FI-Wiki - Benutzerbeiträge [de]

Fachinformatik-Wiki

2026-04-30T11:51:04Z

Moettke:

<metadesc>
Fachinformatik-Wiki erklärt Hardware, Netzwerke, Programmierung, Datenbanken und alle wichtigen Inhalte der Ausbildung zum Fachinformatiker.
</metadesc>
'''Fachinformatik-Wiki bietet verständliche Inhalte zu Fachinformatik, Hardware, Netzwerken, Programmierung, Datenbanken und allen wichtigen Themen der Ausbildung zum Fachinformatiker bzw. zur Fachinformatikerin.'''

[[Datei:Feil server.png|zentriert|frameless|upright=2]]

<br>

Fachinformatik-Wiki

2026-04-30T11:50:39Z

Moettke:

<metadesc>
Fachinformatik-Wiki erklärt Hardware, Netzwerke, Programmierung, Datenbanken und alle wichtigen Inhalte der Ausbildung zum Fachinformatiker.
</metadesc>
'''Fachinformatik-Wiki bietet verständliche Inhalte zu Fachinformatik, Systemtechnik, Hardware, Netzwerken, Programmierung, Datenbanken und allen wichtigen Themen der Ausbildung zum Fachinformatiker bzw. zur Fachinformatikerin.'''

[[Datei:Feil server.png|zentriert|frameless|upright=2]]

<br>

Fachinformatik-Wiki

2026-04-30T11:47:11Z

Moettke:

<metadesc>
Fachinformatik-Wiki erklärt Systemtechnik, Hardware, Netzwerke, Programmierung, Datenbanken und alle wichtigen Inhalte der Ausbildung zum Fachinformatiker.
</metadesc>
'''Fachinformatik-Wiki bietet verständliche Inhalte zu Fachinformatik, Systemtechnik, Hardware, Netzwerken, Programmierung, Datenbanken und allen wichtigen Themen der Ausbildung zum Fachinformatiker bzw. zur Fachinformatikerin.'''

[[Datei:Feil server.png|zentriert|frameless|upright=2]]

<br>

Fachinformatik-Wiki

2026-04-30T11:46:49Z

Moettke:

Fachinformatik-Wiki

2026-04-30T11:45:58Z

Moettke:

Fachinformatik-Wiki

2026-04-30T11:44:53Z

Moettke:

Fachinformatik-Wiki

2026-04-30T11:44:48Z

Moettke:

Fachinformatik-Wiki

2026-04-30T11:43:47Z

Moettke:

<metadesc>
Fachinformatik-Wiki erklärt Systemtechnik, Hardware, Netzwerke, Programmierung, Datenbanken und alle wichtigen Inhalte der Ausbildung zum Fachinformatiker.
</metadesc>
'''Fachinformatik-Wiki bietet verständliche Inhalte zu Fachinformatik, Systemtechnik, Hardware, Netzwerken, Programmierung, Datenbanken und allen wichtigen Themen der Ausbildung zum Fachinformatiker bzw. zur Fachinformatikerin.'''
[[Datei:Feil server.png|zentriert|frameless|upright=2]]

FI-Wiki:Datenschutz

2026-04-30T09:29:14Z

Moettke: /* 3. Allgemeine Hinweise und Pflichtinformationen */

== Datenschutzerklärung ==
=== 1. Datenschutz auf einen Blick ===
'''Allgemeine Hinweise'''

Die folgenden Hinweise geben einen einfachen Überblick darüber, was mit Ihren personenbezogenen Daten passiert, wenn Sie diese Website besuchen. Personenbezogene Daten sind alle Daten, mit denen Sie persönlich identifiziert werden können. Ausführliche Informationen zum Thema Datenschutz entnehmen Sie unserer unter diesem Text aufgeführten Datenschutzerklärung.
==== Datenerfassung auf dieser Website ====
'''Wer ist verantwortlich für die Datenerfassung auf dieser Website?'''

Die Datenverarbeitung auf dieser Website erfolgt durch den Websitebetreiber. Dessen Kontaktdaten
können Sie dem Abschnitt „Hinweis zur Verantwortlichen Stelle“ in dieser Datenschutzerklärung entnehmen.

'''Wie erfassen wir Ihre Daten?'''

Ihre Daten werden zum einen dadurch erhoben, dass Sie uns diese mitteilen. Hierbei kann es sich z. B. um Daten handeln, die Sie in ein Kontaktformular eingeben.
Andere Daten werden automatisch oder nach Ihrer Einwilligung beim Besuch der Website durch unsere IT Systeme erfasst. Das sind vor allem technische Daten (z. B. Internetbrowser, Betriebssystem oder Uhrzeit des Seitenaufrufs). Die Erfassung dieser Daten erfolgt automatisch, sobald Sie diese Website betreten.

'''Wofür nutzen wir Ihre Daten?'''

Ein Teil der Daten wird erhoben, um eine fehlerfreie Bereitstellung der Website zu gewährleisten. Andere Daten können zur Analyse Ihres Nutzerverhaltens verwendet werden. Sofern über die Website Verträge geschlossen oder angebahnt werden können, werden die übermittelten Daten auch für Vertragsangebote, Bestellungen oder sonstige Auftragsanfragen verarbeitet.

'''Welche Rechte haben Sie bezüglich Ihrer Daten?'''

Sie haben jederzeit das Recht, unentgeltlich Auskunft über Herkunft, Empfänger und Zweck Ihrer gespeicherten personenbezogenen Daten zu erhalten. Sie haben außerdem ein Recht, die Berichtigung oder Löschung dieser Daten zu verlangen. Wenn Sie eine Einwilligung zur Datenverarbeitung erteilt haben, können Sie diese Einwilligung jederzeit für die Zukunft widerrufen. Außerdem haben Sie das Recht, unter bestimmten Umständen die Einschränkung der Verarbeitung Ihrer personenbezogenen Daten zu verlangen. Des Weiteren steht Ihnen ein Beschwerderecht bei der zuständigen Aufsichtsbehörde zu. Hierzu sowie zu weiteren Fragen zum Thema Datenschutz können Sie sich jederzeit an uns wenden.

=== 2. Hosting ===
Wir hosten die Inhalte unserer Website bei folgendem Anbieter:

'''Externes Hosting'''

Diese Website wird extern gehostet. Die personenbezogenen Daten, die auf dieser Website erfasst werden, werden auf den Servern des Hosters / der Hoster gespeichert. Hierbei kann es sich v. a. um IP-Adressen, Kontaktanfragen, Meta- und Kommunikationsdaten, Vertragsdaten, Kontaktdaten, Namen, Websitezugriffe und sonstige Daten, die über eine Website generiert werden, handeln.
Das externe Hosting erfolgt zum Zwecke der Vertragserfüllung gegenüber unseren potenziellen und bestehenden Kunden (Art. 6 Abs. 1 lit. b DSGVO) und im Interesse einer sicheren, schnellen und effizienten Bereitstellung unseres Online-Angebots durch einen professionellen Anbieter (Art. 6 Abs. 1 lit. f DSGVO). Sofern eine entsprechende Einwilligung abgefragt wurde, erfolgt die Verarbeitung ausschließlich auf
Grundlage von Art. 6 Abs. 1 lit. a DSGVO und § 25 Abs. 1 TDDDG, soweit die Einwilligung die Speicherung von Cookies oder den Zugriff auf Informationen im Endgerät des Nutzers (z. B. Device-Fingerprinting) im Sinne des TDDDG umfasst. Die Einwilligung ist jederzeit widerrufbar.
Unser(e) Hoster wird bzw. werden Ihre Daten nur insoweit verarbeiten, wie dies zur Erfüllung seiner Leistungspflichten erforderlich ist und unsere Weisungen in Bezug auf diese Daten befolgen.
Wir setzen folgende(n) Hoster ein:
netcup GmbH
Daimlerstr. 25
76185 Karslruhe

'''Auftragsverarbeitung'''

Wir haben einen Vertrag über Auftragsverarbeitung (AVV) zur Nutzung des oben genannten Dienstes
geschlossen. Hierbei handelt es sich um einen datenschutzrechtlich vorgeschriebenen Vertrag, der
gewährleistet, dass dieser die personenbezogenen Daten unserer Websitebesucher nur nach unseren
Weisungen und unter Einhaltung der DSGVO verarbeitet.
=== 3. Allgemeine Hinweise und Pflichtinformationen ===
'''Datenschutz'''

Die Betreiber dieser Seiten nehmen den Schutz Ihrer persönlichen Daten sehr ernst. Wir behandeln Ihre personenbezogenen Daten vertraulich und entsprechend den gesetzlichen Datenschutzvorschriften sowie dieser Datenschutzerklärung.
Wenn Sie diese Website benutzen, werden verschiedene personenbezogene Daten erhoben.
Personenbezogene Daten sind Daten, mit denen Sie persönlich identifiziert werden können. Die vorliegende Datenschutzerklärung erläutert, welche Daten wir erheben und wofür wir sie nutzen. Sie erläutert auch, wie und zu welchem Zweck das geschieht. Wir weisen darauf hin, dass die Datenübertragung im Internet (z. B. bei der Kommunikation per E-Mail) Sicherheitslücken aufweisen kann. Ein lückenloser Schutz der Daten vor dem Zugriff durch Dritte ist nicht möglich.

'''Hinweis zur verantwortlichen Stelle'''

Die verantwortliche Stelle für die Datenverarbeitung auf dieser Website ist:
Martin Poguntke
c/o COCENTER
Koppoldstr. 1
86551 Aichach
Telefon: +49 (0) 172 3766466
E-Mail: info@poguntke.berlin

Verantwortliche Stelle ist die natürliche oder juristische Person, die allein oder gemeinsam mit anderen über
die Zwecke und Mittel der Verarbeitung von personenbezogenen Daten (z. B. Namen, E-Mail-Adressen o. Ä.)
entscheidet.

'''Speicherdauer'''

Soweit innerhalb dieser Datenschutzerklärung keine speziellere Speicherdauer genannt wurde, verbleiben
Ihre personenbezogenen Daten bei uns, bis der Zweck für die Datenverarbeitung entfällt. Wenn Sie ein
berechtigtes Löschersuchen geltend machen oder eine Einwilligung zur Datenverarbeitung widerrufen,
werden Ihre Daten gelöscht, sofern wir keine anderen rechtlich zulässigen Gründe für die Speicherung Ihrer
personenbezogenen Daten haben (z. B. steuer- oder handelsrechtliche Aufbewahrungsfristen); im
letztgenannten Fall erfolgt die Löschung nach Fortfall dieser Gründe.

'''Allgemeine Hinweise zu den Rechtsgrundlagen der Datenverarbeitung auf dieser Website'''

Sofern Sie in die Datenverarbeitung eingewilligt haben, verarbeiten wir Ihre personenbezogenen Daten auf Grundlage von Art. 6 Abs. 1 lit. a DSGVO bzw. Art. 9 Abs. 2 lit. a DSGVO, sofern besondere Datenkategorien nach Art. 9 Abs. 1 DSGVO verarbeitet werden. Im Falle einer ausdrücklichen Einwilligung in die Übertragung personenbezogener Daten in Drittstaaten erfolgt die Datenverarbeitung außerdem auf Grundlage von Art. 49 Abs. 1 lit. a DSGVO. Sofern Sie in die Speicherung von Cookies oder in den Zugriff auf Informationen in Ihr Endgerät (z. B. via Device-Fingerprinting) eingewilligt haben, erfolgt die Datenverarbeitung zusätzlich auf Grundlage von § 25 Abs. 1 TDDDG. Die Einwilligung ist jederzeit widerrufbar. Sind Ihre Daten zur Vertragserfüllung oder zur Durchführung vorvertraglicher Maßnahmen erforderlich, verarbeiten wir Ihre Daten auf Grundlage des Art. 6 Abs. 1 lit. b DSGVO. Des Weiteren verarbeiten wir Ihre Daten, sofern diese zur Erfüllung einer rechtlichen Verpflichtung erforderlich sind auf Grundlage von Art. 6 Abs. 1 lit. c DSGVO.
Die Datenverarbeitung kann ferner auf Grundlage unseres berechtigten Interesses nach Art. 6 Abs. 1 lit. f DSGVO erfolgen. Über die jeweils im Einzelfall einschlägigen Rechtsgrundlagen wird in den folgenden Absätzen dieser Datenschutzerklärung informiert.

