Wie funktioniert künstliche Intelligenz? Von Symbolen und dem Perzeptron bis zu Transformern, ChatGPT und Claude
Ein fortgeschrittener konzeptioneller Kurs, der erklärt, woher moderne KI kommt, wie maschinelles Lernen, neuronale Netze und Transformer funktionieren und wie man die Möglichkeiten und Grenzen von Tools wie ChatGPT und Claude realistisch einschätzt.
Dieser Kurs wurde für Menschen entwickelt, die KI tiefer verstehen möchten als auf der Ebene von Marketing-Slogans. Die Teilnehmenden durchlaufen die Geschichte der KI und des maschinellen Lernens, die Mechanik neuronaler Netze und des Deep Learning bis hin zum Durchbruch der Transformer-Architektur und den Konsequenzen, die „Attention Is All You Need“ für Systeme wie ChatGPT oder Claude hatte. Der Kurs lehrt nicht das Programmieren von Modellen, vermittelt aber ein operatives Verständnis: welche Probleme die jeweiligen Ansätze gelöst haben, warum frühere Methoden nicht ausreichend skalierten, woher Halluzinationen kommen, warum Modelle trotz Fehlern überzeugend wirken und wie man reale Möglichkeiten von falschen Erwartungen unterscheidet. Im Verlauf des Kurses arbeitet die Teilnehmende bzw. der Teilnehmende mit Artefakten, die in der Praxis nützlich sind: einer Zeitleiste der Durchbrüche, einer Vergleichsmatrix von KI-Arten, einer Karte zur Bewertung von Aufgaben im Hinblick auf ihre Eignung für KI, einem Schema des Datenflusses beim Modelltraining, Checklisten zur Bewertung von Modellantworten, kleinen Implementierungs-Cases und einfachen Prozessdiagrammen. Der Kurs nutzt aktuelle, öffentlich beschriebene Beispiele für die Entwicklung von Modellen und die mit ihrem Einsatz verbundenen Risiken, darunter die wachsende Nutzung in Unternehmen, das anhaltende Problem der Halluzinationen sowie den branchenweiten Fokus auf Governance und Containment von Modellen.
Was Sie lernen
- Erklärt die wichtigsten Etappen der KI-Geschichte und zeigt auf, welche Versprechen, Grenzen und Durchbrüche die Entwicklung dieses Feldes tatsächlich verändert haben.
- Unterscheidet grundlegende KI-Arten und weiß, wann von regelbasierten Systemen, klassischem maschinellem Lernen, neuronalen Netzen, Deep Learning und generativen Modellen die Rede ist.
- Beschreibt die Geschichte des maschinellen Lernens als Antwort auf die Grenzen handgeschriebener Regeln und kann die Kosten dieses Wandels benennen: Abhängigkeit von Daten, Optimierungsziel und Metriken.
- Erklärt die Funktionsweise eines Neurons, einer Schicht, der Signalweitergabe und des Lernens in einem neuronalen Netz auf konzeptioneller Ebene, ohne in unnötigen Formalismus auszuweichen.
- Erklärt, was Deep Learning verändert hat und warum Datenmenge, Rechenleistung und Architektur eine entscheidende Bedeutung erlangten.
- Versteht, welches Problem der Transformer im Vergleich zu früheren sequenziellen Architekturen gelöst hat und warum der Attention-Mechanismus zum Durchbruch wurde.
- Kann die Bedeutung der Veröffentlichung „Attention Is All You Need“ erläutern und sie mit dem Weg zu modernen Modellen wie ChatGPT und Claude verknüpfen.
- Versteht, wie das Training eines großen Sprachmodells abläuft: Daten, Tokenisierung, Vorhersage des nächsten Tokens, Feintuning, Instruktionen und Qualitätsbewertung.
- Sieht den Unterschied zwischen der Erzeugung statistisch wahrscheinlichen Textes durch ein Modell und einem menschlichen „Verstehen der Welt“.
- Erkennt typische Fehlerquellen von Modellen, darunter Halluzinationen, übermäßige Sicherheit, Abhängigkeit vom Prompt, fehlende Aktualität und Probleme bei der Einschätzung von Unsicherheit.
- Verwendet einfache Entscheidungsartefakte, um zu beurteilen, ob sich eine Aufgabe für KI-Unterstützung eignet und welche Schutzmaßnahmen erforderlich sind.
- Kann in einer Organisation realistischer über KI sprechen: ohne Technomystik, ohne Panik und ohne eine Produktdemo mit der tatsächlichen Leistungsfähigkeit eines Systems zu verwechseln.
