Lehrplan: Berufsspezialist/in für KI und Maschinelles Lernen (IHK)

Dieser Lehrplan bereitet auf die Fortbildungsprüfung auf DQR-Niveau 5 vor. Die Prüfung besteht aus zwei schriftlichen Prüfungen (60 + 120 Minuten, zusammen 50 % der Note) und einem transferbezogenen Teil: einer Präsentation einer selbst erstellten Transferarbeit und einem Fachgespräch (zusammen 50 %). Grundlage ist die Besondere Rechtsvorschrift der IHK Region Stuttgart (Leitkammer, Fassung vom 01.09.2024). Andere IHKs, z. B. Osnabrück, haben eigene Regelungen – prüfen Sie die Fassung Ihrer IHK. Die Handelskammer Bremen hat am 23.06.2026 eine inhaltlich gleiche Regelung erlassen (gleiche Handlungsbereiche, Prüfungsteile, Dauer und Gewichtung); Unterschiede stehen unten unter „Besonderheiten der Bremer Fassung“.

Hinweise zur Prüfung

Zulassung (§ 2)

Eine der folgenden Voraussetzungen:

  1. Abschlussprüfung in einem mindestens dreijährigen gewerblich-technischen oder kaufmännischen Ausbildungsberuf, oder
  2. Abschluss in einem mindestens zweijährigen Ausbildungsberuf plus mindestens 1 Jahr Berufspraxis, oder
  3. mindestens 60 ECTS in einem fachverwandten Studium plus mindestens 6 Monate einschlägige Berufspraxis, oder
  4. mindestens 3 Jahre einschlägige Berufspraxis.

Ausnahme: Zulassung, wenn die berufliche Handlungsfähigkeit auf andere Weise glaubhaft gemacht wird (§ 2 Abs. 3). Den Antrag am besten vor Lehrgangsbeginn stellen.

Aufbau, Dauer und Gewichtung (§ 3, § 10)

Prüfungsleistung Inhalt Dauer Gewicht
Schriftlich, Teil 1 Grundlagen der KI (Handlungsbereich 1) 60 min 15 %
Schriftlich, Teil 2 Vertiefungen (Handlungsbereich 1) 120 min 35 %
Präsentation Visualisierte Transferarbeit zu einem selbst gewählten Praxisthema (28 Tage Bearbeitungszeit nach Themengenehmigung) + Vorstellung und Verteidigung, ca. 10–15 min ca. 10–15 min 25 %
Transferbezogenes Fachgespräch Ausgehend von der Präsentation, über alle Handlungsbereiche ca. 20 min 25 %
  • Bestehen: Jeder Prüfungsteil (schriftlich und transferbezogen) mindestens „ausreichend“ = 50 Punkte. Eine mündliche Ergänzungsprüfung ist nicht vorgesehen.
  • Zum transferbezogenen Teil wird zugelassen, wer den schriftlichen Teil abgelegt hat (bestanden muss er nicht sein).
  • Wiederholung: Jeder nicht bestandene Teil darf zweimal wiederholt werden. Bestandene Teile werden angerechnet, wenn Sie sich innerhalb von 2 Jahren anmelden.
  • Gesamtfrist: Alle Leistungen innerhalb von 3 Jahren ab der ersten Prüfungsleistung.
  • Anrechnung: Die IHK-Zusatzqualifikation „KI und Maschinelles Lernen“ für Auszubildende kann auf schriftlichen Teil 1 angerechnet werden (§ 9).
  • Stuttgart: Prüfung im Herbst auf Anfrage, Anmeldeschluss 1. Juli; Gebühren schriftlich 260 €, transferbezogen 200 € (Stand ab 01.08.2025). Förderung über Aufstiegs-BAföG möglich.

Besonderheiten der Bremer Fassung (23.06.2026):

  1. Themenvorschlag früh einreichen (§ 3 Abs. 8): Thema, Kurzbeschreibung und Gliederung mit aussagekräftigen Unterpunkten sind zum Termin der schriftlichen Prüfung einzureichen, auf der Formatvorlage der IHK. Auflagen des Prüfungsausschusses arbeiten Sie selbst ein; sie werden nicht nochmals abgestimmt. Legen Sie das Transferthema also schon während der Vorbereitung auf die schriftliche Prüfung fest.
  2. Zertifikate anrechenbar (§ 9 Abs. 2): Neben der Zusatzqualifikation können auch gleichwertige Zertifikate auf schriftlichen Teil 1 angerechnet werden.
  3. Fristverlängerung (§ 3 Abs. 3): Hat die IHK die Überschreitung der 3-Jahres-Frist zu vertreten, müssen nicht alle Leistungen wiederholt werden.

Die fünf Handlungsbereiche und wo sie hier behandelt werden

Die Rechtsvorschrift nennt einen Lernumfang von in der Regel mindestens 400 Stunden. Die schriftlichen Prüfungen fragen Handlungsbereich 1 ab; Präsentation und Fachgespräch beziehen alle fünf ein.

Handlungsbereich (§) Inhalte laut Rechtsvorschrift In diesem Lehrplan
1 Implementierung und Anwendungsmöglichkeiten datenbasierter KI-Modelle (§ 4) Grundbegriffe KI/ML; Umgang mit Daten (relationale Datenbanken, Vorverarbeitung, deskriptive Statistik, Visualisierung, Sicherheit, Datenschutz); Datenanalyse und ML (Mathematik, Lernverfahren, Evaluierung, Clustering, neuronale Netze, Deep Learning); Chancen und Herausforderungen (Bias, Erklärbarkeit, Robustheit); Programmierung und KI-Systementwicklung (z. B. Python) Module 1–10, Modul 12.1–12.2
2 Mitgestalten und Umsetzen von (Veränderungs-)Prozessen und Projekten (§ 5) Prozessziele, Prozessanalyse, Prozessüberwachung; Projektergebnisse aufbereiten und präsentieren, Berichte, agile Methoden Module 9, 11, Modul 12.3
3 Rechtliche Grundlagen (§ 6) Rechtsformen und Vertragsarten; Datenschutz und Datensicherheit; Urheber- und Patentrecht; ausgewählte Steuerarten Modul 10, Modul 12.4
4 Abwägungsmethoden und ökonomische Aspekte (§ 7) Kosten-Nutzen-Analyse; Controlling, Kosten- und Leistungsrechnung; Branchenspezifika; Finanzierung Modul 11, Modul 12.5
5 Zukunftskompetenzen (§ 8) Selbstorganisation, Resilienz, Selbstreflexion; kollaboratives Arbeiten, Problemlösen, Kommunikationstheorien; agiles Arbeiten, Zeitmanagement, digitale Kompetenzen Modul 12.6

Lernstrategie und Zeitplan (Vorschlag: 20 Wochen, ca. 10 Stunden pro Woche)

Woche Inhalt Ergebnis
1–2 Modul 1, Modul 2 (Statistik) Alle Rechenbeispiele aus Modul 2 ohne Vorlage gelöst
3–4 Modul 3, Modul 12.1 (SQL), Python-Grundlagen Eigener Datensatz bereinigt (z. B. von Kaggle)
5–7 Modul 4, Modul 5 Drei Verfahren in scikit-learn verglichen
8–9 Modul 6 Konfusionsmatrix-Aufgaben in unter 5 Minuten
10–12 Modul 7, Modul 8, Modul 12.2 Kleines Keras-Netz und RAG-Konzept erklärt
13 Modul 9 CRISP-DM-Plan für das eigene Transferthema
14–15 Modul 10, Modul 12.4 Risikoklasse und Rechtsfragen des eigenen Themas geklärt
16 Modul 11, Modul 12.3, 12.5, 12.6 Wirtschaftlichkeitsrechnung für das Transferthema
17–18 Probeprüfung unter Zeitdruck, Wiederholung der Schwachstellen Mindestens 70 Punkte
19–20 Transferarbeit und Präsentation üben (Zeit stoppen), Fachgesprächsfragen Vortrag sitzt in 12 Minuten

Arbeitsweise: Jede Rechenaufgabe zweimal selbst lösen, Begriffe laut in eigenen Worten erklären (Fachgespräch), Formelsammlung am Ende auswendig lernen, das Transferthema früh wählen – am besten ein echtes Problem aus dem eigenen Betrieb.

Modul 1: Grundlagen der Künstlichen Intelligenz

Lernziel: Sie können KI, ML und Deep Learning sauber abgrenzen, die drei Lernparadigmen erklären und für einen Praxisfall das passende Paradigma begründen. Richtwert: 12 Lernstunden.

1.1 Begriffe und Abgrenzung

  • Künstliche Intelligenz (KI): Oberbegriff für Systeme, die Aufgaben lösen, für die Menschen Intelligenz brauchen (Wahrnehmen, Schließen, Lernen, Entscheiden). Dazu gehören auch regelbasierte Expertensysteme ohne Lernen.
  • Maschinelles Lernen (ML): Teilgebiet der KI. Das System leitet Regeln aus Daten ab, statt sie programmiert zu bekommen. Merksatz: Klassische Programmierung: Daten + Regeln → Ergebnis. ML: Daten + Ergebnisse → Regeln (Modell).
  • Deep Learning (DL): Teilgebiet des ML mit tiefen neuronalen Netzen (viele Schichten). Lernt Merkmale selbst aus Rohdaten (Bilder, Text, Audio).
  • Generative KI: Modelle, die neue Inhalte erzeugen (Text, Bild, Code). Meist Deep Learning, z. B. Large Language Models (LLMs).

Abgrenzung nach Stärke:

Begriff Bedeutung Beispiel
Schwache KI (Narrow AI) Löst eine eng umrissene Aufgabe Spamfilter, Bilderkennung, Chatbot
Starke KI (AGI) Allgemeine, menschenähnliche Intelligenz über alle Domänen Existiert bisher nicht
Superintelligenz Übertrifft Menschen in allen Bereichen Hypothetisch

1.2 Kurze Geschichte (prüfungsrelevante Meilensteine)

  • 1950: Alan Turing schlägt den Turing-Test vor.
  • 1956: Dartmouth-Konferenz, der Begriff „Artificial Intelligence“ entsteht.
  • 1958: Perzeptron von Frank Rosenblatt.
  • 1970er und späte 1980er: „KI-Winter“ wegen enttäuschter Erwartungen.
  • 1986: Backpropagation wird populär (Rumelhart, Hinton, Williams).
  • 1997: Deep Blue schlägt Kasparow im Schach (regelbasierte Suche, kein DL).
  • 2012: AlexNet gewinnt ImageNet, Durchbruch des Deep Learning.
  • 2017: Transformer-Architektur („Attention Is All You Need“).
  • ab 2022: Breite Nutzung generativer KI (Chat-Assistenten, Bildgeneratoren).

1.3 Die drei Lernparadigmen

Paradigma Daten Ziel Typische Verfahren Praxisbeispiel
Überwachtes Lernen Mit Zielwert (Label) Zielwert vorhersagen Lineare/logistische Regression, Entscheidungsbaum, Random Forest Kreditausfall ja/nein, Hauspreis
Unüberwachtes Lernen Ohne Label Struktur finden k-Means, DBSCAN, PCA Kundensegmente, Anomalien
Bestärkendes Lernen (RL) Belohnung aus Interaktion Strategie (Policy) maximiert Belohnung Q-Learning, Policy Gradient Robotersteuerung, Lagerlogistik

Ergänzend: Halbüberwachtes Lernen (wenige Labels, viele ungelabelte Daten) und selbstüberwachtes Lernen (das Label wird aus den Daten selbst erzeugt, z. B. nächstes Wort vorhersagen – so werden LLMs vortrainiert).

1.4 Aufgabentypen

  • Regression: Zielwert ist eine Zahl (Umsatz nächste Woche).
  • Klassifikation: Zielwert ist eine Klasse (Spam/kein Spam; binär oder mehrklassig).
  • Clustering: Gruppen ohne Vorgabe finden.
  • Dimensionsreduktion: Viele Merkmale auf wenige verdichten.
  • Anomalieerkennung: Seltene Abweichungen finden (Betrug, Maschinenausfall).
  • **.**Generierung: Neue Daten erzeugen.

1.5 Teilgebiete der KI

Computer Vision (Bilder), Natural Language Processing (Sprache/Text), Spracherkennung, Robotik, Expertensysteme, Planung und Suche, Empfehlungssysteme.

