DigiLLab Knowledge Hub

TeilnehmerInnen …

• Erläutern die Darstellung von KI in den Medien und Science-Fiction Geschichten und worin sich reale KI von dieser Vorstellung unterscheidet.
• Erklären an einem Beispiel, wie sich künstliche Intelligenz in ihren Eigenschaften und Fähigkeiten von der menschlichen Intelligenz unterscheidet.
• Erklären den Begriff Superintelligenz.
• Erläutern den Unterschied zwischen wissensbasierter KI und datenbasierter KI.
• Grenze den Begriff Künstliche Intelligenz vom Begriff maschinellem Lernen ab.
• Geben an, in welche drei Teilbereiche die Verfahren des maschinellen Lernens aufgeteilt werden können.
• Erläutern die grundlegenden Schritte beim überwachten Lernen
• Beschreiben in Grundzügen, wie eine Klassifizierung von Bildern mithilfe von Verfahren des maschinellen Lernens gelöst werden können. Dabei werden Begriffe wie Trainingsdaten, Modell, Modell-Parameter erklärt.
• Erklären, wie das Wissen innerhalb des KI-Modells (bei künstlichen neuralen Netzwerken) repräsentiert ist und wie dieses Wissen genutzt wird um eine Ausgabe zu erzeugen.
• Erklären welche Bedeutung die Modellparameter beim Trainingsprozess haben.
• Erklären die Grundlegenden Schritte, wie die Modellparameter im Trainingsprozess angepasst werden.
• Erklären den Unterschied zwischen Trainingsdaten und Testdaten.
• Erklären Probleme (z.B. Overfitting), die beim Training von datenbasierter KI auftreten können.
• Sind in der Lage ein einfaches Modell zur Bildklassifizierung auf der Webseite Teachable Machines zu erstellen.
• Analysieren das Verhalten ihres erstellten Modells auf Teachable Machines und erkennen Underfitting und Overfitting.
• Beschreiben die Bedeutung des Testens von datenbasierter KI und gehen auf die Problematik der Erklärbarkeit ein.
• Beschreiben Aufgaben beim Trainieren von datenbasierter KI, die von einem Menschen getan werden müssen.
• Erläutern, in welchen grundlegenden Aspekten sich maschinelles Lernen mit beispielsweise Tensorflow unterscheidet von dem Training auf Teachable Machine.
• Erklären, was für Probleme auftreten können, wenn datenbasierte KI während der Benutzung kontinuierlich weiter trainiert wird.
• Erläutern den Unterschied zwischen Starker KI und Schwacher KI
• Geben Anwendungsbeispiele von bildauswertender KI im Anwendungsbereich an.
• Geben Anwendungsbeispiele von KI zur Verarbeitung von menschlicher Sprache im Anwendungsbereich an.
• Erklären das Verfahren des verstärkenden Lernens in Grundzügen und können eine Anwendung im Anwendungsbereich nennen.
• Erklären das Verfahren k-mean clustering (unüberwachten Lernens) in Grundzügen und können eine Anwendung im Anwendungsbereich nennen.
• Erklären das Verfahren Integrated Gradients und wie es versucht das Problem der Erklärbarkeit lösen.
• Erläutern, warum die Trainingsdaten eine hohe Bedeutung für den Erfolg des Trainingsprozesses haben.
• Erklären, was man unter Bias in den Trainingsdaten versteht und welche gesellschaftlichen Auswirkungen dadurch entstehen können.
• Erläutern, bei welchen Problemstellungen sich maschinelles Lernen besser und schlechter eignet.
• Nennen Merkmale, die für oder gegen eine Entwicklung von datenbasierter/wissensbasierter KI sprechen.
• Erläutern, warum das Vertrauen in KI-Systeme von Bedeutung ist und wie dieses erhöht werden kann.