Schulung: Grundlagen der KI

Schulungsunterlage

Grundlagen der KI
und deren Anwendung

Eine minimalistische, horizontale HTML-Präsentation im PowerPoint-Look: Seiten füllen das gesamte Browserfenster und lassen sich mit Tastatur, Maus, Touchpad und Touch-Gesten steuern.

So navigierst du

←/→ oder PageUp/PageDown • Trackpad horizontal • Maus-Rad (auch vertikal) • Swipe links/rechts.

Hinweis

Tipp: Im Präsentationsmodus kannst du jederzeit mit Esc zurück zur Startseite.

5 Beispielseiten • Thema: Grundlagen der KI und deren Anwendung

1. Was ist „KI“?

Künstliche Intelligenz (KI) bezeichnet Verfahren, mit denen Computersysteme Aufgaben erledigen, die normalerweise menschliche Intelligenz erfordern – z. B. Wahrnehmen, Verstehen, Entscheiden oder Lernen.

Ziel: Muster erkennen und daraus Entscheidungen/Empfehlungen ableiten.
Wichtig: KI ist kein „magisches Bewusstsein“, sondern Mathematik + Daten + Software.
Von Regeln zu Lernen: Statt alles zu programmieren, lernt ein Modell aus Beispielen.

Merksatz

KI-Systeme verallgemeinern aus Daten: Sie finden Zusammenhänge, die dann auf neue Fälle angewendet werden.

Beispiel

Spamfilter lernt aus markierten E‑Mails.

Konsequenz

Qualität hängt stark von Daten & Zieldefinition ab.

2. Grundbegriffe: Daten, Modell, Training

Viele KI-Anwendungen basieren auf Machine Learning (ML): Ein Modell wird mit Daten trainiert, um für neue Eingaben eine Vorhersage zu machen.

Daten: Beispiele (Text, Bilder, Sensorwerte, Tabellen) + ggf. Labels.
Features: Messwerte/Eigenschaften, die das Modell „sieht“ (bei modernen Netzen oft automatisch gelernt).
Training: Optimierung: Fehler minimieren → Modellparameter anpassen.
Inference: Anwendung des trainierten Modells auf neue Daten.

Mini-Check

Wenn sich Datenverteilung oder Anforderungen ändern, kann ein Modell schlechter werden („Drift“). Dann braucht es Monitoring, Nachtraining oder neue Daten.

Overfitting

Zu stark an Trainingsdaten angepasst → schlechte Generalisierung.

Validation

Separater Datensatz zum Prüfen der Modellgüte.

3. ML vs. Deep Learning vs. Generative KI

Begriffe werden oft vermischt. Hier ist ein praktisches Raster, um Ansätze zu unterscheiden.

Machine Learning (ML): Breite Sammlung statistischer Lernverfahren (z. B. Regression, Bäume, SVM).
Deep Learning (DL): Teilbereich von ML mit neuronalen Netzen (mehrschichtige Modelle), gut für Bild, Sprache, Text.
Generative KI: Modelle, die neue Inhalte erzeugen (Text, Bilder, Code), häufig basierend auf großen Netzen.

Wann was?

Klassisches ML ist oft effizient und gut erklärbar bei strukturierten Daten. Deep Learning lohnt sich, wenn komplexe Muster vorhanden sind oder unstrukturierte Daten dominieren.

Strukturierte Daten

Tabellen, Kennzahlen → häufig ML-Modelle.

Unstrukturierte Daten

Text/Bild/Audio → oft DL/Transformer.

4. Vom Use Case zur Lösung

Gute KI-Projekte starten nicht mit dem Modell, sondern mit einem klaren Problem, messbaren Zielen und einem durchdachten Datenprozess.

Problemdefinition: Was soll besser/schneller/sicherer werden? Wer nutzt das Ergebnis?
Erfolgskriterien: Metriken (z. B. Genauigkeit, Fehlerkosten, Bearbeitungszeit, Zufriedenheit).
Datenpipeline: Sammeln → Bereinigen → Versionieren → Trainieren → Testen → Ausrollen.
Risiken: Datenschutz, Bias, Fehlentscheidungen, Robustheit.

Praxis-Tipp

Starte mit einem „Minimum Viable Model“ (MVM): kleines Modell + klare Metrik + schneller Feedback‑Loop. Danach iterieren (Daten, Features, Modell).

Monitoring

Qualität, Latenz, Drift & Fehlerraten im Betrieb beobachten.

Human-in-the-loop

Kritische Entscheidungen mit menschlicher Freigabe absichern.

5. Anwendungsfelder & Leitplanken

KI ist besonders stark bei wiederkehrenden Aufgaben, großen Datenmengen und Situationen, in denen Muster schwer manuell zu erkennen sind.

Text: Zusammenfassungen, Suche, Klassifikation, Assistenzsysteme, Chatbots.
Bild/Video: Qualitätsprüfung, Objekterkennung, medizinische Bildanalyse.
Prozesse: Prognosen, Anomalie-Erkennung, intelligente Automatisierung.
Wissensarbeit: Entwürfe, Ideengenerierung, Code‑Unterstützung (mit Review!).

Ethik & Sicherheit

KI kann Fehler machen und überzeugend „falsch“ klingen. Setze Grenzen: Daten schützen, Ergebnisse prüfen, Transparenz schaffen, Verantwortlichkeiten klären.

Datenschutz

Minimierung, Zweckbindung, sichere Verarbeitung, ggf. On‑Prem/Private Modelle.

Bias & Fairness

Repräsentative Daten, Tests, Dokumentation, kontinuierliche Audits.

Nächster Schritt: Wähle einen konkreten Use Case und formuliere Ziel, Metrik und Testdaten – erst dann entscheidest du über Modell und Technologie.

Grundlagen der KIund deren Anwendung

So navigierst du

Hinweis

1. Was ist „KI“?

Merksatz

2. Grundbegriffe: Daten, Modell, Training

Mini-Check

3. ML vs. Deep Learning vs. Generative KI

Wann was?

4. Vom Use Case zur Lösung

Praxis-Tipp

5. Anwendungsfelder & Leitplanken

Ethik & Sicherheit

Grundlagen der KI
und deren Anwendung