Etappe 1: Künstliche Intelligenz und Algorithmen


Warum KI mehr als nur ein Algorithmus ist

Was ist ein Algorithmus? Oft werden Künstliche Intelligenz und Algorithmen im gleichen Zusammenhang verwendet, dabei sind sie nicht dasselbe. Was unterscheidet sie also voneinander? Ein Algorithmus ist eine Schritt-für-Schritt-Anleitung, mit der wir ein Problem lösen. Das Ergebnis bleibt immer gleich, wenn wir die gleichen Eingaben haben.
Ein Beispiel aus dem Alltag ist ein Kochrezept: Wenn du den Schritten folgst (Fülle einen Topf mit Wasser. Stelle dann den Topf auf den Herd. Mache dann den Herd an. Wenn das Wasser kocht, füge die Nudeln hinzu … und so weiter.) erhältst du immer dasselbe Ergebnis – in diesem Fall gekochte Nudeln. Genau das passiert auch bei klassischen Algorithmen, zum Beispiel in Computerprogrammen, die immer das gleiche Ergebnis liefern, wenn sie mit denselben Daten arbeiten.


Was macht KI anders?

Künstliche Intelligenz nutzt ebenfalls Algorithmen – aber sie kann lernen und sich weiterentwickeln. Das bedeutet: Sie erkennt Muster in Daten, zieht daraus Schlüsse und passt sich an. Je mehr und je bessere Daten sie bekommt, desto besser werden ihre Ergebnisse. Gelernt wird dabei entweder durch Menschen – oder die KI lernt selbstständig. Und anders als bei einem festen Algorithmus können sich die Ergebnisse verändern – je nachdem, was die KI dazugelernt hat.


Wie funktioniert das Lernen bei KI?

Damit KI lernen kann, braucht sie eine große Menge an Daten. Diese Daten dienen als Wissensbasis, aus der die KI Muster erkennt und darauf basierend Aussagen macht. Der Lernprozess kann von Menschen gesteuert sein oder selbstständig durch die KI erfolgen. Je mehr und je qualitativ hochwertiger die Daten sind, desto schneller und präziser kann die KI arbeiten. Und sie kann das oft viel schneller als ein Mensch, der dieselben Berechnungen anstellen müsste.


Etappe 2: Maschinelles Lernen


Abbildung zu Maschinellem Lernen

Die Grafik erklärt auf einfache Weise das Prinzip des maschinellen Lernens.
Im Mittelpunkt steht ein großer, blauer Kreis mit einem lächelnden Roboter in der Mitte. Der Kreis symbolisiert den Lernprozess. Oben im Kreis steht in einem orangefarbenen Kasten: „Maschinelles Lernen“.
Im Inneren des Kreises stehen die Begriffe: Zusammenhänge, Muster, Verborgene Strukturen, Algorithmen + Methoden (fett hervorgehoben).
Links zeigt ein großer, orangefarbener Pfeil in den Kreis hinein. Darin steht: Eingabedaten (fett), Informationen (+Beispiele).
Rechts zeigt ein weiterer großer, orangefarbener Pfeil vom Kreis weg. Darin steht: Ausgabe (fett), (optimales) Modell.
Im Hintergrund ist ein dunkelblauer Weltraum mit kleinen, weißen Sternen zu sehen. In der oberen rechten Ecke ist ein Lautsprecher-Symbol, das auf eine Audiofunktion hinweist.

Text der begleitenden Audio-Datei:
KI-Systeme lernen nicht von selbst. Sie müssen mit vielen Daten trainiert werden. Hier kommt das machine learning (Maschinelles Lernen) zum Einsatz:
Maschinelles Lernen ist eine grundlegende Methode der Künstlichen Intelligenz. Auch hier programmiert der Mensch – allerdings nicht mehr fertige Lösungen, sondern Programme, die anhand von Trainingsdaten selbstständig lernen, ein Problem zu lösen. Dabei kommen spezielle Lernalgorithmen zum Einsatz, die in Beispieldaten Muster und Regeln erkennen und diese auf neue Daten anwenden.
Die Qualität der Ergebnisse hängt dabei stark von den Trainingsdaten ab. Fehlen wichtige Informationen oder sind die Daten fehlerhaft, können auch die Ergebnisse verzerrt sein.