'''Empfänger von personenbezogenen Daten'''

Im Rahmen unserer Geschäftstätigkeit arbeiten wir mit verschiedenen externen Stellen zusammen. Dabei ist teilweise auch eine Übermittlung von personenbezogenen Daten an diese externen Stellen erforderlich. Wir geben personenbezogene Daten nur dann an externe Stellen weiter, wenn dies im Rahmen einer Vertragserfüllung erforderlich ist, wenn wir gesetzlich hierzu verpflichtet sind (z. B. Weitergabe von Daten
an Steuerbehörden), wenn wir ein berechtigtes Interesse nach Art. 6 Abs. 1 lit. f DSGVO an der Weitergabe haben oder wenn eine sonstige Rechtsgrundlage die Datenweitergabe erlaubt. Beim Einsatz von Auftragsverarbeitern geben wir personenbezogene Daten unserer Kunden nur auf Grundlage eines gültigen Vertrags über Auftragsverarbeitung weiter. Im Falle einer gemeinsamen Verarbeitung wird ein Vertrag über gemeinsame Verarbeitung geschlossen.

'''Widerruf Ihrer Einwilligung zur Datenverarbeitung'''

Viele Datenverarbeitungsvorgänge sind nur mit Ihrer ausdrücklichen Einwilligung möglich. Sie können eine bereits erteilte Einwilligung jederzeit widerrufen. Die Rechtmäßigkeit der bis zum Widerruf erfolgten Datenverarbeitung bleibt vom Widerruf unberührt.

'''Widerspruchsrecht gegen die Datenerhebung in besonderen Fällen sowie gegen Direktwerbung (Art. 21 DSGVO)'''

WENN DIE DATENVERARBEITUNG AUF GRUNDLAGE VON ART. 6 ABS. 1 LIT. E ODER F DSGVO ERFOLGT, HABEN SIE JEDERZEIT DAS RECHT, AUS GRÜNDEN, DIE SICH AUS IHRER BESONDEREN SITUATION ERGEBEN, GEGEN DIE VERARBEITUNG IHRER PERSONENBEZOGENEN DATEN WIDERSPRUCH EINZULEGEN; DIES GILT AUCH FÜR EIN AUF DIESE BESTIMMUNGEN GESTÜTZTES PROFILING. DIE JEWEILIGE RECHTSGRUNDLAGE, AUF DENEN EINE VERARBEITUNG BERUHT, ENTNEHMEN SIE DIESER DATENSCHUTZERKLÄRUNG. WENN SIE WIDERSPRUCH EINLEGEN, WERDEN WIR IHRE BETROFFENEN PERSONENBEZOGENEN DATEN NICHT MEHR VERARBEITEN, ES
SEI DENN, WIR KÖNNEN ZWINGENDE SCHUTZWÜRDIGE GRÜNDE FÜR DIE VERARBEITUNG NACHWEISEN, DIE IHRE INTERESSEN, RECHTE UND FREIHEITEN ÜBERWIEGEN ODER DIE VERARBEITUNG DIENT DER GELTENDMACHUNG, AUSÜBUNG ODER VERTEIDIGUNG VON RECHTSANSPRÜCHEN (WIDERSPRUCH NACH ART. 21 ABS. 1 DSGVO).
WERDEN IHRE PERSONENBEZOGENEN DATEN VERARBEITET, UM DIREKTWERBUNG ZU BETREIBEN, SO HABEN SIE DAS RECHT, JEDERZEIT WIDERSPRUCH GEGEN DIE VERARBEITUNG SIE BETREFFENDER PERSONENBEZOGENER DATEN ZUM ZWECKE DERARTIGER WERBUNG EINZULEGEN; DIES GILT AUCH FÜR DAS PROFILING, SOWEIT ES MIT SOLCHER DIREKTWERBUNG IN VERBINDUNG STEHT. WENN SIE WIDERSPRECHEN, WERDEN IHRE PERSONENBEZOGENEN DATEN
ANSCHLIESSEND NICHT MEHR ZUM ZWECKE DER DIREKTWERBUNG VERWENDET (WIDERSPRUCH NACH ART. 21 ABS. 2 DSGVO).

'''Beschwerderecht bei der zuständigen Aufsichtsbehörde'''

Im Falle von Verstößen gegen die DSGVO steht den Betroffenen ein Beschwerderecht bei einer Aufsichtsbehörde, insbesondere in dem Mitgliedstaat ihres gewöhnlichen Aufenthalts, ihres Arbeitsplatzes oder des Orts des mutmaßlichen Verstoßes zu. Das Beschwerderecht besteht unbeschadet anderweitiger verwaltungsrechtlicher oder gerichtlicher Rechtsbehelfe.

'''Recht auf Datenübertragbarkeit'''

Sie haben das Recht, Daten, die wir auf Grundlage Ihrer Einwilligung oder in Erfüllung eines Vertrags automatisiert verarbeiten, an sich oder an einen Dritten in einem gängigen, maschinenlesbaren Format aushändigen zu lassen. Sofern Sie die direkte Übertragung der Daten an einen anderen Verantwortlichen verlangen, erfolgt dies nur, soweit es technisch machbar ist.

'''Auskunft, Berichtigung und Löschung'''

Sie haben im Rahmen der geltenden gesetzlichen Bestimmungen jederzeit das Recht auf unentgeltliche Auskunft über Ihre gespeicherten personenbezogenen Daten, deren Herkunft und Empfänger und den Zweck der Datenverarbeitung und ggf. ein Recht auf Berichtigung oder Löschung dieser Daten. Hierzu sowie zu weiteren Fragen zum Thema personenbezogene Daten können Sie sich jederzeit an uns wenden.

'''Recht auf Einschränkung der Verarbeitung'''

Sie haben das Recht, die Einschränkung der Verarbeitung Ihrer personenbezogenen Daten zu verlangen. Hierzu können Sie sich jederzeit an uns wenden. Das Recht auf Einschränkung der Verarbeitung besteht in folgenden Fällen:
Wenn Sie die Richtigkeit Ihrer bei uns gespeicherten personenbezogenen Daten bestreiten, benötigen wir in der Regel Zeit, um dies zu überprüfen. Für die Dauer der Prüfung haben Sie das Recht, die Einschränkung der Verarbeitung Ihrer personenbezogenen Daten zu verlangen.

Wenn die Verarbeitung Ihrer personenbezogenen Daten unrechtmäßig geschah/geschieht, können Sie statt der Löschung die Einschränkung der Datenverarbeitung verlangen.

Wenn wir Ihre personenbezogenen Daten nicht mehr benötigen, Sie sie jedoch zur Ausübung, Verteidigung oder Geltendmachung von Rechtsansprüchen benötigen, haben Sie das Recht, statt der Löschung die Einschränkung der Verarbeitung Ihrer personenbezogenen Daten zu verlangen.

Wenn Sie einen Widerspruch nach Art. 21 Abs. 1 DSGVO eingelegt haben, muss eine Abwägung zwischen Ihren und unseren Interessen vorgenommen werden. Solange noch nicht feststeht, wessen Interessen überwiegen, haben Sie das Recht, die Einschränkung der Verarbeitung Ihrer personenbezogenen Daten zu verlangen.

Wenn Sie die Verarbeitung Ihrer personenbezogenen Daten eingeschränkt haben, dürfen diese Daten – von ihrer Speicherung abgesehen – nur mit Ihrer Einwilligung oder zur Geltendmachung, Ausübung oder Verteidigung von Rechtsansprüchen oder zum Schutz der Rechte einer anderen natürlichen oder juristischen Person oder aus Gründen eines wichtigen öffentlichen Interesses der Europäischen Union oder
eines Mitgliedstaats verarbeitet werden.

'''SSL- bzw. TLS-Verschlüsselung'''

Diese Seite nutzt aus Sicherheitsgründen und zum Schutz der Übertragung vertraulicher Inhalte, wie zum
Beispiel Bestellungen oder Anfragen, die Sie an uns als Seitenbetreiber senden, eine SSL- bzw. TLS
Verschlüsselung. Eine verschlüsselte Verbindung erkennen Sie daran, dass die Adresszeile des Browsers von
„http://“ auf „https://“ wechselt und an dem Schloss-Symbol in Ihrer Browserzeile.
Wenn die SSL- bzw. TLS-Verschlüsselung aktiviert ist, können die Daten, die Sie an uns übermitteln, nicht von Dritten mitgelesen werden.

=== 4. Datenerfassung auf dieser Website ===
'''Cookies'''

Unsere Internetseiten verwenden so genannte „Cookies“. Cookies sind kleine Datenpakete und richten auf Ihrem Endgerät keinen Schaden an. Sie werden entweder vorübergehend für die Dauer einer Sitzung (Session-Cookies) oder dauerhaft (permanente Cookies) auf Ihrem Endgerät gespeichert.
Session-Cookies werden nach Ende Ihres Besuchs automatisch gelöscht. Permanente Cookies bleiben auf Ihrem Endgerät gespeichert, bis Sie diese selbst löschen oder eine automatische Löschung durch Ihren Webbrowser erfolgt. Cookies können von uns (First-Party-Cookies) oder von Drittunternehmen stammen (sog. Third-Party Cookies). Third-Party-Cookies ermöglichen die Einbindung bestimmter Dienstleistungen von
Drittunternehmen innerhalb von Webseiten (z. B. Cookies zur Abwicklung von Zahlungsdienstleistungen). Cookies haben verschiedene Funktionen. Zahlreiche Cookies sind technisch notwendig, da bestimmte Webseitenfunktionen ohne diese nicht funktionieren würden (z. B. die Warenkorbfunktion oder die Anzeige von Videos). Andere Cookies können zur Auswertung des Nutzerverhaltens oder zu Werbezwecken
verwendet werden.
Cookies, die zur Durchführung des elektronischen Kommunikationsvorgangs, zur Bereitstellung bestimmter, von Ihnen erwünschter Funktionen (z. B. für die Warenkorbfunktion) oder zur Optimierung der Website (z. B. Cookies zur Messung des Webpublikums) erforderlich sind (notwendige Cookies), werden auf Grundlage von Art. 6 Abs. 1 lit. f DSGVO gespeichert, sofern keine andere Rechtsgrundlage angegeben wird.
Der Websitebetreiber hat ein berechtigtes Interesse an der Speicherung von notwendigen Cookies zur technisch fehlerfreien und optimierten Bereitstellung seiner Dienste. Sofern eine Einwilligung zur Speicherung von Cookies und vergleichbaren Wiedererkennungstechnologien abgefragt wurde, erfolgt die Verarbeitung ausschließlich auf Grundlage dieser Einwilligung (Art. 6 Abs. 1 lit. a DSGVO und § 25 Abs. 1
TDDDG); die Einwilligung ist jederzeit widerrufbar.
Sie können Ihren Browser so einstellen, dass Sie über das Setzen von Cookies informiert werden und Cookies nur im Einzelfall erlauben, die Annahme von Cookies für bestimmte Fälle oder generell ausschließen sowie das automatische Löschen der Cookies beim Schließen des Browsers aktivieren. Bei der Deaktivierung von Cookies kann die Funktionalität dieser Website eingeschränkt sein.
Welche Cookies und Dienste auf dieser Website eingesetzt werden, können Sie dieser Datenschutzerklärung entnehmen.