Prüfungsfragen zu Modul 1 (mit Musterlösung)

  1. Ein Onlinehändler möchte seine Kunden in Gruppen mit ähnlichem Kaufverhalten einteilen. Es gibt keine vorgegebenen Gruppen. Welches Lernparadigma und welches Verfahren schlagen Sie vor? (4 Punkte)
    • Lösung: Unüberwachtes Lernen (1 P.), da keine Labels existieren (1 P.). Verfahren: Clustering, z. B. k-Means (1 P.); Merkmale z. B. Kaufhäufigkeit, Warenkorbwert, Zeit seit letztem Kauf (RFM) (1 P.).
  2. Erklären Sie den Unterschied zwischen klassischer Programmierung und maschinellem Lernen. (2 Punkte)
    • Lösung: Klassisch schreibt der Mensch die Regeln. Beim ML lernt der Algorithmus die Regeln aus Beispieldaten mit bekannten Ergebnissen.
  3. Ist ein regelbasiertes Expertensystem KI? Ist es ML? (2 Punkte)
    • Lösung: Es ist KI (es bildet Expertenwissen ab), aber kein ML, da es nicht aus Daten lernt.
  4. Nennen Sie je ein Beispiel für Regression und Klassifikation aus der Produktion. (2 Punkte)
    • Lösung: Regression: Restlebensdauer eines Lagers in Stunden. Klassifikation: Bauteil „in Ordnung“ / „Ausschuss“.
Modul 2: Mathematik und Statistik für ML

Lernziel: Sie rechnen Lageparameter, Streuung, Skalarprodukt, Gradientenschritt und bedingte Wahrscheinlichkeit von Hand. In der Prüfung zählt der nachvollziehbare Rechenweg. Richtwert: 20 Lernstunden.

2.1 Deskriptive Statistik

Datensatz Beispiel (Lieferzeiten in Tagen): 2, 3, 3, 4, 8.

  • Mittelwert: (2+3+3+4+8)/5 = 20/5 = 4
  • Median (mittlerer Wert der sortierten Reihe): 3. Der Median ist robust gegen Ausreißer (die 8).
  • Modus (häufigster Wert): 3
  • Varianz (Stichprobe, n−1): Abweichungen −2, −1, −1, 0, 4 → Quadrate 4, 1, 1, 0, 16 = 22 → 22/4 = 5,5
  • Standardabweichung: √5,5 ≈ 2,35
\bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i \qquad s^2 = \frac{1}{n-1}\sum_{i=1}^{n}(x_i-\bar{x})^2
  • Korrelation (Pearson r): Werte von −1 bis +1, misst linearen Zusammenhang. Merksatz: Korrelation ist keine Kausalität (Eisverkauf und Sonnenbrand korrelieren, Ursache ist die Sonne).
  • Quartile und IQR: IQR = Q3 − Q1. Ausreißer-Regel: Werte außerhalb Q1 − 1,5·IQR bzw. Q3 + 1,5·IQR.

2.2 Wahrscheinlichkeit und Satz von Bayes

P(A \mid B) = \frac{P(B \mid A)\, P(A)}{P(B)}

Rechenbeispiel (klassische Prüfungsaufgabe): 1 % aller E-Mails sind Phishing. Ein Filter erkennt 95 % der Phishing-Mails (P(Alarm|Phishing) = 0,95), schlägt aber auch bei 2 % der normalen Mails an. Wie wahrscheinlich ist eine Mail mit Alarm wirklich Phishing?

  • P(Alarm) = 0,95 · 0,01 + 0,02 · 0,99 = 0,0095 + 0,0198 = 0,0293
  • P(Phishing|Alarm) = 0,0095 / 0,0293 ≈ 0,324 = 32,4 %
  • Lehre: Bei seltenen Klassen (unbalancierte Daten) sind die meisten Alarme Fehlalarme. Das ist die Grundlage für Precision (Modul 6).

Wichtige Verteilungen: Normalverteilung (Glockenkurve; ca. 68 % der Werte liegen in ±1σ, 95 % in ±2σ, 99,7 % in ±3σ), Binomialverteilung (Anzahl Treffer bei n Versuchen), Gleichverteilung, Poisson (seltene Ereignisse pro Zeiteinheit).

2.3 Lineare Algebra

  • Vektor: ein Datensatz mit n Merkmalen, z. B. x = (Fläche 80, Zimmer 3).
  • Matrix: Tabelle aus vielen Datensätzen (Zeilen = Beispiele, Spalten = Merkmale).
  • Skalarprodukt: Grundoperation jedes Neurons und jeder linearen Regression.

Beispiel: Gewichte w = (2, −1, 0,5), Eingabe x = (3, 4, 2) → w·x = 2·3 + (−1)·4 + 0,5·2 = 6 − 4 + 1 = 3.

  • Kosinus-Ähnlichkeit: misst den Winkel zwischen zwei Vektoren (1 = gleiche Richtung). Wird bei Embeddings und RAG (Modul 8) genutzt.
\cos(\theta) = \frac{a \cdot b}{\lVert a \rVert \, \lVert b \rVert}

2.4 Analysis: Ableitung und Gradientenabstieg

Training bedeutet: Gewichte so verändern, dass die Verlustfunktion (Fehler) kleiner wird. Die Ableitung zeigt, in welche Richtung der Fehler steigt – wir gehen in die Gegenrichtung.

w_{neu} = w_{alt} - \eta \cdot \frac{\partial L}{\partial w}

Rechenbeispiel: Verlust L(w) = (w − 3)², Start w = 0, Lernrate η = 0,1. Ableitung L′(w) = 2(w − 3).

  1. Schritt 1: L′(0) = −6 → w = 0 − 0,1·(−6) = 0,6
  2. Schritt 2: L′(0,6) = −4,8 → w = 0,6 + 0,48 = 1,08
  3. Schritt 3: L′(1,08) = −3,84 → w = 1,464 … nähert sich dem Optimum w = 3.

Lernrate zu groß: das Verfahren springt über das Minimum und divergiert. Zu klein: sehr langsames Training. Varianten: Batch-, Stochastic- (SGD) und Mini-Batch-Gradientenabstieg; Optimierer wie Adam passen die Lernrate automatisch an.

Prüfungsfragen zu Modul 2

  1. Warum ist bei Gehaltsdaten der Median aussagekräftiger als der Mittelwert? (2 P.) – Lösung: Wenige sehr hohe Gehälter ziehen den Mittelwert nach oben; der Median ist robust gegenüber Ausreißern.
  2. Berechnen Sie das Skalarprodukt von (1, 2, 3) und (4, 0, −1). (2 P.) – Lösung: 4 + 0 − 3 = 1.
  3. Was passiert bei einer zu hohen Lernrate? (2 P.) – Lösung: Die Gewichte springen über das Minimum, der Verlust schwankt oder wächst (Divergenz).
Modul 3: Daten – Qualität, Vorverarbeitung, Feature Engineering

Lernziel: Sie bereiten einen Rohdatensatz prüfungssicher auf und erkennen Data Leakage. Faustregel aus der Praxis: 60–80 % eines ML-Projekts sind Datenarbeit. Richtwert: 16 Lernstunden.

3.1 Datenarten und Skalenniveaus

Skalenniveau Eigenschaft Beispiel Typische Kodierung
Nominal Kategorien ohne Reihenfolge Farbe, Land One-Hot-Encoding
Ordinal Kategorien mit Reihenfolge S < M < L, Schulnoten Ordinal-/Label-Encoding
Intervall Abstände sinnvoll, kein echter Nullpunkt Temperatur in °C Skalierung
Verhältnis Echter Nullpunkt Gewicht, Umsatz Skalierung, ggf. Log-Transformation

Strukturiert (Tabellen) vs. unstrukturiert (Text, Bild, Audio) vs. semistrukturiert (JSON, XML).

3.2 Dimensionen der Datenqualität

Vollständigkeit, Korrektheit, Konsistenz, Aktualität, Eindeutigkeit (keine Duplikate), Repräsentativität. Merksatz: Garbage in, garbage out.

3.3 Vorverarbeitung Schritt für Schritt

  1. Duplikate entfernen.
  2. Fehlende Werte behandeln: Zeile löschen (nur bei wenigen Fällen), mit Median/Modus füllen (Imputation), oder Indikator-Spalte „war fehlend“ ergänzen.
  3. Ausreißer prüfen: IQR-Regel oder z-Score > 3; fachlich klären, ob Messfehler oder echter Wert.
  4. Kategorien kodieren: One-Hot für nominal (Farbe rot/grün/blau → drei 0/1-Spalten), Ordinal-Encoding für geordnete Klassen.
  5. Skalieren (wichtig für kNN, SVM, neuronale Netze, k-Means; unwichtig für Entscheidungsbäume).
  6. Daten aufteilen in Training, Validierung, Test.

Skalierungsformeln:

x_{minmax} = \frac{x - x_{min}}{x_{max} - x_{min}} \qquad z = \frac{x - \mu}{\sigma}

Beispiel Min-Max: Alter 20–60, Wert 30 → (30 − 20)/(60 − 20) = 0,25. Beispiel z-Score: μ = 50, σ = 10, Wert 65 → z = 1,5.

3.4 Train / Validation / Test

  • Trainingsdaten (z. B. 70 %): Modell lernt die Gewichte.
  • Validierungsdaten (15 %): Hyperparameter wählen, Modelle vergleichen.
  • Testdaten (15 %): einmalige, finale Bewertung. Niemals zum Tunen benutzen.
  • Bei Klassifikation mit seltenen Klassen: stratifiziert aufteilen (Klassenanteile bleiben gleich).
  • Bei Zeitreihen: zeitlich aufteilen (Vergangenheit trainieren, Zukunft testen), nie zufällig mischen.

3.5 Data Leakage (häufige Prüfungsfalle)

Leakage = Informationen, die zum Vorhersagezeitpunkt nicht verfügbar wären, gelangen ins Training. Folge: Top-Werte im Test, Versagen im Betrieb.

  • Beispiel 1: Kreditausfall vorhersagen mit Merkmal „Mahnstufe“ – Mahnungen gibt es erst nach dem Ausfall.
  • Beispiel 2: Skalierer auf dem gesamten Datensatz anpassen, dann erst aufteilen. Richtig: fit nur auf Trainingsdaten, transform auf Validierung/Test.

3.6 Feature Engineering

Neue, aussagekräftige Merkmale bilden: Wochentag aus Datum, „Umsatz pro Kunde“, Textlänge, Log-Transformation schiefer Verteilungen. Feature Selection: unwichtige oder stark korrelierte Merkmale entfernen (Fluch der Dimensionalität).

Unbalancierte Daten (z. B. 1 % Betrug): Oversampling (SMOTE), Undersampling, Klassengewichte, passende Metriken (Recall, F1 statt Accuracy).

3.7 Python-Beispiel (scikit-learn, leakage-sicher mit Pipeline)

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.impute import SimpleImputer
from sklearn.pipeline import Pipeline
from sklearn.linear_model import LogisticRegression

df = pd.read_csv("kunden.csv").drop_duplicates()
X, y = df.drop(columns="kuendigt"), df["kuendigt"]

num = ["alter", "umsatz"]
cat = ["tarif", "region"]

prep = ColumnTransformer([
    ("num", Pipeline([("imp", SimpleImputer(strategy="median")),
                      ("sc", StandardScaler())]), num),
    ("cat", OneHotEncoder(handle_unknown="ignore"), cat),
])

modell = Pipeline([("prep", prep), ("clf", LogisticRegression(max_iter=1000))])

X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.2,
                                          stratify=y, random_state=42)
modell.fit(X_tr, y_tr)          # Imputer und Scaler lernen nur aus Training
print(modell.score(X_te, y_te))

Prüfungsfragen zu Modul 3

  1. Warum ist One-Hot-Encoding für „Stadt“ besser als Berlin=1, Hamburg=2, München=3? (2 P.) – Lösung: Zahlen würden eine Reihenfolge und Abstände vortäuschen (München > Berlin), die fachlich nicht existieren.
  2. Ein Modell erreicht im Test 99 % Accuracy, im Betrieb 60 %. Nennen Sie zwei mögliche Ursachen. (4 P.) – Lösung: Data Leakage; Testdaten nicht repräsentativ bzw. Data Drift im Betrieb; Overfitting auf einen zu kleinen Testsatz.
  3. Wofür dient der Validierungsdatensatz? (2 P.) – Lösung: Hyperparameter-Auswahl und Modellvergleich, damit der Testdatensatz unberührt bleibt.
Modul 4: Überwachtes Lernen

Lernziel: Sie erklären die Funktionsweise der Standardverfahren, rechnen einfache Beispiele und wählen begründet ein Verfahren für einen Fall. Richtwert: 24 Lernstunden.

