lernt statt zu verallgemeinern.
- RLHF: „Reinforcement Learning from Human Feedback" — Menschen bewerten Antworten, die KI lernt daraus.
GPT-4 hat geschätzte 1,7 Billionen Parameter. Wenn jeder eine Sekunde dauern würde, bräuchte man ~54.000 Jahre sie anzusehen. Training kostete laut OpenAI mehr als 100 Mio USD.
❓ QuizEine KI wurde nur auf Katzen und Hunden trainiert. Kann sie eine Banane erkennen?
Antwort: Nein.
Eine KI kennt nur, was in den Trainingsdaten war. Eine Banane wäre für sie entweder „komische Katze" oder „komischer Hund" — und sie würde mit hoher Sicherheit eine falsche Antwort geben. Das ist der Kern vieler KI-Probleme: sie weiß nicht, was sie nicht weiß.
🎯 Erweiterte Lernziele (Bloom-Taxonomie)
- K1: Schüler benennen die 3 Trainingsphasen (Pre-Training, Fine-Tuning, RLHF).
- K2: Schüler erklären, warum eine KI mehr Beispiele braucht als ein Kind.
- K3: Schüler simulieren KI-Lernen mit dem Cat-Trainer und reflektieren das Ergebnis.
- K5 — Beurteilen: Schüler bewerten, ob „Statistik = Lernen" ist.
- 3 Min: Lead vorlesen + Vergleich „Vokabeln pauken".
- 5 Min: Cat-Trainer am Beamer demonstrieren (selbst Klicken).
- 5 Min: Schüler probieren in 2er-Teams selbst.
- 5 Min: Quiz + Erklärung zum Banana-Beispiel.
- 2 Min: Übergang Diskussion „Lernen vs. Statistik".
Hauptfrage: „Eine KI kann nach dem Training keine neuen Beispiele dazulernen, ohne komplett neu trainiert zu werden. Ist das, was sie tut, wirklich Lernen?"
Lehrer-Argumente zur Belebung:
- Pro Lernen: „Sie passt sich an Beispielen an. Wir tun das auch."
- Contra Lernen: „Wir lernen aus Erfahrung. KI lernt aus Statistik. Anders."
- Mittelweg: „Eine neue Art von Lernen, anders als beim Menschen."
Antwort: NEIN — die KI würde mit Sicherheit „komische Katze" oder „komischer Hund" sagen.
Warum diese Frage entscheidend ist: Sie zeigt das fundamentale KI-Problem: KI weiß nicht, was sie nicht weiß. Im Gegensatz zu Menschen, die sagen können „Keine Ahnung", gibt eine KI immer eine Antwort — auch wenn sie falsch ist.
Anwendung: Bei jeder KI-Antwort auf neue Themen → kritisch prüfen!
🤔 Antizipierte Schüler-Fragen- „Wie viele Bilder hat ChatGPT gesehen?" — Schätzungen sprechen von 100+ Mio Bildern bei multimodalen Modellen, plus Hunderte Milliarden Wörter.
- „Können sich KIs gegenseitig trainieren?" — Ja, das ist eine aktuelle Forschungsrichtung (Synthetic Data).
- „Warum kostet das so viel?" — Rechenzentren mit zehntausenden Spezialchips (GPU/TPU). Strom + Hardware = Millionen.
- „Kann ich selbst eine KI trainieren?" — Ja, mit Teachable Machine im Browser (siehe Schlussbox).
- Nenne die 3 Trainingsphasen einer modernen Sprach-KI.
- Was passiert beim Pre-Training? Erkläre in einem Satz.
- Warum braucht eine KI Millionen Beispiele, wo ein Kind 5 reichen?
- Stell dir vor: Eine KI wurde nur auf Hunden trainiert. Welche Probleme entstehen?
- Welche der drei Phasen findest du am wichtigsten? Begründe.
Musterlösung Aufgabe 3: KIs erkennen Statistiken in Pixeln, Kinder kombinieren Vorerfahrung („vier Beine, Fell, Schwanz = Tier") mit dem neuen Beispiel.
✅ Lernerfolg messen- Praxisbeweis: Konnten die Schüler den Cat-Trainer korrekt lösen? Verstehen sie was passiert?
- Verbale Erklärung: Können sie den Unterschied „Programmiert vs Trainiert" mündlich darstellen?
- Transferleistung: Können sie das Banana-Quiz auf andere Domänen übertragen? (z.B. „KI für Hautkrebs-Erkennung — was, wenn sie eine Sommersprosse falsch klassifiziert?")
Beispielablauf für Bildklassifikation:
- Forward Pass: Bild → Layer → Vorhersage „Katze: 0.82“
- Loss berechnen: Differenz zur Wahrheit (Label „Katze: 1.0“)
- Backward Pass: Gradient der Loss-Funktion bzgl. jedes Gewichts
- Gewichts-Update:
w ← w − η·∇L
Probier es selbst:
Tippe auf alle Bilder, die eine Katze zeigen.
Richtig erkannt
0
Versuche
0
Falsche
0
So lernt eine KI: durch Übung, viele Beispiele und Geduld.
Kapitel Vier
Du nutzt sie
wahrscheinlich schon.