'''Kontaktformular'''

Wenn Sie uns per Kontaktformular Anfragen zukommen lassen, werden Ihre Angaben aus dem Anfrageformular inklusive der von Ihnen dort angegebenen Kontaktdaten zwecks Bearbeitung der Anfrage und für den Fall von Anschlussfragen bei uns gespeichert. Diese Daten geben wir nicht ohne Ihre Einwilligung weiter.
Die Verarbeitung dieser Daten erfolgt auf Grundlage von Art. 6 Abs. 1 lit. b DSGVO, sofern Ihre Anfrage mit der Erfüllung eines Vertrags zusammenhängt oder zur Durchführung vorvertraglicher Maßnahmen erforderlich ist. In allen übrigen Fällen beruht die Verarbeitung auf unserem berechtigten Interesse an der effektiven Bearbeitung der an uns gerichteten Anfragen (Art. 6 Abs. 1 lit. f DSGVO) oder auf Ihrer
Einwilligung (Art. 6 Abs. 1 lit. a DSGVO) sofern diese abgefragt wurde; die Einwilligung ist jederzeit widerrufbar.
Die von Ihnen im Kontaktformular eingegebenen Daten verbleiben bei uns, bis Sie uns zur Löschung auffordern, Ihre Einwilligung zur Speicherung widerrufen oder der Zweck für die Datenspeicherung entfällt (z. B. nach abgeschlossener Bearbeitung Ihrer Anfrage). Zwingende gesetzliche Bestimmungen insbesondere Aufbewahrungsfristen – bleiben unberührt.

'''Anfrage per E-Mail, Telefon oder Telefax'''

Wenn Sie uns per E-Mail, Telefon oder Telefax kontaktieren, wird Ihre Anfrage inklusive aller daraus hervorgehenden personenbezogenen Daten (Name, Anfrage) zum Zwecke der Bearbeitung Ihres Anliegens bei uns gespeichert und verarbeitet. Diese Daten geben wir nicht ohne Ihre Einwilligung weiter.
Die Verarbeitung dieser Daten erfolgt auf Grundlage von Art. 6 Abs. 1 lit. b DSGVO, sofern Ihre Anfrage mit der Erfüllung eines Vertrags zusammenhängt oder zur Durchführung vorvertraglicher Maßnahmen erforderlich ist. In allen übrigen Fällen beruht die Verarbeitung auf unserem berechtigten Interesse an der effektiven Bearbeitung der an uns gerichteten Anfragen (Art. 6 Abs. 1 lit. f DSGVO) oder auf Ihrer
Einwilligung (Art. 6 Abs. 1 lit. a DSGVO) sofern diese abgefragt wurde; die Einwilligung ist jederzeit widerrufbar.
Die von Ihnen an uns per Kontaktanfragen übersandten Daten verbleiben bei uns, bis Sie uns zur Löschung auffordern, Ihre Einwilligung zur Speicherung widerrufen oder der Zweck für die Datenspeicherung entfällt (z. B. nach abgeschlossener Bearbeitung Ihres Anliegens). Zwingende gesetzliche Bestimmungen insbesondere gesetzliche Aufbewahrungsfristen – bleiben unberührt.
Quelle:
https://www.e-recht24.de

FI-Wiki:Impressum

2026-04-30T09:28:19Z

Moettke:

Impressum
Angaben gemäß § 5 TMG:
Martin Poguntke
c/o COCENTER
Koppoldstr. 1
86551 Aichach

Kontakt:
Telefon: +491723796496
Telefax: 030 88445657
E-Mail: info@poguntke.berlin

Streitschlichtung
Die Europäische Kommission stellt eine Plattform zur Online-Streitbeilegung (OS) bereit: https://ec.europa.eu/consumers/odr.
Unsere E-Mail-Adresse finden Sie oben im Impressum.

Wir sind nicht bereit oder verpflichtet, an Streitbeilegungsverfahren vor einer Verbraucherschlichtungsstelle teilzunehmen.

Haftung für Inhalte
Als Diensteanbieter sind wir gemäß § 7 Abs.1 TMG für eigene Inhalte auf diesen Seiten nach den allgemeinen Gesetzen verantwortlich. Nach §§ 8 bis 10 TMG sind wir als Diensteanbieter jedoch nicht verpflichtet, übermittelte oder gespeicherte fremde Informationen zu überwachen oder nach Umständen zu forschen, die auf eine rechtswidrige Tätigkeit hinweisen.

Verpflichtungen zur Entfernung oder Sperrung der Nutzung von Informationen nach den allgemeinen Gesetzen bleiben hiervon unberührt. Eine diesbezügliche Haftung ist jedoch erst ab dem Zeitpunkt der Kenntnis einer konkreten Rechtsverletzung möglich. Bei Bekanntwerden von entsprechenden Rechtsverletzungen werden wir diese Inhalte umgehend entfernen.

Haftung für Links
Unser Angebot enthält Links zu externen Websites Dritter, auf deren Inhalte wir keinen Einfluss haben. Deshalb können wir für diese fremden Inhalte auch keine Gewähr übernehmen. Für die Inhalte der verlinkten Seiten ist stets der jeweilige Anbieter oder Betreiber der Seiten verantwortlich. Die verlinkten Seiten wurden zum Zeitpunkt der Verlinkung auf mögliche Rechtsverstöße überprüft. Rechtswidrige Inhalte waren zum Zeitpunkt der Verlinkung nicht erkennbar.

Eine permanente inhaltliche Kontrolle der verlinkten Seiten ist jedoch ohne konkrete Anhaltspunkte einer Rechtsverletzung nicht zumutbar. Bei Bekanntwerden von Rechtsverletzungen werden wir derartige Links umgehend entfernen.

Urheberrecht
Die durch die Seitenbetreiber erstellten Inhalte und Werke auf diesen Seiten unterliegen dem deutschen Urheberrecht. Die Vervielfältigung, Bearbeitung, Verbreitung und jede Art der Verwertung außerhalb der Grenzen des Urheberrechtes bedürfen der schriftlichen Zustimmung des jeweiligen Autors bzw. Erstellers. Downloads und Kopien dieser Seite sind nur für den privaten, nicht kommerziellen Gebrauch gestattet.

Soweit die Inhalte auf dieser Seite nicht vom Betreiber erstellt wurden, werden die Urheberrechte Dritter beachtet. Insbesondere werden Inhalte Dritter als solche gekennzeichnet. Sollten Sie trotzdem auf eine Urheberrechtsverletzung aufmerksam werden, bitten wir um einen entsprechenden Hinweis. Bei Bekanntwerden von Rechtsverletzungen werden wir derartige Inhalte umgehend entfernen.

JOIN vs. Subquery

2026-04-29T05:53:24Z

Moettke: Die Seite wurde neu angelegt: „Dieser Artikel erklärt den Unterschied zwischen '''JOINs''' und '''Subqueries''' anhand einfacher Beispiele. == Grundprinzip == * '''JOIN''' → Tabellen werden miteinander '''verbunden''' * '''Subquery''' → Eine Abfrage wird '''innerhalb einer anderen Abfrage''' verwendet == Beispieltabellen == '''Tabelle: kunde''' {| class="wikitable" ! kundennr !! name |- | 1 || Anna |- | 2 || Ben |- | 3 || Clara |} '''Tabelle: bestellung''' {| class="wikitab…“

Dieser Artikel erklärt den Unterschied zwischen '''JOINs''' und '''Subqueries''' anhand einfacher Beispiele.

== Grundprinzip ==

* '''JOIN''' → Tabellen werden miteinander '''verbunden'''
* '''Subquery''' → Eine Abfrage wird '''innerhalb einer anderen Abfrage''' verwendet

== Beispieltabellen ==

'''Tabelle: kunde'''

{| class="wikitable"
! kundennr !! name
|-
| 1 || Anna
|-
| 2 || Ben
|-
| 3 || Clara
|}

'''Tabelle: bestellung'''

{| class="wikitable"
! bestellnr !! kundennr !! betrag
|-
| 101 || 1 || 50
|-
| 102 || 1 || 80
|-
| 103 || 2 || 30
|}

== 1. JOIN – Tabellen verbinden ==

Ziel: Bestellungen zusammen mit Kundennamen anzeigen

<syntaxhighlight lang="sql">
SELECT
k.name,
b.bestellnr,
b.betrag
FROM kunde k
JOIN bestellung b
ON k.kundennr = b.kundennr;
</syntaxhighlight>

'''Ergebnis:'''

{| class="wikitable"
! name !! bestellnr !! betrag
|-
| Anna || 101 || 50
|-
| Anna || 102 || 80
|-
| Ben || 103 || 30
|}

'''Wichtig:'''
* Ein Kunde kann mehrfach erscheinen
* Grund: 1:n-Beziehung (ein Kunde → mehrere Bestellungen)

'''Merksatz:'''
'''JOIN verbindet passende Zeilen aus mehreren Tabellen.'''

== 2. Subquery – Teilfrage stellen ==

Ziel: Kunden anzeigen, die mindestens eine Bestellung haben

<syntaxhighlight lang="sql">
SELECT name
FROM kunde
WHERE kundennr IN (
SELECT kundennr
FROM bestellung
);
</syntaxhighlight>

'''Ergebnis:'''

{| class="wikitable"
! name
|-
| Anna
|-
| Ben
|}

'''Wichtig:'''
* Clara erscheint nicht (keine Bestellung)
* Die Subquery liefert eine Liste von Kundennummern

'''Merksatz:'''
'''Subquery liefert ein Zwischenergebnis für die äußere Abfrage.'''

== 3. Gleiche Aufgabe – zwei Lösungen ==

Ziel: Kunden mit Bestellungen anzeigen

=== Mit Subquery ===

<syntaxhighlight lang="sql">
SELECT name
FROM kunde
WHERE kundennr IN (
SELECT kundennr FROM bestellung
);
</syntaxhighlight>

=== Mit JOIN ===

<syntaxhighlight lang="sql">
SELECT DISTINCT k.name
FROM kunde k
JOIN bestellung b
ON k.kundennr = b.kundennr;
</syntaxhighlight>

'''Hinweis:'''
* '''DISTINCT''' ist notwendig, da ein Kunde mehrere Bestellungen haben kann

== 4. Subquery für Berechnungen ==

Ziel: Anzahl der Bestellungen pro Kunde

<syntaxhighlight lang="sql">
SELECT
name,
(
SELECT COUNT(*)
FROM bestellung b
WHERE b.kundennr = k.kundennr
) AS anzahl_bestellungen
FROM kunde k;
</syntaxhighlight>

'''Ergebnis:'''

{| class="wikitable"
! name !! anzahl_bestellungen
|-
| Anna || 2
|-
| Ben || 1
|-
| Clara || 0
|}

'''Eigenschaften:'''
* '''skalare Subquery''' (liefert genau einen Wert)
* '''korrelierte Subquery''' (bezieht sich auf äußere Abfrage)

== 5. Gleiche Aufgabe mit JOIN ==

<syntaxhighlight lang="sql">
SELECT
k.name,
COUNT(b.bestellnr) AS anzahl_bestellungen
FROM kunde k
LEFT JOIN bestellung b
ON k.kundennr = b.kundennr
GROUP BY k.kundennr, k.name;
</syntaxhighlight>

'''Warum LEFT JOIN?'''
* Damit auch Kunden ohne Bestellung angezeigt werden (z. B. Clara)

'''Warum GROUP BY?'''
* Mehrere Bestellungen müssen zu einer Zeile zusammengefasst werden

== 6. Wann JOIN, wann Subquery? ==

{| class="wikitable"
! Situation !! Empfehlung
|-
| Daten aus mehreren Tabellen anzeigen || JOIN
|-
| Nur prüfen, ob Daten existieren || Subquery (EXISTS / IN)
|-
| Vergleich mit Durchschnitt / Summe || Subquery
|-
| Anzahl pro Datensatz berechnen || beides möglich
|-
| Alle Datensätze behalten (auch ohne Treffer) || LEFT JOIN
|}

== Fazit ==

'''JOIN'''
* verbindet Tabellen
* liefert kombinierte Daten

'''Subquery'''
* beantwortet eine Teilfrage
* wird innerhalb einer Abfrage verwendet

'''Wichtiger Merksatz:'''
JOIN = Tabellen verbinden
Subquery = Ergebnis einer Abfrage weiterverwenden

Datenbanken

2026-04-29T05:52:52Z

Moettke: /* Erweiterte SQL-Techniken */

== Übersicht Datenbanken Abschnitt 1 ==

Willkommen im Themenbereich '''Datenbanken'''.
Hier findest du alle Kapitel in der empfohlenen Reihenfolge.

