Tag 5 von 60 · Modul 1, Woche 1
Tag 5: LLMs, Transformer & kritisches KI-Bewusstsein
Wer KI kritisch versteht, nutzt sie besser. Das ist kein Widerspruch, das ist die Grundlage.
Ziele
Teilnehmende nutzen KI wirksam, sicher und eigenverantwortlich für die eigene Arbeit und entwickeln einen reflektierten persönlichen Standpunkt dazu.
Tagesziele
- TN verstehen, wie Transformer und Skalierung den KI-Durchbruch ermöglicht haben.
- TN können Halluzinationen und Bias in KI-Outputs erkennen und einordnen.
- TN nutzen Claude gezielt für die Optimierung ihres (LinkedIn-)Profils.
- TN haben einen ersten Schritt unternommen, um ihre aktuelle KI-Kompetenz-Journey zu teilen.
Tagesablauf
Kursplan
Blöcke im Detail
Block 1 einstieg 09:00–09:15 Einstieg: Checkpoint & Wiederholung
- Recap Tag 4: Dreifaltigkeit, neuronale Netze, Claude-Oberfläche erkundet
- Recap: empfohlener Meilenstein-Loop, Projekt-Wissen bleibt bis zur Aktualisierung
Block 2 theorie 09:15–11:15 Was hat sich geändert? Transformer, Skalierung & Reasoning
Langdock
- Praxisübung: Rechtmäßige Kündigung, Prompt in Langdock/ChatGPT bewerten
Block 3 theorie 11:15–12:00 Was geht und wo liegen die Grenzen? (Modalitäten, Halluzinationen, Bias-Intro)
Keine weiteren Details für diesen Block.
Block 4 praxisübung 12:30–14:00 Praxis 1: Halluzinationen & Bias selbst erleben
Langdock
- Mit älterem Claude-Modell 2–3 Fachfragen aus dem eigenen Berufsfeld stellen, Fehler dokumentieren
- Reflexion: Wo lag das Modell falsch, wie überzeugend klang es?
- Bias-Test: identischer Bildprompt (C-Level-Meeting, 8 Personen) in ChatGPT und Claude, Geschlechterverteilung auswerten
- Zwei-Prompt-Vergleich: „Manager“ vs. „Managerin“ in Claude/ChatGPT, Unterschiede vergleichen
Block 5 praxisübung 14:00–16:00 Praxis 2: LinkedIn-Profil-Analyse & Kompetenzprofil Meilenstein 2
Claude
- LinkedIn-Ausgangssituation erfassen (Headline, KI-Erwähnung, Zielgruppe)
- LinkedIn-Headline mit Claude optimieren (3 Varianten, max. 120 Zeichen)
- LinkedIn-About-Sektion überarbeiten (max. 200 Wörter)
- Kompetenzprofil Meilenstein 2: Erarbeitungsprompt2_Prozesse_Potenzial.md im Claude-Projekt abschicken
- Tag-Material aus Miro einbringen, Dialog bis Kontrollpunkte bestätigt
- 02_prozesse_und_potenzial.md exportieren und ins Projekt-Wissen hochladen
Block 6 abschluss 16:00–16:15 Reflexion, Sicherung & Ausblick
Keine weiteren Details für diesen Block.
Verwendete Elemente
Deliverables
Tools
- Langdock
- Claude
- ChatGPT
Links
Arbeitsumgebung
Rahmen dieses Tages
Beobachtungen zum Deck
Folie 80 zeigt den Block-Divider „MODUL 1 Tag 4 / 7. Komptetenzprofil Meilenstein 2“ — sowohl die Tagesnummer (Tag 4 statt Tag 5) als auch die Schreibweise („Komptetenzprofil“) weichen ab. Alle anderen Divider dieses Decks (Folie 9, 33, 46, 60, 66, 73) nennen korrekt „Tag 5“.
Die Tagesplan-Tabelle (Folie 8) listet die Zeile „11:15–12:00 Theorie 3: Was kann KI nicht?“ als letzte Tabellenzeile, obwohl sie chronologisch zwischen Theorie 2 (bis 11:15) und der Mittagspause (ab 12:00) steht — die Zeilenreihenfolge in der Rohtabelle ist nicht chronologisch.
Die Tagesplan-Tabelle reserviert keine eigene Zeile für „Reasoning“ (Folien 33–45, inkl. eigener Praxisübung „Rechtmäßige Kündigung“), obwohl das Deck es als eigenständiges Kapitel 2 von 7 zählt — es müsste sich die Zeit mit Theorie 1/2 (09:15–11:15) teilen, die laut Tabelle bereits eigene Themen abdecken.
Folie 84 zeigt sichtbar „Euer Tag-3-Material rein“, die zugehörige Sprechernotiz sagt „…alle sammeln und posten ihr Tag-2-Material aus Miro“ — beide Varianten wörtlich, nicht aufgelöst.
Folie 52 enthält einen Platzhalter für Live-Interaktion: „[ Wird live befüllt ]“.
Wiederkehrender, thematisch nicht passender Boilerplate-Notiztext (identisch zu Tag 3/4/6) auf Folie 2 und Folie 7.
Ausblick
Einstieg: Checkpoint & Wiederholung
Recap zu Tag 4: die Dreifaltigkeit aus Big Data, Rechenleistung und Deep Learning, neuronale Netze als technische Grundlage, die erkundete Claude-Oberfläche. Dazu der empfohlene Meilenstein-Loop (Prompt befüllen → abschicken → Coaching-Gespräch → MD-Datei ausgeben → hochladen) und der Hinweis, dass das Projekt-Wissen bestehen bleibt, bis es aktualisiert wird.
