KI 101 – Ein Einstieg in die Welt der Künstlichen Intelligenz

Kurz erklärt: Die wichtigsten Begriffe

Was ist Künstliche Intelligenz?

Künstliche Intelligenz – kurz KI oder Englisch: AI – umfasst Technologien wie Chatbots und Bildgeneratoren. Das dahinterstehende Konzept reicht aber sehr viel weiter. Im Kern geht es darum, Maschinen zu befähigen, menschliche Intelligenz zu erreichen oder sogar zu übertreffen. KI ermöglicht es Maschinen und Computern, kognitive Prozesse wie Lernen, Sprachverständnis, Mustererkennung und autonomes Problemlösen durchzuführen. Technologien in der KI-Forschung beinhalten unter anderem Fuzzy Logic, Maschinelles Lernen, Evolutionäre Algorithmen, Natural Language Processing und Künstliche Neuronale Netzwerke. Diese bilden die Basis für die Entwicklung von KI-Modellen, die auf spezifische oder breitgefächerte Funktionen trainiert werden können. Das Konzept der Künstlichen Intelligenz zielt sehr viel weiter als das, wo wir derzeit stehen.

Was sind Künstliche Neuronale Netzwerke (KNN)?

Künstliche Neuronale Netzwerke (KNN) sind Modelle, die in ihrer Architektur natürlichen neuronalen Netzwerken, wie dem des menschlichen Gehirns, nachempfunden sind. Sie bestehen aus künstlichen Neuronen, deren Verbindungen während des Trainings anhand großer Datensätze laufend neu gewichtet werden. Diese Neugewichtung durch Feedback zielt darauf ab, dass das Netzwerk generalisierte Muster erlernt, sodass es nach dem Training auch auf unbekannte Datenmuster sinnvoll reagieren kann. Viele der heute populären Large Language Models wie GPT-4, BERT oder Llama nutzen die Transformer-Architektur, eine spezielle Form von KNN, die 2017 eingeführt wurde.

Was sind KI-Modelle?

KI-Modelle sind computergestützte Netzwerke, die entweder für spezifische Aufgaben (Task-specific Models) oder ein breites Anwendungsspektrum (Foundation Models) entwickelt werden. Sie lernen Muster zu erkennen und zu generieren und werden dazu anhand von Datensätzen trainiert und damit nicht wie andere Systeme programmiert.

Task-specific Models konzentrieren sich auf bestimmte Anwendungen, wobei die Qualität der Trainingsdaten entscheidend ist. Sie sind effizient in eng definierten Bereichen, wie zum Beispiel in spezialisierter Übersetzungssoftware. Foundation Models hingegen nutzen umfangreiche Datensätze, um vielfältige Funktionen abzudecken. Sie sind komplexer und können eine breite Palette von Aufgaben bewältigen. Zu diesen Modellen zählen Large Language Models und Multimodal Models, die sich durch eine hohe Anzahl von Parametern auszeichnen.

Was sind Large Language Models (LLM) und Natural Language Processing (NLP)?

Large Language Models (LLM) sind KI-Systeme, die Texte verarbeiten und erzeugen können. Sie sind ein Typ von Foundation Models und basieren auf umfangreichen neuronalen Netzwerken. Sie können Texte analysieren, interpretieren und neue Inhalte erstellen, was sie für Anwendungen wie Chatbots und Übersetzungsprogramme wertvoll macht.

Natural Language Processing (NLP) ist die zugrundeliegende Technologie, die LLMs ermöglicht, menschliche Sprache zu verarbeiten. NLP umfasst Methoden und Algorithmen, die Computern das Lesen, Verstehen und Interpretieren menschlicher Sprache ermöglichen. Es ist der Schlüssel dazu, wie LLMs Texte verstehen und sinnvolle Antworten generieren können.

Zusammen bilden LLM und NLP die Grundlage für viele moderne KI-Anwendungen, die Sprachverständnis und -erzeugung erfordern, und sind zunehmend wichtig für Forschung und akademische Textarbeit.

Was ist eine KI-Anwendung?