=== Grundlagen von Datenbanken ===
* [[Datenbankmodelle]]
* [[Daten organisieren und speichern]]

=== Modellierung ===
* [[ERM Modellierung|ER-Modell]]
* [[Relationales Datenmodell]]
* [[ER-Modell in relationales Modell überführen]]

=== SQL-Abfragen erstellen ===
* [[SQL]]
* [[DDL-SQL|DDL-Befehle]]
* [[DML-SQL|DML-Befehle]]
* [[DQL-SQL|DQL-Befehle ohne JOIN]]
* [[Vergleichsoperatoren-SQL|Vergleichsoperatoren]]
* [[LogischeOperatoren-SQL|LIKE und logische Operatoren]]
* [[Datums- und Zeitfunktionen in SQL|Datums- und Zeitfunktionen]]
* [[Berechnungen mit SQL]]

=== Web / fachübergreifende Projekte ===
* [[SQL-Datenbank mit einer Programmiersprache ansprechen]]

== Übersicht Datenbanken Abschnitt 2 ==

=== Modellierung (Vertiefung) ===
* [[ERM Modellierung|ER-Modell Wiederholung]]
* [[Relationales Datenmodell|Relationales Modell Wiederholung]]
* [[Normalisierung]]
* [[ER-Modell in relationales Modell überführen|ER-Modell in relationales Modell überführen Wiederholung]]

=== SQL-Abfragen erstellen (Vertiefung) ===
* [[Aggregatfunktionen]]
* [[INNER JOIN]]
* [[LogischeOperatoren-SQL|LIKE und logische Operatoren]]
* [[Datums- und Zeitfunktionen in SQL|Datums- und Zeitfunktionen]]
* [[GROUP BY und HAVING]]
* [[DCL-SQL|DCL - Data Control Language]]

=== Sicherheit ===
* [[Datenbank-Sicherheitsmechanismen]]

== Erweiterte Inhalte (FIAE – Abschnitt 2 & 4) ==

=== Erweiterte SQL-Techniken ===
* [[Subqueries]]
* [[LEFT JOIN]]
* [[RIGHT JOIN]]
* [[FULL JOIN]]
* [[JOIN vs. Subquery]]

== Übersicht Datenbanken Abschnitt 3 ==

=== Praktikum ===
* [[Praktische Datenbankarbeit]]
* [[SQL-Übungsaufgaben]]
* [[Modellierungsübungen]]

== Übersicht Datenbanken Abschnitt 4 ==

=== Wiederholung & Prüfungsvorbereitung ===
* [[Wiederholung SQL]]
* [[Wiederholung ER-Modell]]
* [[Wiederholung Normalisierung]]
* [[Vorbereitung AP2]]

HTTP-Protokoll

2026-04-28T11:15:17Z

Moettke: Die Seite wurde neu angelegt: „== HTTP-Protokoll == Das '''HTTP-Protokoll''' (HyperText Transfer Protocol) ist ein Kommunikationsprotokoll zur Übertragung von Daten im World Wide Web. Es wird verwendet, um Webseiten, Bilder und andere Ressourcen zwischen einem Client (z. B. Browser) und einem Server auszutauschen. HTTP arbeitet nach dem '''Client-Server-Prinzip'''. == Funktionsweise == Die Kommunikation erfolgt in zwei Schritten: # Der Client (z. B. Webbrowser) sendet eine Anfr…“

== HTTP-Protokoll ==

Das '''HTTP-Protokoll''' (HyperText Transfer Protocol) ist ein Kommunikationsprotokoll zur Übertragung von Daten im World Wide Web.
Es wird verwendet, um Webseiten, Bilder und andere Ressourcen zwischen einem Client (z. B. Browser) und einem Server auszutauschen.

HTTP arbeitet nach dem '''Client-Server-Prinzip'''.

== Funktionsweise ==

Die Kommunikation erfolgt in zwei Schritten:

# Der Client (z. B. Webbrowser) sendet eine Anfrage (Request) an den Server
# Der Server antwortet mit einer Antwort (Response)

Beispiel:
* Benutzer gibt eine URL ein
* Browser sendet HTTP-Request
* Server liefert HTML-Seite zurück

== Aufbau einer HTTP-Anfrage (Request) ==

Eine HTTP-Anfrage besteht aus:

<syntaxhighlight lang="text">
GET /index.html HTTP/1.1
Host: www.example.com
User-Agent: Mozilla/5.0
</syntaxhighlight>

=== Bestandteile ===
{| class="wikitable" style="width:100%; text-align:center;"
! Teil !! Bedeutung
|-
| Request-Line || Methode, Pfad, HTTP-Version
|-
| Header || Zusatzinformationen (z. B. Browser, Sprache)
|-
| Body || optionale Daten (z. B. bei POST)
|}

== Aufbau einer HTTP-Antwort (Response) ==

<syntaxhighlight lang="text">
HTTP/1.1 200 OK
Content-Type: text/html

<html>...</html>
</syntaxhighlight>

=== Bestandteile ===
{| class="wikitable" style="width:100%; text-align:center;"
! Teil !! Bedeutung
|-
| Status-Line || HTTP-Version + Statuscode
|-
| Header || Informationen über die Antwort
|-
| Body || eigentlicher Inhalt (HTML, JSON, Bild)
|}

== HTTP-Methoden ==
HTTP verwendet verschiedene Methoden für unterschiedliche Aktionen:

{| class="wikitable" style="width:100%; text-align:center;"
! Methode !! Bedeutung
|-
| GET || Daten abrufen
|-
| POST || Daten senden (z. B. Formular)
|-
| PUT || Daten aktualisieren
|-
| DELETE || Daten löschen
|}

== HTTP-Statuscodes ==
Statuscodes zeigen das Ergebnis einer Anfrage:

{| class="wikitable" style="width:100%; text-align:center;"
! Code !! Bedeutung
|-
| 200 || OK (erfolgreich)
|-
| 301 || Weiterleitung (Redirect)
|-
| 400 || Fehlerhafte Anfrage
|-
| 403 || Zugriff verboten
|-
| 404 || Seite nicht gefunden
|-
| 500 || Serverfehler
|}

== Eigenschaften von HTTP ==

* '''zustandslos (stateless)'''
→ jede Anfrage ist unabhängig von vorherigen
* '''textbasiert'''
→ leicht lesbar und analysierbar
* '''portbasiert'''
→ Standardport: 80

== HTTPS (sicheres HTTP) ==

HTTPS ist die sichere Variante von HTTP.

* nutzt '''TLS/SSL-Verschlüsselung'''
* schützt Daten vor Abhören und Manipulation
* Standardport: 443

== HTTP vs. HTTPS ==
{| class="wikitable" style="width:100%; text-align:center;"
! Merkmal !! HTTP !! HTTPS
|-
| Verschlüsselung || nein || ja
|-
| Sicherheit || gering || hoch
|-
| Port || 80 || 443
|}

== Typische Einsatzgebiete ==
* Webseiten (HTML)
* Web-APIs (JSON, XML)
* Dateiübertragungen
* Webanwendungen

== Kurz gesagt ==
'''HTTP ist das zentrale Protokoll des Webs.
Es ermöglicht die Kommunikation zwischen Browser und Server über Requests und Responses.'''

Web

2026-04-28T11:15:03Z

Moettke: /* Übersicht Web Abschnitt 1 */

== Übersicht Web Abschnitt 1 ==

Willkommen im Themenbereich '''Web'''.
Hier findest du alle Kapitel in der empfohlenen Reihenfolge.

=== Grundlagen HTML ===
* [[Code Editor]]
* [[Grundlagen HTML]]
* [[HTTP-Protokoll]]

=== Grundlagen CSS ===
* [[Grundlagen CSS]]

=== HTML und CSS im Zusammenspiel ===
* [[Klassen und IDs]]
* [[Formulare]]

=== Layout und responsive Design ===
* [[Flexbox]]
* [[Media-Queries]]

XML

2026-04-28T10:53:40Z

Moettke:

'''XML (Extensible Markup Language)''' ist ein textbasiertes Datenformat zur strukturierten Darstellung von Informationen.
Es verwendet verschachtelte Tags, um Daten eindeutig und hierarchisch zu beschreiben.

Im Gegensatz zu HTML gibt XML '''keine festen Tags vor''', sondern erlaubt die Definition eigener Elemente.

== Aufbau ==
XML besteht aus:
* '''Tags''' (Start- und Endtag)
* '''Attributen'''
* '''hierarchischen Strukturen'''
* einem '''wohlgeformten Dokumentaufbau'''

Beispiel:
<syntaxhighlight lang="xml">
<Person>
<Name>Anna</Name>
<Alter>25</Alter>
<Ort>Berlin</Ort>
</Person>
</syntaxhighlight>

== Grundregeln (Wohlgeformtheit) ==

Ein XML-Dokument muss '''wohlgeformt''' sein, sonst kann es nicht verarbeitet werden.

=== Regeln ===
* Es darf '''nur ein Wurzelelement''' geben
* Alle Tags müssen '''geschlossen''' werden
* Tags müssen '''korrekt verschachtelt''' sein
* Groß-/Kleinschreibung ist '''relevant'''
* Attribute müssen '''in Anführungszeichen''' stehen

Beispiel (falsch):
<syntaxhighlight lang="xml">
<Person>
<Name>Anna</Name>
<Alter>25
</Person>
</syntaxhighlight>

Fehler:
* <Alter> nicht geschlossen

Beispiel (richtig):
<syntaxhighlight lang="xml">
<Person>
<Name>Anna</Name>
<Alter>25</Alter>
</Person>
</syntaxhighlight>

== Validität ==
Ein XML-Dokument ist '''valide''', wenn es zusätzlich zu den Grundregeln einer definierten Struktur entspricht.

Das wird überprüft durch:
* '''DTD (Document Type Definition)'''
* '''XSD (XML Schema Definition)'''

Beispiel:
* Ein <Person>-Element muss Name und Alter enthalten
* Reihenfolge und Datentypen können festgelegt werden

== Elemente vs. Attribute ==
XML unterscheidet zwischen Elementen und Attributen:

<syntaxhighlight lang="xml">
<Person id="1">
<Name>Anna</Name>
</Person>
</syntaxhighlight>

* '''Element''' → <Name>Anna</Name>
* '''Attribut''' → id="1"

=== Unterschied ===
{| class="wikitable" style="width:100%; text-align:center;"
! Element !! Attribut
|-
| speichert Daten || beschreibt Daten
|-
| kann verschachtelt werden || keine Verschachtelung
|-
| flexibel || eher Zusatzinformationen
|}

== Hierarchische Struktur ==
XML ist baumartig aufgebaut:

<pre>
Person
├── Name
├── Alter
└── Ort
</pre>

* Eltern-Element → <Person>
* Kind-Elemente → <Name>, <Alter>, <Ort>

== Namensregeln ==
* dürfen mit Buchstaben oder _ beginnen
* keine Leerzeichen
* keine Sonderzeichen wie < > /
* sollten aussagekräftig sein

== Merkmale ==
* streng strukturiert
* hierarchische Datenstruktur
* menschen- und maschinenlesbar
* erweiterbar (eigene Tags)
* plattformunabhängig

== Vorteile ==
* flexibel und erweiterbar
* standardisiert
* validierbar
* geeignet für komplexe Datenstrukturen

== Nachteile ==
* viel Overhead → große Dateien
* schwerer lesbar als [[JSON]]
* benötigt Parser
* langsamer als kompaktere Formate

== Typische Einsatzgebiete ==
* Konfigurationsdateien
* Datenaustausch zwischen Systemen
* Webservices (SOAP)
* Dokumentformate (SVG, EPUB, Office-Formate)
* Schnittstellen in Enterprise-Systemen

== Best Practices ==
* klare und konsistente Tag-Namen verwenden
* möglichst Elemente statt Attribute für Daten
* Einrückungen zur besseren Lesbarkeit nutzen
* Validierung mit XSD nutzen
* keine unnötig tiefen Verschachtelungen

== Kurzmerksatz ==
'''XML beschreibt Daten strikt strukturiert und hierarchisch.'''

