Generative Künstliche Intelligenz (KI)

Mit generativer künstlicher Intelligenz sind in der Regel folgende Art von Anwendungen/ Tools für Studium und Lehre gemeint:

• Tools, die deutlich über etablierte Tools wie die Rechtschreibkontrolle hinausgehen, weil sie neue Textinhalte generieren (auf Sprachmodellen beruhende Tools wie z.B. ChatGPT).
• Tools, die Programm-Code, Audioinhalte (per Text-to-Speech), Musik, Bild- und Videomaterial durch maschinelles Lernen generieren (z.B. Diffusionsmodelle wie Midjourney, Stable Diffusion, Adobe Firefly).
• Tools, die als Eingabemedium Audio, Bilder oder andere Dokumente (Excel-Datenblätter) verarbeiten können.
• Tools, die nach Eingabe eines Prompts die ihnen zur Verfügung stehenden Datenbanken durchforsten und Zusammenfassungen generieren (Research Assistent Tools wie Elicit, Perplexity).
• Tools, die Studierende nutzen können, um individualisiertes Lernmaterial zu erstellen oder sich über Inhalte abfragen zu lassen (Recommender und Learning Analytics Tools wie ChatPDF, TutorAI).

Weitere Informationen zu Tools und den Anwendungsfällen von spezifischen Tools finden Sie in dieser Sammlung unter Tools finden

Large Language Model (LLM)

Bei einem Large Language Model handelt es sich um ein großes Sprachmodell. Dabei versteht, verarbeitet und generiert die KI natürliche Sprache (Natural Language Processing - NLP). LLMs basieren auf neuronalen Netzwerken und verwenden Deep-Learning-Algorithmen. Sie werden eingesetzt zur Beantwortung von Fragen, Zusammenfassungen von Texten, Übersetzen von Texten, Vervollständigen oder Erstellen von Texten. Die generierten Inhalte sind dabei sowohl grammatikalisch als auch orthopraphisch richtig. LLMs arbeiten mit Statistik und Wahrscheinlichkeiten und bestimmen dabei Wort für Wort die wahrscheinlichste Fortsetzung eines Textes. Der generierte Text basiert somit auf Wahrscheinlichkeit und nicht auf Richtigkeit. Ein bekanntes Beispiel für ein LLM ist ChatGPT.

Machine Learning (ML)

Bei dem Machine Learning (ML) handelt es sich um die "künstliche" Generierung von Erfahrung. Das bedeutet, dass ein System in einer Lernphase aus Beispielen lernt, um sie zu verallgemeinern. Während der Lernphase wird ein statistisches Modell, welches auf Trainingsdaten beruht, durch Algorithmen gebaut. Die KI greift also nicht auf Beispiele zurück, welche auswendig gelernt wurden, sondern erkennt Muster basierend auf den Lerndaten. Das ermöglicht dem System unbekannte Daten beurteilen zu können. 

Künstliches neuronales Netzwerk (KNN)

Von Dake, Mysid - Vectorized by Mysid in CorelDraw on an image by Dake., CC BY 1.0,

Das künstliche neuronale Netzwerk (KNN) orientiert sich an dem Aufbau eines biologischen Nervensystems. Ein Nervensystem besteht aus Neuronen (Nervenzellen), welche zur Informationsübertragung über Synapsen mit anderen Zellen verbunden sind. Dieser Aufbau wird in abstrahierter Form von dem KNN übernommen. Neuronen eines KNN nehmen externe Informationen oder Informationen anderer Neuronen auf und geben sie in modifizierter Form an andere Neuronen oder nach außen weiter. Dabei werden die Neuronen in Schichten, mit mindestens einer Eingabe- und einer Ausgabeschicht, sowie einer dazwischenliegenden verborgenen Schicht angeordnet. Jedes Neuron ist mit jedem Neuron der folgenden Schicht verbunden. Dabei entstehen Ebenen von unterschiedlicher Komplexität. Je mehr Schichten vorhanden sind, umso tiefer ist das KNN und kann ab einer gewissen Tiefe für das Deep Learning (s.u.) eingesetzt werden. 

Deep Learning

Das Deep Learning beschreibt einen Teilbereich des ML. Diese Methode beschreibt die Lernvariante basierend auf künstlicher neuronaler Netze (KNN) (s. o.) und umfangreichen Datenmengen. Deep Learning stützt sich auf Netzwerke mit sog. verborgenen Schichten, d. h. mehrere Ebenen von Neuronen, die zwischen der Eingabe- und der Ausgabe-Ebene angeordnet sind.

Big Data

Die verwendeten Daten für die Lernphase stammen aus "Big Data". Big Data beschreibt dabei eine Menge an Daten, die so groß und komplex ist, dass sie nicht mit den traditionellen Datenverarbeitungsmethoden verarbeitet werden kann. Die Menge und Qualität der Daten sind entscheidend für die Qualität das daraus resultierende KI-System.

Prompt Engineering

Das Konzept "Prompt Engineering" beschreibt die Eingabe von "Prompts" (Eingabebeaufforderungen) in das Eingabefeld des jeweiligen KI-Tool. Ziel ist es, Befehle so zu formulieren, dass die KI das gewünschte Ergebnis liefert. Eine sorgfältige Gestaltung der Prompts kann die Leistung und Verständlichkeit von KI-Systemen erheblich verbessern.

Exemplarischer Aufbau eines Prompts

Sprachmodelle wie ChatGPT können Schwierigkeiten mit allgemeinen oder zu komplex formulierten Eingaben haben. Ein guter Prompt sollte daher Informationen zu folgenden Punkten enthalten und kann diesem Aufbau folgen:

• Die Rolle, die übernommen werden soll (zum Beispiel "Du bist ein/e ... und möchtest ...")
• Die Art des Textes (zum Beispiel "ein Abschnitt einer wissenschaftlichen Veröffentlichung")
• Der Stil (zum Beispiel "akademisch")
• Das Thema, die Aufgabe oder das Ziel
• Zwischenschritte zum Ziel
• Kontext oder Beispiele
• Die Zielgruppe (zum Beispiel "Studierende, Lehrende, Forschende usw.")
• Die Länge und Formatierung der Ausgabe (zum Beispiel "5 Sätze; 250 Wörter; 2 Absätze; 3 Stichpunkte pro Absatz usw.")

Der KI-Campus hat in der Veranstaltungsreihe "Prompt Labor" einen Prompt-Katalog initiiert, in diesem Katalog finden Sie ausformulierte Promptbeispiele mit Bezug auf die Lehre (z.B. Begrüßungstext für Online-Lernraum erstellen, Ideen für einen Ablaufplan generieren, Nachrichten an Studierende vorformulieren usw.) (Link zum Katalog).

Weitere Informationen zum Thema finden Sie im Abschnitt Prompt Engineering