Wird geladen

KI-Fähigkeiten und -Grenzen

Entwickle ein genaues mentales Modell davon, was große Sprachmodelle können und nicht können: Next-Token-Prediction, Wissen, Arbeitsgedächtnis, Steuerbarkeit und Kontextgrenzen.

3.5 Std.1 Quiz
Was du lernen wirstAm Ende dieses Kurses wirst du in der Lage sein,
  • Generative KI von Klassifikations- und Vorhersage-KI unterscheiden und ihre vier Kerneigenschaften als Kontinuum zwischen Fähigkeit und Grenze einordnen
  • Den zweistufigen Trainingsprozess (Pretraining und Fine-tuning) erklären und die Verhaltensmerkmale erkennen, die er hinterlässt: Unterwürfigkeit (Sycophancy), Weitschweifigkeit, übertriebene Vorsicht und eine lockere Kalibrierung des Selbstvertrauens
  • Next-Token-Prediction als zentralen generativen Mechanismus erklären und identifizieren, wo sich Erfindungen (Fabrikationen) konzentrieren
  • Beschreiben, wie der Wissensstichtag (Knowledge Cutoff) und die ungleichmäßige Trainingsabdeckung prägen, was ein Modell weiß, und erkennen, wann Websuche, Retrieval oder Tool-Nutzung die richtige Lösung ist
  • Das Kontextfenster als scharf begrenzte Grenze erklären und Strategien zur Kontextplatzierung anwenden, wie Vorab-Platzierung wichtiger Informationen, Chunking und erneutes Bereitstellen kritischer Informationen
  • Vorhersagen, wo das Befolgen von Anweisungen präzise bzw. locker ist, und Reasoning-Drift sowie Buchstaben- statt Sinntreue als Fehler der Steuerbarkeit erkennen
  • Reale KI-Fehler diagnostizieren, indem benannt wird, welche Eigenschaften kollidieren, und eine gezielte Lösung wählen
  • Die vier Eigenschaften mit dem 4D-Modell verbinden und kalibriertes Vertrauen üben, indem Aufgaben auf jedem Kontinuum eingeordnet werden

Die erste Erfahrung der meisten Menschen mit einem generativen KI-System ist eine Mischung aus Begeisterung und Verwirrung. Sie erstellt in Sekundenschnelle eine druckreife Zusammenfassung eines dichten Berichts und erfindet dann selbstbewusst ein Zitat, das gar nicht existiert. Sie befolgt eine detaillierte Anweisung perfekt und ignoriert dann in der nächsten Nachricht eine einfache. Ohne ein mentales Modell davon, was darunter eigentlich passiert, wirken diese Momente zufällig – und es ist schwer zu wissen, ob man der nächsten Ausgabe vertrauen oder wie man die letzte korrigieren soll.

Dieser Kurs vermittelt Lernenden genau dieses mentale Modell. Er ist der Begleitkurs zu AI Fluency: Framework & Foundations: Während jener Kurs die menschlichen Kompetenzen vermittelt (Delegation (Übertragung), Description (Beschreibung), Discernment (Beurteilung), Diligence (Gewissenhaftigkeit)), vermittelt dieser hier die maschinellen Eigenschaften, auf die diese Kompetenzen reagieren. Beide sind so konzipiert, dass sie in beliebiger Reihenfolge absolviert werden können, und zusammen ergeben sie ein vollständiges Bild effektiver Mensch-KI-Zusammenarbeit.

Wir gliedern den Kurs um vier Eigenschaften, die bestimmen, was ein KI-System für dich leisten kann und was nicht: Next-Token-Prediction (woher KI-Antworten kommen), Wissen (was das Modell tatsächlich weiß und warum es selbstbewusst falschliegen kann), Arbeitsgedächtnis (worauf es gerade achtet und was über den Rand fällt) und Steuerbarkeit (wie viel Kontrolle deine Anweisungen dir wirklich geben). Jede Eigenschaft liegt auf einem Spektrum zwischen Fähigkeit und Grenze, und jeder Abschnitt verbindet eine kurze Erklärung mit einer praktischen Übung, damit du spürst, wo die Grenzen liegen, statt nur darüber zu lesen.

Der letzte Abschnitt betrachtet, was passiert, wenn diese Eigenschaften aufeinandertreffen – denn in der Praxis tun sie das immer. Ein langes Dokument strapaziert das Arbeitsgedächtnis und streift gleichzeitig in Wissen ab, das das Modell nicht hat; eine vage Anweisung testet die Steuerbarkeit genau in dem Moment, in dem Next-Token-Prediction nach dem greift, was am plausibelsten klingt. Wir schließen mit einer praktischen Diagnose ab: wie man eine unerwartete Ausgabe betrachtet, erkennt, um welche Art von Unerwartetem es sich handelt, grob einordnet, wo auf dem Kontinuum zwischen Fähigkeit und Grenze deine Aufgabe gelandet ist, und mit einer gezielten Lösung reagiert statt mit einem allgemeinen erneuten Versuch.