XML

2026-04-28T10:50:49Z

Moettke:

Grundlagen HTML

2026-04-28T10:46:58Z

Moettke: /* Nicht-semantische Tags */

'''HTML (HyperText Markup Language)''' ist die '''Grundlage aller Webseiten'''.
Mit HTML wird die '''Struktur''' und der '''Inhalt''' einer Webseite beschrieben, z. B. Texte, Überschriften, Bilder oder Links.

HTML ist '''keine Programmiersprache''', sondern eine '''Auszeichnungssprache'''.

== Historie von HTML ==

'''HTML''' wurde Anfang der 1990er-Jahre von '''Tim Berners-Lee''' am CERN entwickelt.
Ziel war es, wissenschaftliche Dokumente über das Internet einfach zu verknüpfen und darzustellen.

Die erste HTML-Version erschien '''1991''' und enthielt nur wenige grundlegende Elemente für Texte und Links.
Mit der zunehmenden Verbreitung des World Wide Web wurde HTML kontinuierlich erweitert.

Wichtige Meilensteine sind:
* '''HTML 4.01''' (1999) – lange Zeit Standard für Webseiten
* '''XHTML''' – strengere, XML-basierte Variante
* '''HTML5''' (seit 2014) – moderner Standard mit Unterstützung für Multimedia, Formulare und semantische Elemente

Heute wird HTML als '''HTML Living Standard''' kontinuierlich weiterentwickelt.

== Aufgabe von HTML ==
HTML beschreibt:
* welche Inhalte eine Webseite hat
* wie diese Inhalte strukturiert sind

HTML legt '''nicht''' fest:
* das Aussehen (→ [[Grundlagen CSS|CSS]])
* das Verhalten (→ JavaScript)

== Grundprinzip ==
HTML besteht aus '''Elementen''', die mit sogenannten '''Tags''' beschrieben werden.

Beispiel:
<syntaxhighlight lang="html">
<p>Das ist ein Absatz.</p>
</syntaxhighlight>

* <code><nowiki><p></nowiki></code> → öffnendes Tag
* <code><nowiki></p></nowiki></code> → schließendes Tag
* Inhalt steht dazwischen

== Aufbau eines HTML-Dokuments ==
Ein einfaches HTML-Dokument hat immer den gleichen Grundaufbau:

<syntaxhighlight lang="html">
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>Meine erste Webseite</title>
</head>
<body>
<h1>Hallo Welt</h1>
<p>Das ist meine erste HTML-Seite.</p>
</body>
</html>
</syntaxhighlight>

== Wichtige HTML-Elemente ==
{| class="wikitable" style="width:100%; text-align:center;"
! Element !! Bedeutung
|-
| <nowiki><h1> ... </h1> bis <h6> ... </h6></nowiki> || Überschriften
|-
| <nowiki><p> ... </p></nowiki> || Absatz
|-
| <nowiki><a></nowiki> ... <nowiki></a></nowiki> || Link
|-
| <nowiki><img></nowiki> || Bild
|-
| <nowiki><ul></nowiki>, <nowiki><ol></nowiki> || Listen
|-
| <nowiki><div> ... </div></nowiki> || Bereich / Container
|}

== Semantische und nicht-semantische Tags ==

HTML5 hat sogenannte '''semantische Elemente''' eingeführt.
Diese beschreiben die Bedeutung eines Inhalts und verbessern Lesbarkeit, SEO und Barrierefreiheit.

=== Semantische Tags ===
Semantische Tags geben dem Inhalt eine klare Bedeutung:

{| class="wikitable" style="width:100%; text-align:center;"
! Tag !! Bedeutung
|-
| <nowiki><header></nowiki> || Kopfbereich einer Seite oder eines Abschnitts
|-
| <nowiki><nav></nowiki> || Navigationsbereich
|-
| <nowiki><main></nowiki> || Hauptinhalt der Seite
|-
| <nowiki><section></nowiki> || thematischer Abschnitt
|-
| <nowiki><article></nowiki> || eigenständiger Inhalt (z. B. Blogartikel)
|-
| <nowiki><footer></nowiki> || Fußbereich
|}

Vorteile:
* bessere Struktur
* besser für Suchmaschinen (SEO)
* besser für Screenreader (Barrierefreiheit)

=== Nicht-semantische Tags ===
Diese Tags haben '''keine inhaltliche Bedeutung''', sondern dienen nur als Container:

{| class="wikitable" style="width:100%; text-align:center;"
! Tag !! Bedeutung
|-
| <nowiki><div></nowiki> || allgemeiner Container
|-
| <nowiki><span></nowiki> || Inline-Container
|}

Sie werden hauptsächlich für Layout und Styling mit CSS verwendet.

=== Vergleich ===
{| class="wikitable" style="width:100%; text-align:center;"
! Typ !! Beispiel !! Aussage
|-
| semantisch || <nowiki><header></nowiki> || „Das ist der Kopfbereich“
|-
| nicht-semantisch || <nowiki><div></nowiki> || „Das ist ein Bereich“
|}

'''Merke:'''
Wenn möglich, sollten semantische Tags verwendet werden.

== Attribute ==
HTML-Elemente können '''Attribute''' besitzen, die zusätzliche Informationen enthalten.

Beispiel:

<syntaxhighlight lang="html">
<a href="https://example.com">Zur Webseite</a>
</syntaxhighlight>

* <code>href</code> ist ein Attribut
* es definiert das Link-Ziel

== HTML und CSS ==
HTML und CSS haben unterschiedliche Aufgaben:

* '''HTML''' → Struktur und Inhalt
* '''[[Grundlagen CSS|CSS]]''' → Aussehen (Farben, Schriftarten, Layout)

Beispiel:

<syntaxhighlight lang="html">
<p style="color:red;">Text in Rot</p>
</syntaxhighlight>

== HTML und JavaScript ==
JavaScript wird verwendet, um Webseiten '''interaktiv''' zu machen, z. B.:

* Klickaktionen
* Formulare prüfen
* Inhalte dynamisch ändern

== Typische Einsatzgebiete ==

* Webseiten
* Webanwendungen
* E-Mails (HTML-Mail)
* Benutzeroberflächen in Web-Apps

== Kurzmerksatz ==
'''HTML beschreibt die Struktur und den Inhalt einer Webseite, nicht das Design und nicht die Logik.'''

Grundlagen HTML

2026-04-28T10:46:14Z

Moettke:

'''HTML (HyperText Markup Language)''' ist die '''Grundlage aller Webseiten'''.
Mit HTML wird die '''Struktur''' und der '''Inhalt''' einer Webseite beschrieben, z. B. Texte, Überschriften, Bilder oder Links.

HTML ist '''keine Programmiersprache''', sondern eine '''Auszeichnungssprache'''.

== Historie von HTML ==

'''HTML''' wurde Anfang der 1990er-Jahre von '''Tim Berners-Lee''' am CERN entwickelt.
Ziel war es, wissenschaftliche Dokumente über das Internet einfach zu verknüpfen und darzustellen.

Die erste HTML-Version erschien '''1991''' und enthielt nur wenige grundlegende Elemente für Texte und Links.
Mit der zunehmenden Verbreitung des World Wide Web wurde HTML kontinuierlich erweitert.

Wichtige Meilensteine sind:
* '''HTML 4.01''' (1999) – lange Zeit Standard für Webseiten
* '''XHTML''' – strengere, XML-basierte Variante
* '''HTML5''' (seit 2014) – moderner Standard mit Unterstützung für Multimedia, Formulare und semantische Elemente

Heute wird HTML als '''HTML Living Standard''' kontinuierlich weiterentwickelt.

== Aufgabe von HTML ==
HTML beschreibt:
* welche Inhalte eine Webseite hat
* wie diese Inhalte strukturiert sind

HTML legt '''nicht''' fest:
* das Aussehen (→ [[Grundlagen CSS|CSS]])
* das Verhalten (→ JavaScript)

== Grundprinzip ==
HTML besteht aus '''Elementen''', die mit sogenannten '''Tags''' beschrieben werden.

Beispiel:
<syntaxhighlight lang="html">
<p>Das ist ein Absatz.</p>
</syntaxhighlight>

* <code><nowiki><p></nowiki></code> → öffnendes Tag
* <code><nowiki></p></nowiki></code> → schließendes Tag
* Inhalt steht dazwischen

== Aufbau eines HTML-Dokuments ==
Ein einfaches HTML-Dokument hat immer den gleichen Grundaufbau:

<syntaxhighlight lang="html">
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>Meine erste Webseite</title>
</head>
<body>
<h1>Hallo Welt</h1>
<p>Das ist meine erste HTML-Seite.</p>
</body>
</html>
</syntaxhighlight>

== Wichtige HTML-Elemente ==
{| class="wikitable" style="width:100%; text-align:center;"
! Element !! Bedeutung
|-
| <nowiki><h1> ... </h1> bis <h6> ... </h6></nowiki> || Überschriften
|-
| <nowiki><p> ... </p></nowiki> || Absatz
|-
| <nowiki><a></nowiki> ... <nowiki></a></nowiki> || Link
|-
| <nowiki><img></nowiki> || Bild
|-
| <nowiki><ul></nowiki>, <nowiki><ol></nowiki> || Listen
|-
| <nowiki><div> ... </div></nowiki> || Bereich / Container
|}

== Semantische und nicht-semantische Tags ==

HTML5 hat sogenannte '''semantische Elemente''' eingeführt.
Diese beschreiben die Bedeutung eines Inhalts und verbessern Lesbarkeit, SEO und Barrierefreiheit.

=== Semantische Tags ===
Semantische Tags geben dem Inhalt eine klare Bedeutung:

{| class="wikitable" style="width:100%; text-align:center;"
! Tag !! Bedeutung
|-
| <nowiki><header></nowiki> || Kopfbereich einer Seite oder eines Abschnitts
|-
| <nowiki><nav></nowiki> || Navigationsbereich
|-
| <nowiki><main></nowiki> || Hauptinhalt der Seite
|-
| <nowiki><section></nowiki> || thematischer Abschnitt
|-
| <nowiki><article></nowiki> || eigenständiger Inhalt (z. B. Blogartikel)
|-
| <nowiki><footer></nowiki> || Fußbereich
|}

Vorteile:
* bessere Struktur
* besser für Suchmaschinen (SEO)
* besser für Screenreader (Barrierefreiheit)

=== Nicht-semantische Tags ===
Diese Tags haben **keine inhaltliche Bedeutung**, sondern dienen nur als Container:

{| class="wikitable" style="width:100%; text-align:center;"
! Tag !! Bedeutung
|-
| <nowiki><div></nowiki> || allgemeiner Container
|-
| <nowiki><span></nowiki> || Inline-Container
|}

Sie werden hauptsächlich für Layout und Styling mit CSS verwendet.

