Künstliche Intelligenz (KI) bezeichnet die Fähigkeit von Maschinen oder Computern, Aufgaben zu erledigen, die normalerweise menschliche Intelligenz erfordern. Dazu gehören das Erkennen von Mustern, das Lernen aus Daten und das Treffen von Entscheidungen. Der englische Begriff für Künstliche Intelligenz ist Artificial Intelligence und wird mit AI abgekürzt.

Praxisbeispiel: In der Berufsbildung kann KI für die Personalisierung von Lerninhalten eingesetzt werden. Eine KI-gestützte Lernplattform analysiert die bisherigen Fortschritte von Lernenden und schlägt passende Lernmodule vor. Ein Beispiel ist die Anpassung von Schulungsmaterialien in der Pflegeausbildung, wo KI personalisierte Inhalte anbietet, die auf den spezifischen Wissenstand der Lernenden abgestimmt sind.

Virtual Reality (VR) ist eine Technologie, die Nutzende vollständig in eine computergenerierte, dreidimensionale Umgebung eintauchen lässt. Durch VR-Headsets wie die Oculus Rift können Lernende sich frei in dieser virtuellen Welt bewegen und interagieren.

Praxisbeispiel: In der Ausbildung von Elektriker:innen wird VR eingesetzt, um gefährliche Arbeiten virtuell zu simulieren. Die Lernenden können in einer sicheren Umgebung verschiedene Szenarien trainieren, wie z.B. die Wartung von Hochspannungsleitungen, ohne tatsächlichem Risiko ausgesetzt zu sein.

Augmented Reality (AR) ergänzt die reale Umgebung durch digitale Elemente wie Bilder, Texte oder Animationen, die über Geräte wie Tablets oder AR-Brillen eingeblendet werden.

Praxisbeispiel: In der Kfz-Mechanik-Ausbildung können Lernende durch eine AR-Brille wie die Microsoft HoloLens Anleitungen und Anweisungen direkt auf die zu wartenden Fahrzeugteile projizieren lassen. Das vereinfacht den Reparaturprozess und ermöglicht ein praxisnahes Lernen ohne gedruckte Anleitungen.

Maschinelles Lernen ist ein Teilbereich der Künstlichen Intelligenz (KI), bei dem Algorithmen genutzt werden, um aus Daten Muster zu erkennen und Vorhersagen zu treffen, ohne explizit programmiert zu werden.

ML-Modelle lernen aus historischen Daten und können Vorhersagen treffen, indem sie aus den Mustern in diesen Daten generalisieren. Sie nutzen verschiedene Algorithmen wie Entscheidungsbäume, Support Vector Machines (SVMs) oder lineare Regression.

ML benötigt in der Regel strukturierte Daten, die vorher aufbereitet und in einer Form organisiert sind, die der Algorithmus verarbeiten kann. Ein Beispiel wäre eine Tabelle mit klaren Variablen wie Alter, Beruf und Einkommen.

ML-Algorithmen werden anhand eines Datensatzes trainiert, der als „Trainingsdaten“ bezeichnet wird. Dieser Datensatz enthält Eingabedaten sowie die zugehörigen richtigen Ausgaben. Der Algorithmus passt seine Parameter so an, dass er lernt, die Eingaben korrekt in Ausgaben umzuwandeln.

Anwendungsbeispiel in der Bildung: In der Berufsbildung kann ML verwendet werden, um den Lernfortschritt von Teilnehmenden zu analysieren und individuelle Lernpfade vorzuschlagen. Zum Beispiel kann ein Algorithmus anhand der Testergebnisse erkennen, welche Bereiche noch Übung benötigen und automatisch entsprechende Lernmaterialien bereitstellen.

Praxisbeispiel: In der Logistikausbildung wird maschinelles Lernen genutzt, um Muster in Lieferketten zu erkennen und zukünftige Lieferzeiten vorherzusagen. Dadurch lernen Auszubildende, wie sie mit Datenanalysen Optimierungspotenziale in der Logistik identifizieren können.