Eine KI-Anwendung ist die Umsetzung eines KI-Modells in reale Anwendungsbereiche. Sie ist eine Software, welche ein KI-Modell verwendet, um spezifische Aufgaben oder Funktionen zu erfüllen. Der Begriff KI-System wird oft synonym zu KI-Anwendung verwendet, vor allem in technologischen Kontexten.

Innerhalb der KI-Systeme lassen sich weitere Kategorien unterscheiden, etwa generative KI-Systeme und erkennende KI-Systeme. Der Trend geht dahin, dass verschiedene KI-Modelle in komplexen Softwareumgebungen und in Kombination mit anderen KI-Modellen und Programmen kombiniert werden. Beispiele dafür sind die Verknüpfung des Bildgenerators DALL-E mit ChatGPT (Multimodal), oder die Integration von Wolfram Alpha in Perplexity AI, was neben KI-gestützter Suche auch die Lösung mathematischer Gleichungen ermöglicht.

KI-Anwendungen für unterschiedliche Hochschulkontexte haben wir in unserer KI-Toolbox für Sie zusammengestellt.

Was sind ChatGPT, Google Bard und HuggingChat?

ChatGPT, Google Bard und HuggingChat sind konversationale Chatbots, also KI-Anwendungen, die natürlich sprachlich mit Nutzer*innen interagieren, ohne auf vordefinierte Fragen und Antworten beschränkt zu sein. Sie basieren auf Large Language Models, wobei nur der Quellcode von HuggingChat als Open-Source-Modell öffentlich ist. Diese Chatbots sind auf das Verarbeiten und Generieren von natürlicher Sprache spezialisiert, wobei die Qualität der Antworten stark von den gestellten Anfragen – den sogenannten Prompts – abhängt.

Was ist ein Prompt?

Ein Prompt ist ein Eingabebefehl oder eine Anweisung, die einem Computerprogramm gestellt wird. In der KI, besonders bei Sprachmodellen, dient ein Prompt als Auslöser für die Generierung von Antworten oder Inhalten. Wie Sie einen guten Prompt selbst formulieren können, erfahren Sie in unserer Promptanleitung.

Hinweise für die Praxis

Was ist beim Einsatz von KI-Technologien zu berücksichtigen?

Alle KI-Modelle können Fehler machen, irreführen oder halluzinieren. Ihr Output kann auf abweichenden oder diskriminierenden Repräsentationen der Realität basieren oder sogar Diskriminierung und gesellschaftliche Missstände replizieren und verstärken. Auch die maschinelle Intelligenz tritt aus sozialen Gefügen hervor, baut auf – in Teilen prekärer – menschlicher Arbeit auf und bedarf gerade bei generativer KI enormer Mengen an Energie. Dies macht eine kritische Betrachtung von KI besonders wichtig, auch wenn der Einsatz von KI-Tools nützlich sein kann. Den technologischen Wandel durch KI-Technologien kritisch und reflektierend mitzugestalten, fordert Hochschulen derzeit heraus und wird alle Disziplinen, Fachbereiche, aber auch die Hochschule als Organisation weiter beschäftigen. Wenn Sie sich in diesen Kontexten – gerade mit LLMs – beschäftigen, achten Sie auf folgende Punkte:

Transparenz & Einordnung: Es ist notwendig, generierte Inhalte kritisch zu hinterfragen und einzuordnen. Dies erfordert in aller Konsequenz auch die Zugänglichkeit der Modelle und Trainingsdaten.
Urheberin KI: Durch generative KI wird es zunehmend schwieriger, Inhalte als künstlich erzeugte zu erkennen. Das ist aber besonders relevant, um die Eigenleistung von Studierenden einzuschätzen.
Erklärbarkeit: Die Nachvollziehbarkeit von Entscheidungen einer KI ist oft begrenzt, da diese nicht anhand von konkreten Regeln oder Code-Stellen erklärbar sind.
Kreativität & Zufälligkeit: Generative KI schafft durch Zufallsvariationen häufig neue, unvorhersehbare Ergebnisse, selbst bei gleichen Eingabeaufforderungen.