4.1 Lineare Regression

Modell: y = w₀ + w₁·x₁ + … + wₙ·xₙ. Gelernt wird, indem der mittlere quadratische Fehler (MSE) minimiert wird (Methode der kleinsten Quadrate oder Gradientenabstieg).

Rechenbeispiel: Mietpreis = 200 + 10 · Fläche (m²). Für 70 m²: 200 + 700 = 900 €. Interpretation: Jeder zusätzliche Quadratmeter erhöht die Miete um 10 €; 200 € ist der Achsenabschnitt.

Annahmen: linearer Zusammenhang, keine starke Multikollinearität, unabhängige Fehler. Vorteil: sehr gut interpretierbar.

4.2 Logistische Regression (Klassifikation!)

Trotz des Namens ein Klassifikationsverfahren. Die lineare Summe z wird durch die Sigmoid-Funktion in eine Wahrscheinlichkeit zwischen 0 und 1 übersetzt.

\sigma(z) = \frac{1}{1 + e^{-z}}

Beispiel: z = 0 → σ = 0,5; z = 2 → σ ≈ 0,88. Mit Schwellenwert 0,5 wird Klasse 1 vorhergesagt. Der Schwellenwert kann verschoben werden (z. B. 0,3, um mehr Betrugsfälle zu finden – höherer Recall, geringere Precision).

4.3 Entscheidungsbaum

Teilt die Daten schrittweise an der Frage, die die Gruppen am „reinsten“ macht. Maße: Gini-Unreinheit oder Entropie / Information Gain.

Gini = 1 - \sum_{k} p_k^2

Rechenbeispiel: Knoten mit 8 „ja“ und 2 „nein“ → Gini = 1 − (0,8² + 0,2²) = 1 − 0,68 = 0,32. Ein reiner Knoten hat Gini 0; maximal unrein (50/50) ist 0,5.

Vorteile: interpretierbar, keine Skalierung nötig. Nachteil: neigt zu Overfitting → Tiefe begrenzen (max_depth), Pruning.

4.4 Ensemble-Verfahren

  • Bagging / Random Forest: viele Bäume auf zufälligen Stichproben (Bootstrap) und zufälligen Merkmalsauswahlen; Mehrheitsentscheid. Senkt die Varianz.
  • Boosting (AdaBoost, Gradient Boosting, XGBoost, LightGBM): Bäume werden nacheinander trainiert, jeder korrigiert die Fehler des vorherigen. Senkt den Bias. Bei Tabellendaten oft das stärkste Verfahren.
  • Stacking: ein Meta-Modell kombiniert die Vorhersagen verschiedener Modelle.

4.5 k-Nächste-Nachbarn (kNN)

Ein neuer Punkt bekommt die Mehrheitsklasse seiner k nächsten Nachbarn (Distanz meist euklidisch). Kein eigentliches Training („lazy learner“). Skalierung ist Pflicht.

Rechenbeispiel: Neuer Punkt (2, 3). Nachbarn: A (1, 3) Klasse Rot, Distanz 1; B (2, 5) Blau, Distanz 2; C (4, 3) Blau, Distanz 2; D (6, 6) Rot, Distanz 5. Bei k = 3 → A, B, C → 2× Blau → Blau. Bei k = 1 → Rot. Die Wahl von k verändert das Ergebnis.

d(p, q) = \sqrt{\sum_{i}(p_i - q_i)^2}

4.6 Support Vector Machine (SVM)

Sucht die Trenngerade (Hyperebene) mit dem größten Abstand (Margin) zu den nächsten Punkten beider Klassen (Support-Vektoren). Mit dem Kernel-Trick (z. B. RBF) werden nicht linear trennbare Daten in einen höherdimensionalen Raum abgebildet. Parameter C steuert, wie streng Fehlklassifikationen bestraft werden.

4.7 Naive Bayes

Nutzt den Satz von Bayes und nimmt („naiv“) an, dass Merkmale unabhängig sind. Schnell, gut für Textklassifikation (Spamfilter).

4.8 Entscheidungshilfe: welches Verfahren wann?

Situation Empfehlung Begründung
Ergebnis muss erklärbar sein (Kredit, Behörde) Logistische Regression, flacher Entscheidungsbaum Transparente Gewichte bzw. Regeln
Tabellendaten, maximale Genauigkeit Gradient Boosting, Random Forest Robust, wenig Vorverarbeitung
Wenige Daten, viele Merkmale (Text) Naive Bayes, lineare SVM Funktioniert mit kleinen Datenmengen
Bilder, Audio, Sprache Neuronale Netze (Modul 7) Lernen Merkmale selbst
Schneller Prototyp als Vergleich Baseline (z. B. häufigste Klasse, Mittelwert) Maßstab, ob ML überhaupt hilft

Prüfungsfragen zu Modul 4

  1. Eine Bank will Kreditentscheidungen automatisieren und muss Ablehnungen begründen können. Welches Verfahren empfehlen Sie? (4 P.) – Lösung: Logistische Regression oder flacher Entscheidungsbaum (2 P.), weil Gewichte bzw. Regeln nachvollziehbar sind und die Begründungspflicht (DSGVO Art. 22, AI Act Hochrisiko) erfüllt werden kann (2 P.).
  2. Berechnen Sie die Gini-Unreinheit eines Knotens mit 5 Katzen und 5 Hunden. (2 P.) – Lösung: 1 − (0,25 + 0,25) = 0,5.
  3. Worin unterscheiden sich Bagging und Boosting? (4 P.) – Lösung: Bagging trainiert parallel und unabhängig auf Stichproben und mittelt (senkt Varianz). Boosting trainiert sequenziell, jedes Modell korrigiert die Fehler des Vorgängers (senkt Bias).
Modul 5: Unüberwachtes Lernen und Reinforcement Learning

Lernziel: Sie führen einen k-Means-Schritt von Hand durch, wählen k begründet, erklären PCA und rechnen ein Q-Learning-Update. Richtwert: 14 Lernstunden.

5.1 k-Means-Clustering

Ablauf:

  1. k wählen und k Startzentren (Zentroide) festlegen.
  2. Jeden Punkt dem nächsten Zentroid zuordnen.
  3. Zentroide neu berechnen (Mittelwert der zugeordneten Punkte).
  4. Schritte 2–3 wiederholen, bis sich nichts mehr ändert.

Rechenbeispiel (eindimensional): Punkte 1, 2, 3, 10, 11, 12; k = 2; Startzentren 1 und 12.

  • Zuordnung: {1, 2, 3} → Zentrum 1; {10, 11, 12} → Zentrum 12.
  • Neue Zentren: (1+2+3)/3 = 2 und (10+11+12)/3 = 11.
  • Erneute Zuordnung ändert nichts → fertig.

k bestimmen: Ellbogen-Methode (Summe der quadrierten Abstände zum Zentrum über k auftragen, am „Knick“ wählen) oder Silhouetten-Koeffizient (−1 bis +1, höher = besser getrennte Cluster). Schwächen: k muss vorgegeben werden, nur kugelförmige Cluster, empfindlich gegenüber Ausreißern und Skalierung.

5.2 Weitere Clusterverfahren

  • DBSCAN: dichtebasiert, Parameter ε (Radius) und minPts. Findet beliebig geformte Cluster und markiert Ausreißer als Rauschen; k muss nicht vorgegeben werden.
  • Hierarchisches Clustering: fügt schrittweise die ähnlichsten Gruppen zusammen; Ergebnis als Dendrogramm.

5.3 Dimensionsreduktion: PCA

Die Hauptkomponentenanalyse (PCA) dreht das Koordinatensystem so, dass die erste Achse die größte Varianz erklärt, die zweite die nächstgrößte usw. Man behält nur die ersten Komponenten.

Beispiel: 50 Sensormerkmale, die ersten 5 Hauptkomponenten erklären 92 % der Varianz → mit 5 statt 50 Merkmalen weiterarbeiten. Nutzen: schnelleres Training, weniger Overfitting, Visualisierung in 2D. Nachteil: Komponenten sind schwer fachlich zu interpretieren. Vorher skalieren! Weitere Verfahren zur Visualisierung: t-SNE, UMAP.

5.4 Anomalieerkennung

Isolation Forest, One-Class SVM, Autoencoder (hoher Rekonstruktionsfehler = Anomalie), statistische Schwellen (z-Score). Einsatz: Kreditkartenbetrug, Maschinenüberwachung (Predictive Maintenance), IT-Sicherheit.

5.5 Reinforcement Learning (bestärkendes Lernen)

Begriffe: Agent handelt in einer Umgebung, beobachtet einen Zustand s, wählt eine Aktion a, erhält eine Belohnung r und einen neuen Zustand s′. Ziel: eine Policy, die die langfristige Belohnung maximiert.

  • Exploration vs. Exploitation: Neues ausprobieren oder Bekanntes nutzen. Lösung z. B. ε-greedy: mit Wahrscheinlichkeit ε zufällige Aktion.
  • Diskontfaktor γ (0–1): wie stark zukünftige Belohnungen zählen.

Q-Learning-Update:

Q(s,a) \leftarrow Q(s,a) + \alpha \left[ r + \gamma \max_{a'} Q(s',a') - Q(s,a) \right]

Rechenbeispiel: Q(s,a) = 2, α = 0,5, r = 10, γ = 0,9, max Q(s′,·) = 4.

  • Ziel = 10 + 0,9 · 4 = 13,6
  • Fehler = 13,6 − 2 = 11,6
  • Neues Q = 2 + 0,5 · 11,6 = 7,8

Praxis: Robotik, Spiele, Lagersteuerung, Ampelsteuerung; RLHF (Reinforcement Learning from Human Feedback) bei der Feinabstimmung von LLMs.

Prüfungsfragen zu Modul 5

  1. Ein Clustering mit k-Means liefert unbrauchbare Gruppen, weil „Jahresumsatz“ (0–5 Mio. €) alle anderen Merkmale dominiert. Ursache und Lösung? (3 P.) – Lösung: k-Means ist distanzbasiert; das Merkmal mit dem größten Wertebereich dominiert. Lösung: Standardisieren (z-Score) vor dem Clustering.
  2. Wann wählen Sie DBSCAN statt k-Means? (2 P.) – Lösung: Bei unbekannter Clusterzahl, nicht kugelförmigen Clustern oder wenn Ausreißer erkannt werden sollen.
  3. Erklären Sie Exploration vs. Exploitation am Beispiel eines Empfehlungssystems. (2 P.) – Lösung: Exploitation zeigt bewährte Produkte; Exploration zeigt gelegentlich neue Produkte, um deren Beliebtheit zu lernen.
Modul 6: Modellbewertung, Overfitting und Regularisierung

Lernziel: Sie berechnen alle Kennzahlen aus einer Konfusionsmatrix, wählen die zum Geschäftsziel passende Metrik und diagnostizieren Over- und Underfitting. Dieses Modul kommt in fast jeder Prüfung vor. Richtwert: 18 Lernstunden.

6.1 Konfusionsmatrix

Beispiel: Ein Modell prüft 1.000 Bauteile auf Defekt. 100 sind tatsächlich defekt.

