Übungen: Einführung in die Künstliche Intelligenz

Korrekt ist b).

Die Folien definieren KI wörtlich als "Maschinen oder Software-Anwendungen, die das Verhalten menschlicher Intelligenz zeigen". Wichtig ist der Fokus auf Verhalten: Es geht nicht um das Aussehen (d schließt c aus) und nicht um bloße Rechengeschwindigkeit (a, d), sondern um das Nachbilden intelligenter Fähigkeiten wie Wahrnehmen, Lernen/Wissen/Nachdenken, Kommunizieren und Handeln.

Falle: Antwort d verwechselt "schnell rechnen" mit "Intelligenz zeigen". Ein Taschenrechner rechnet schnell, zeigt aber kein intelligentes Verhalten.

Siehe EKI00.

Die vier Fähigkeiten (illustriert am Beispiel spielender Kinder im Sandkasten):

1. Wahrnehmen (perceiving) - sehen, hören, fühlen.
2. Lernen, Wissen, Nachdenken (learning, knowing, reasoning) - denken, planen.
3. Kommunizieren (communicating) - sprechen, schreiben.
4. Handeln (acting).

Lösungsweg: Die Folie ordnet menschliche Intelligenz genau diesen vier Ober-Fähigkeiten zu. Man merkt sie sich gut als "wahrnehmen - denken - kommunizieren - handeln", also der Kreislauf von Eingang (Wahrnehmen) über Verarbeitung (Nachdenken) zu Ausgang (Kommunizieren, Handeln).

Tipp: Diese vier Fähigkeiten tauchen in der KI-Landkarte als Bereiche wieder auf (Perceiving, Reasoning/Learning/Knowing, Communicating, Acting). Wer die vier Grundfähigkeiten kennt, hat die Landkarte halb verstanden.

Siehe EKI00.

Korrekt ist c).

Auf dem Dartmouth-Workshop 1956 wurde der Begriff "Artificial Intelligence" geprägt (Begriffsbildung). Teilnehmer waren u.a. John McCarthy, Marvin Minsky, Claude Shannon, Allen Newell und Herbert Simon.

Warum die anderen falsch sind:

• a) Der KI-Winter kam erst später (1980er-1990er).
• b) Der Turing-Test stammt von Alan Turing (1912-1954) und ist eine eigenständige, frühere Arbeit, nicht Teil des Workshops.
• d) Der Gartner Hype Cycle ist ein Modell zur Einordnung, kein historisches Ereignis von 1956.

Tipp: Merke die Kette: Turing (Berechenbarkeit, Turing-Test) -> Dartmouth 1956 (Begriff geprägt) -> McCarthy (Logic Theorist).

Siehe EKI00.

Vertikale Achse:

• Acquiring intelligence (Intelligenz erwerben) - unten. Hierher gehören die Bereiche Learning und Knowing.
• Applying intelligence (Intelligenz anwenden) - oben. Hierher gehören Perceiving, Communicating, Reasoning und Acting.

Zwei zentrale (sich überlappende) Paradigmen:

• Non-symbolic AI / Machine Learning - nicht-symbolische, datengetriebene KI (z.B. neuronale Netze, SVM, Random Forest, K-Means).
• Symbolic AI / Knowledge-based AI - symbolische, wissensbasierte KI (z.B. semantische Netze, Ontologien, Logic programming).

Lösungsweg: Man unterscheidet zuerst, wie Intelligenz zustande kommt (Achse: erwerben vs. anwenden), und dann auf welchem Weg (Paradigma: aus Daten lernen vs. formalisiertes Wissen nutzen). Die Paradigmen überlappen sich, weil hybride Verfahren (z.B. Decision tree learning, Bayes networks, Hidden Markov Models) zwischen beiden liegen.

Falle: "Acquiring" und "Applying" sind keine Paradigmen, sondern die Achse. Umgekehrt sind "Non-symbolic/Symbolic" keine Bereiche. Beides nicht vermischen.

Siehe EKI00.

(a) Aufgetragen wird die Sichtbarkeit/Aufmerksamkeit (Visibility) über die Zeit (Time).

(b) Der KI-Winter entspricht dem Trough of Disillusionment (Tal der Ernüchterung). Zu hohe Erwartungen wurden enttäuscht, es kam zu massiven Förderkürzungen und einem Kollaps des KI-Marktes.

(c) Die überoptimistischen Minsky-Zitate ("Within 10 years computers won't even keep us as pets", 1970) gehören zum Peak of Inflated Expectations - dem Hype-Höhepunkt mit überzogenen Erwartungen.

Lösungsweg: Der Hype-Zyklus hat fünf Phasen in dieser Reihenfolge: Technology Trigger -> Peak of Inflated Expectations -> Trough of Disillusionment -> Slope of Enlightenment -> Plateau of Productivity. Der KI-Winter ist ein Musterbeispiel für den Absturz nach dem Hype, also das Tal.