KI in Produktion:
wo sie überall steckt.
KI in eurem Alltag —
schon längst da.
KI versteckt sich oft in Dingen, die du jeden Tag nutzt. Tippe auf eine Karte, um mehr zu erfahren.
Hinter alltäglichen Apps stecken längst hochspezialisierte ML-Systeme. Tippe für die technische Klassifikation.
Jedes Smartphone, jedes Streaming, jede Suche — KI ist überall, aber unsichtbar. Tippt auf die Karten und entdeckt, wo sie überall steckt.
Das Navi im Auto
Es sucht den schnellsten Weg, kennt Staus und schlägt Umwege vor.
Tippe für Details
Weniger anzeigen
Eine KI im Hintergrund lernt aus Millionen Fahrten, wann und wo Stau entsteht.
Kombination aus klassischen Graph-Algorithmen (A*, Dijkstra) und Machine-Learning-Modellen, die Reisezeiten aus Live-GPS-Daten von Millionen Fahrzeugen vorhersagen.
Die Wetter-App
Sagt dir, ob morgen die Sonne scheint oder du den Schirm brauchst.
Tippe für Details
Weniger anzeigen
Die KI vergleicht alte Wettermuster mit der aktuellen Lage – und macht daraus eine Vorhersage.
Hybridmodelle: numerische Wettermodelle (NWP) wie ECMWF kombiniert mit Deep-Learning-Modellen (z.B. GraphCast von DeepMind, 2023), die 10-Tage-Vorhersagen in unter einer Minute statt mehreren Stunden liefern.
Fotos im Handy
Du suchst „Strand“ und findest alle Strand-Fotos – ohne sie sortiert zu haben.
Tippe für Details
Weniger anzeigen
Die KI hat gelernt, was auf den Bildern zu sehen ist – Gesichter, Tiere, Orte.
Computer Vision: Convolutional Neural Networks (CNN) und Vision Transformers (ViT) erkennen Objekte; multimodale Modelle wie CLIP (OpenAI, 2021) verbinden Bild und Text für semantische Suche.
Alexa & Siri
Du sprichst, sie versteht und antwortet – wie eine Helferin im Haus.
Tippe für Details
Weniger anzeigen
Sprach-KI verwandelt deine Wörter in Text, sucht die Antwort und liest sie dir vor.
Pipeline: Automatic Speech Recognition (ASR, z.B. Whisper) → Natural Language Understanding → optional LLM → Text-to-Speech (TTS) mit neuronalen Vocodern wie WaveNet.
Übersetzungen
Google Translate macht aus Deutsch im Nu Italienisch, Türkisch oder Englisch.
Tippe für Details
Weniger anzeigen
Die KI kennt unzählige Sätze in vielen Sprachen und findet die passende Übersetzung.
Neural Machine Translation (NMT) auf Transformer-Basis; multilinguale Modelle wie NLLB (Meta, 2022) übersetzen zwischen 200+ Sprachen direkt – kein „Umweg“ über Englisch nötig.
Spam im E-Mail-Fach
Werbung und Betrugs-Mails landen automatisch im Müll – das machst nicht du.
Tippe für Details
Weniger anzeigen
Die KI hat Millionen E-Mails gesehen und erkennt heute schon vor dir, was Müll ist.
Klassisch: Naive Bayes oder Gradient-Boosting-Klassifikatoren auf TF-IDF-Vektoren. Heute zunehmend BERT-basierte Encoder, die Phishing auch in nie gesehenen Formulierungen erkennen.
Suchmaschinen
Google sortiert Milliarden Webseiten so, dass die hilfreichste oben steht – und fasst neuerdings auch direkt zusammen.
Tippe für Details
Weniger anzeigen
Die KI prüft, welche Seiten am besten zu deiner Frage passen, und schreibt manchmal sogar selbst eine kurze Antwort darüber.
Hybrid aus klassischem Ranking (RankBrain, 2015, lernende Embeddings), BERT-Ranking (2019, Sprachverstehen) und neueren multimodalen Modellen (MUM, 2021, T5-basiert) — plus LLM-Zusammenfassungen („AI Overviews", 2024). Architektonisch verwandt mit Retrieval-Augmented Generation.
Empfehlungen
Netflix, Spotify und YouTube schlagen dir Filme, Lieder oder Videos vor, die dir wirklich gefallen könnten.
Tippe für Details
Weniger anzeigen
Die KI vergleicht dein Verhalten mit dem anderer Menschen und erkennt, was du wahrscheinlich mögen wirst.
Recommendation Systems: Collaborative Filtering (Matrix Factorization, ALS) + Content-basierte Embeddings (Two-Tower-Modelle) + Deep Learning für Sequenz-Vorhersage (Transformer4Rec, SASRec).
📚 Lernziel
Ihr erkennt KI in vertrauten Alltags-Anwendungen und versteht, dass „KI" oft unsichtbar im Hintergrund arbeitet.
💡 Wusstest du…Spotify nutzt für eure Mix-Playlist über 100 Signale gleichzeitig: was ihr hört, übergeht, skippt, in welcher Tageszeit, sogar das Wetter. Netflix berechnet täglich Empfehlungen für 247 Millionen Abonnenten.