=== Vergleich ===
{| class="wikitable" style="width:100%; text-align:center;"
! Typ !! Beispiel !! Aussage
|-
| semantisch || <nowiki><header></nowiki> || „Das ist der Kopfbereich“
|-
| nicht-semantisch || <nowiki><div></nowiki> || „Das ist ein Bereich“
|}

'''Merke:'''
Wenn möglich, sollten semantische Tags verwendet werden.

== Attribute ==
HTML-Elemente können '''Attribute''' besitzen, die zusätzliche Informationen enthalten.

Beispiel:

<syntaxhighlight lang="html">
<a href="https://example.com">Zur Webseite</a>
</syntaxhighlight>

* <code>href</code> ist ein Attribut
* es definiert das Link-Ziel

== HTML und CSS ==
HTML und CSS haben unterschiedliche Aufgaben:

* '''HTML''' → Struktur und Inhalt
* '''[[Grundlagen CSS|CSS]]''' → Aussehen (Farben, Schriftarten, Layout)

Beispiel:

<syntaxhighlight lang="html">
<p style="color:red;">Text in Rot</p>
</syntaxhighlight>

== HTML und JavaScript ==
JavaScript wird verwendet, um Webseiten '''interaktiv''' zu machen, z. B.:

* Klickaktionen
* Formulare prüfen
* Inhalte dynamisch ändern

== Typische Einsatzgebiete ==

* Webseiten
* Webanwendungen
* E-Mails (HTML-Mail)
* Benutzeroberflächen in Web-Apps

== Kurzmerksatz ==
'''HTML beschreibt die Struktur und den Inhalt einer Webseite, nicht das Design und nicht die Logik.'''

HashMap

2026-04-22T05:56:31Z

Moettke: /* Erstellen und Befüllen einer HashMap */

Eine '''HashMap''' ist eine Datenstruktur aus der Java-Collections-API, die Daten als '''Schlüssel-Wert-Paare''' speichert.
Jeder Schlüssel ist eindeutig und ermöglicht einen sehr schnellen Zugriff auf den zugehörigen Wert.

== Eigenschaften ==
* speichert Daten als '''key → value'''
* jeder Schlüssel darf nur einmal vorkommen
* Werte dürfen mehrfach vorkommen
* sehr schnelle Zugriffe durch Hashing
* Reihenfolge ist nicht garantiert

== Erstellen und Befüllen einer HashMap ==
'''Erstellt eine HashMap und fügt den ersten Eintrag hinzu.'''
<syntaxhighlight lang="java">
import java.util.HashMap;

HashMap<String, Double> map = new HashMap<>();
map.put("Trackball", 89.99);

</syntaxhighlight>

== Elemente hinzufügen ==
'''Fügt ein Element hinzu oder überschreibt den Wert, wenn der Schlüssel bereits existiert.'''
<syntaxhighlight lang="java">
map.put("Laptop", 999.99);
map.put("Maus", 19.99);
</syntaxhighlight>

== Wert abrufen ==
'''Gibt den Wert zu einem Schlüssel zurück.'''
<syntaxhighlight lang="java">
double preis = map.get("Laptop");
</syntaxhighlight>

'''Gibt einen Standardwert zurück, wenn der Schlüssel nicht existiert.'''
<syntaxhighlight lang="java">
double preis = map.getOrDefault("Monitor", 0.0);
</syntaxhighlight>

== Prüfen ==
'''Prüft, ob ein bestimmter Schlüssel vorhanden ist.'''
<syntaxhighlight lang="java">
map.containsKey("Maus");
</syntaxhighlight>

'''Prüft, ob ein bestimmter Wert vorhanden ist.'''
<syntaxhighlight lang="java">
map.containsValue(19.99);
</syntaxhighlight>

== Elemente entfernen ==
'''Entfernt ein Element anhand des Schlüssels.'''
<syntaxhighlight lang="java">
map.remove("Maus");
</syntaxhighlight>

'''Entfernt ein Element nur, wenn Schlüssel und Wert übereinstimmen.'''
<syntaxhighlight lang="java">
map.remove("Laptop", 999.99);
</syntaxhighlight>

== Werte ändern ==
'''Ersetzt den Wert eines vorhandenen Schlüssels.'''
<syntaxhighlight lang="java">
map.replace("Laptop", 899.99);
</syntaxhighlight>

'''Ersetzt den Wert nur, wenn der alte Wert übereinstimmt.'''
<syntaxhighlight lang="java">
map.replace("Laptop", 999.99, 899.99);
</syntaxhighlight>

== Größe und Zustand ==
'''Gibt die Anzahl der Einträge zurück.'''
<syntaxhighlight lang="java">
int anzahl = map.size();
</syntaxhighlight>

'''Prüft, ob die HashMap leer ist.'''
<syntaxhighlight lang="java">
map.isEmpty();
</syntaxhighlight>

'''Entfernt alle Einträge aus der HashMap.'''
<syntaxhighlight lang="java">
map.clear();
</syntaxhighlight>

== Iteration ==
'''Gibt alle Schlüssel der HashMap aus.'''
<syntaxhighlight lang="java">
for (String key : map.keySet()) {
System.out.println(key);
}
</syntaxhighlight>

'''Gibt alle Werte der HashMap aus.'''
<syntaxhighlight lang="java">
for (Double value : map.values()) {
System.out.println(value);
}
</syntaxhighlight>

'''Gibt Schlüssel und Werte gemeinsam aus (empfohlene Variante).'''
<syntaxhighlight lang="java">
for (Map.Entry<String, Double> e : map.entrySet()) {
System.out.println(e.getKey() + " : " + e.getValue());
}
</syntaxhighlight>

== Erweiterte Methoden ==
'''Fügt nur ein Element hinzu, wenn der Schlüssel noch nicht existiert.'''
<syntaxhighlight lang="java">
map.putIfAbsent("Tablet", 299.99);
</syntaxhighlight>

'''Berechnet einen neuen Wert basierend auf dem alten Wert.'''
<syntaxhighlight lang="java">
map.compute("Laptop", (k, v) -> v - 100);
</syntaxhighlight>

'''Erstellt einen Wert nur, wenn der Schlüssel noch nicht existiert.'''
<syntaxhighlight lang="java">
map.computeIfAbsent("Monitor", k -> 199.99);
</syntaxhighlight>

'''Ändert einen Wert nur, wenn der Schlüssel existiert.'''
<syntaxhighlight lang="java">
map.computeIfPresent("Laptop", (k, v) -> v * 0.9);
</syntaxhighlight>

'''Verknüpft alten und neuen Wert miteinander (z. B. zum Addieren).'''
<syntaxhighlight lang="java">
map.merge("Laptop", 100.0, (alt, neu) -> alt + neu);
</syntaxhighlight>

=== Fazit ===
* Wichtige Methoden: '''put''', '''get''', '''remove''', '''containsKey'''
* Iteration: '''entrySet()'''
* Erweiterte Verarbeitung: '''compute''', '''merge'''

== typische Einsatzgebiete ==
* Zuordnung von IDs zu Objekten
* Konfigurationen (Schlüssel → Einstellung)
* Häufigkeitszählungen (z. B. Wortanzahl)
* schnelle Suchstrukturen

== Kurzmerksatz ==
'''Eine HashMap speichert Schlüssel-Wert-Paare und ermöglicht sehr schnellen Zugriff über eindeutige Schlüssel.'''

HashMap

2026-04-22T05:55:53Z

Moettke: /* Erstellen und Befüllen einer HashMap */

Eine '''HashMap''' ist eine Datenstruktur aus der Java-Collections-API, die Daten als '''Schlüssel-Wert-Paare''' speichert.
Jeder Schlüssel ist eindeutig und ermöglicht einen sehr schnellen Zugriff auf den zugehörigen Wert.

== Eigenschaften ==
* speichert Daten als '''key → value'''
* jeder Schlüssel darf nur einmal vorkommen
* Werte dürfen mehrfach vorkommen
* sehr schnelle Zugriffe durch Hashing
* Reihenfolge ist nicht garantiert

== Erstellen und Befüllen einer HashMap ==
'''Erstellt eine HashMap und fügt den ersten Eintrag hinzu.'''
<syntaxhighlight lang="java">
import java.util.HashMap;

HashMap<String, Double> map = new HashMap<>();
map.put("Laptop", 999.99);

</syntaxhighlight>

== Elemente hinzufügen ==
'''Fügt ein Element hinzu oder überschreibt den Wert, wenn der Schlüssel bereits existiert.'''
<syntaxhighlight lang="java">
map.put("Laptop", 999.99);
map.put("Maus", 19.99);
</syntaxhighlight>

== Wert abrufen ==
'''Gibt den Wert zu einem Schlüssel zurück.'''
<syntaxhighlight lang="java">
double preis = map.get("Laptop");
</syntaxhighlight>

'''Gibt einen Standardwert zurück, wenn der Schlüssel nicht existiert.'''
<syntaxhighlight lang="java">
double preis = map.getOrDefault("Monitor", 0.0);
</syntaxhighlight>

== Prüfen ==
'''Prüft, ob ein bestimmter Schlüssel vorhanden ist.'''
<syntaxhighlight lang="java">
map.containsKey("Maus");
</syntaxhighlight>

'''Prüft, ob ein bestimmter Wert vorhanden ist.'''
<syntaxhighlight lang="java">
map.containsValue(19.99);
</syntaxhighlight>

== Elemente entfernen ==
'''Entfernt ein Element anhand des Schlüssels.'''
<syntaxhighlight lang="java">
map.remove("Maus");
</syntaxhighlight>

'''Entfernt ein Element nur, wenn Schlüssel und Wert übereinstimmen.'''
<syntaxhighlight lang="java">
map.remove("Laptop", 999.99);
</syntaxhighlight>

== Werte ändern ==
'''Ersetzt den Wert eines vorhandenen Schlüssels.'''
<syntaxhighlight lang="java">
map.replace("Laptop", 899.99);
</syntaxhighlight>

'''Ersetzt den Wert nur, wenn der alte Wert übereinstimmt.'''
<syntaxhighlight lang="java">
map.replace("Laptop", 999.99, 899.99);
</syntaxhighlight>

== Größe und Zustand ==
'''Gibt die Anzahl der Einträge zurück.'''
<syntaxhighlight lang="java">
int anzahl = map.size();
</syntaxhighlight>

'''Prüft, ob die HashMap leer ist.'''
<syntaxhighlight lang="java">
map.isEmpty();
</syntaxhighlight>

'''Entfernt alle Einträge aus der HashMap.'''
<syntaxhighlight lang="java">
map.clear();
</syntaxhighlight>

== Iteration ==
'''Gibt alle Schlüssel der HashMap aus.'''
<syntaxhighlight lang="java">
for (String key : map.keySet()) {
System.out.println(key);
}
</syntaxhighlight>

'''Gibt alle Werte der HashMap aus.'''
<syntaxhighlight lang="java">
for (Double value : map.values()) {
System.out.println(value);
}
</syntaxhighlight>

'''Gibt Schlüssel und Werte gemeinsam aus (empfohlene Variante).'''
<syntaxhighlight lang="java">
for (Map.Entry<String, Double> e : map.entrySet()) {
System.out.println(e.getKey() + " : " + e.getValue());
}
</syntaxhighlight>

== Erweiterte Methoden ==
'''Fügt nur ein Element hinzu, wenn der Schlüssel noch nicht existiert.'''
<syntaxhighlight lang="java">
map.putIfAbsent("Tablet", 299.99);
</syntaxhighlight>

'''Berechnet einen neuen Wert basierend auf dem alten Wert.'''
<syntaxhighlight lang="java">
map.compute("Laptop", (k, v) -> v - 100);
</syntaxhighlight>

'''Erstellt einen Wert nur, wenn der Schlüssel noch nicht existiert.'''
<syntaxhighlight lang="java">
map.computeIfAbsent("Monitor", k -> 199.99);
</syntaxhighlight>

'''Ändert einen Wert nur, wenn der Schlüssel existiert.'''
<syntaxhighlight lang="java">
map.computeIfPresent("Laptop", (k, v) -> v * 0.9);
</syntaxhighlight>

'''Verknüpft alten und neuen Wert miteinander (z. B. zum Addieren).'''
<syntaxhighlight lang="java">
map.merge("Laptop", 100.0, (alt, neu) -> alt + neu);
</syntaxhighlight>

=== Fazit ===
* Wichtige Methoden: '''put''', '''get''', '''remove''', '''containsKey'''
* Iteration: '''entrySet()'''
* Erweiterte Verarbeitung: '''compute''', '''merge'''

== typische Einsatzgebiete ==
* Zuordnung von IDs zu Objekten
* Konfigurationen (Schlüssel → Einstellung)
* Häufigkeitszählungen (z. B. Wortanzahl)
* schnelle Suchstrukturen

== Kurzmerksatz ==
'''Eine HashMap speichert Schlüssel-Wert-Paare und ermöglicht sehr schnellen Zugriff über eindeutige Schlüssel.'''

