Wie funktionieren KI-Modelle?
Grundlagen moderner KI-Technologien verstehen und anwenden
Wichtiger Hinweis:
Für diese Aufgaben verwendest du die von deiner Schule bereitgestellte KI. Bei Fragen wende dich bitte an deine Lehrkraft.
Einführung: KI-Modelle verstehen
Moderne KI-Modelle wie ChatGPT, DALL-E oder Claude erscheinen oft wie magische Systeme. In diesem Lernpfad schauen wir hinter die Kulissen und verstehen die grundlegenden Prinzipien.
Warum sollte man verstehen, wie KI funktioniert?
- Bessere Nutzung von KI-Tools durch effektivere Prompts
- Realistische Einschätzung der Fähigkeiten und Grenzen
- Kritische Bewertung von KI-generierten Inhalten
- Verständnis für ethische Fragen zu KI
Schematische Darstellung eines neuronalen Netzwerks
Schritt 2: Grundlagen von KI-Modellen
Ein KI-Modell ist ein komplexes mathematisches System, das darauf trainiert wurde, Muster in Daten zu erkennen und auf dieser Basis Vorhersagen zu treffen oder neue Inhalte zu generieren.
Traditionelle vs. moderne KI
Regelbasierte Systeme:
- Explizite Regeln programmiert
- Begrenzte Anpassungsfähigkeit
- Beispiel: Frühe Chatbots
Lernende Systeme:
- Lernen aus großen Datenmengen
- Modellieren statistische Zusammenhänge
- Beispiel: GPT-4, Claude, DALL-E
Wichtige Konzepte
- Training: Prozess, bei dem das Modell lernt
- Parameter: Einstellbare Werte (oft Milliarden)
- Inferenz: Anwendung auf neue Eingaben
- Neuronale Netze: Von Gehirnen inspirierte Architektur
Schritt 3: Large Language Models (LLMs)
LLMs wie GPT-4 basieren auf einer Architektur namens "Transformer". Der Prozess umfasst mehrere Schritte:
- Tokenisierung: Text wird in kleine Einheiten zerlegt
- Embedding: Jedes Token wird in Zahlen umgewandelt
- Attention-Mechanismus: Bestimmt Relevanz zwischen Tokens
- Verarbeitung: Informationen fließen durch viele Schichten
- Token-Vorhersage: Modell berechnet Wahrscheinlichkeiten
- Generierung: Basierend auf Wahrscheinlichkeiten wird Text generiert
Wusstest du? LLMs haben eine maximale Anzahl an Tokens (Kontext-Fenster). GPT-4 kann bis zu 128.000 Tokens verarbeiten - etwa 100 Buchseiten!
Schritt 4: KI-Bildgenerierung
Diffusionsmodelle wie DALL-E funktionieren anders als Textmodelle:
- Start: Beginnen mit reinem Rauschen (Zufallspixel)
- Diffusion: Schrittweise Entfernung des Rauschens
- Prompt-Interpretation: KI versteht die Beschreibung
- Bildgenerierung: Pixel werden nach und nach zu einem Bild geformt
- Refinement: Details werden verfeinert
Praktische Übung:
Nutze die von deiner Schule bereitgestellte KI, um ein Bild zu generieren. Beschreibe genau, was du sehen möchtest:
Schritt 5: Prompt Engineering
Die Art, wie du eine KI anweist, beeinflusst das Ergebnis stark. Hier sind Tipps für bessere Prompts:
Gute Prompts:
- Spezifisch und klar formuliert
- Enthalten Kontext und Beispiele
- Definieren den gewünschten Stil
- Geben klare Anweisungen
Schlechte Prompts:
- Zu vage oder unklar
- Fehlender Kontext
- Widersprüchliche Anweisungen
- Zu lang oder komplex
Übung:
Formuliere einen Prompt für die von deiner Schule bereitgestellte KI. Teste verschiedene Formulierungen und beobachte die Unterschiede in den Ergebnissen.
Tipp: Sei spezifisch, gib Kontext und definiere den gewünschten Output-Stil.
Schritt 6: Quiz und Abschluss
Frage 1: Was ist ein KI-Modell?
Richtig! Ein KI-Modell ist ein trainiertes System, das aus Daten lernt.
Frage 2: Was ist Tokenisierung?
Richtig! Tokenisierung zerlegt Text in verarbeitbare Einheiten.
Frage 3: Was ist der Attention-Mechanismus?
Richtig! Der Attention-Mechanismus bestimmt, wie relevant jedes Token für andere ist.
Frage 4: Wie funktionieren Diffusionsmodelle?
Richtig! Diffusionsmodelle beginnen mit Rauschen und entfernen es schrittweise.
Frage 5: Was macht einen guten Prompt aus?
Richtig! Ein guter Prompt ist spezifisch, klar formuliert und enthält relevanten Kontext.
Quiz abgeschlossen!
Du hast 0 von 5 Fragen richtig beantwortet.