❓ QuizWelche dieser Apps nutzt KEINE KI?
Antwort: Ein einfacher Taschenrechner.
Wetter, Foto-Suche, Spam, Übersetzung — alle nutzen KI. Ein Taschenrechner führt feste Operationen aus — kein Lernen. Aber: Wissenschaftliche Rechner mit Plot oder Schritt-für-Schritt können KI nutzen!
🎯 Erweiterte Lernziele
- K2: Schüler erklären, wo KI im Alltag sichtbar/unsichtbar arbeitet.
- K4 — Analysieren: Schüler analysieren, welche Daten eine KI braucht.
- K6 — Bewerten: Schüler bewerten, welche dieser KIs unverzichtbar/verzichtbar sind.
- 3 Min: Alle 8 Karten kurz vorstellen (jeder klickt selbst).
- 5 Min: 4er-Gruppen bilden, jede wählt 1 Karte.
- 5 Min: Gruppen-Recherche zur jeweiligen Karte.
- 10 Min: 2-Min-Präsentationen jeder Gruppe.
- 2 Min: Quiz + kurze Reflexion.
Frage: „Welche dieser 8 KIs würdet ihr vermissen, welche nicht?"
Erwartete „würde vermissen": Navi, Foto-Suche, Sprachassistenten (für ältere), Übersetzung (für Sprachen-Lerner)
Erwartete „wäre mir egal": Empfehlungen (manche bevorzugen selbst entdecken), Spam-Filter (unsichtbar)
Anschluss-Frage: „Was würde ohne diese KI passieren? Wer macht es dann?"
❓ Quiz-Lösung mit ErläuterungAntwort: Ein einfacher Taschenrechner — keine KI.
Warum wichtig: Hilft Schülern KI von „Software mit Algorithmen" zu unterscheiden. Nicht jede „intelligente App" ist KI im engeren Sinn.
Erweiterte Diskussion: „Welche Apps auf eurem Handy nutzen wahrscheinlich KI, welche nicht? Begründet."
🤔 Antizipierte Schüler-Fragen- „Sind alle Spiele jetzt KI?" — Nein. Bei Schach-/Go-KIs ja, bei meisten Konsole-/Handy-Spielen sind die „Gegner" feste Algorithmen.
- „Ist Google Maps eine KI?" — Ja, das Routing nutzt KI für Verkehrsprognosen.
- „Wie verdient Spotify Geld mit Empfehlungen?" — Hörzeit + Abos. Bessere Empfehlungen = längere Nutzung = mehr Geld.
Pro 4er-Gruppe, eine der 8 Karten wählen:
- Welche Daten braucht diese KI, um zu funktionieren?
- Welche Firma steht dahinter, wer verdient Geld damit?
- Wo lag die größte technische Hürde bei der Entwicklung?
- Was wäre ohne diese KI? (Beschreibe einen Tag ohne sie.)
- Eine Risiko/Sorge zu dieser KI?
- Präsentations-Qualität: Wurde technisch korrekt + verständlich erklärt?
- Reflexionstiefe: Hat die Gruppe ein „würde vermissen"-Statement begründet?
- Hausaufgabe: Die 9. KI-Anwendung — kreativ, korrekt erkannt?
Kapitel Fünf
So sprichst
du mit einer KI.
Prompt Engineering –
so führst du das Modell.
KI fragen —
die Kunst des Prompts.
Du tippst einfach eine Frage – wie wenn du jemandem schreibst. Tippe unten auf eine Frage und schau, was passiert.
Ein Prompt ist die Eingabe an das Modell. Je präziser Rolle, Kontext und Ausgabeformat definiert sind, desto reproduzierbarer die Antwort. Probier die Beispiele aus.
Ein guter Prompt ist wie eine gute Recherche-Frage in der Bibliothek. Je präziser ihr fragt, desto besser die Antwort. Probiert es mit den Beispielen unten aus.
K
KI Helferin
jetzt online
Beispielfragen zum Antippen:
Prompts zum Testen – beachte Rolle, Kontext und Format:
📚 Lernziele
- Ihr formuliert strukturierte Prompts mit den 5 Bausteinen: Rolle, Kontext, Aufgabe, Format, Beispiele.
- Ihr erkennt: „Ich brauche Hilfe" ist viel schwächer als ein präziser Prompt.
- Ihr bewertet, wann KI-Nutzung in der Schule sinnvoll und wann sie unfair ist.
- Prompt: Eure Eingabe an die KI.
- Token: Kleinste Einheit Text. „Banane" = 1 Token, lange Wörter = mehrere.
- Kontextfenster: Wie viel Text die KI auf einmal überblickt. GPT-4: ~128.000 Tokens (≈ dickes Buch).
- Few-Shot: 1–3 Beispiele im Prompt mitliefern → KI lernt das Muster.
- System-Prompt: Anweisung für die ganze Unterhaltung („Du bist freundlicher Mathe-Tutor…").
Schreibe einen [FORMAT] über [THEMA] für [ZIELGRUPPE]. Stil: [STIL]. Länge: [LÄNGE]. Achte auf: [WICHTIG].