Vorhergesagt: defekt Vorhergesagt: in Ordnung
Tatsächlich defekt TP = 80 FN = 20
Tatsächlich in Ordnung FP = 30 TN = 870

6.2 Kennzahlen (mit Lösung für das Beispiel)

Kennzahl Formel Frage dahinter Ergebnis
Accuracy (TP+TN)/Gesamt Wie oft liegt das Modell richtig? 950/1000 = 95,0 %
Precision TP/(TP+FP) Wenn es „defekt“ sagt, stimmt es? 80/110 ≈ 72,7 %
Recall (Sensitivität) TP/(TP+FN) Wie viele Defekte werden gefunden? 80/100 = 80,0 %
Spezifität TN/(TN+FP) Wie viele gute Teile werden korrekt durchgelassen? 870/900 ≈ 96,7 %
F1-Score 2·P·R/(P+R) Harmonisches Mittel aus P und R ≈ 76,2 %
F_1 = 2 \cdot \frac{Precision \cdot Recall}{Precision + Recall} = 2 \cdot \frac{0{,}727 \cdot 0{,}8}{0{,}727 + 0{,}8} \approx 0{,}762

Accuracy-Falle: Ein Modell, das immer „in Ordnung“ sagt, hätte hier 90 % Accuracy, findet aber keinen einzigen Defekt (Recall 0 %). Bei unbalancierten Daten daher Precision, Recall, F1 oder PR-AUC nutzen.

Welche Metrik wann?

  • Recall wichtig, wenn ein übersehener Fall teuer ist: Krebsdiagnose, Betrugserkennung, Sicherheitsdefekte (FN vermeiden).
  • Precision wichtig, wenn ein Fehlalarm teuer ist: Spamfilter (wichtige Mail im Spam), automatische Kontosperrung (FP vermeiden).
  • Fehler 1. Art = False Positive; Fehler 2. Art = False Negative.

6.3 ROC-Kurve und AUC

Die ROC-Kurve trägt die True-Positive-Rate (Recall) gegen die False-Positive-Rate (1 − Spezifität) für alle Schwellenwerte auf. AUC = Fläche darunter: 0,5 = Zufall, 1,0 = perfekt. Vorteil: Bewertung unabhängig vom gewählten Schwellenwert.

6.4 Regressionsmetriken

Beispiel: tatsächliche Werte 10, 20, 30; Vorhersagen 12, 18, 33. Fehler: −2, 2, −3 (bzw. Beträge 2, 2, 3).

  • MAE (mittlerer absoluter Fehler) = (2+2+3)/3 ≈ 2,33
  • MSE (mittlerer quadratischer Fehler) = (4+4+9)/3 ≈ 5,67 – bestraft große Fehler stärker
  • RMSE = √5,67 ≈ 2,38 – in der Einheit der Zielgröße
  • R² (Bestimmtheitsmaß): Anteil der erklärten Varianz; 1 = perfekt, 0 = nicht besser als der Mittelwert. Hier: Mittelwert 20, Gesamtstreuung 100+0+100 = 200, Restfehler 17 → R² = 1 − 17/200 = 0,915
R^2 = 1 - \frac{\sum (y_i - \hat{y}_i)^2}{\sum (y_i - \bar{y})^2}

6.5 Overfitting, Underfitting, Bias-Variance

Zustand Trainingsfehler Validierungsfehler Ursache Gegenmaßnahmen
Underfitting (hoher Bias) hoch hoch Modell zu einfach Komplexeres Modell, mehr Features, länger trainieren
Gute Anpassung niedrig niedrig, nah am Training – –
Overfitting (hohe Varianz) sehr niedrig deutlich höher Modell lernt Rauschen auswendig Mehr Daten, Regularisierung, Dropout, Early Stopping, einfacheres Modell, Datenaugmentation

Merksatz Bias-Variance-Tradeoff: Mehr Modellkomplexität senkt den Bias, erhöht aber die Varianz. Ziel ist das Minimum des Gesamtfehlers.

6.6 Regularisierung

  • L1 (Lasso): bestraft die Summe der Beträge der Gewichte → setzt Gewichte auf 0 (automatische Merkmalsauswahl).
  • L2 (Ridge): bestraft die Summe der quadrierten Gewichte → macht Gewichte klein, aber selten 0.
  • Elastic Net: Kombination aus L1 und L2.
  • Bei neuronalen Netzen zusätzlich: Dropout, Early Stopping, Batch Normalization.
L_{Ridge} = MSE + \lambda \sum_j w_j^2 \qquad L_{Lasso} = MSE + \lambda \sum_j |w_j|

6.7 Kreuzvalidierung und Hyperparameter-Tuning

k-fache Kreuzvalidierung (z. B. k = 5): Daten in 5 Teile teilen; 5 Durchläufe, jedes Mal ein anderer Teil als Validierung; Ergebnis = Mittelwert (und Streuung) der 5 Scores. Vorteil: stabilere Bewertung bei wenig Daten.

Parameter vs. Hyperparameter: Parameter lernt das Modell (Gewichte). Hyperparameter legt der Mensch vorher fest (Lernrate, Baumtiefe, k bei kNN). Suche per Grid Search, Random Search oder Bayes’scher Optimierung.

Prüfungsfragen zu Modul 6

  1. Gegeben: TP = 40, FP = 10, FN = 20, TN = 130. Berechnen Sie Accuracy, Precision, Recall und F1. (6 P.) – Lösung: Accuracy = 170/200 = 85 %; Precision = 40/50 = 80 %; Recall = 40/60 ≈ 66,7 %; F1 = 2·0,8·0,667/(1,467) ≈ 72,7 %.
  2. Trainings-Accuracy 99 %, Validierungs-Accuracy 71 %. Diagnose und drei Maßnahmen. (5 P.) – Lösung: Overfitting. Maßnahmen: Regularisierung, mehr/augmentierte Daten, Modellkomplexität senken (z. B. Baumtiefe), Early Stopping.
  3. Bei der Früherkennung von Maschinenausfällen kostet ein übersehener Ausfall 50.000 €, eine unnötige Inspektion 500 €. Welche Metrik priorisieren Sie? (3 P.) – Lösung: Recall, da False Negatives 100-mal teurer sind; Schwellenwert senken und Precision nur im vertretbaren Rahmen opfern.
Modul 7: Neuronale Netze und Deep Learning

Lernziel: Sie rechnen einen Forward Pass von Hand, erklären Backpropagation in eigenen Worten und ordnen CNN, RNN/LSTM und Transformer den passenden Datentypen zu. Richtwert: 24 Lernstunden.

7.1 Das künstliche Neuron

Ein Neuron bildet die gewichtete Summe seiner Eingaben plus Bias und schickt sie durch eine Aktivierungsfunktion.

y = f\left(\sum_i w_i x_i + b\right)

Rechenbeispiel (Forward Pass, ein Neuron): x = (1, 2), w = (0,5, −0,25), b = 0,1, Aktivierung ReLU.

  • z = 0,5·1 + (−0,25)·2 + 0,1 = 0,5 − 0,5 + 0,1 = 0,1
  • ReLU(0,1) = max(0; 0,1) = 0,1
  • Mit Sigmoid statt ReLU: σ(0,1) ≈ 0,525

Das Perzeptron (1958) ist ein Neuron mit Stufenfunktion. Es kann nur linear trennbare Probleme lösen – das XOR-Problem nicht. Erst mehrere Schichten (Multilayer Perceptron, MLP) mit nichtlinearer Aktivierung lösen XOR.

7.2 Aktivierungsfunktionen

Funktion Wertebereich Einsatz Hinweis
Sigmoid 0 bis 1 Ausgabe bei binärer Klassifikation Verschwindender Gradient in tiefen Netzen
Tanh −1 bis 1 Versteckte Schichten (ältere Netze), RNN Nullzentriert
ReLU 0 bis ∞ Standard in versteckten Schichten Schnell; „tote Neuronen“ möglich (Leaky ReLU als Abhilfe)
Softmax 0 bis 1, Summe = 1 Ausgabe bei Mehrklassen-Klassifikation Liefert Wahrscheinlichkeitsverteilung
Linear beliebig Ausgabe bei Regression –

7.3 Training: Verlustfunktion, Backpropagation, Optimierer

  1. Forward Pass: Eingabe läuft durch das Netz, Ergebnis wird berechnet.
  2. Verlust berechnen: MSE bei Regression, Kreuzentropie (Cross-Entropy) bei Klassifikation.
  3. Backpropagation: Mit der Kettenregel wird berechnet, wie stark jedes Gewicht zum Fehler beigetragen hat (Gradient), von der Ausgabe rückwärts zur Eingabe.
  4. Gewichte aktualisieren mit dem Optimierer (SGD, Adam), siehe Gradientenabstieg in Modul 2.
  5. Wiederholen über viele Epochen (ein Durchlauf durch alle Trainingsdaten) in Mini-Batches.

Begriffe: Batch Size (Beispiele pro Update), Epoche, Lernrate. Probleme: verschwindender/explodierender Gradient (Abhilfe: ReLU, Batch Normalization, Residual-Verbindungen, Gradient Clipping).

7.4 Architekturen

Architektur Kernidee Datentyp Beispiel
MLP / Feedforward Vollständig verbundene Schichten Tabellendaten Kundenscore
CNN (Convolutional NN) Filter (Kernel) gleiten über das Bild und erkennen lokale Muster; Pooling verkleinert Bilder, Video Qualitätskontrolle per Kamera
RNN / LSTM / GRU Gedächtnis über vorherige Zeitschritte; LSTM löst das Langzeit-Gedächtnisproblem mit Gates Zeitreihen, Sequenzen Absatzprognose, Sensordaten
Transformer Self-Attention: jedes Element gewichtet jedes andere; parallel trainierbar Text, zunehmend auch Bild und Audio LLMs, Übersetzung
Autoencoder Komprimieren und Rekonstruieren Beliebig Anomalieerkennung, Entrauschen
GAN Generator gegen Diskriminator Bilder Synthetische Daten
Diffusionsmodell Lernt, Rauschen schrittweise zu entfernen Bilder Bildgenerierung aus Text

CNN-Rechenbeispiel: Bild 32×32, Filter 3×3, Stride 1, kein Padding → Ausgabe (32 − 3)/1 + 1 = 30×30. Danach 2×2-Max-Pooling → 15×15.

Ausgabe = \frac{N - F + 2P}{S} + 1

Parameterzahl einer Dense-Schicht: 100 Eingaben, 10 Neuronen → 100·10 Gewichte + 10 Bias = 1.010 Parameter.

7.5 Transfer Learning

Ein auf großen Daten vortrainiertes Modell (z. B. ResNet auf ImageNet) wird übernommen; nur die letzten Schichten werden auf die eigene Aufgabe neu trainiert (Fine-Tuning). Vorteil: wenige eigene Daten nötig, kurze Trainingszeit. Typischer Prüfungsfall: Mittelständler mit 500 Fehlerbildern.

7.6 Mini-Beispiel in Python (Keras)

from tensorflow import keras

modell = keras.Sequential([
    keras.layers.Input(shape=(20,)),
    keras.layers.Dense(64, activation="relu"),
    keras.layers.Dropout(0.3),                 # gegen Overfitting
    keras.layers.Dense(1, activation="sigmoid") # binäre Klassifikation
])
modell.compile(optimizer="adam", loss="binary_crossentropy",
               metrics=["accuracy", keras.metrics.Recall()])
modell.fit(X_train, y_train, epochs=50, batch_size=32,
           validation_split=0.2,
           callbacks=[keras.callbacks.EarlyStopping(patience=5,
                                                    restore_best_weights=True)])

Prüfungsfragen zu Modul 7

  1. Warum braucht ein neuronales Netz nichtlineare Aktivierungsfunktionen? (2 P.) – Lösung: Ohne sie wäre jede Verkettung von Schichten wieder eine lineare Funktion; das Netz könnte keine nichtlinearen Zusammenhänge (z. B. XOR) abbilden.
  2. Ein Fertigungsbetrieb will Kratzer auf Metalloberflächen per Kamera erkennen, hat aber nur 800 gelabelte Bilder. Vorgehen? (4 P.) – Lösung: CNN mit Transfer Learning (vortrainiertes Modell, letzte Schichten neu trainieren), Datenaugmentation (Drehen, Spiegeln, Helligkeit), Bewertung mit Recall/F1.
  3. Erklären Sie Backpropagation in drei Sätzen. (3 P.) – Lösung: Nach dem Forward Pass wird der Fehler berechnet. Mit der Kettenregel wird rückwärts für jedes Gewicht der Anteil am Fehler (Gradient) bestimmt. Die Gewichte werden entgegen dem Gradienten angepasst.
Modul 8: Generative KI und Large Language Models

Lernziel: Sie erklären, wie ein LLM Text erzeugt, wählen zwischen Prompting, RAG und Fine-Tuning und benennen Risiken samt Gegenmaßnahmen. Richtwert: 18 Lernstunden.