Überwachtes Lernen

🧠 Was ist das?
Der Computer bekommt viele Beispiele mit der richtigen Antwort – zum Beispiel Bilder von Tieren, die als „Katze“ oder „Hund“ gekennzeichnet sind.
🔍 Wie lernt die KI?
Sie erkennt typische Merkmale der Beispiele.
Bei Fehlern passt sie ihre Berechnungen an.
So wird sie immer besser bei der Erkennung von neuen Daten.
✅ Beispiele:
Gesichtserkennung
Handschrift-Erkennung

Text der begleitenden Audio-Datei:
Beim überwachten Lernen bekommt das Computersystem viele Beispiele, bei denen jeweils klar ist, was sie darstellen – zum Beispiel ein Bild mit der Beschriftung „Katze“.
Aus diesen 1:1-Zuordnungen von Eingabe und richtiger Antwort lernt der Algorithmus, typische Merkmale zu erkennen. Er weiß natürlich nicht wirklich, was eine Katze ist, sondern nutzt für die Erkennung Kriterien, die auf Gemeinsamkeiten der Bilder basieren. Wenn er beim Training falsche Vorhersagen macht, vergleicht er sein Ergebnis mit dem richtigen Label und passt sein Modell entsprechend an, dass die Vorhersagen beim nächsten Mal besser werden. So entsteht ein System, das mit hoher Wahrscheinlichkeit auch bei neuen, unbekannten Bildern erkennen kann, ob zum Beispiel eine Katze darauf zu sehen ist.


Unüberwachtes Lernen

🧠 Was ist das?
Der Computer erhält viele Daten, aber niemand erklärt, was sie bedeuten. Er muss selbst Muster finden und Verbindungen herstellen.
🔍 Wie lernt die KI?
Sie sucht selbstständig nach Ähnlichkeiten in den Daten.
Sie sortiert oder gruppiert die Informationen, ohne dass jemand vorgibt, was zu welchem Thema gehört.
✅ Beispiele:
Musikempfehlungen (z. B. ähnliche Lieder finden)
Kundengruppen erkennen
Fehler in Daten finden

Text der begleitenden Audio-Datei:
Beim unüberwachten Lernen bekommt das System viele Trainingsdaten – zum Beispiel Bilder, Texte oder Zahlen – ohne, dass jemand erklärt, was sie bedeuten. Es soll selbst herausfinden, welche Daten zusammenpassen oder sich ähneln.
Das ist so, als würdest du Fotos nach Aussehen sortieren, ohne zu wissen, was darauf zu sehen ist. Dabei entstehen mathematische Strukturen wie Cluster oder Gruppen, die helfen, Muster oder Auffälligkeiten in großen Datenmengen zu erkennen. Diese Methode wird zum Beispiel genutzt, um ähnliche Musik zu finden, Gruppen mit ähnlichem Verhalten zu erkennen oder Fehler in Datensätzen aufzuspüren.


Verstärkendes Lernen

🧠 Was ist das?
Der Computer probiert verschiedene Handlungen aus, um ein Ziel zu erreichen. Für gute Entscheidungen gibt es eine Belohnung, bei schlechten gibt es weniger oder keine Belohnung.
🔍 Wie lernt die KI?
Sie lernt durch Feedback und versucht, die besten Entscheidungen zu treffen.
Der Lernprozess geht weiter, bis die KI ihre Aufgabe gut beherrscht.
✅ Beispiele:
Selbstfahrende Autos
Roboter, die Aufgaben ausführen

Text der begleitenden Audio-Datei:
Beim verstärkenden Lernen probiert das System viele verschiedene Möglichkeiten aus, um ein bestimmtes Ziel zu erreichen. Wenn etwas gut funktioniert, bekommt der Lernalgorithmus eine positive Rückmeldung, zum Beispiel Punkte. Wenn etwas nicht gut funktioniert, gibt es weniger oder gar keine Punkte. So lernt der Algorithmus nach und nach, welche Entscheidungen erfolgreich sind, und versucht, immer besser zu werden – zum Beispiel beim Spielen, Navigieren oder Problemlösen.


Etappe 3: Deep Learning


Einführung

Deep Learning ist ein besonders leistungsfähiger Bereich des maschinellen Lernens.
Dabei kommen künstliche neuronale Netze mit vielen Schichten zum Einsatz, die komplexe Muster in großen Datenmengen erkennen – z. B. in Bildern oder Sprache. Das System lernt selbst, worauf es achten muss, ohne dass der Mensch Regeln vorgibt. In jeder Schicht des Netzes werden Informationen weiterverarbeitet – von einfachen Formen bis hin zu abstrakten Merkmalen. Weil man oft nicht genau weiß, wie das Netz zu einem Ergebnis kommt, spricht man auch von einer „Black Box“.
Die Grafik zeigt den Unterschied zwischen Machine Learning (Maschinelles Lernen) und Deep Learning (Tiefes Lernen). Beides sind Methoden, mit denen KI-Systeme lernen können, Dinge zu erkennen – zum Beispiel, ob ein Bild einen Apfel zeigt oder nicht.