Tipp: Merkhilfe für die Reihenfolge: Auslöser -> Gipfel der Illusion -> Tal der Ernüchterung -> Hang der Erkenntnis -> Plateau der Produktivität.

Siehe EKI00.

Lösungsweg: Nur Learning und Knowing liegen unten auf der "Acquiring"-Seite - das sind die Bereiche, in denen Intelligenz erst erworben wird (aus Daten lernen bzw. Wissen aufbauen). Alle vier übrigen wenden die erworbene Intelligenz an.

Falle: Reasoning wirkt intuitiv wie "Wissen erwerben", zählt in der Landkarte aber zu Applying - man wendet vorhandenes Wissen zum Schlussfolgern an. Nur Learning und Knowing sind Acquiring.

Siehe EKI00.

Non-symbolic AI / Machine Learning (datengetrieben):

• (1) Support Vector Machines
• (3) Random Forest
• (5) K-Means

Symbolic AI / Knowledge-based AI (wissensbasiert):

• (2) Ontologien
• (4) Logic programming
• (6) Semantische Netze

Brücke Learning/Knowing (probabilistisch/hybrid) - z.B.:

• Bayes networks, Hidden Markov Models, Decision tree learning oder Inductive logic programming (zwei davon genügen).

Lösungsweg: Datengetriebene Lernverfahren, die Muster aus Beispielen ableiten (SVM, Random Forest, K-Means, neuronale Netze, Naive Bayes), sind non-symbolic. Verfahren, die auf explizit formalisiertem Wissen beruhen (Ontologien, semantische Netze, Logic programming), sind symbolic. Die hybriden Verfahren verbinden Lernen und Wissen, weshalb sie in der Landkarte im Überlappungsbereich liegen.

Tipp: Faustregel - "Lernt es aus Daten?" -> non-symbolic. "Nutzt es von Hand modelliertes Wissen/Logik?" -> symbolic. Decision tree learning steht bewusst in der Brücke, obwohl der Entscheidungsbaum aus Daten lernt.

Siehe EKI00.

Vollständige Antwort:

Der KI-Winter durchlief exakt das Muster eines Hype-Zyklus:

1. Ursache (Peak of Inflated Expectations): In den 1960er-1980er Jahren gab es enthusiastische Versprechen, schnell große Ergebnisse zu erzielen, sowie starke Förderung (vor allem in den USA). Zitate wie Minskys "Within a generation ... the problems of creating 'artificial intelligence' will be substantially solved" (1967) illustrieren die überzogenen Erwartungen.

2. Verlauf (Trough of Disillusionment): Diese zu hohen Erwartungen wurden enttäuscht. Es folgten massive Einschnitte in der Förderung und ein Kollaps des KI-Marktes (1980er-1990er).

3. Betroffene Phase: Der KI-Winter entspricht dem Trough of Disillusionment (Tal der Ernüchterung), das im Gartner Hype Cycle direkt auf den Hype-Höhepunkt folgt.

Lösungsweg: Ein Hype-Zyklus ist genau die Abfolge "überzogene Erwartung -> Enttäuschung -> realistische Konsolidierung". Der KI-Winter zeigt die ersten beiden Schritte lehrbuchhaft: erst Übertreibung und Geldflut, dann Ernüchterung und Förderstopp.

Tipp: Für die Klausur die drei Schlagworte parat haben: enttäuschte Erwartungen, Förderkürzungen, Marktkollaps. Danach erholte sich das Feld (Slope of Enlightenment, Plateau of Productivity) bis zur heutigen allgegenwärtigen KI.

Siehe EKI00.

Lösungsweg: Der Schlüssel ist die Art der Aufgabe:

• Bilder/Ziffern erkennen = Wahrnehmung visueller Daten = Computer Vision (mit OCR/MNIST als konkretem Beispiel der Folie).
• Sprache/Text verstehen und beantworten = NLP (Question Answering wird explizit genannt).
• Kontinuierlicher Zahlenwert (Umsatz) = Regression (nicht Klassifikation, da kein diskretes Kategorie-Label).
• Formalisiertes Wissen mit Beziehungen = Wissensrepräsentation (Wissensgraph für Filme ist das Folienbeispiel).

Falle: (c) ist Regression, nicht Klassifikation - der Ausgabewert ist eine kontinuierliche Zahl, keine Kategorie. Klassifikation wäre z.B. "Blume zu Art zuordnen".

Siehe EKI00.

Musterantwort (chronologisch):

1. Anfänge (1950er/60er und früher): Alan Turing (1912-1954) liefert fundamentale Arbeiten zur Berechenbarkeit und formuliert den Turing-Test als Kriterium für intelligentes Verhalten.