8.1 Wie ein LLM funktioniert

  1. Tokenisierung: Text wird in Tokens zerlegt (Wortteile; im Deutschen grob 1 Token ≈ 3–4 Zeichen). „Kreditausfall“ kann z. B. zu „Kredit“ + „aus“ + „fall“ werden.
  2. Embedding: Jedes Token wird zu einem Vektor; ähnliche Bedeutungen liegen nah beieinander.
  3. Transformer mit Self-Attention: Jedes Token „schaut“ auf alle vorherigen Tokens und gewichtet deren Relevanz.
  4. Vorhersage des nächsten Tokens: Ausgabe ist eine Wahrscheinlichkeitsverteilung über das Vokabular; ein Token wird gewählt, angehängt, und der Vorgang wiederholt sich (autoregressiv).

Trainingsphasen: Pretraining (selbstüberwacht auf riesigen Textmengen) → Instruction Tuning (Frage-Antwort-Beispiele) → RLHF/Präferenzoptimierung (menschliches Feedback, hilfreich und sicher).

Wichtige Parameter:

  • Kontextfenster: maximale Tokenzahl, die das Modell auf einmal verarbeitet (Eingabe + Ausgabe).
  • Temperature: niedrig (0–0,3) = deterministisch, sachlich; hoch (0,8–1,2) = kreativer, variabler.
  • Top-p / Top-k: begrenzen die Auswahl auf die wahrscheinlichsten Tokens.

8.2 Prompt Engineering

  • Zero-Shot: Aufgabe ohne Beispiel.
  • Few-Shot: 2–5 Beispiele im Prompt zeigen das gewünschte Format.
  • Chain-of-Thought: Modell zum schrittweisen Begründen anleiten.
  • Rolle, Kontext, Aufgabe, Format, Grenzen klar angeben; Systemprompt für dauerhafte Vorgaben.

Beispiel (Few-Shot-Klassifikation von Kundenmails):

Ordne die Mail einer Kategorie zu: Rechnung, Technik, Kündigung.
Mail: "Mein Router blinkt rot." -> Technik
Mail: "Die Abbuchung ist doppelt." -> Rechnung
Mail: "Ich möchte zum Monatsende aufhören." ->

8.3 RAG (Retrieval-Augmented Generation)

RAG verbindet ein LLM mit eigenen Dokumenten, ohne das Modell neu zu trainieren.

  1. Dokumente in Abschnitte (Chunks) teilen.
  2. Chunks per Embedding-Modell in Vektoren umwandeln und in einer Vektordatenbank speichern.
  3. Nutzerfrage ebenfalls einbetten, ähnlichste Chunks suchen (Kosinus-Ähnlichkeit, Modul 2).
  4. Gefundene Chunks + Frage an das LLM geben; Antwort mit Quellenangabe.

8.4 Prompting vs. RAG vs. Fine-Tuning

Ansatz Wann sinnvoll Aufwand Aktualität des Wissens
Prompting Allgemeine Aufgaben, Format vorgeben Gering Nur Trainingswissen + Prompt
RAG Firmenwissen, häufig wechselnde Dokumente, Quellen nötig Mittel Hoch (Dokumente austauschbar)
Fine-Tuning (z. B. LoRA) Fester Stil, Fachsprache, spezielles Ausgabeformat Hoch (Daten, Rechenzeit) Stand der Trainingsdaten

Faustregel für die Prüfung: Wissen → RAG, Verhalten/Stil → Fine-Tuning, zuerst immer Prompting versuchen.

8.5 Risiken und Gegenmaßnahmen

Risiko Beschreibung Gegenmaßnahme
Halluzination Plausibel klingende, falsche Aussagen RAG mit Quellen, niedrige Temperature, menschliche Prüfung
Prompt Injection Eingeschleuste Anweisungen in Eingaben oder Dokumenten Eingaben filtern, Rechte begrenzen, Ausgaben prüfen
Datenschutz Personenbezogene Daten gelangen zum Anbieter Anonymisierung, EU-Hosting, Auftragsverarbeitungsvertrag (AVV)
Urheberrecht Erzeugte Inhalte ähneln geschützten Werken Nutzungsrichtlinien, Prüfung vor Veröffentlichung
Bias Übernahme von Vorurteilen aus Trainingsdaten Tests mit diversen Fällen, Leitplanken
Kosten/Latenz Tokenpreise, Antwortzeit Kleineres Modell, Caching, Prompt kürzen

Bewertung generativer Systeme: Faktentreue gegen Quelle, Relevanz, menschliche Bewertung, automatische Metriken (BLEU/ROUGE bei Übersetzung/Zusammenfassung), „LLM-as-a-Judge“ mit Stichproben-Kontrolle.

KI-Agenten: LLM, das Werkzeuge aufruft (Suche, Datenbank, E-Mail) und mehrstufig handelt. Zusätzliche Risiken: unkontrollierte Aktionen → Freigabeschritte (Human-in-the-Loop), minimale Rechte.

Prüfungsfragen zu Modul 8

  1. Ein Versicherer möchte, dass Mitarbeitende Fragen zu 3.000 internen Richtlinien stellen können. Die Richtlinien ändern sich monatlich. Fine-Tuning oder RAG? (4 P.) – Lösung: RAG (1 P.): Wissen ändert sich häufig, Dokumente können ohne Neutraining ausgetauscht werden (1 P.), Antworten mit Quellen sind prüfbar (1 P.), geringere Kosten (1 P.).
  2. Was bewirkt eine Temperature von 0? (2 P.) – Lösung: Das Modell wählt (nahezu) immer das wahrscheinlichste Token; Antworten werden reproduzierbar und weniger kreativ.
  3. Nennen Sie zwei Maßnahmen gegen Halluzinationen. (2 P.) – Lösung: RAG mit Quellenpflicht; menschliche Endkontrolle; Anweisung „Sage, wenn du es nicht weißt“.
Modul 9: Projektvorgehen und MLOps

Lernziel: Sie strukturieren ein KI-Projekt nach CRISP-DM, planen Deployment und Monitoring und erkennen Drift. In Fallaufgaben wird oft gefragt: „Beschreiben Sie das Vorgehen von der Idee bis zum Betrieb.“ Richtwert: 14 Lernstunden.

9.1 CRISP-DM (Cross-Industry Standard Process for Data Mining)

Sechs Phasen, die iterativ durchlaufen werden; aus Evaluation und Betrieb führt der Weg oft zurück zum Geschäftsverständnis.

  1. Business Understanding: Geschäftsziel, Erfolgskriterium (z. B. „Ausschuss um 20 % senken“), Rahmenbedingungen, Wirtschaftlichkeit.
  2. Data Understanding: Datenquellen sichten, explorative Analyse (EDA), Datenqualität prüfen.
  3. Data Preparation: Bereinigen, Features bilden, aufteilen (Modul 3).
  4. Modeling: Verfahren wählen, trainieren, Hyperparameter tunen (Module 4–7).
  5. Evaluation: Technische Metriken und Geschäftsziel prüfen; Go/No-Go-Entscheidung.
  6. Deployment: Inbetriebnahme, Monitoring, Wartung, Dokumentation.

Alternativen: KDD-Prozess, Microsoft TDSP. Agile Umsetzung in Sprints (Scrum) ist üblich.

9.2 Deployment-Varianten

Variante Beschreibung Beispiel
Batch Vorhersagen in festen Intervallen Nächtliche Kündigerliste
Online / Echtzeit (REST-API) Vorhersage pro Anfrage in Millisekunden Betrugsprüfung beim Bezahlen
Edge Modell läuft auf dem Gerät Kamera an der Fertigungslinie
Streaming Laufende Verarbeitung von Datenströmen Sensordaten über Kafka

Rollout-Strategien: A/B-Test (zwei Modelle im Vergleich), Canary Release (erst 5 % des Verkehrs), Shadow Mode (neues Modell rechnet mit, entscheidet aber nicht).

9.3 MLOps-Bausteine

  • Versionierung von Code (Git), Daten (DVC) und Modellen (Model Registry, z. B. MLflow).
  • Experiment-Tracking: Parameter, Metriken, Artefakte je Lauf protokollieren.
  • CI/CD/CT: automatisches Testen, Ausliefern und erneutes Trainieren (Continuous Training).
  • Containerisierung: Docker; Orchestrierung mit Kubernetes.
  • Reproduzierbarkeit: feste Zufallswerte (Seeds), festgehaltene Bibliotheksversionen.
  • Feature Store: gleiche Feature-Berechnung in Training und Betrieb (verhindert Training-Serving-Skew).

9.4 Monitoring und Drift

  • Data Drift: Die Verteilung der Eingabedaten ändert sich (neue Kundengruppe, neuer Sensor). Messbar ohne Labels, z. B. mit Population Stability Index (PSI) oder Kolmogorov-Smirnov-Test.
  • Concept Drift: Der Zusammenhang zwischen Eingabe und Ziel ändert sich (Betrüger ändern ihre Masche; Kaufverhalten nach einer Krise).
  • Überwachen: Modellgüte (sobald Labels vorliegen), Eingabeverteilungen, Latenz, Fehlerraten, Kosten.
  • Reaktion: Alarm → Analyse → Retraining mit aktuellen Daten → Validierung → kontrollierter Rollout.

9.5 Werkzeuge (Auswahl, prüfungsrelevant als Kategorien)

Python, pandas, NumPy, scikit-learn, PyTorch, TensorFlow/Keras, Jupyter, MLflow, DVC, Docker, Kubernetes, Cloud-ML-Dienste (AWS SageMaker, Azure ML, Google Vertex AI), Vektordatenbanken (z. B. pgvector, Qdrant).

Prüfungsfragen zu Modul 9

  1. Ein Absatzprognosemodell wird seit einem Jahr genutzt; die Abweichungen steigen seit drei Monaten. Analysieren Sie mögliche Ursachen und das Vorgehen. (6 P.) – Lösung: Concept Drift (z. B. verändertes Kaufverhalten) oder Data Drift (neues Sortiment, neue Filialen) (2 P.). Vorgehen: Eingabeverteilungen mit Trainingsdaten vergleichen (PSI), Fehler nach Segmenten analysieren (2 P.), mit aktuellen Daten neu trainieren, im Shadow Mode testen, Monitoring mit Schwellen einrichten (2 P.).
  2. Nennen Sie die sechs Phasen von CRISP-DM. (3 P.) – Lösung: Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, Deployment.
  3. Was ist Shadow Mode und wozu dient er? (2 P.) – Lösung: Das neue Modell erhält echte Anfragen und rechnet mit, seine Ergebnisse werden aber nur protokolliert. So wird es risikofrei mit dem Altmodell verglichen.
Modul 10: Recht, Ethik und Datenschutz

Lernziel: Sie ordnen ein KI-System einer Risikoklasse des EU AI Act zu, nennen die daraus folgenden Pflichten, prüfen die DSGVO-Grundlagen und schlagen Maßnahmen für Fairness und Erklärbarkeit vor. Richtwert: 14 Lernstunden.

10.1 EU AI Act (Verordnung (EU) 2024/1689)

In Kraft seit 1. August 2024, gestaffelte Geltung: Verbote und Pflicht zur KI-Kompetenz (Art. 4) ab 2. Februar 2025, Pflichten für KI-Modelle mit allgemeinem Verwendungszweck (GPAI) ab 2. August 2025, Großteil der Hochrisiko-Pflichten ab 2. August 2026. Die EU-Kommission hat Ende 2025 im „Digital Omnibus“ eine Verschiebung von Hochrisiko-Fristen vorgeschlagen – den aktuellen Stand vor der Prüfung nachlesen.