Voraussetzungen
Keine Programmierkenntnisse erforderlich. Hilfreich sind eine allgemeine Orientierung in digitalen Produkten, wissensbasierter Arbeit oder Business-Analyse. Die Teilnehmenden sollten bereit sein, Diagramme, Vergleiche und vereinfachte Beschreibungen technischer Mechanismen zu lesen.
Kursprogramm
- Vom Turing-Test bis zum AI-Winter: Welche Versprechen zu früh waren und welche das Fundament für heutige Modelle legten
- Symbolische KI versus datengetriebenes Lernen: zwei unterschiedliche Wege, „Intelligenz“ aufzubauen, und ihre Betriebskosten
- Geschichte des maschinellen Lernens als Flucht vor handgeschriebenen Regeln: Perzeptron, Regression, Bäume und statistische Modelle
- Warum frühere KI-Wellen nicht auf komplexe Sprache und Allgemeinwissen skalierten
- Mini-Fallstudie: Wie ein Manager in den Jahren 2012, 2017 und 2026 den „KI-Durchbruch“ falsch einschätzen könnte
- Quiz: Erkenne die Epoche, das Paradigma und den tatsächlichen Grund für den Erfolg oder Misserfolg eines bestimmten Ansatzes
- Das Wort „AI“ in einer einzigen Präsentation kann fünf verschiedene Dinge bedeuten: Wie man sich nicht von der Etikette täuschen lässt
- Regelbasiertes System, klassisches ML-Modell, neuronales Netz, generatives Modell, Agent: Vergleich auf einer einzigen Entscheidungsmatrix
- Enge KI kontra AGI: Wo die präzise Beschreibung endet und die Spekulation beginnt
- Vorhersage, Klassifikation, Ranking, Empfehlung, Generierung: fünf verschiedene Aufgaben, fünf verschiedene Qualitätskriterien
- Was bedeutet es, dass ein Modell multimodal ist, und warum heißt das nicht automatisch, dass es „die Welt versteht“
- Quiz: Wähle die passende KI-Art für das Problem, den Prozesseigentümer und das akzeptable Risiko
- Künstliches Neuron ohne Mystik: Eingaben, Gewichte, Aktivierung und die Entscheidung, die das Modell numerisch trifft
- Was beim Lernen wirklich passiert: Verlust, Fehlerinformation und Parameteraktualisierung
- Wozu versteckte Schichten dienen: wie ein Netz immer komplexere Merkmalsrepräsentationen aufbaut
- Die Geschichte neuronaler Netze in der Praxis: vom Perzeptron über Backpropagation bis zur Renaissance nach 2012
- Tiefes Lernen als Skalensprung: Daten, GPU, Architekturen und die Ökonomie des Trainings
- Failure modes: Overfitting, schlechte Daten, ein falsches Optimierungsziel und eine irreführende Erfolgsmetrik
- Quiz: Gib an, ob das Problem aus der Architektur, den Daten, dem Lernziel oder der Art der Evaluation resultiert
- Womit RNN und LSTM unterlagen: lange Abhängigkeiten, das Nadelöhr der Sequenzialität und Trainingskosten
- Attention als Mechanismus zur Auswahl des Kontexts: Wie das Modell entscheidet, worauf es im Satz achten soll
- Transformer Schritt für Schritt ohne Gleichungen: Token, Embeddings, Position, Attention, Schichten und Ausgabe
- „Attention Is All You Need”: was genau bahnbrechend war und warum die Branche es so schnell übernommen hat
- Was Parallelität und Skalierung ermöglichten: Warum man nach dem Transformer deutlich größere Modelle trainieren konnte
- Worked comparison: dasselbe Aufgabenbeispiel vor und nach dem Transformer — wo die echte Qualitätsverbesserung sichtbar wird
- Quiz: Erkenne, welches Element des Transformators für den jeweiligen Vorteil oder die jeweilige Einschränkung verantwortlich ist
- LLM als Token-Vorhersagemaschine: Warum aus einem einfachen Trainingsziel komplexes Sprachverhalten entsteht
- Woher das Modell „weiß“, was es schreiben soll: Trainingsdaten, Tokenisierung und das Lernen von Mustern ohne Faktenbank im Kopf
- Vom Basismodell zum hilfreichen Assistenten: Instruction Tuning, Feedback und Antwortrichtlinien
- Was ein Produkt über das Modell hinaus leistet: Gesprächsspeicher, Werkzeuge, Suche, Integrationen und die Sicherheitsschicht