Beispiel: „Schreibe ein Referat über Photosynthese für eine 8. Klasse. Stil: einfach. Länge: 5 Sätze. Achte auf: die Rolle des Chlorophylls."
💡 Wusstest du…ChatGPT verarbeitet täglich über 100 Millionen Anfragen. Wenn jede 30 Sek dauern würde, wären das ~95 Jahre Wartezeit — alles parallel auf riesigen Rechenzentren.
❓ QuizWelcher Prompt bringt das beste Ergebnis?
Antwort: „Du bist ein Geographie-Lehrer für eine 7. Klasse. Erkläre den Wasserkreislauf in 4 Schritten mit jeweils einem Beispiel. Format: nummerierte Liste."
Hat Rolle, Zielgruppe, Aufgabe, Format und Struktur. „Erklär mir den Wasserkreislauf" wäre OK, aber unstrukturiert. „Hilf mir mit Geo" wäre unklar.
🎯 Erweiterte Lernziele
- K3 — Anwenden: Schüler formulieren funktionierende Prompts mit 5 Bausteinen.
- K4: Schüler analysieren, warum vage Prompts schlechte Antworten geben.
- K5 — Bewerten: Schüler bewerten KI-Nutzung in Hausaufgaben ethisch.
- 3 Min: Prompt-5-Bausteine erklären (Rolle/Kontext/Aufgabe/Format/Beispiele).
- 5 Min: Beispiel-Chat im Beamer ausprobieren — schlechter Prompt vs. guter Prompt.
- 10 Min: Klassenexperiment — jeder formuliert einen Prompt.
- 5 Min: Diskussion zu fairer KI-Nutzung in der Schule.
Frage: „Sollte das KI-Schreibenlassen von Hausaufgaben Schummeln sein?"
Lehrer-Argumente für strukturierte Diskussion:
- Pro Schummeln: „Die Arbeit war von der KI, nicht von dir → keine eigene Leistung."
- Pro „kein Schummeln": „Du musstest den Prompt formulieren, das ist auch eine Leistung."
- Mittelweg: „KI als Brainstorming-Tool: OK. KI schreibt komplette Hausarbeit: nicht OK."
Konkrete Klassenregel-Diskussion: „Wenn ihr KI nutzen dürftet, was sollte erlaubt sein, was nicht?"
❓ Quiz-Lösung mit ErläuterungAntwort: Der strukturierte Prompt mit Rolle (Lehrer), Zielgruppe (7. Klasse), Aufgabe (erklären), Format (Liste), Struktur (4 Schritte) ist am besten.
Warum: KI versteht klare Erwartungen, gibt fokussierte Antworten. Vage Prompts → KI rät, was du willst → ungenaue Antworten.
Demonstration: Geben Sie der Klasse den schlechten + guten Prompt — beide ausprobieren — Differenz zeigen.
🤔 Antizipierte Schüler-Fragen- „Darf ich KI für mein Referat nutzen?" — Klassenregel klären. Generell: KI als Recherche OK, KI als Schreiber problematisch.
- „Wie merkt der Lehrer, ob es KI war?" — Schwer zu erkennen. Vertrauen + faire Regeln > Detektive sein.
- „Kann KI sich an Gespräche von gestern erinnern?" — In derselben Sitzung ja, dauerhaft normalerweise nein (bei ChatGPT mit Memory-Feature ja).
- „Macht KI eines Tages Lehrer überflossen?" — Sehr unwahrscheinlich. KI kann erklären, nicht erziehen.
Thema (zur Wahl): Photosynthese / Französische Revolution / Pythagoras / Hamlet / Klimawandel
- Formuliert in 2 Min einen strukturierten Prompt mit allen 5 Bausteinen.
- Tauscht die Prompts mit Sitznachbarn — wer hat den präzisesten?
- Probiert (mit Lehrer-Account) die 2-3 besten Prompts aus.
- Vergleicht die Antworten — wer hat den nützlichsten Output?
- Reflexion: Was hat den Unterschied gemacht?
Lehrer-Vorbereitung: Vorab einen guten + schlechten Prompt für Demo bereit haben.
✅ Lernerfolg messen- Praxis-Test: Konnten Schüler einen 5-Bausteine-Prompt formulieren?
- Reflexion: Verstehen sie, warum Struktur das Ergebnis verbessert?
- Ethische Reife: Können sie eine eigene Position zu fairer KI-Nutzung formulieren?
Gute Prompts haben fünf Bausteine:
- Rolle: „Du bist ein erfahrener Lektor…“
- Kontext: Hintergrund, Zielgruppe, Vorwissen
- Aufgabe: präzise, was getan werden soll
- Format: Länge, Stil, Struktur (z.B. Markdown-Tabelle)
- Beispiele (Few-Shot): 1–3 Musterantworten
Kapitel Sechs
Sie ist klug –
aber nicht perfekt.
Grenzen & Risiken
aktueller LLMs.
KI hat Grenzen —
und ihr solltet sie kennen.
Wichtig zu wissen: Eine KI ist kein Mensch. Sie hat keine eigenen Gedanken oder Gefühle. Sie kann sich auch irren.
Trotz beeindruckender Fähigkeiten gibt es fundamentale Limitierungen – wer mit LLMs arbeitet, sollte sie kennen.