Risikoklasse Beispiele Folge
Unannehmbares Risiko (verboten, Art. 5) Social Scoring, manipulative Techniken, Emotionserkennung am Arbeitsplatz und in Schulen, ungezieltes Auslesen von Gesichtsbildern Verbot
Hohes Risiko (Art. 6, Anhang III) Bewerberauswahl, Kreditwürdigkeit, Bildung/Prüfungen, kritische Infrastruktur, Medizinprodukte Risikomanagement, Datenqualität, technische Dokumentation, Protokollierung, menschliche Aufsicht, Genauigkeit/Robustheit, Konformitätsbewertung, Registrierung
Begrenztes Risiko (Transparenz, Art. 50) Chatbots, Deepfakes, KI-generierte Texte zu öffentlichen Themen Kennzeichnung: Nutzer müssen wissen, dass sie mit KI interagieren bzw. Inhalte KI-erzeugt sind
Minimales Risiko Spamfilter, KI in Videospielen Keine besonderen Pflichten (freiwillige Kodizes)

Rollen: Anbieter (entwickelt/bringt in Verkehr) und Betreiber (setzt beruflich ein) haben unterschiedliche Pflichten. Bußgelder bis 35 Mio. € oder 7 % des weltweiten Jahresumsatzes (verbotene Praktiken).

10.2 DSGVO-Grundlagen für KI-Projekte

  • Grundsätze (Art. 5): Rechtmäßigkeit, Zweckbindung, Datenminimierung, Richtigkeit, Speicherbegrenzung, Integrität/Vertraulichkeit, Rechenschaftspflicht.
  • Rechtsgrundlage (Art. 6): z. B. Einwilligung, Vertrag, berechtigtes Interesse.
  • Art. 22: Recht, keiner ausschließlich automatisierten Entscheidung mit erheblicher Wirkung unterworfen zu werden (z. B. Kreditablehnung) – außer mit Ausnahmen und Schutzmaßnahmen (menschliches Eingreifen, Darlegung des eigenen Standpunkts).
  • Datenschutz-Folgenabschätzung (Art. 35) bei hohem Risiko für Betroffene.
  • Privacy by Design / by Default (Art. 25).
  • Technik: Anonymisierung (kein Personenbezug mehr, DSGVO gilt nicht) vs. Pseudonymisierung (Zuordnung mit Zusatzwissen möglich, DSGVO gilt weiter); Differential Privacy; Federated Learning (Daten bleiben lokal).
  • Dienstleister: Auftragsverarbeitungsvertrag (Art. 28); Drittlandtransfer prüfen.

10.3 Bias und Fairness

Quellen von Bias: unausgewogene Trainingsdaten (historische Diskriminierung), Messfehler, Auswahl der Merkmale (Stellvertretermerkmale wie Postleitzahl), Feedbackschleifen.

Beispiel: Ein Bewerbungsfilter wird mit Einstellungen der letzten zehn Jahre trainiert, in denen fast nur Männer eingestellt wurden. Das Modell lernt, Merkmale wie „Frauenfußballverein“ negativ zu bewerten. Maßnahmen: Daten prüfen und ausgleichen, geschützte Merkmale und Stellvertreter entfernen, Fairness-Metriken je Gruppe messen (z. B. gleiche Auswahlquote = Demographic Parity, gleiche Fehlerraten = Equalized Odds), menschliche Kontrolle.

10.4 Erklärbarkeit (Explainable AI, XAI)

  • Intrinsisch erklärbar: lineare Modelle, flache Bäume.
  • Post-hoc, global: Feature Importance, Permutation Importance, Partial Dependence Plots.
  • Post-hoc, lokal (eine einzelne Entscheidung): SHAP (Beitrag jedes Merkmals auf Basis von Shapley-Werten aus der Spieltheorie), LIME (lokales, einfaches Ersatzmodell um den Datenpunkt), kontrafaktische Erklärungen („Mit 300 € höherem Einkommen wäre der Kredit bewilligt worden“), Grad-CAM bei Bildern.

10.5 Ethische Leitlinien

EU-Leitlinien für vertrauenswürdige KI (2019): menschliches Handeln und Aufsicht, technische Robustheit und Sicherheit, Datenschutz, Transparenz, Vielfalt/Nichtdiskriminierung/Fairness, gesellschaftliches und ökologisches Wohlergehen, Rechenschaftspflicht. Zusätzlich: Energieverbrauch großer Modelle, Urheberrecht an Trainingsdaten (Text- und Data-Mining-Schranke § 44b UrhG mit Opt-out).

Prüfungsfragen zu Modul 10

  1. Ein Personaldienstleister will Bewerbungen per KI vorsortieren. Ordnen Sie das System nach AI Act ein und nennen Sie vier Pflichten. (6 P.) – Lösung: Hochrisiko (Beschäftigung, Anhang III) (2 P.). Pflichten: Risikomanagementsystem, Daten-Governance und Bias-Prüfung, technische Dokumentation und Protokollierung, menschliche Aufsicht, Transparenz gegenüber Betreibern, Konformitätsbewertung (je 1 P., max. 4).
  2. Unterscheiden Sie Anonymisierung und Pseudonymisierung. (2 P.) – Lösung: Anonymisierte Daten lassen sich keiner Person mehr zuordnen (keine DSGVO). Pseudonymisierte Daten lassen sich mit Zusatzinformation zuordnen und bleiben personenbezogen.
  3. Ein Kunde fragt, warum sein Kredit abgelehnt wurde. Das Modell ist ein Gradient-Boosting-Modell. Wie gehen Sie vor? (4 P.) – Lösung: Lokale Erklärung mit SHAP für diesen Fall, wichtigste Einflussfaktoren verständlich darstellen, ggf. kontrafaktische Erklärung; nach Art. 22 DSGVO menschliche Überprüfung anbieten.
Modul 11: Wirtschaftlichkeit, Projektmanagement und Kommunikation

Lernziel: Sie bewerten einen KI-Anwendungsfall wirtschaftlich, rechnen ROI und Amortisation und erklären Ergebnisse für Fachabteilung und Geschäftsführung verständlich. Richtwert: 12 Lernstunden.

11.1 Use Cases finden und bewerten

Prüffragen für jeden Anwendungsfall:

  1. Welches Geschäftsproblem wird gelöst, und wie wird Erfolg gemessen (KPI)?
  2. Gibt es genug Daten in ausreichender Qualität (und dürfen wir sie nutzen)?
  3. Ist ML nötig, oder reicht eine einfache Regel?
  4. Wie hoch sind Nutzen, Kosten und Risiko (rechtlich, ethisch, technisch)?
  5. Wer nutzt das Ergebnis, und wie fließt es in den Prozess ein?

Priorisierung häufig mit einer Nutzen-Machbarkeits-Matrix: hoher Nutzen + hohe Machbarkeit = „Quick Win“ zuerst umsetzen; hoher Nutzen + geringe Machbarkeit = strategisches Projekt; geringer Nutzen = zurückstellen.

11.2 Kosten und Nutzen

  • Einmalige Kosten: Datenaufbereitung, Entwicklung, Hardware/Cloud-Einrichtung, Schulung, Rechtsprüfung.
  • Laufende Kosten: Cloud/Rechenzeit, Lizenzen, API-Tokens, Monitoring, Retraining, Personal.
  • Nutzen: Zeitersparnis, weniger Ausschuss, höherer Umsatz, geringere Ausfallzeiten, bessere Qualität.

Rechenbeispiel (Prüfungsformat): Ein Modell zur Rechnungserfassung kostet einmalig 60.000 € und laufend 1.000 €/Monat. Es spart 2 Vollzeitkräfte à 4.000 €/Monat zu 50 % ihrer Arbeitszeit ein.

  • Monatliche Ersparnis: 2 · 4.000 € · 0,5 = 4.000 €
  • Netto-Nutzen pro Monat: 4.000 € − 1.000 € = 3.000 €
  • Amortisationszeit: 60.000 € / 3.000 € = 20 Monate
  • ROI nach 3 Jahren: Netto-Nutzen 36 · 3.000 € = 108.000 €; ROI = (108.000 − 60.000) / 60.000 = 80 %
ROI = \frac{Gewinn - Investition}{Investition} \cdot 100\,\%

Make or Buy: Eigenentwicklung (Kontrolle, Know-how, hoher Aufwand) vs. fertige KI-Dienste/SaaS (schnell, aber Abhängigkeit, Datenschutzfragen, laufende Gebühren).

11.3 Projektmanagement und Rollen

  • Rollen: Product Owner / Fachbereich, Data Scientist, Data Engineer, ML Engineer, Datenschutzbeauftragte/r, IT-Betrieb.
  • Vorgehen: Proof of Concept (PoC) → Pilot → Rollout. Frühe Abbruchkriterien festlegen.
  • Change Management: Mitarbeitende früh einbinden, Ängste ernst nehmen, Schulungen (KI-Kompetenz nach Art. 4 AI Act), Betriebsrat beteiligen (Mitbestimmung bei technischen Überwachungseinrichtungen, § 87 Abs. 1 Nr. 6 BetrVG).

11.4 Kommunikation von Ergebnissen

  • Zielgruppengerecht: Geschäftsführung will Nutzen, Kosten, Risiko; Fachabteilung will Bedienung und Grenzen; IT will Schnittstellen und Betrieb.
  • Metriken übersetzen: statt „Recall 0,9“ lieber „Das System findet 9 von 10 defekten Teilen“.
  • Grenzen offen benennen: Fehlerquote, Datenstand, Fälle, in denen ein Mensch entscheiden muss.
  • Visualisieren: Konfusionsmatrix, Vorher-nachher-Vergleich, Feature Importance.

11.5 Vorbereitung auf das Fachgespräch / die mündliche Prüfung

  • Eigenen Praxisfall in 5 Minuten strukturiert präsentieren können: Ausgangslage → Ziel → Daten → Vorgehen → Ergebnis → Wirtschaftlichkeit → Risiken → Ausblick.
  • Entscheidungen immer begründen („Ich habe Random Forest gewählt, weil …“), Alternativen nennen.
  • Fachbegriffe korrekt verwenden und auf Nachfrage einfach erklären können.
  • Bei Unwissen ehrlich sein und laut überlegen – Prüfende bewerten auch den Lösungsweg.

Prüfungsfragen zu Modul 11

  1. Ein KI-Projekt kostet 120.000 € einmalig und 2.000 € pro Monat; es spart 8.000 € pro Monat. Berechnen Sie die Amortisationszeit. (3 P.) – Lösung: Netto 6.000 €/Monat → 120.000 / 6.000 = 20 Monate.
  2. Erklären Sie der Geschäftsführung in zwei Sätzen, was eine Precision von 0,8 bedeutet. (2 P.) – Lösung: Von 10 Teilen, die das System als defekt meldet, sind 8 tatsächlich defekt. 2 von 10 Meldungen sind Fehlalarme.
  3. Nennen Sie drei Gründe, ein KI-Projekt nach dem PoC zu stoppen. (3 P.) – Lösung: Erfolgskriterium nicht erreicht; Daten nicht ausreichend/nicht nutzbar; Kosten übersteigen den Nutzen; nicht lösbare rechtliche Risiken.
Modul 12: Ergänzungen laut Rechtsvorschrift

Lernziel: Sie decken die Inhalte ab, die die Rechtsvorschrift ausdrücklich nennt und die in den Modulen 1–11 nur am Rand vorkommen. Die Teile 12.3–12.6 kommen vor allem in Präsentation und Fachgespräch dran. Richtwert: 30 Lernstunden.

12.1 Relationale Datenbanken und SQL

Eine relationale Datenbank speichert Daten in Tabellen (Relationen). Jede Zeile hat einen Primärschlüssel; Fremdschlüssel verknüpfen Tabellen. Normalisierung (1. bis 3. Normalform) vermeidet Redundanz und Widersprüche.

Beispiel: Tabellen kunde(kunde_id, name, region) und bestellung(bestell_id, kunde_id, betrag, datum).

-- Umsatz je Region im Jahr 2025, nur Regionen über 10.000 €
SELECT k.region, COUNT(*) AS anzahl, SUM(b.betrag) AS umsatz
FROM bestellung b
JOIN kunde k ON k.kunde_id = b.kunde_id
WHERE b.datum BETWEEN '2025-01-01' AND '2025-12-31'
GROUP BY k.region
HAVING SUM(b.betrag) > 10000
ORDER BY umsatz DESC;

Merksätze: WHERE filtert Zeilen vor der Gruppierung, HAVING filtert Gruppen danach. INNER JOIN liefert nur Treffer in beiden Tabellen, LEFT JOIN alle Zeilen der linken Tabelle (fehlende Werte = NULL). In Python laden Sie das Ergebnis mit pandas.read_sql(abfrage, verbindung).