Was hat sich geändert? Transformer, Skalierung & Reasoning
Eine Anekdote zur Namensherkunft „Transformer” (Google-Paper „Attention Is All You Need”, 2017; Mitautor Jakob Uszkoreit, Sohn des DFKI-Mitprägers Hans Uszkoreit, benannte das Projekt nach dem Transformers-Comic). Attention wird über die Cocktailparty-Analogie erklärt: das Modell verteilt Aufmerksamkeit gezielt statt gleichmäßig. Trainingsumfang: GPT-3 trainierte hauptsächlich mit dem Common-Crawl-Webarchiv 2008–2021, umgerechnet „338.403 Bibeln” Textmenge; zweistufiges Training (Instruction Model mit 300.000 Beispieldialogen, Alignment Training mit über 75.000 bewerteten Dialogen). Emergenz als „plötzliches Auftreten neuer, nicht explizit programmierter Fähigkeiten”.
Reasoning wird am „Strawberry-Problem” erklärt (Tokenisierung verschluckt das Doppel-rr, die KI zählt nicht, sie rät) und über Chain-of-Thought-Training (OpenAI-Freelancer dokumentierten ihren Denkweg als Trainingsdaten, Quelle: Semafor, Januar 2023). Das „Reasoning-Rennen” von September 2024 bis März 2026 zeigt laut Deck die Verschmelzung separater Reasoning-Modelle in die Hauptproduktlinien aller sechs großen Anbieter. Praktische Übung dazu: einen vorgegebenen Prompt zu einer arbeitsrechtlichen Kündigungsfrage in Langdock/ChatGPT eingeben und das Ergebnis analysieren.
Was geht und wo liegen die Grenzen?
Die „Modalitäten-Landkarte” zeigt Foundation Models als multimodal (Text, Bild, Audio, Daten/Code als Ein- und Ausgabe). Kernthese zu Halluzinationen: das Modell wählt Token für Token die statistisch wahrscheinlichste Fortsetzung, bei hoher Konfidenz meist korrekt, bei niedriger Konfidenz rät es, klingt aber genauso sicher. Beispiele erfundener, aber perfekt formulierter Quellen und Marktdaten. Bias wird als Spiegel der Trainingsdaten erklärt, nicht als Programmierfehler.
Praxis 1: Halluzinationen & Bias selbst erleben
Halluzinationen: mit einem bewusst älteren Claude-Modell (z. B. „claude-2”) zwei bis drei Fachfragen aus dem eigenen Berufsfeld stellen, bei denen man die richtige Antwort selbst kennt, Fehler dokumentieren und im Plenum teilen. Bias: identischer Bildprompt („C-Level-Meeting, 8 Teilnehmer, realistische deutsche Namen”) in ChatGPT und Claude Sonnet, Auswertung nach Geschlechterverteilung und Vorsitz; danach zwei separate Textprompts („typischer Manager” vs. „typische Managerin”) im Vergleich. Bekannte reale Fälle laut Deck: das Amazon-Recruiting-Tool (bevorzugte männliche Bewerber bei Tech-Stellen) und die Workday-Klage 2025 (systematische Absagen für Bewerber über 40).
Praxis 2: LinkedIn-Profil-Analyse & Kompetenzprofil Meilenstein 2
LinkedIn als erster sichtbarer Ort der eigenen KI-Kompetenz: Bias-Fallen (Geschlechterstereotype in Berufsbezeichnungen, Standard-Floskeln wie „Passionate about”, Übertreibungen wie „KI-Experte nach 5 Tagen Kurs”) erkennen und vermeiden. Drei Schritte: Ausgangssituation erfassen (aktuelle Headline, KI-Erwähnung, Zielgruppe), Headline mit einem vorgegebenen Prompt in drei Varianten optimieren (max. 120 Zeichen), About-Sektion überarbeiten (max. 200 Wörter, Ton „professionell, aber persönlich”).
Kompetenzprofil Meilenstein 2: nach Kurz-Check, dass 01_berufsprofil.md
hochgeladen ist, in einer neuen Konversation im Projekt „Mein
KI-Kompetenzprofil” den zweiten Erarbeitungsprompt
(Erarbeitungsprompt2_Prozesse_Potenzial.md, aus der AITI Academy)
abschicken, das rohe Miro-Material einbringen, im Dialog die drei Bereiche
(„Meine Prozesse & Aufgaben”, „Mein KI-Potenzialfeld”, „Hier sehe ich
Potenzial”) klären lassen und als 02_prozesse_und_potenzial.md
exportieren und hochladen.
Abschluss: Das nehmen wir mit
Vier Merksätze laut Deck: Transformer-Architektur und Skalierung waren der eigentliche Durchbruch, nicht ChatGPT allein. Ein Sprachmodell rät, es halluziniert, jeder Output verdient Prüfung vor der Verwendung. Bessere Prompts sind Methode, keine Magie. „Wer KI kritisch versteht, nutzt sie besser.” Ausblick auf Tag 6: „Wie hole ich systematisch mehr aus KI heraus, und welche Techniken machen wirklich den Unterschied?” Check-out gemeinsam über dasselbe Miro-Board wie an den Vortagen.