KI ist kein magischer Lehrer und kein Orakel. Sie macht Fehler, hat Vorurteile, und sie kennt aktuelle Ereignisse oft nicht. Kritisches Denken bleibt wichtiger denn je.
Keine echten Gefühle
Kein Bewusstsein
Auch wenn sie freundlich klingt – sie freut sich nicht wirklich, sie ist nicht traurig. Sie tut nur so.
LLMs simulieren empathische Sprache, haben aber kein Erleben, kein Selbstmodell, keine intrinsischen Ziele. Anthropomorphisierung ist verlockend – und irreführend.
Sie macht Fehler
Halluzinationen
Manchmal sagt sie Dinge sehr selbstbewusst, die einfach falsch sind. Bei wichtigen Dingen lieber zweimal nachschauen.
Plausibel klingende, aber faktisch falsche Ausgaben. Mitigation: RAG (Retrieval), Citation-Guards, niedrigere Temperatur, Output-Verifikation durch Tools.
Kennt die Zukunft nicht
Knowledge Cutoff
Sie kann nicht in die Zukunft schauen. Lotto-Zahlen, Wahrsagerei oder „was passiert morgen“ – das weiß sie nicht.
Trainingsdaten haben einen Stichtag. Aktuelle Ereignisse erfordern Tool-Use (Web-Search, APIs) oder Retrieval. Ohne Anbindung ans Web ist das Modell „eingefroren“.
Bias & Verzerrung
Trainingsdaten spiegeln gesellschaftliche Vorurteile wider. Geschlecht, Herkunft, Berufsstereotype – ohne aktive Gegenmaßnahmen reproduziert das Modell sie.
Privatsphäre
Eingaben können – je nach Anbieter – fürs Training verwendet werden. Keine Geheimdaten, keine PII (Namen, Adressen, Zugangsdaten) in unbekannte Modelle.
📚 Lernziel
Ihr erkennt KI in vertrauten Alltags-Anwendungen und versteht, dass „KI" oft unsichtbar im Hintergrund arbeitet.
💡 Wusstest du…Spotify nutzt für eure Mix-Playlist über 100 Signale gleichzeitig: was ihr hört, übergeht, skippt, in welcher Tageszeit, sogar das Wetter. Netflix berechnet täglich Empfehlungen für 247 Millionen Abonnenten.
❓ QuizWelche dieser Apps nutzt KEINE KI?
Antwort: Ein einfacher Taschenrechner.
Wetter, Foto-Suche, Spam, Übersetzung — alle nutzen KI. Ein Taschenrechner führt feste Operationen aus — kein Lernen. Aber: Wissenschaftliche Rechner mit Plot oder Schritt-für-Schritt können KI nutzen!
🎯 Erweiterte Lernziele
- K2: Schüler erklären, wo KI im Alltag sichtbar/unsichtbar arbeitet.
- K4 — Analysieren: Schüler analysieren, welche Daten eine KI braucht.
- K6 — Bewerten: Schüler bewerten, welche dieser KIs unverzichtbar/verzichtbar sind.
- 3 Min: Alle 8 Karten kurz vorstellen (jeder klickt selbst).
- 5 Min: 4er-Gruppen bilden, jede wählt 1 Karte.
- 5 Min: Gruppen-Recherche zur jeweiligen Karte.
- 10 Min: 2-Min-Präsentationen jeder Gruppe.
- 2 Min: Quiz + kurze Reflexion.
Frage: „Welche dieser 8 KIs würdet ihr vermissen, welche nicht?"
Erwartete „würde vermissen": Navi, Foto-Suche, Sprachassistenten (für ältere), Übersetzung (für Sprachen-Lerner)
Erwartete „wäre mir egal": Empfehlungen (manche bevorzugen selbst entdecken), Spam-Filter (unsichtbar)
Anschluss-Frage: „Was würde ohne diese KI passieren? Wer macht es dann?"
❓ Quiz-Lösung mit ErläuterungAntwort: Ein einfacher Taschenrechner — keine KI.
Warum wichtig: Hilft Schülern KI von „Software mit Algorithmen" zu unterscheiden. Nicht jede „intelligente App" ist KI im engeren Sinn.
Erweiterte Diskussion: „Welche Apps auf eurem Handy nutzen wahrscheinlich KI, welche nicht? Begründet."
🤔 Antizipierte Schüler-Fragen- „Sind alle Spiele jetzt KI?" — Nein. Bei Schach-/Go-KIs ja, bei meisten Konsole-/Handy-Spielen sind die „Gegner" feste Algorithmen.
- „Ist Google Maps eine KI?" — Ja, das Routing nutzt KI für Verkehrsprognosen.
- „Wie verdient Spotify Geld mit Empfehlungen?" — Hörzeit + Abos. Bessere Empfehlungen = längere Nutzung = mehr Geld.
Pro 4er-Gruppe, eine der 8 Karten wählen:
- Welche Daten braucht diese KI, um zu funktionieren?
- Welche Firma steht dahinter, wer verdient Geld damit?
- Wo lag die größte technische Hürde bei der Entwicklung?
- Was wäre ohne diese KI? (Beschreibe einen Tag ohne sie.)