Maschinelles Lernen

Eingabe: Der Computer bekommt ein Bild, auf dem ein Apfel zu sehen ist.
Merkmale auswählen: Ein Mensch hilft dem Computer, wichtige Merkmale wie runde Form, rote Farbe oder einen Stiel zu erkennen.
Entscheidung: Der Computer vergleicht das Bild mit diesen Merkmalen und entscheidet, ob es ein Apfel ist.
Ergebnis: Der Computer gibt aus: „Apfel“ oder „Kein Apfel“.
Wichtig:💡 Der Mensch hilft dem Computer dabei, worauf er achten soll.


Deep Learning

Eingabe: Der Computer bekommt wieder ein Bild.
Verarbeitung: Der Computer nutzt ein spezielles System (ein „künstliches Gehirn“), das selbst herausfindet, woran es einen Apfel erkennt. Er muss nicht vorher wissen, auf welche Merkmale er achten soll.
Entscheidung: Der Computer erkennt von allein, ob ein Apfel auf dem Bild ist oder nicht.
Ergebnis: Der Computer gibt aus: „Apfel“ oder „Kein Apfel“.
Wichtig:💡 Hier bringt sich der Computer selbst bei, worauf er achten muss – mithilfe vieler Beispiele.


Wichtige Unterschiede

✅ Beim Maschinellen Lernen hilft der Mensch bei der Auswahl der Merkmale.
✅ Beim Deep Learning findet der Computer selbst heraus, was wichtig ist.
👉 Deshalb ist Deep Learning besonders gut für komplexe Aufgaben – wie das Erkennen von Gesichtern, Sprache oder eben auch verschiedenen Apfelsorten 🍏🍎.


Etappe 4: Generative KI





Etappe 5: Starke und schwache KI


Schwache KI

  • 🎯 Auf eine bestimmte Aufgabe spezialisiert: Schwache KI ist auf eine einzige Aufgabe trainiert, z. B. Sprache erkennen oder Schach spielen – mehr kann sie nicht.
  • 🚫 Kein Bewusstsein oder Verständnis: Schwache KI verarbeitet Informationen rein rechnerisch. Sie „versteht“ nicht, was sie tut – auch wenn sie scheinbar intelligente Antworten gibt.
  • 📊 Lernt durch Mustererkennung: Schwache KI erkennt Muster in großen Datenmengen und nutzt diese, um Entscheidungen zu treffen – z. B. welches Bild eine Katze zeigt. Sie weiß aber nicht, was eine Katze wirklich ist.
  • 🔒Nicht übertragbar auf andere Aufgaben: Eine KI, die Schach spielt, kann deshalb nicht plötzlich einen Text übersetzen – selbst wenn beides auf Sprache oder Strategie basiert. Schwache KI kann nicht von einer Aufgabe zur nächsten wechseln.


Starke KI

  • 🧠Menschliche Intelligenz nachbilden: Starke KI soll so flexibel sein wie der Mensch – sie könnte verstehen, lernen, schlussfolgern und sich an neue Situationen anpassen.
  • 🪞Mit Bewusstsein und Selbstverständnis: Im Unterschied zur schwachen KI hätte starke KI ein echtes „Ich-Bewusstsein“ – sie würde sich selbst wahrnehmen und eigene Entscheidungen treffen.
  • 🛠️ Nicht auf einzelne Aufgaben beschränkt: Eine starke KI könnte Mathe lösen, Musik komponieren und Texte schreiben – alles mit demselben System. Sie würde sich selbstständig weiter entwickeln und dazulernen, eigenständig neues Wissen aufbauen – ohne ständige menschliche Hilfe.
  • 🧪 Starke KI existiert bisher nur als Idee. Sie könnte theoretisch denken, lernen und fühlen wie ein Mensch – aber es gibt keine echte starke KI. Ob sie jemals entwickelt wird, ist ungewiss.
    Super-KI geht noch weiter: Sie wäre dem Menschen in allem überlegen. Solche KIs kennt man bisher nur aus Science-Fiction-Filmen wie I, Robot oder Her. In der Realität gibt es keine Anzeichen, dass so eine KI möglich oder in Sicht ist.