Deep Learning ist ein spezieller Teilbereich des maschinellen Lernens, der auf künstlichen neuronalen Netzwerken basiert und besonders gut geeignet ist, um komplexe Muster in grossen, unstrukturierten Datenmengen zu erkennen.

DL-Modelle bestehen aus vielen Schichten (daher „deep“) von miteinander verbundenen künstlichen Neuronen. Jedes Neuron verarbeitet eine kleine Information und gibt das Ergebnis an die nächste Schicht weiter, wodurch sehr komplexe Muster erkannt werden können.

DL kann sowohl strukturierte als auch unstrukturierte Daten verarbeiten, wie etwa Bilder, Sprache oder Texte. Im Gegensatz zu ML-Modellen kann DL selbstständig Merkmale und Muster in diesen Daten erkennen, ohne dass diese vorher von Menschen definiert werden müssen.

Auch DL-Modelle müssen trainiert werden, und zwar in der Regel mit noch grösseren Datensätzen. Der Hauptunterschied besteht darin, dass der Trainingsprozess oft komplexer und rechenintensiver ist, weil die neuronalen Netzwerke aus vielen Schichten bestehen, die alle angepasst werden müssen.

Bei der Bilderkennung kann ein Deep Learning-Modell anhand von tausenden Bildern trainiert werden, um zu lernen, Objekte oder Gesichter zu erkennen. Das Modell passt seine vielen „Gewichte“ in den neuronalen Verbindungen an, um am Ende die gewünschten Muster zuverlässig zu erkennen.

Hier ist ein nicht ganz ernst gemeintes, aber eindrückliches Beispiel dazu. Ein Algorithmus wird darauf trainiert, dass er zuverlässig Gesichter von Chihuahuas erkennt, und kein Muffin durchgeht.

Sprachmodelle sind KI-Systeme, die entwickelt wurden, um menschliche Sprache zu verstehen, zu verarbeiten und zu generieren. Sie werden häufig in Chatbots oder Sprachassistenten verwendet.

Praxisbeispiel: In der Kundenservice-Ausbildung kann ein Sprachmodell als virtueller Chatbot eingesetzt werden, der die Auszubildenden auf typische Kundenanfragen vorbereitet. Der Chatbot simuliert reale Gesprächssituationen und gibt Feedback, sodass die Lernenden ihre Kommunikationsfähigkeiten verbessern können.

Datenanalyse ist der Prozess der Untersuchung und Auswertung von Daten, um nützliche Informationen zu gewinnen und Entscheidungen zu treffen. Sie ist eine wichtige Grundlage für viele KI-Anwendungen, da sie die Grundlage für maschinelles Lernen und KI-Entscheidungsprozesse bildet.

Praxisbeispiel: In der Ausbildung im Bereich Marketing kann die Datenanalyse eingesetzt werden, um Trends im Kundenverhalten zu erkennen. Lernende könnten beispielsweise mithilfe von Datenanalysen herausfinden, welche Produktangebote besonders erfolgreich sind und welche Marketingmassnahmen verstärkt werden sollten.

Ein Algorithmus ist eine Reihe von Anweisungen oder Regeln, die ein Computer befolgt, um ein bestimmtes Problem zu lösen oder eine Aufgabe zu erledigen. In der KI werden Algorithmen genutzt, um Daten zu analysieren, Muster zu erkennen und Vorhersagen zu treffen.

Praxisbeispiel: In der kaufmännischen Ausbildung könnte ein Algorithmus dazu verwendet werden, Rechnungen automatisch zu sortieren und fehlerhafte Eingaben zu identifizieren. Die Auszubildenden lernen dabei, wie Algorithmen den Arbeitsalltag effizienter gestalten können, indem sie Routineaufgaben automatisieren.