- Eine Risiko/Sorge zu dieser KI?
- Präsentations-Qualität: Wurde technisch korrekt + verständlich erklärt?
- Reflexionstiefe: Hat die Gruppe ein „würde vermissen"-Statement begründet?
- Hausaufgabe: Die 9. KI-Anwendung — kreativ, korrekt erkannt?
📚 Lernziele
- Ihr nennt fünf konkrete Grenzen aktueller KI-Systeme.
- Ihr erkennt eine Halluzination, wenn ihr sie seht.
- Ihr versteht, warum Quellenkritik im KI-Zeitalter wichtiger wird, nicht weniger wichtig.
- Halluzination: Plausibel klingende, falsche Aussage. KI weiß nicht, dass sie lügt.
- Knowledge Cutoff: Stichtag der Trainingsdaten. Ereignisse danach kennt die KI nicht.
- Bias / Verzerrung: KI übernimmt Vorurteile aus Trainingsdaten.
- Deepfake: Mit KI erzeugte Foto/Audio/Video-Fälschungen.
USA 2023: Anwalt Steven Schwartz reichte einen Gerichtsschriftsatz ein mit 6 angeblichen Urteilen — alle von ChatGPT erfunden. Strafe: 5.000 USD + Reputationsschaden. ChatGPT hatte ihm sogar versichert, die Urteile seien echt — eine klassische Halluzination.
💡 Wusstest du…Halluzinationen treten bei großen KI-Modellen in bis zu 15-25 % der Antworten auf — selbst bei den besten 2024er-Modellen. Bei Spezialgebieten (Recht, Medizin) noch höher.
❓ QuizEine KI sagt: „Napoleon starb 1822 in Wien." Was machst du?
Antwort: Quellen prüfen!
Diese Aussage ist falsch. Napoleon starb 1821 auf St. Helena. Bei jedem Faktum, das ihr nicht kennt: Suchmaschine + seriöse Quelle. KI kann ein Anfang eurer Recherche sein, nie das Ende.
🎯 Erweiterte Lernziele
- K1: Schüler benennen 5 Grenzen aktueller KI.
- K3: Schüler erkennen eine Halluzination im Live-Test.
- K4: Schüler analysieren Fallstudie Anwalt Schwartz.
- K5: Schüler entwickeln eigene Prüf-Strategien.
- 3 Min: Lead vorlesen + Begriffe Halluzination/Knowledge-Cutoff/Bias erklären.
- 5 Min: Fallstudie Anwalt Schwartz besprechen — Konsequenzen!
- 7 Min: KI-Faktencheck-Übung — Klasse stellt Frage, prüft selbst.
- 5 Min: Diskussion „3 gefährliche Bereiche".
Hauptfrage: „Findet 3 konkrete Bereiche, wo KI-Halluzinationen gefährlich werden könnten."
Erwartete Schüler-Antworten:
- Medizin (falsche Diagnose, falsche Medikamenten-Dosis)
- Recht (Anwalt-Beispiel — falsche Urteile zitiert)
- Geschichte/Schulwissen (Hausaufgaben — falsche Fakten)
- News (Fake-News-Verstärkung)
- Finanzen (falsche Investmenttipps)
- Beziehungen (falsche Beratung in Lebensfragen)
Anschluss-Frage: „Was sollte ein Gesetz dazu sagen?"
⚠️ Fallstudie Anwalt Schwartz vertiefenHintergrund (für Lehrkraft): 2023 in New York. Steven Schwartz, Anwalt seit 30 Jahren, nutzte ChatGPT für ein Berufungsverfahren. ChatGPT „erfand" 6 ähnliche Gerichtsurteile mit Aktenzeichen, Datum, Zitaten — alle plausibel klingend, alle nicht existent. Schwartz reichte sie ein. Der Gegenanwalt fand keine der Urteile. Strafe: 5.000 USD + öffentliche Maßregelung.
Lehrer-Frage zur Vertiefung: „Hätte das jeder von uns passieren können? Wie schützt ihr euch davor?"
❓ Quiz-Lösung mit ErläuterungAntwort: Quellen prüfen — die Behauptung „Napoleon starb 1822 in Wien" ist falsch (er starb 1821 auf St. Helena).
Warum diese Frage exemplarisch ist:
- Klingt plausibel — Jahr und Ort sind „nahe dran".
- Wer nicht aufpasst, übernimmt sie — und gibt sie weiter.
- Das ist Halluzination im Kleinen — und passiert millionenfach täglich.
- „Warum sagt KI nicht einfach ‚Weiß nicht'?" — Sie ist trainiert, immer eine Antwort zu geben. Manche neuere Modelle lernen „Ich weiß nicht" zu sagen, aber selten.
- „Wird KI je perfekt sein?" — Unwahrscheinlich. Selbst Menschen irren — KI wird mit mehr Daten besser, aber nicht fehlerfrei.
- „Kann man Halluzinationen ganz verhindern?" — Reduzieren ja (RAG, niedrige Temperatur, Citation-Checks). Verhindern: nicht völlig.
- „Was, wenn KI absichtlich lügt?" — Aktuell: nicht absichtlich. Künftig: wichtige Forschungsfrage zu AI Safety.