Lehre erweitern mit dem KI-Campus

Generell handeln in komplexen, praxisorientierten Situationen zunehmend und in allen Disziplinen auch maschinelle Intelligenzen. Darum ist ein grundlegendes Verständnis über die Funktionsweise und den Einsatz von KI für Studierende sinnvoll. Inhalte, die dieses Verständnis fördern und die Studiengänge in ihre Curricula aufnehmen können, finden Sie auf dem KI-Campus. Der KI-Campus ist eine kostenfreie digitale Lehrplattform, gefördert vom Bundesministerium für Bildung und Forschung (BMBF). Dort lassen sich zahlreiche unterschiedliche Lernangebote für verschiedene Anwendungsfälle finden:

Videos zur Einbindung in Ihre Lehre, beispielsweise über die Grundlagen generativer KI
Podcasts als begleitende Inhalte für Ihre Lehre, zum Beispiel über den gesellschaftlichen Einfluss von KI
Komplette Kurse, zum Beispiel „KI für alle: Einführung in die Künstliche Intelligenz„
Natürlich können Sie sich auch selbst einbringen, um Lehre über KI gemeinsam mit dem KI-Campus zu gestalten. Ein Beispielprojekt von Angehörigen der TH Köln ist der Data Literacy Basiskurs.

Wie kann man KI in kompetenzorientierte Lehre integrieren?

In einer kompetenzorientierten Lehre erwerben Studierende jenseits einer simplen Ersetzungslogik – „Das macht die KI für mich!“ – konkrete Handlungskompetenzen in der Mensch-Maschine-Interaktion.

Das Narrativ der Künstlichen Intelligenz, oft in Dualität oder gar Konkurrenz zur menschlichen Intelligenz, ist zur Kompetenzvermittlung möglicherweise weniger hilfreich. Sie können alternativ zum Beispiel von Maschineller Intelligenz sprechen.

Überprüfen Sie daher ihre fachlichen Learning Outcomes, ob KI-Technologien für diese konkret zu erwerbenden Kompetenzen relevant sind. Beim Anpassen von Lernzielen sollten diese klar formuliert werden. Die Lernziele können KI-Technologien direkt adressieren, wie die Lerninhalte des KI-Campus, oder KI als hilfreiches Tool einbeziehen – also für das WOMIT, mit dem Lernende das Lernziel erreichen, eine Rolle spielen. Dann sollte diese Mensch-Maschine-Interaktion Teil Ihrer Lehrkonzeption werden.

Kann eine Handlung leicht auf einem angemessenen Niveau durch beispielsweise einen KI-Chatbot automatisiert werden, kann es durchaus sinnvoll sein, die entsprechende Lerneinheit ohne KI als Hilfsmittel und in Präsenz zu gestalten. Das WOZU des Lernziels darf dabei nicht verloren gehen. Gerade bei Kompetenzen, die unter Ausschluss von KI erlernt werden sollen, ist es wichtig, den Studierenden deutlich zu machen, wozu sie verantwortungsvoll handeln können müssen in Bereichen, die maschinelle Intelligenz ebenfalls automatisieren könnte. In diesem Kontext ist es wichtig, dass eine intensive Auseinandersetzung mit den Entwicklungen in Forschung und Praxis der jeweiligen Disziplin stets berücksichtigt wird.

Um einen KI-Chatbot in ein Lehr-Lernszenario niedrigschwellig und chancengleich zu integrieren, nutzen Sie das THKI GPT-Lab. Weitere Anregungen zu sinnvollen KI-Anwendungen finden Sie in unserer KI-Toolbox. Zudem können Sie sich über Ihre KI-Lehrkonzepte in unseren Brownbag-Sessions und unserem Space KI@THK austauschen. Zur Inspiration können Sie gerne auf die Use Cases der FUH eingehen oder im offenen Promptkatalog des KI-Campus stöbern.

Irgendwelche Fragen?

Dann wenden Sie sich direkt an digitalelehre@th-koeln.de!

Links & Literatur

Zentrum für Lehrentwicklung (ZLE)
Das ZLE ist eine zentrale wissenschaftliche Einrichtung. Es bietet allen Hochschulangehörigen eine Plattform für den kollegialen Erfahrungsaustausch sowie Zugang zu aktueller Lehr- und Lernforschung und wissenschaftlicher Begleitung. Lehrende können mit hochschul- und mediendidaktischer Unterstützung Lehrkonzepte entwickeln, erproben, systematisch reflektieren und publizieren.