HashMap

2026-04-22T05:55:31Z

Moettke: /* Erstellen und Befüllen einer HashMap */

Eine '''HashMap''' ist eine Datenstruktur aus der Java-Collections-API, die Daten als '''Schlüssel-Wert-Paare''' speichert.
Jeder Schlüssel ist eindeutig und ermöglicht einen sehr schnellen Zugriff auf den zugehörigen Wert.

== Eigenschaften ==
* speichert Daten als '''key → value'''
* jeder Schlüssel darf nur einmal vorkommen
* Werte dürfen mehrfach vorkommen
* sehr schnelle Zugriffe durch Hashing
* Reihenfolge ist nicht garantiert

== Erstellen und Befüllen einer HashMap ==
'''Erstellt eine HashMap und fügt erste Einträge hinzu.'''
<syntaxhighlight lang="java">
import java.util.HashMap;

HashMap<String, Double> map = new HashMap<>();
map.put("Laptop", 999.99);

</syntaxhighlight>

== Elemente hinzufügen ==
'''Fügt ein Element hinzu oder überschreibt den Wert, wenn der Schlüssel bereits existiert.'''
<syntaxhighlight lang="java">
map.put("Laptop", 999.99);
map.put("Maus", 19.99);
</syntaxhighlight>

== Wert abrufen ==
'''Gibt den Wert zu einem Schlüssel zurück.'''
<syntaxhighlight lang="java">
double preis = map.get("Laptop");
</syntaxhighlight>

'''Gibt einen Standardwert zurück, wenn der Schlüssel nicht existiert.'''
<syntaxhighlight lang="java">
double preis = map.getOrDefault("Monitor", 0.0);
</syntaxhighlight>

== Prüfen ==
'''Prüft, ob ein bestimmter Schlüssel vorhanden ist.'''
<syntaxhighlight lang="java">
map.containsKey("Maus");
</syntaxhighlight>

'''Prüft, ob ein bestimmter Wert vorhanden ist.'''
<syntaxhighlight lang="java">
map.containsValue(19.99);
</syntaxhighlight>

== Elemente entfernen ==
'''Entfernt ein Element anhand des Schlüssels.'''
<syntaxhighlight lang="java">
map.remove("Maus");
</syntaxhighlight>

'''Entfernt ein Element nur, wenn Schlüssel und Wert übereinstimmen.'''
<syntaxhighlight lang="java">
map.remove("Laptop", 999.99);
</syntaxhighlight>

== Werte ändern ==
'''Ersetzt den Wert eines vorhandenen Schlüssels.'''
<syntaxhighlight lang="java">
map.replace("Laptop", 899.99);
</syntaxhighlight>

'''Ersetzt den Wert nur, wenn der alte Wert übereinstimmt.'''
<syntaxhighlight lang="java">
map.replace("Laptop", 999.99, 899.99);
</syntaxhighlight>

== Größe und Zustand ==
'''Gibt die Anzahl der Einträge zurück.'''
<syntaxhighlight lang="java">
int anzahl = map.size();
</syntaxhighlight>

'''Prüft, ob die HashMap leer ist.'''
<syntaxhighlight lang="java">
map.isEmpty();
</syntaxhighlight>

'''Entfernt alle Einträge aus der HashMap.'''
<syntaxhighlight lang="java">
map.clear();
</syntaxhighlight>

== Iteration ==
'''Gibt alle Schlüssel der HashMap aus.'''
<syntaxhighlight lang="java">
for (String key : map.keySet()) {
System.out.println(key);
}
</syntaxhighlight>

'''Gibt alle Werte der HashMap aus.'''
<syntaxhighlight lang="java">
for (Double value : map.values()) {
System.out.println(value);
}
</syntaxhighlight>

'''Gibt Schlüssel und Werte gemeinsam aus (empfohlene Variante).'''
<syntaxhighlight lang="java">
for (Map.Entry<String, Double> e : map.entrySet()) {
System.out.println(e.getKey() + " : " + e.getValue());
}
</syntaxhighlight>

== Erweiterte Methoden ==
'''Fügt nur ein Element hinzu, wenn der Schlüssel noch nicht existiert.'''
<syntaxhighlight lang="java">
map.putIfAbsent("Tablet", 299.99);
</syntaxhighlight>

'''Berechnet einen neuen Wert basierend auf dem alten Wert.'''
<syntaxhighlight lang="java">
map.compute("Laptop", (k, v) -> v - 100);
</syntaxhighlight>

'''Erstellt einen Wert nur, wenn der Schlüssel noch nicht existiert.'''
<syntaxhighlight lang="java">
map.computeIfAbsent("Monitor", k -> 199.99);
</syntaxhighlight>

'''Ändert einen Wert nur, wenn der Schlüssel existiert.'''
<syntaxhighlight lang="java">
map.computeIfPresent("Laptop", (k, v) -> v * 0.9);
</syntaxhighlight>

'''Verknüpft alten und neuen Wert miteinander (z. B. zum Addieren).'''
<syntaxhighlight lang="java">
map.merge("Laptop", 100.0, (alt, neu) -> alt + neu);
</syntaxhighlight>

=== Fazit ===
* Wichtige Methoden: '''put''', '''get''', '''remove''', '''containsKey'''
* Iteration: '''entrySet()'''
* Erweiterte Verarbeitung: '''compute''', '''merge'''

== typische Einsatzgebiete ==
* Zuordnung von IDs zu Objekten
* Konfigurationen (Schlüssel → Einstellung)
* Häufigkeitszählungen (z. B. Wortanzahl)
* schnelle Suchstrukturen

== Kurzmerksatz ==
'''Eine HashMap speichert Schlüssel-Wert-Paare und ermöglicht sehr schnellen Zugriff über eindeutige Schlüssel.'''

HashMap

2026-04-22T05:55:16Z

Moettke: /* Erstellen und Befüllen einer HashMap */

Eine '''HashMap''' ist eine Datenstruktur aus der Java-Collections-API, die Daten als '''Schlüssel-Wert-Paare''' speichert.
Jeder Schlüssel ist eindeutig und ermöglicht einen sehr schnellen Zugriff auf den zugehörigen Wert.

== Eigenschaften ==
* speichert Daten als '''key → value'''
* jeder Schlüssel darf nur einmal vorkommen
* Werte dürfen mehrfach vorkommen
* sehr schnelle Zugriffe durch Hashing
* Reihenfolge ist nicht garantiert

== Erstellen und Befüllen einer HashMap ==
'''Erstellt eine HashMap und fügt erste Einträge hinzu.'''
<syntaxhighlight lang="java">
import java.util.HashMap;

HashMap<String, Double> map = new HashMap<>();

map.put("Laptop", 999.99);

</syntaxhighlight>

== Elemente hinzufügen ==
'''Fügt ein Element hinzu oder überschreibt den Wert, wenn der Schlüssel bereits existiert.'''
<syntaxhighlight lang="java">
map.put("Laptop", 999.99);
map.put("Maus", 19.99);
</syntaxhighlight>

== Wert abrufen ==
'''Gibt den Wert zu einem Schlüssel zurück.'''
<syntaxhighlight lang="java">
double preis = map.get("Laptop");
</syntaxhighlight>

'''Gibt einen Standardwert zurück, wenn der Schlüssel nicht existiert.'''
<syntaxhighlight lang="java">
double preis = map.getOrDefault("Monitor", 0.0);
</syntaxhighlight>

== Prüfen ==
'''Prüft, ob ein bestimmter Schlüssel vorhanden ist.'''
<syntaxhighlight lang="java">
map.containsKey("Maus");
</syntaxhighlight>

'''Prüft, ob ein bestimmter Wert vorhanden ist.'''
<syntaxhighlight lang="java">
map.containsValue(19.99);
</syntaxhighlight>

== Elemente entfernen ==
'''Entfernt ein Element anhand des Schlüssels.'''
<syntaxhighlight lang="java">
map.remove("Maus");
</syntaxhighlight>

'''Entfernt ein Element nur, wenn Schlüssel und Wert übereinstimmen.'''
<syntaxhighlight lang="java">
map.remove("Laptop", 999.99);
</syntaxhighlight>

== Werte ändern ==
'''Ersetzt den Wert eines vorhandenen Schlüssels.'''
<syntaxhighlight lang="java">
map.replace("Laptop", 899.99);
</syntaxhighlight>

'''Ersetzt den Wert nur, wenn der alte Wert übereinstimmt.'''
<syntaxhighlight lang="java">
map.replace("Laptop", 999.99, 899.99);
</syntaxhighlight>

== Größe und Zustand ==
'''Gibt die Anzahl der Einträge zurück.'''
<syntaxhighlight lang="java">
int anzahl = map.size();
</syntaxhighlight>

'''Prüft, ob die HashMap leer ist.'''
<syntaxhighlight lang="java">
map.isEmpty();
</syntaxhighlight>

'''Entfernt alle Einträge aus der HashMap.'''
<syntaxhighlight lang="java">
map.clear();
</syntaxhighlight>

== Iteration ==
'''Gibt alle Schlüssel der HashMap aus.'''
<syntaxhighlight lang="java">
for (String key : map.keySet()) {
System.out.println(key);
}
</syntaxhighlight>

'''Gibt alle Werte der HashMap aus.'''
<syntaxhighlight lang="java">
for (Double value : map.values()) {
System.out.println(value);
}
</syntaxhighlight>

'''Gibt Schlüssel und Werte gemeinsam aus (empfohlene Variante).'''
<syntaxhighlight lang="java">
for (Map.Entry<String, Double> e : map.entrySet()) {
System.out.println(e.getKey() + " : " + e.getValue());
}
</syntaxhighlight>

== Erweiterte Methoden ==
'''Fügt nur ein Element hinzu, wenn der Schlüssel noch nicht existiert.'''
<syntaxhighlight lang="java">
map.putIfAbsent("Tablet", 299.99);
</syntaxhighlight>

'''Berechnet einen neuen Wert basierend auf dem alten Wert.'''
<syntaxhighlight lang="java">
map.compute("Laptop", (k, v) -> v - 100);
</syntaxhighlight>

'''Erstellt einen Wert nur, wenn der Schlüssel noch nicht existiert.'''
<syntaxhighlight lang="java">
map.computeIfAbsent("Monitor", k -> 199.99);
</syntaxhighlight>

'''Ändert einen Wert nur, wenn der Schlüssel existiert.'''
<syntaxhighlight lang="java">
map.computeIfPresent("Laptop", (k, v) -> v * 0.9);
</syntaxhighlight>

'''Verknüpft alten und neuen Wert miteinander (z. B. zum Addieren).'''
<syntaxhighlight lang="java">
map.merge("Laptop", 100.0, (alt, neu) -> alt + neu);
</syntaxhighlight>

=== Fazit ===
* Wichtige Methoden: '''put''', '''get''', '''remove''', '''containsKey'''
* Iteration: '''entrySet()'''
* Erweiterte Verarbeitung: '''compute''', '''merge'''

== typische Einsatzgebiete ==
* Zuordnung von IDs zu Objekten
* Konfigurationen (Schlüssel → Einstellung)
* Häufigkeitszählungen (z. B. Wortanzahl)
* schnelle Suchstrukturen

== Kurzmerksatz ==
'''Eine HashMap speichert Schlüssel-Wert-Paare und ermöglicht sehr schnellen Zugriff über eindeutige Schlüssel.'''