Datensicherheit (Schutzziele): Vertraulichkeit, Integrität, Verfügbarkeit. Maßnahmen: Rollen- und Rechtekonzept, Verschlüsselung, Backups, Protokollierung, Schutz vor SQL-Injection durch parametrisierte Abfragen.

12.2 Robustheit neuronaler Netze

  • Adversarial Examples: Minimal veränderte Eingaben, für Menschen unsichtbar, führen zu falschen Ergebnissen. Bekanntes Beispiel: Aufkleber auf einem Stoppschild, das dann als Tempolimit erkannt wird.
  • Data Poisoning: Manipulierte Trainingsdaten verschieben das Modellverhalten.
  • Out-of-Distribution: Eingaben, die den Trainingsdaten nicht ähneln (Nachtaufnahmen, wenn nur Tagbilder trainiert wurden).
  • Gegenmaßnahmen: Adversarial Training, Datenaugmentation, Eingabeprüfung, Konfidenzschwellen mit Übergabe an einen Menschen, Herkunft der Trainingsdaten prüfen, Tests mit Grenzfällen.

12.3 Prozessmanagement

  1. Prozessziel klären: SMART formulieren (spezifisch, messbar, attraktiv, realistisch, terminiert), z. B. „Bearbeitungszeit einer Eingangsrechnung bis 30.06. von 12 auf 4 Minuten senken“.
  2. Ist-Prozess aufnehmen: Interviews, Beobachtung, Process Mining; darstellen als BPMN-Diagramm oder Ereignisgesteuerte Prozesskette (EPK).
  3. Schwachstellen analysieren: Medienbrüche, Wartezeiten, manuelle Wiederholarbeit – typische KI-Kandidaten.
  4. Soll-Prozess entwerfen mit KI-Baustein und klarer menschlicher Kontrollstelle.
  5. Überwachen und bewerten: Prozess-KPIs (Durchlaufzeit, Fehlerquote, Kosten je Vorgang); kontinuierliche Verbesserung mit dem PDCA-Zyklus (Plan, Do, Check, Act).

Projektberichte: Statusbericht mit Ampel (Termine, Kosten, Qualität), Zwischenbericht an Meilensteinen, Abschlussbericht mit Zielerreichung und Lessons Learned. Agile Methoden: Scrum (Rollen Product Owner, Scrum Master, Developers; Ereignisse Sprint, Sprint Planning, Daily, Review, Retrospektive; Artefakte Product Backlog, Sprint Backlog, Increment) und Kanban (Board, WIP-Limit).

12.4 Rechtliche Grundlagen (Ergänzung zu Modul 10)

Unternehmensrechtsformen

Rechtsform Mindestkapital Haftung Typisch für
Einzelunternehmen keines Unbeschränkt, Privatvermögen Freelancer, Kleinbetriebe
GbR keines Gesellschafter persönlich und gesamtschuldnerisch Kleine Teams, Projektgemeinschaften
OHG / KG keines OHG alle unbeschränkt; KG Komplementär unbeschränkt, Kommanditist bis zur Einlage Familienunternehmen
UG (haftungsbeschränkt) ab 1 € Gesellschaftsvermögen Start-ups
GmbH 25.000 € Stammkapital Gesellschaftsvermögen Mittelstand
AG 50.000 € Grundkapital Gesellschaftsvermögen Großunternehmen, Börse

Bedeutung für KI-Projekte: Wer haftet bei Fehlentscheidungen eines Systems, wer ist Anbieter oder Betreiber im Sinne des AI Act, wer ist datenschutzrechtlich Verantwortlicher.

Vertragsarten

Vertrag Geschuldet wird KI-Beispiel
Kaufvertrag (§ 433 BGB) Übereignung einer Sache Kauf eines GPU-Servers
Werkvertrag (§ 631 BGB) Ein Erfolg (Abnahme) Entwicklung eines Modells mit vereinbarter Recall-Schwelle
Dienstvertrag (§ 611 BGB) Eine Tätigkeit, kein Erfolg Beratung, Data-Science-Unterstützung nach Stunden
Mietvertrag (§ 535 BGB) Gebrauchsüberlassung auf Zeit Cloud-Rechenleistung, SaaS-Abonnement (häufig so eingeordnet)
Lizenzvertrag (gesetzlich nicht geregelt) Nutzungsrechte Nutzung eines Modells oder Datensatzes
Auftragsverarbeitungsvertrag (Art. 28 DSGVO) Datenverarbeitung nach Weisung KI-Dienstleister verarbeitet Kundendaten

Prüfungsfalle: Bei KI ist ein Erfolg oft schwer zu garantieren. Werkvertrag nur mit klaren, messbaren Abnahmekriterien; sonst Dienstvertrag.

Urheberrecht (UrhG)

  • Geschützt sind persönliche geistige Schöpfungen (§ 2 Abs. 2) eines Menschen. Rein KI-generierte Inhalte sind daher in der Regel nicht urheberrechtlich geschützt.
  • Computerprogramme sind geschützt (§§ 69a ff.). Von Angestellten im Dienst geschaffene Programme: Nutzungsrechte liegen beim Arbeitgeber (§ 69b).
  • Text- und Data-Mining für Trainingsdaten ist erlaubt (§ 44b), außer der Rechteinhaber hat maschinenlesbar widersprochen (Opt-out).
  • Schutzdauer: 70 Jahre nach dem Tod des Urhebers. Open-Source- und Modelllizenzen (MIT, Apache 2.0, GPL, Lizenzen mit Nutzungsbeschränkungen) vor Einsatz prüfen.

Patentrecht (PatG)

  • Voraussetzungen (§ 1): Neuheit, erfinderische Tätigkeit, gewerbliche Anwendbarkeit.
  • Computerprogramme „als solche“ sind nicht patentierbar (§ 1 Abs. 3), wohl aber technische Lösungen mit KI (z. B. ein KI-gesteuertes Verfahren zur Werkzeugüberwachung).
  • Laufzeit höchstens 20 Jahre. Erfinder kann nur ein Mensch sein, nicht die KI selbst.

Ausgewählte Steuerarten

Steuer Wer zahlt Satz / Hinweis
Umsatzsteuer Endverbraucher, abgeführt vom Unternehmen 19 % regulär, 7 % ermäßigt; Vorsteuerabzug
Einkommensteuer Natürliche Personen, Personengesellschafter Progressiv
Körperschaftsteuer Kapitalgesellschaften (GmbH, AG) 15 % + Solidaritätszuschlag 5,5 % darauf
Gewerbesteuer Gewerbebetriebe Messbetrag 3,5 % × Hebesatz der Gemeinde

Rechenbeispiel Umsatzsteuer: Ein KI-Dienstleister stellt 10.000 € netto in Rechnung → USt 1.900 € → brutto 11.900 €. Er hat 2.000 € netto Cloud-Kosten mit 380 € Vorsteuer. Zahllast an das Finanzamt: 1.900 − 380 = 1.520 €.

Rechenbeispiel Gewerbesteuer: Gewerbeertrag 100.000 € (nach Freibetrag), Hebesatz 400 % → 100.000 · 3,5 % = 3.500 € Messbetrag → 3.500 · 4 = 14.000 €.

Abschreibung: Computerhardware und Software können seit 2021 steuerlich über eine Nutzungsdauer von einem Jahr abgeschrieben werden; geringwertige Wirtschaftsgüter bis 800 € netto sofort.

12.5 Ökonomische Aspekte und Abwägungsmethoden

Kosten- und Leistungsrechnung (KLR): Kostenartenrechnung (welche Kosten?), Kostenstellenrechnung (wo?), Kostenträgerrechnung (wofür?). Fixe Kosten bleiben bei Mengenänderung gleich (Lizenzen, Personal), variable steigen mit der Menge (Tokens, Rechenzeit pro Anfrage).

Deckungsbeitrag = Preis - variable\ Kosten \qquad Break\text{-}even\text{-}Menge = \frac{Fixkosten}{Deckungsbeitrag\ je\ Einheit}

Rechenbeispiel: Ein KI-Service kostet Kunden 50 €/Monat, variable Kosten 20 €/Kunde, Fixkosten 6.000 €/Monat → Deckungsbeitrag 30 € → Break-even bei 200 Kunden.

Nutzwertanalyse (für nicht in Geld messbare Kriterien): Kriterien gewichten (Summe 100 %), Optionen 1–10 bewerten, Punkte × Gewicht addieren.

Kriterium Gewicht Option A: Eigenentwicklung Option B: SaaS-Dienst
Datenschutz 40 % 9 → 3,6 5 → 2,0
Kosten 30 % 4 → 1,2 8 → 2,4
Umsetzungszeit 20 % 3 → 0,6 9 → 1,8
Anpassbarkeit 10 % 9 → 0,9 4 → 0,4
Summe 100 % 6,3 6,6

Ergebnis: knapp Option B. In der Prüfung immer die Gewichtung begründen und eine Sensitivitätsfrage beantworten können („Was, wenn Datenschutz 50 % und Kosten nur 20 % zählen?“ – dann A 6,8 gegen B 6,3, A gewinnt).

Controlling: Soll-Ist-Vergleich, Abweichungsanalyse, Kennzahlen (ROI, Amortisation, Kosten je Vorhersage). Finanzierung: Eigen- vs. Fremdfinanzierung, Innenfinanzierung (Gewinne, Abschreibungen) vs. Außenfinanzierung (Kredit, Beteiligung), Leasing, Förderprogramme von Bund und Ländern für Digitalisierung. Branchenspezifika: z. B. Medizin (Medizinprodukterecht), Finanzwesen (BaFin-Aufsicht), Industrie (Maschinenverordnung, Echtzeit), Handel (Saisonalität).

12.6 Zukunftskompetenzen

Bereich Wissen, das geprüft werden kann Beispiel für das Fachgespräch
Selbstorganisation Eisenhower-Matrix (wichtig/dringend), SMART-Ziele, Pomodoro-Technik, Pareto-Prinzip (80/20) Wie Sie die 28 Tage Transferarbeit geplant haben
Resilienz und Selbstreflexion Umgang mit Rückschlägen, Feedback einholen, Lerntagebuch Was Sie nach einem gescheiterten Modell gelernt haben
Kommunikation Sender-Empfänger-Modell; Vier-Seiten-Modell nach Schulz von Thun (Sache, Selbstkundgabe, Beziehung, Appell); Axiome nach Watzlawick („Man kann nicht nicht kommunizieren“); aktives Zuhören; Ich-Botschaften Wie Sie skeptischen Mitarbeitenden ein KI-System erklären
Zusammenarbeit Teamphasen nach Tuckman (Forming, Storming, Norming, Performing), interdisziplinäre und interkulturelle Teams Wie Fachbereich und IT im Projekt zusammengearbeitet haben
Problemlösen 5-Why-Methode, Ishikawa-Diagramm, Design Thinking Ursachenanalyse bei schlechter Modellgüte
Agiles Arbeiten Scrum, Kanban, Retrospektive (siehe 12.3) Was in Ihrem Projekt agil lief
Digitale Grundkompetenzen Kollaborationswerkzeuge, Versionsverwaltung, sichere Passwörter, Umgang mit KI-Werkzeugen Wie Sie generative KI in der Arbeit selbst nutzen

Prüfungsfragen zu Modul 12

  1. Ein Start-up beauftragt einen Dienstleister, ein Modell mit mindestens 85 % Recall zu liefern. Welcher Vertragstyp liegt vor, und was folgt daraus? (3 P.) – Lösung: Werkvertrag, da ein Erfolg geschuldet ist; Abnahme anhand des Kriteriums, bei Nichterreichen Mängelrechte (Nacherfüllung).
  2. Schreiben Sie eine SQL-Abfrage, die alle Kunden ohne Bestellung liefert. (3 P.) – Lösung: SELECT k.* FROM kunde k LEFT JOIN bestellung b ON b.kunde_id = k.kunde_id WHERE b.bestell_id IS NULL;
  3. Ist ein von einer KI vollständig generiertes Logo urheberrechtlich geschützt? (2 P.) – Lösung: In der Regel nein, da eine persönliche geistige Schöpfung eines Menschen fehlt.
  4. Erklären Sie das Vier-Seiten-Modell am Satz „Das Modell ist schon wieder falsch.“ (4 P.) – Lösung: Sache: Die Vorhersage stimmt nicht. Selbstkundgabe: Ich bin verärgert. Beziehung: Du hast schlecht gearbeitet. Appell: Kümmere dich darum.
Probeprüfung: Situationsaufgabe mit Musterlösung

Diese Probeprüfung ist dem schriftlichen Teil 2 (120 Minuten, 35 % der Gesamtnote) nachgebildet und greift für Aufgabe 6 in die Handlungsbereiche 3 und 4 vor, wie es im Fachgespräch passieren kann. 100 Punkte, bestanden ab 50 Punkten (§ 10). Hilfsmittel laut Einladung Ihrer IHK, üblicherweise ein nicht programmierbarer Taschenrechner. Für Teil 1 (60 Minuten) eignen sich die Prüfungsfragen der Module 1–7.