Keine. Dieser Kurs setzt weder technisches Vorwissen noch vorherige Erfahrung mit KI-Tools voraus. Wenn du AI Fluency: Framework & Foundations bereits abgeschlossen hast, wirst du erkennen, wo jede Eigenschaft mit den 4Ds zusammenhängt – das ist aber nicht erforderlich.

Für wen dieser Kurs gedacht ist

Für alle, die generative KI in ihrer Arbeit oder ihrem Studium nutzen oder demnächst nutzen werden und verstehen möchten, warum sie sich so verhält, wie sie es tut. Lehrende, Studierende, Wissensarbeiter und Teamleitende werden alle das gleiche Grundmodell nützlich finden, weil sich die beschriebenen Eigenschaften über Anwendungsfälle hinweg nicht ändern.

Inside the course

Erste Schritte

3 lessons

Das Wort „KI" deckt ein weites Feld ab. Dieser Abschnitt grenzt es auf die Art von System ein, mit dem du tatsächlich arbeiten wirst – große Sprachmodelle – und erklärt, wie zwei Trainingsphasen, Pretraining und Fine-tuning, aus einem reinen Textvorhersager den hilfreichen Assistenten machen, mit dem du interagierst. Dabei lernst du das Vier-Eigenschaften-Modell kennen, das den Rest des Kurses strukturiert.

Next-Token-Prediction

2 lessons

Jede Antwort, die eine KI gibt, wird Token für Token aufgebaut, indem vorhergesagt wird, was als Nächstes kommen sollte. Dieser Abschnitt zeigt, was das in der Praxis bedeutet: warum das Modell bei eingefahrenen Pfaden wie Zusammenfassen oder Umformatieren hervorragend ist, warum es Dinge produzieren kann, die wahr klingen, es aber nicht sind, und wie man erkennt, wann eine Aufgabe in ein Terrain vordringt, in dem Vorhersage allein nicht ausreicht.

Wissen

2 lessons

Ein Modell weiß, was in seinen Trainingsdaten enthalten war – häufig, aktuell und konsistent. Dieser Abschnitt erläutert, was das bedeutet: Es ist stark bei Mainstream-Themen und verbreiteten Sprachen, schwächer bei allem, was selten, aktuell, nischenhaft oder umstritten ist. Du übst einzuschätzen, wo eine Frage auf diesem Spektrum liegt, damit du weißt, wann du der Antwort vertrauen kannst und wann du eigene Quellen heranziehen solltest.

Arbeitsgedächtnis

2 lessons

Das Kontextfenster ist das Arbeitsgedächtnis des Modells: alles, worauf es gerade achten kann, und nichts weiter. Dieser Abschnitt behandelt, was hineinpasst, was still und leise über den Rand fällt, warum Aufmerksamkeit über ein langes Dokument hinweg nicht gleichmäßig verteilt ist, und warum sich eine neue Sitzung nicht an die letzte erinnert. Du lernst, eine Aufgabe vorab am Fenster zu messen, statt die Grenze mitten im Gespräch zu entdecken.

Steuerbarkeit

2 lessons

Deine Anweisungen sind das, womit du steuerst – aber nicht alle Anweisungen kommen gleich gut an. Kurze, konkrete, überprüfbare Wünsche („antworte als Tabelle“, „unter 100 Wörter“) funktionieren zuverlässig; lange Gedankenketten, abstrakte Anfragen und Forderungen nach nativer Präzision sind die Stellen, an denen die Steuerung zu wackeln beginnt. Dieser Abschnitt hilft dir, den Unterschied zu erkennen und eine wacklige Anweisung in eine umzuschreiben, der das Modell tatsächlich folgen kann.

Alles zusammenführen und nächste Schritte

3 lessons

Reale Aufgaben testen selten nur eine Eigenschaft auf einmal. Eine lange Vertragsprüfung belastet das Arbeitsgedächtnis und reicht gleichzeitig über das Wissen des Modells hinaus; ein vages kreatives Briefing testet die Steuerbarkeit genau dort, wo Next-Token-Prediction etwas Plausibles einfügen möchte. Dieser Abschnitt zeigt dir, wie die vier Eigenschaften kollidieren, und gibt dir eine Diagnose für jede unerwartete Ausgabe an die Hand: benenne, welche Eigenschaft im Spiel ist, ordne die Aufgabe auf ihrem Spektrum ein und wende eine gezielte Lösung an, statt es einfach noch einmal zu versuchen.