Künstliche Intelligenz begegnet uns zunehmend im beruflichen und privaten Alltag – sei es durch automatisierte Klassifikationen, Empfehlungssysteme oder datenbasierte Prognosen. Doch vielen Nutzer*innen ist unklar, wie KI-Modelle „lernen“ und wie deren Entscheidungen zustande kommen. Dieses fehlende Verständnis erschwert eine fundierte Einschätzung der Ergebnisse sowie eine transparente und reflektierte Nutzung solcher Systeme. Typische KI-Anwendungen im Hochschulkontext: Automatische Dokumentenklassifikation, Prognose von Studierendenzahlen, Chatbots für Erstberatung, Plagiatserkennung.
Dieser Impuls erklärt verständlich, wie künstliche neuronale Netze funktionieren – ohne Programmierkenntnisse und ohne technische Überforderung. Mithilfe anschaulicher Whiteboard-Grafiken und Excel-Demonstrationen lernen Sie, wie Maschinen Entscheidungen treffen, wie sie aus Fehlern lernen und welche Faktoren die Qualität von KI-Anwendungen beeinflussen.Beschäftigte der Freien Universität Berlin beachten bitte die
Hinweise zu den rechtlichen Rahmenbedingungen beim Umgang mit Künstlicher Intelligenz im beruflichen Kontext.
Zielgruppe
Interessierte, die die Grundlagen des Maschinellen Lernens und neuronaler Netze verstehen und praktische Fähigkeiten in der Nutzung moderner KI-Systeme erwerben möchten.
Voraussetzungen
Keine mathematischen oder technischen Vorkenntnisse erforderlich.
Ziele
Nach der Veranstaltung sind die Teilnehmenden in der Lage,
- die Funktionsweise neuronaler Netze grundlegend zu verstehen,
- den Aufbau und Lernprozess eines KI-Modells nachvollziehbar zu erklären,
- die Stärken und Grenzen solcher Modelle realistisch einzuschätzen,
- Entscheidungen von KI-Anwendungen kritischer zu hinterfragen.
Inhalte
- Grundprinzip eines künstlichen Neurons: Gewichtung, Bias, Output
- Aktivierungsfunktionen erklärt: ReLU, Sigmoid, Softmax
- Vorwärtsdurchlauf anhand eines konkreten Beispiels (z. B. Spam-Erkennung)
- Rückwärtspropagation und Lernprozess: Wie passt sich ein Netz an Fehler an?
- Gradientenabstieg als Optimierungskonzept – bildlich erklärt: "Tal der besten Lösung" – wie eine Kugel den tiefsten Punkt findet
- Features vs. Zielvariablen: Was lernt die Maschine eigentlich?
- Einblick in typische Fehlerursachen und Black-Box-Probleme. Praxisrelevanz: Warum braucht KI so viele Trainingsdaten? Wann kann man den Ergebnissen vertrauen?
Methoden
Anschauliche Whiteboard-Erklärungen, Schritt-für-Schritt-Visualisierungen, Visuelle Simulationen, Excel-basierte Beispiele, moderierte Fragerunde
Hinweise
Es wird keine spezielle Software benötigt. Der Vortrag kommt ohne Formeln aus – alle Konzepte werden visuell erklärt.