Ausgangssituation

Die Müller Antriebstechnik GmbH (420 Mitarbeitende) fertigt Getriebe. Jährlich fallen 14 ungeplante Maschinenausfälle an, jeder kostet im Schnitt 40.000 €. An 30 Maschinen erfassen Sensoren seit zwei Jahren Temperatur, Vibration und Stromaufnahme im Sekundentakt. Ausfälle sind im Wartungssystem dokumentiert. Sie sollen als Berufsspezialist/in ein Vorhersagesystem (Predictive Maintenance) konzipieren.

Aufgabe 1 – Problemdefinition (12 Punkte)

a) Formulieren Sie die ML-Aufgabe und nennen Sie Lernparadigma und Aufgabentyp. (6 P.)

b) Nennen Sie zwei messbare Erfolgskriterien. (6 P.)

Musterlösung: a) Überwachtes Lernen (2 P.), binäre Klassifikation: „Fällt die Maschine in den nächsten 7 Tagen aus? ja/nein“ (2 P.); alternativ Regression der Restlebensdauer (2 P.). b) Ungeplante Ausfälle um mindestens 40 % senken (3 P.); Recall ≥ 80 % bei Precision ≥ 50 % auf Testdaten (3 P.).

Aufgabe 2 – Datenaufbereitung (18 Punkte)

a) Beschreiben Sie drei Vorverarbeitungsschritte für die Sensordaten. (9 P.)

b) Wie teilen Sie die Daten in Training und Test auf? Begründen Sie. (5 P.)

c) Erklären Sie, warum das Merkmal „Reparaturauftrag erstellt“ nicht verwendet werden darf. (4 P.)

Musterlösung: a) Je 3 P.: Lücken und Sensorfehler behandeln (Interpolation, unplausible Werte entfernen); Aggregation in Zeitfenster (z. B. Mittelwert, Maximum, Standardabweichung der Vibration pro Stunde, gleitende Trends); Labels erzeugen (Fenster 7 Tage vor Ausfall = 1) und Klassenungleichgewicht behandeln (Klassengewichte, Oversampling); Skalierung. b) Zeitliche Aufteilung, z. B. 18 Monate Training, 6 Monate Test (3 P.), da sonst Zukunftsinformation ins Training gelangt (2 P.). c) Data Leakage (2 P.): Der Auftrag entsteht erst nach dem erkannten Schaden und ist zum Vorhersagezeitpunkt nicht verfügbar (2 P.).

Aufgabe 3 – Modellwahl und Bewertung (25 Punkte)

a) Schlagen Sie ein Verfahren vor und begründen Sie es. (5 P.)

b) Auf den Testdaten ergibt sich: TP = 18, FN = 6, FP = 22, TN = 954. Berechnen Sie Accuracy, Precision, Recall und F1. (8 P.)

c) Bewerten Sie das Ergebnis im Hinblick auf das Ziel. (6 P.)

d) Wie ließe sich der Recall erhöhen, und was ist der Preis? (6 P.)

Musterlösung: a) Gradient Boosting oder Random Forest auf aggregierten Merkmalen (2 P.): stark bei Tabellendaten, robust, Feature Importance für Erklärbarkeit (3 P.); alternativ LSTM auf Rohsequenzen, wenn genug Daten. b) Gesamt 1.000. Accuracy = 972/1000 = 97,2 % (2 P.); Precision = 18/40 = 45,0 % (2 P.); Recall = 18/24 = 75,0 % (2 P.); F1 = 2·0,45·0,75/1,2 = 56,25 % (2 P.). c) Accuracy ist wegen der Seltenheit der Ausfälle wenig aussagekräftig (2 P.). Recall 75 % und Precision 45 % verfehlen das Ziel knapp (2 P.); da ein Ausfall 40.000 € kostet, eine Inspektion deutlich weniger, sind Fehlalarme vertretbar (2 P.). d) Schwellenwert senken oder Klassengewichte erhöhen, mehr Merkmale (3 P.); Preis: mehr False Positives, also mehr unnötige Inspektionen, sinkende Precision (3 P.).

Aufgabe 4 – Wirtschaftlichkeit (15 Punkte)

Das System kostet einmalig 90.000 € und laufend 2.500 €/Monat. Es verhindert 75 % der Ausfälle. Jeder Fehlalarm verursacht eine Inspektion zu 300 €; pro Jahr werden 120 Fehlalarme erwartet. Berechnen Sie den jährlichen Netto-Nutzen und die Amortisationszeit.

Musterlösung:

  • Vermiedene Ausfälle: 14 · 0,75 = 10,5 → 10,5 · 40.000 € = 420.000 €/Jahr (4 P.)
  • Kosten Fehlalarme: 120 · 300 € = 36.000 €/Jahr (3 P.)
  • Laufende Kosten: 12 · 2.500 € = 30.000 €/Jahr (2 P.)
  • Netto-Nutzen: 420.000 − 36.000 − 30.000 = 354.000 €/Jahr (3 P.)
  • Amortisation: 90.000 / 354.000 ≈ 0,25 Jahre ≈ 3,1 Monate (3 P.)

(Vereinfacht: Kosten der rechtzeitigen geplanten Reparatur sind hier nicht berücksichtigt – das als Annahme zu benennen bringt in der Praxis Zusatzpunkte.)

Aufgabe 5 – Betrieb und Monitoring (15 Punkte)

a) Nennen Sie eine Deployment-Variante und begründen Sie sie. (5 P.)

b) Nach acht Monaten werden neue Maschinen eines anderen Herstellers installiert. Welches Risiko entsteht, und wie reagieren Sie? (10 P.)

Musterlösung: a) Batch-Vorhersage stündlich oder täglich (2 P.), da Ausfälle sich über Tage ankündigen und keine Millisekunden-Antwort nötig ist; Ergebnis als Warnliste im Wartungssystem (3 P.). Alternativ Edge bei fehlender Netzanbindung. b) Data Drift: andere Sensorwerte und Ausfallmuster (3 P.). Maßnahmen: Eingangsverteilungen überwachen (PSI), neue Maschinen zunächst nur mit menschlicher Kontrolle betreiben (3 P.), Daten sammeln, Modell nachtrainieren oder eigenes Modell für den neuen Typ, Validierung im Shadow Mode, Versionierung in der Model Registry (4 P.).

Aufgabe 6 – Recht und Ethik (15 Punkte)

a) Ordnen Sie das System nach AI Act ein. (5 P.)

b) Die Geschäftsführung will die Daten zusätzlich nutzen, um die Arbeitsleistung einzelner Maschinenbediener zu bewerten. Nehmen Sie Stellung. (10 P.)

Musterlösung: a) In der Regel minimales Risiko, da keine Entscheidung über Personen (3 P.); Hochrisiko nur, wenn es als Sicherheitsbauteil eines regulierten Produkts gilt – prüfen (2 P.). b) Neuer Zweck: Verhaltens- und Leistungskontrolle → Zweckbindung der DSGVO verletzt, neue Rechtsgrundlage nötig (3 P.); personenbezogene Daten der Beschäftigten, § 26 BDSG bzw. Art. 88 DSGVO (2 P.); Mitbestimmung des Betriebsrats nach § 87 Abs. 1 Nr. 6 BetrVG (3 P.); KI zur Leistungsbewertung von Beschäftigten fällt unter Hochrisiko (Anhang III) mit umfassenden Pflichten; Empfehlung: getrennt prüfen oder ablehnen (2 P.).

Fachgespräch: typische Fragen der Prüfenden

  • Warum haben Sie dieses Verfahren gewählt und kein neuronales Netz?
  • Wie haben Sie sichergestellt, dass kein Data Leakage vorliegt?
  • Was sagen Sie einem Meister, der dem System nicht vertraut?
  • Woran erkennen Sie, dass das Modell neu trainiert werden muss?
  • Welche Annahmen stecken in Ihrer Wirtschaftlichkeitsrechnung?
  • Was würden Sie mit doppelt so viel Budget anders machen?

Bewertungsschlüssel (IHK-üblich, 100-Punkte-Schlüssel)

Punkte Note
100–92 1 (sehr gut)
unter 92–81 2 (gut)
unter 81–67 3 (befriedigend)
unter 67–50 4 (ausreichend)
unter 50–30 5 (mangelhaft)
unter 30–0 6 (ungenügend)
Formelsammlung und Glossar

Formelsammlung (zum Auswendiglernen)

Größe Formel
Accuracy (TP + TN) / (TP + TN + FP + FN)
Precision TP / (TP + FP)
Recall TP / (TP + FN)
Spezifität TN / (TN + FP)
F1-Score 2 · P · R / (P + R)
MAE Mittelwert der Beträge von (y − ŷ)
MSE / RMSE Mittelwert der (y − ŷ)² / Wurzel daraus
R² 1 − Restfehler-Quadratsumme / Gesamt-Quadratsumme
Min-Max-Skalierung (x − min) / (max − min)
z-Score (x − μ) / σ
Gini 1 − Σ pₖ²
Entropie −Σ pₖ · log₂ pₖ
Sigmoid 1 / (1 + e⁻ᶻ)
Gradientenschritt w ← w − η · ∂L/∂w
Q-Learning Q ← Q + α · (r + γ · max Q′ − Q)
CNN-Ausgabegröße (N − F + 2P) / S + 1
Bayes P(A gegeben B) = P(B gegeben A) · P(A) / P(B)
ROI (Gewinn − Investition) / Investition
Amortisation Investition / Netto-Nutzen pro Periode

Glossar

Begriff Erklärung
Attention Mechanismus, mit dem ein Modell die Relevanz anderer Eingabeteile gewichtet
Baseline Einfaches Vergleichsmodell als Messlatte
Batch Size Anzahl Beispiele pro Gewichtsaktualisierung
Bias (statistisch) Systematischer Fehler durch zu einfache Annahmen
Bias (Fairness) Verzerrung zulasten bestimmter Gruppen
Concept Drift Zusammenhang zwischen Eingabe und Ziel ändert sich
Data Drift Verteilung der Eingabedaten ändert sich
Data Leakage Unerlaubte Zukunfts- oder Zielinformation im Training
Embedding Dichte Vektordarstellung von Wörtern, Bildern oder Objekten
Epoche Ein Durchlauf durch alle Trainingsdaten
Feature Eingabemerkmal
Fine-Tuning Nachtraining eines vortrainierten Modells auf eigene Daten
Halluzination Plausible, aber falsche Ausgabe eines generativen Modells
Hyperparameter Vorab festgelegte Einstellung (Lernrate, Baumtiefe)
Inferenz Anwendung des trainierten Modells auf neue Daten
Label Bekannter Zielwert eines Trainingsbeispiels
LoRA Sparsames Fine-Tuning, bei dem nur kleine Zusatzmatrizen trainiert werden
Overfitting Modell lernt Trainingsdaten auswendig, generalisiert schlecht
Pipeline Verkettete Verarbeitungs- und Modellschritte
RAG Generierung mit vorheriger Suche in eigenen Dokumenten
Regularisierung Strafterm gegen zu große Gewichte bzw. zu komplexe Modelle
Token Kleinste Texteinheit eines Sprachmodells
Transfer Learning Wiederverwendung eines vortrainierten Modells
Underfitting Modell zu einfach, erfasst Muster nicht
Vektordatenbank Datenbank für Ähnlichkeitssuche über Embeddings
Quellen

Zusätzlich ausgewertet: Besondere Rechtsvorschrift der Handelskammer Bremen vom 23.06.2026, veröffentlicht in „Wirtschaft in Bremen und Bremerhaven“, Ausgabe 4/2026, S. 35–38.