- Warum Modelle trotz beeindruckender Antwortflüssigkeit halluzinieren und warum ein selbstsicherer Ton Nutzer in die Irre führt
- ChatGPT, Claude und ähnliche Systeme in 2025–2026: wie sich der Markt vom Chat zu Agenten und tieferen Workflows verschiebt
- Mini-Fallstudie: HR, Vertrieb und ein Operations-Analyst nutzen dasselbe Modell, brauchen aber unterschiedliche Schutzmaßnahmen
- Quiz: Trenne die Möglichkeiten des Modells, die Möglichkeiten des Produkts und die Erwartungen des Nutzers
- Das Modell „versteht“ nicht wie ein Mensch: Was man aus seinem Verhalten ableiten darf und was man nicht hineininterpretieren darf
- Wie man eine KI-Antwort in der Praxis bewertet: Korrektheit, Vollständigkeit, Nachvollziehbarkeit, Unsicherheit und Fehlerkosten
- Wann KI hilft und wann sie nur die Produktion von Fehlern beschleunigt: Karte zur Qualifizierung einer Aufgabe für den Modelleinsatz
- Governance für normale Teams: Wer die Nutzung freigibt, welche Daten man eingeben darf und wann der Mensch in der Schleife bleiben muss
- Fallstudie: Wie man den Satz „KI macht das für uns“ in einem Einkaufs- oder Strategie-Meeting entkräftet
- Endgültige Synthese: Wie man in 5 Minuten erzählt, woher moderne KI kommt und wie sie wirklich funktioniert
- Abschlusstest: Diagnose von Mythen, Einschränkungen und geeigneten Einsatzbereichen moderner KI
Häufig gestellte Fragen
Für Führungskräfte, Analystinnen und Analysten, Produktspezialistinnen und -spezialisten, Marketingfachleute, Lehrende und alle, die künstliche Intelligenz tiefer verstehen möchten als auf der Ebene modischer Schlagworte. Wenn Sie Tools wie ChatGPT oder Claude nutzen und wissen möchten, woher ihre Funktionsweise, Grenzen und Vorteile kommen, ist dieser Kurs für Sie geeignet.
Nein. Der Kurs vermittelt weder die Implementierung von Modellen noch das Schreiben von Code. Er wurde so konzipiert, dass er Ihnen ein operatives und strategisches Verständnis von KI vermittelt: von der Logik der einzelnen Durchbrüche über die Mechanik neuronaler Netze bis hin zur Bedeutung der Transformer-Architektur.
Sie verstehen, welche Probleme die einzelnen KI-Ansätze gelöst haben, warum frühere Methoden Grenzen hatten, worin sich maschinelles Lernen und Deep Learning tatsächlich unterscheiden und warum Transformer zur Grundlage moderner Sprachmodelle wurden. Dadurch können Sie Möglichkeiten, Risiken und den geschäftlichen Nutzen von KI besser einschätzen.
Weil KI keine Kuriosität mehr ist, sondern Teil einer realen Transformation der Arbeit geworden ist. McKinsey weist darauf hin, dass Organisationen von Experimenten zu Implementierungen in größerem Maßstab übergehen und dass Kompetenz- und Schulungslücken heute zu den wichtigsten Barrieren gehören. Gleichzeitig wächst der Bedarf an AI Fluency, also einem praktischen Verständnis der Technologie und nicht nur der Bedienung von Tools. Dieser Kurs hilft dabei, genau dieses Fundament aufzubauen.
Ja. Wir zeigen sie als Ergebnis einer längeren Entwicklung von Ideen: von symbolischer KI und dem Perzeptron über die Entwicklung neuronaler Netze bis zum Durchbruch der Transformer, ausgelöst durch die Arbeit „Attention Is All You Need“. So lernen Sie nicht nur die Namen von Tools kennen, sondern verstehen auch, warum sie so funktionieren, wie sie funktionieren.
Ja – das ist einer seiner wichtigsten Werte. Der Kurs ordnet die Geschichte, Begriffe und Mechanismen der KI, sodass Sie leichter zwischen wirkungsvollem Marketing und den tatsächlichen Möglichkeiten von Modellen unterscheiden, Anbietenden bessere Fragen stellen und fundiertere Bildungs- oder Geschäftsentscheidungen treffen können.
- 8 Stunden
- Fortgeschritten
- Zertifikat nach Abschluss
- Sofortiger Zugang nach Kauf