2. Dartmouth-Workshop 1956: Begriffsbildung "Artificial Intelligence"; Teilnehmer u.a. John McCarthy, Marvin Minsky, Claude Shannon, Allen Newell, Herbert Simon. McCarthy entwickelt frühe Anwendungen wie den Logic Theorist (Beweis mathematischer Theoreme).

3. AI-Hype (1960er-1980er): Enthusiastische Versprechen, starke Förderung (v.a. USA), überoptimistische Zitate (Minsky). Beginn des AI-Hypes.

4. KI-Winter (1980er-1990er): Enttäuschte Erwartungen, massive Förderkürzungen, Kollaps des KI-Markts - klassisches Beispiel für einen Hype-Zyklus (Trough of Disillusionment).

5. KI heute: Relevant und überall - digitale Assistenten, Gesichts- und Spracherkennung, Übersetzung; zugleich weiterhin überzogene Zukunftsversprechen (Kurzweil).

Lösungsweg: Eine gute Klausurantwort folgt der Zeitachse und nennt zu jeder Phase Person + Ereignis + Bedeutung. Vier Stationen reichen; ideal ist die Kette Turing -> Dartmouth -> Hype -> Winter -> heute.

Tipp: Die vier Jahreszahl-Anker merken: ~1950 Turing, 1956 Dartmouth, 1960-80 Hype, 1980-90 Winter. Damit ist die Chronologie klausursicher.

Siehe EKI00.

(a) Voraussetzung: das EKI-Praktikumstestat.

(b) Das Praktikumstestat verlangt konkret:

• Alle Aufgaben bearbeitet und rechtzeitig in Moodle hochgeladen.
• Aktive Teilnahme an mindestens vier Code-Reviews eigener Wahl.
• Die Präsentation zu ethischen Aspekten der KI (statt eines Code-Reviews).

(c) Erlaubtes Hilfsmittel: ein beidseitig handbeschriebenes DIN-A4-Blatt (also kein Ausdruck). Nicht erlaubt: jegliche elektronische Geräte (Notebook, Smartphone, Taschenrechner, ...).

(d) Dauer: 90 Minuten.

Lösungsweg: Die Organisationsfolie regelt Testat und Klausur getrennt: erst Testat als Zulassung (drei Bausteine: Aufgaben + 4 Code-Reviews + Ethik-Präsentation), dann die schriftliche 90-Minuten-Klausur mit dem handbeschriebenen A4-Blatt als einzigem Hilfsmittel.

Falle: Das A4-Blatt muss handbeschrieben sein - ein Ausdruck ist nicht zugelassen. Und Achtung: Die praktischen Anteile sind für die Klausur genauso wichtig wie die Vorlesungsinhalte; auch das Humm-Buch ist klausurrelevant.

Siehe EKI00.

(a) Relevant und überall:

Alltag (zwei genügen): digitale Assistenten mit Sprachsteuerung, Gesichtserkennung in Kameras, Spam-Erkennung bei E-Mail, KI in Computerspielen, semantische Suche im Internet, maschinelle Übersetzung.

Professionell (zwei genügen): Business Intelligence / Sentiment-Analyse, Robotik (Maschinenbau, Landwirtschaft), Militäranwendungen (z.B. Drohnen).

(b) Der Hype existiert weiterhin:

Trotz realer Anwendungen gibt es überzogene Zukunftsversprechen. Beleg: das Kurzweil-Zitat (2005), KI erreiche "human levels by around 2029" und werde die Intelligenz bis 2045 milliardenfach vervielfachen. Auch die Populärkultur (Filme wie A.I., Ex Machina, I, Robot) verstärkt überzogene Erwartungen. Kritisch einzuordnen ist zudem die Grafik "AI is outpacing human performance": KI hat zwar in einzelnen Benchmarks (Bild-, Sprach-, Handschrifterkennung) menschliche Leistung erreicht, doch die für das Training nötige Rechenleistung verdoppelt sich etwa alle sechs Monate, und hochwertige Trainingsdaten könnten bereits um 2026 knapp werden - ein möglicher Plateau-Effekt.

Lösungsweg: Teil (a) verlangt konkrete Beispiele aus den Kategorien Alltag vs. professionell. Teil (b) verlangt die kritische Gegenposition: reale Fortschritte anerkennen, aber überzogene Prognosen (Kurzweil, Populärkultur) und Grenzen (Rechenaufwand, Datenknappheit) benennen.

Tipp: Eine überzeugende Klausurantwort auf "existiert ein Hype?" ist differenziert: "Ja, teils real (konkrete Anwendungen), teils übertrieben (Kurzweil-Prognosen, Filme)." Ein reines Ja/Nein greift zu kurz.

Siehe EKI00.