Etappe 6: Künstliche vs. Menschliche Intelligenz


Menschliche Intelligenz

  • Kreativ, flexibel, emotional – der Mensch entwickelt neue Ideen und passt sich an.
  • 85 Milliarden Nervenzellen – das Gehirn bildet die Grundlage menschlicher Intelligenz.
  • Lernen durch Erfahrung – Menschen ziehen Schlüsse aus Erlebnissen und verbessern sich.
  • Mit Bewusstsein und Gefühlen – der Mensch hat Empathie, Intuition und Selbstwahrnehmung.
  • Vielseitig einsetzbar – nicht auf eine Aufgabe beschränkt, sondern flexibel.
  • Fehlertolerant – Menschen kommen auch mit Lücken klar und lernen aus Fehlern.

Künstliche Intelligenz

  • Verarbeitet riesige Datenmengen – erkennt Muster mithilfe von Algorithmen und neuronalen Netzwerken.
  • Schnell und effizient – erledigt Aufgaben in Sekunden, für die Menschen lange brauchen.
  • Lernt aus Daten – verbessert sich durch Training mit großen Datensätzen.
  • Ohne Bewusstsein oder Gefühle – versteht nichts und empfindet nichts.
  • Spezialisiert – für konkrete Aufgaben optimiert (z. B. Sprachassistent, Bilderkennung).
  • Präzise, aber abhängig – braucht klare Regeln und gute Daten, um gut zu arbeiten.


Etappe 7: Quiz-Time


Aufgabe 1: Lückentext

Aufgabe: Fülle die Lücken mit den passenden Begriffen aus.
Künstliche Intelligenz basiert auf (1) ____________, die sich durch Training weiterentwickeln können. Klassische Algorithmen hingegen liefern bei gleichen Eingaben immer (2) ____________ Ergebnisse. Ein Beispiel für maschinelles Lernen ist (3) ____________, bei dem eine KI durch positive oder negative Rückmeldungen optimiert wird.
Wortbank:
a) verstärkendes Lernen
b) Algorithmen
c) gleiche


Aufgabe 2: Zuordnung von Begriffen

Ordne die Begriffe der passenden Beschreibung zu:
__________: Mensch gibt Beispiele mit richtiger Antwort vor
__________: KI erkennt selbstständig Muster
__________: KI bekommt positives oder negatives Feedback
Begriffe zur Auswahl:
a) Unüberwachtes Lernen
b) Verstärkendes Lernen
c) Überwachtes Lernen


Aufgabe 3: Multiple Choice

Aufgabe: Welche Aussage über neuronale Netzwerke ist richtig?
a) Sie sind einfache Schritt-für-Schritt-Anleitungen.
b) Sie funktionieren immer gleich, unabhängig von den Daten.
c) Sie bestehen aus mehreren Schichten, die Muster erkennen.
d) Sie sind für Menschen leicht nachvollziehbar.

Lösungen

Aufgabe 1:
Künstliche Intelligenz basiert auf Algorithmen, die sich durch Training weiterentwickeln können. Klassische Algorithmen hingegen liefern bei gleichen Eingaben immer gleiche Ergebnisse. Ein Beispiel für maschinelles Lernen ist verstärkendes Lernen, bei dem eine KI durch positive oder negative Rückmeldungen optimiert wird.
Aufgabe 2:
Begriff: Überwachtes Lernen
Beschreibung: Mensch gibt Beispiele mit richtiger Antwort vor
Begriff: Unüberwachtes Lernen
Beschreibung: KI erkennt selbstständig Muster
Begriff: Verstärkendes Lernen
Beschreibung: KI bekommt positives oder negatives Feedback
Aufgabe 3:
Frage: Welche Aussage über neuronale Netzwerke ist richtig?
Antwortmöglichkeiten:
a) Sie sind einfache Schritt-für-Schritt-Anleitungen.
Stimmt leider nicht. Das trifft eher auf klassische Algorithmen zu. Neuronale Netzwerke lernen aus Daten und treffen Entscheidungen nicht nach einem festen Plan.
b) Sie funktionieren immer gleich, unabhängig von den Daten.
Stimmt leider nicht. Neuronale Netzwerke verhalten sich je nach Trainingsdaten unterschiedlich.
c) Sie bestehen aus mehreren Schichten, die Muster erkennen.
Richtig! Neuronale Netzwerke bestehen aus mehreren Schichten. Jede erkennt bestimmte Merkmale, z. B. Kanten oder Formen.
d) Sie sind für Menschen leicht nachvollziehbar.
Stimmt leider nicht. Oft ist schwer zu erkennen, warum ein neuronales Netzwerk genau diese Entscheidung trifft – man spricht deshalb auch von einer „Black Box“.