Aufgabe: Stellt einer KI eine spezifische Frage. Prüft die Antwort.
- Wählt ein Thema, zu dem ihr Vorwissen habt (z.B. eure Stadt, Lieblingsverein).
- Formuliert eine sehr spezifische Frage (Jahreszahl, Person, Ort).
- Schreibt die KI-Antwort wörtlich ab.
- Prüft mit Wikipedia oder offizieller Webseite.
- Notiert: Korrekt / Halluzination / Teilweise korrekt?
Lehrer-Hinweis: Lasst die Klasse Erfahrungen sammeln — meist gibt es einige Halluzinationen, was die Lektion eindrucksvoll macht.
✅ Lernerfolg messen- Verständnis: Können Schüler 3 KI-Grenzen aufzählen?
- Praxis: Haben sie eine Halluzination erkannt?
- Transfer: Würden sie KI-Antworten in Hausaufgaben automatisch prüfen?
Kapitel Sieben
Du musst
keine Angst
haben.
Verantwortlich
mit KI
arbeiten.
Vier Regeln
für euren
KI-Alltag.
KI ist ein Werkzeug – wie früher das Telefon oder das Auto. Neu und ungewohnt, aber im Grunde harmlos.
Vier Prinzipien für den produktiven Umgang mit modernen KI-Systemen – jenseits von Hype und Panik.
Ihr werdet die erste Generation sein, für die KI im Alltag völlig selbstverständlich ist. Was ihr jetzt lernt, prägt euch ein Leben lang.
- Gib nichts Persönliches preis – keine Bankdaten, keine Passwörter.
- Glaub nicht blind alles, was sie sagt. Bei wichtigen Sachen: nachfragen.
- Probier es einfach aus – du kannst nichts kaputt machen.
- Frag Familie um Hilfe, wenn etwas komisch wirkt.
- Keine privaten Daten in die KI — keine Adressen, Passwörter, Schul-Logins, keine Vornamen von Mitschülern.
- Nicht blind glauben — KI macht Fehler. Bei Hausaufgaben/Referaten: immer mit echten Quellen abgleichen.
- Eigene Gedanken behalten — KI ist ein Werkzeug, kein Denker. Wenn ihr alles abschreibt, lernt ihr nichts.
- Mit Lehrkraft besprechen, wenn etwas seltsam wirkt oder ihr unsicher seid, ob KI-Nutzung erlaubt ist.
- Data Hygiene: Keine PII, Geheimnisse oder Zugangsdaten in unbekannte Modelle.
- Verifikation: Bei Faktenfragen immer gegenchecken. Halluzinationen klingen oft überzeugend.
- Iterieren: Erster Output ist Rohmaterial. Nachfragen, umformulieren, kombinieren.
- Tool-Use kennen: RAG, Web-Search, Code-Execution heben Output-Qualität deutlich.
- Modelle vergleichen: GPT-4, Claude, Gemini, LLaMA, Mistral – jedes Modell hat Stärken.
„Du musst sie nicht lieben.
Aber jetzt verstehst du sie – und das ist die halbe Miete.“
Aber jetzt verstehst du sie – und das ist die halbe Miete.“
„Modelle ändern sich monatlich. Prinzipien – Verifikation, Datenschutz, kritisches Denken – bleiben.“
„KI ist ein Werkzeug – wie ein Taschenrechner. Der ändert nichts daran, dass ihr Mathe verstehen müsst."
🍎 Für Lehrkräfte: Unterrichtspaket
Diese Seite ist als Doppelstunde (90 Min.) oder als Wochen-Modul (3 × 50 Min.) einsetzbar. Empfohlen ab der 7. Schulstufe (≈ 13 J.). Materialien sind unter CC BY 4.0 frei nutzbar — bitte „Webagentur Hochmeir e.U. (webhoch.com)" als Quelle nennen.
📦 Komplettes Lehrer-Paket zum Drucken: 6 Arbeitsblätter (mit Lösungen), Klassentest + Bewertungs-Rubrik, 18 Hausaufgaben in 3 Schwierigkeitsstufen, Elternbrief-Vorlage, Curriculum-Übersicht. → Zum Lehrer-Paket →
📅 Vorschlag: Doppelstunde (90 Min)
- 10 Min — Einstieg: Klasse öffnet Seite, jeder klickt Kapitel 1 + 2 durch. Brainstorm-Tafel: „Wo ist KI bei euch?"
- 15 Min — Erarbeitung: Kapitel 3 (Cat-Trainer) gemeinsam ausprobieren, Lernziel-Box gemeinsam lesen.
- 20 Min — Vertiefung: Kapitel 4 (8 Alltag-Karten) — Gruppenarbeit (siehe Schools-Box).
- 15 Min — Praxis: Kapitel 5 — Klasse formuliert eigene Prompts (siehe Vorlage).
- 15 Min — Reflexion: Kapitel 6 + Fallstudie „Anwalt Schwartz". Diskussion: Wo darf KI helfen, wo nicht?
- 15 Min — Abschluss: Kapitel 7 — Vier Regeln gemeinsam aufschreiben (Tafel). Hausaufgabe: 9. KI-Anwendung finden.
🎯 Lernerfolg messen
- Quiz-Boxes in jedem Kapitel — sofortige Selbst-Kontrolle.
- Mündliche Prüfung: „Erkläre KI in 1 Minute deinen Großeltern."
- Hausarbeit: Schreibe einen 1-Seiten-Aufsatz: „Wie wird KI mein Leben in 10 Jahren verändern?" Bewertung mit + ohne KI-Hilfe vergleichen.
📚 Begleitende Themen für andere Fächer
- Deutsch: Erörterung „KI in der Schule — Fluch oder Segen?"
- Geschichte: Industrielle Revolution → Automatisierung → KI als nächste Stufe
- Ethik/Religion: Was unterscheidet Menschen von Maschinen?
- Mathe: Wahrscheinlichkeitsrechnung als Basis von „Maschinellem Lernen"
- Informatik: Eigenes KI-Mini-Projekt (z.B. Bildklassifikation mit Teachable Machine von Google)
🔗 Weiterführende Quellen für die Klasse
- Teachable Machine — kostenloses Tool zum eigenen KI-Training im Browser
- Elements of AI — kostenloser Online-Kurs auf Deutsch
- 3Blue1Brown — Neural Networks (YouTube, mathematisch, ab 9. Klasse)
⚠️ Wichtige Hinweise zum Klassen-KI-Einsatz
- KI-Tools (ChatGPT, Claude, Gemini) haben oft eine Altersgrenze 13+/16+/18+. Bitte AGB prüfen!
- Schüler-Daten nie in die KI eingeben — keine Namen, Adressen, Schul-Mails.
- Bei Hausaufgaben mit KI: Klare Klassenregeln vorab vereinbaren (z.B. „KI als Recherche-Tool ok, als Aufsatz-Schreiber nein").
Zum Weiterlesen:
- „Attention Is All You Need“ – Vaswani et al., 2017 (arxiv.org/abs/1706.03762)
- Anthropic Research – anthropic.com/research
- Hugging Face Course – huggingface.co/learn
- 3Blue1Brown: Neural Networks – YouTube-Reihe für visuelle Lerner
Häufige Fragen
Häufig gestellte Fragen
Hier findest du die wichtigsten Fragen rund um KI noch einmal kompakt zum Nachschlagen.
Quick-Reference zu den wichtigsten KI-Themen. Antworten sind in FAQPage-Schema für Suchmaschinen und AI-Assistenten strukturiert hinterlegt.
Eine KI lernt durch Maschinelles Lernen: Sie schaut sich Millionen Beispiele an (Bilder, Texte, Audio) und passt schrittweise interne Werte (Parameter) so an, dass ihre Vorhersagen immer besser werden. Bei großen Sprachmodellen geschieht das in drei Phasen: Pre-Training auf riesigen Textmengen, Fine-Tuning auf kuratierten Daten und RLHF (Reinforcement Learning from Human Feedback).
KI begegnet uns täglich, oft ohne dass wir es merken: in der Navigation (Routen- und Stauberechnung), in Wetter-Apps, bei der Foto-Suche im Handy, in Sprachassistenten wie Alexa oder Siri, in Übersetzungsdiensten, in Spam-Filtern, in Empfehlungen auf Netflix oder Spotify und in Suchmaschinen.
Man tippt eine Frage oder Aufgabe in ein Textfeld – das nennt man Prompt. Je klarer und konkreter der Prompt, desto besser die Antwort. Gute Prompts geben Kontext, definieren das Ziel und geben bei Bedarf Beispiele. Diese Praxis heißt Prompt Engineering.
KI hat keine echten Gefühle oder Bewusstsein, sie kennt die Zukunft nicht und sie macht Fehler. Insbesondere kann sie halluzinieren – also überzeugend klingende, aber falsche Informationen produzieren. Sie hat einen Wissensstichtag (Knowledge Cutoff) und kennt aktuelle Ereignisse meist nicht. Komplexe mehrschrittige Logik ist nach wie vor eine Schwachstelle.
KI ist ein Werkzeug. Sie ist nicht von Natur aus gefährlich, aber es gibt Risiken: Fehlinformationen durch Halluzinationen, Datenschutz-Bedenken bei der Eingabe sensibler Daten, Bias durch verzerrte Trainingsdaten und der mögliche Missbrauch für Phishing oder Deepfakes. Verantwortlicher Umgang heißt: keine Geheimnisse eingeben, Quellen prüfen, kritisch bleiben.
Large Language Models (LLMs) sind eine Art Künstliche Intelligenz, die auf riesige Textmengen trainiert wurde, um menschliche Sprache zu verstehen und zu erzeugen. Bekannte Beispiele sind GPT-4, Claude, Gemini und LLaMA. Sie basieren auf der Transformer-Architektur, die 2017 in der Arbeit „Attention Is All You Need“ vorgestellt wurde.
Künstliche Intelligenz (KI) ist der Oberbegriff für jede Form von intelligentem Verhalten in Maschinen. Machine Learning ist ein Teilbereich der KI, in dem Systeme aus Daten lernen, ohne explizit programmiert zu werden. Deep Learning ist wiederum ein Teilbereich des Machine Learning, der auf tiefen neuronalen Netzen basiert.