HashMap

2026-04-22T05:54:11Z

Moettke: /* Erstellen und Befüllen einer HashMap */

Eine '''HashMap''' ist eine Datenstruktur aus der Java-Collections-API, die Daten als '''Schlüssel-Wert-Paare''' speichert.
Jeder Schlüssel ist eindeutig und ermöglicht einen sehr schnellen Zugriff auf den zugehörigen Wert.

== Eigenschaften ==
* speichert Daten als '''key → value'''
* jeder Schlüssel darf nur einmal vorkommen
* Werte dürfen mehrfach vorkommen
* sehr schnelle Zugriffe durch Hashing
* Reihenfolge ist nicht garantiert

== Erstellen und Befüllen einer HashMap ==
'''Erstellt eine HashMap und fügt erste Einträge hinzu.'''
<syntaxhighlight lang="java">
import java.util.HashMap;

HashMap<String, Double> map = new HashMap<>();

personen.put("Anna", 25);
personen.put("Max", 31);
personen.put("Lisa", 28);
</syntaxhighlight>

== Elemente hinzufügen ==
'''Fügt ein Element hinzu oder überschreibt den Wert, wenn der Schlüssel bereits existiert.'''
<syntaxhighlight lang="java">
map.put("Laptop", 999.99);
map.put("Maus", 19.99);
</syntaxhighlight>

== Wert abrufen ==
'''Gibt den Wert zu einem Schlüssel zurück.'''
<syntaxhighlight lang="java">
double preis = map.get("Laptop");
</syntaxhighlight>

'''Gibt einen Standardwert zurück, wenn der Schlüssel nicht existiert.'''
<syntaxhighlight lang="java">
double preis = map.getOrDefault("Monitor", 0.0);
</syntaxhighlight>

== Prüfen ==
'''Prüft, ob ein bestimmter Schlüssel vorhanden ist.'''
<syntaxhighlight lang="java">
map.containsKey("Maus");
</syntaxhighlight>

'''Prüft, ob ein bestimmter Wert vorhanden ist.'''
<syntaxhighlight lang="java">
map.containsValue(19.99);
</syntaxhighlight>

== Elemente entfernen ==
'''Entfernt ein Element anhand des Schlüssels.'''
<syntaxhighlight lang="java">
map.remove("Maus");
</syntaxhighlight>

'''Entfernt ein Element nur, wenn Schlüssel und Wert übereinstimmen.'''
<syntaxhighlight lang="java">
map.remove("Laptop", 999.99);
</syntaxhighlight>

== Werte ändern ==
'''Ersetzt den Wert eines vorhandenen Schlüssels.'''
<syntaxhighlight lang="java">
map.replace("Laptop", 899.99);
</syntaxhighlight>

'''Ersetzt den Wert nur, wenn der alte Wert übereinstimmt.'''
<syntaxhighlight lang="java">
map.replace("Laptop", 999.99, 899.99);
</syntaxhighlight>

== Größe und Zustand ==
'''Gibt die Anzahl der Einträge zurück.'''
<syntaxhighlight lang="java">
int anzahl = map.size();
</syntaxhighlight>

'''Prüft, ob die HashMap leer ist.'''
<syntaxhighlight lang="java">
map.isEmpty();
</syntaxhighlight>

'''Entfernt alle Einträge aus der HashMap.'''
<syntaxhighlight lang="java">
map.clear();
</syntaxhighlight>

== Iteration ==
'''Gibt alle Schlüssel der HashMap aus.'''
<syntaxhighlight lang="java">
for (String key : map.keySet()) {
System.out.println(key);
}
</syntaxhighlight>

'''Gibt alle Werte der HashMap aus.'''
<syntaxhighlight lang="java">
for (Double value : map.values()) {
System.out.println(value);
}
</syntaxhighlight>

'''Gibt Schlüssel und Werte gemeinsam aus (empfohlene Variante).'''
<syntaxhighlight lang="java">
for (Map.Entry<String, Double> e : map.entrySet()) {
System.out.println(e.getKey() + " : " + e.getValue());
}
</syntaxhighlight>

== Erweiterte Methoden ==
'''Fügt nur ein Element hinzu, wenn der Schlüssel noch nicht existiert.'''
<syntaxhighlight lang="java">
map.putIfAbsent("Tablet", 299.99);
</syntaxhighlight>

'''Berechnet einen neuen Wert basierend auf dem alten Wert.'''
<syntaxhighlight lang="java">
map.compute("Laptop", (k, v) -> v - 100);
</syntaxhighlight>

'''Erstellt einen Wert nur, wenn der Schlüssel noch nicht existiert.'''
<syntaxhighlight lang="java">
map.computeIfAbsent("Monitor", k -> 199.99);
</syntaxhighlight>

'''Ändert einen Wert nur, wenn der Schlüssel existiert.'''
<syntaxhighlight lang="java">
map.computeIfPresent("Laptop", (k, v) -> v * 0.9);
</syntaxhighlight>

'''Verknüpft alten und neuen Wert miteinander (z. B. zum Addieren).'''
<syntaxhighlight lang="java">
map.merge("Laptop", 100.0, (alt, neu) -> alt + neu);
</syntaxhighlight>

=== Fazit ===
* Wichtige Methoden: '''put''', '''get''', '''remove''', '''containsKey'''
* Iteration: '''entrySet()'''
* Erweiterte Verarbeitung: '''compute''', '''merge'''

== typische Einsatzgebiete ==
* Zuordnung von IDs zu Objekten
* Konfigurationen (Schlüssel → Einstellung)
* Häufigkeitszählungen (z. B. Wortanzahl)
* schnelle Suchstrukturen

== Kurzmerksatz ==
'''Eine HashMap speichert Schlüssel-Wert-Paare und ermöglicht sehr schnellen Zugriff über eindeutige Schlüssel.'''

HashMap

2026-04-22T05:52:56Z

Moettke: /* Erstellen und Befüllen einer HashMap */

Eine '''HashMap''' ist eine Datenstruktur aus der Java-Collections-API, die Daten als '''Schlüssel-Wert-Paare''' speichert.
Jeder Schlüssel ist eindeutig und ermöglicht einen sehr schnellen Zugriff auf den zugehörigen Wert.

== Eigenschaften ==
* speichert Daten als '''key → value'''
* jeder Schlüssel darf nur einmal vorkommen
* Werte dürfen mehrfach vorkommen
* sehr schnelle Zugriffe durch Hashing
* Reihenfolge ist nicht garantiert

== Erstellen und Befüllen einer HashMap ==
'''Erstellt eine HashMap und fügt erste Einträge hinzu.'''
<syntaxhighlight lang="java">
import java.util.HashMap;

HashMap<String, Integer> personen = new HashMap<>();

personen.put("Anna", 25);
personen.put("Max", 31);
personen.put("Lisa", 28);
</syntaxhighlight>

== Elemente hinzufügen ==
'''Fügt ein Element hinzu oder überschreibt den Wert, wenn der Schlüssel bereits existiert.'''
<syntaxhighlight lang="java">
map.put("Laptop", 999.99);
map.put("Maus", 19.99);
</syntaxhighlight>

== Wert abrufen ==
'''Gibt den Wert zu einem Schlüssel zurück.'''
<syntaxhighlight lang="java">
double preis = map.get("Laptop");
</syntaxhighlight>

'''Gibt einen Standardwert zurück, wenn der Schlüssel nicht existiert.'''
<syntaxhighlight lang="java">
double preis = map.getOrDefault("Monitor", 0.0);
</syntaxhighlight>

== Prüfen ==
'''Prüft, ob ein bestimmter Schlüssel vorhanden ist.'''
<syntaxhighlight lang="java">
map.containsKey("Maus");
</syntaxhighlight>

'''Prüft, ob ein bestimmter Wert vorhanden ist.'''
<syntaxhighlight lang="java">
map.containsValue(19.99);
</syntaxhighlight>

== Elemente entfernen ==
'''Entfernt ein Element anhand des Schlüssels.'''
<syntaxhighlight lang="java">
map.remove("Maus");
</syntaxhighlight>

'''Entfernt ein Element nur, wenn Schlüssel und Wert übereinstimmen.'''
<syntaxhighlight lang="java">
map.remove("Laptop", 999.99);
</syntaxhighlight>

== Werte ändern ==
'''Ersetzt den Wert eines vorhandenen Schlüssels.'''
<syntaxhighlight lang="java">
map.replace("Laptop", 899.99);
</syntaxhighlight>

'''Ersetzt den Wert nur, wenn der alte Wert übereinstimmt.'''
<syntaxhighlight lang="java">
map.replace("Laptop", 999.99, 899.99);
</syntaxhighlight>

== Größe und Zustand ==
'''Gibt die Anzahl der Einträge zurück.'''
<syntaxhighlight lang="java">
int anzahl = map.size();
</syntaxhighlight>

'''Prüft, ob die HashMap leer ist.'''
<syntaxhighlight lang="java">
map.isEmpty();
</syntaxhighlight>

'''Entfernt alle Einträge aus der HashMap.'''
<syntaxhighlight lang="java">
map.clear();
</syntaxhighlight>

== Iteration ==
'''Gibt alle Schlüssel der HashMap aus.'''
<syntaxhighlight lang="java">
for (String key : map.keySet()) {
System.out.println(key);
}
</syntaxhighlight>

'''Gibt alle Werte der HashMap aus.'''
<syntaxhighlight lang="java">
for (Double value : map.values()) {
System.out.println(value);
}
</syntaxhighlight>

'''Gibt Schlüssel und Werte gemeinsam aus (empfohlene Variante).'''
<syntaxhighlight lang="java">
for (Map.Entry<String, Double> e : map.entrySet()) {
System.out.println(e.getKey() + " : " + e.getValue());
}
</syntaxhighlight>

== Erweiterte Methoden ==
'''Fügt nur ein Element hinzu, wenn der Schlüssel noch nicht existiert.'''
<syntaxhighlight lang="java">
map.putIfAbsent("Tablet", 299.99);
</syntaxhighlight>

'''Berechnet einen neuen Wert basierend auf dem alten Wert.'''
<syntaxhighlight lang="java">
map.compute("Laptop", (k, v) -> v - 100);
</syntaxhighlight>

'''Erstellt einen Wert nur, wenn der Schlüssel noch nicht existiert.'''
<syntaxhighlight lang="java">
map.computeIfAbsent("Monitor", k -> 199.99);
</syntaxhighlight>

'''Ändert einen Wert nur, wenn der Schlüssel existiert.'''
<syntaxhighlight lang="java">
map.computeIfPresent("Laptop", (k, v) -> v * 0.9);
</syntaxhighlight>

'''Verknüpft alten und neuen Wert miteinander (z. B. zum Addieren).'''
<syntaxhighlight lang="java">
map.merge("Laptop", 100.0, (alt, neu) -> alt + neu);
</syntaxhighlight>

=== Fazit ===
* Wichtige Methoden: '''put''', '''get''', '''remove''', '''containsKey'''
* Iteration: '''entrySet()'''
* Erweiterte Verarbeitung: '''compute''', '''merge'''

== typische Einsatzgebiete ==
* Zuordnung von IDs zu Objekten
* Konfigurationen (Schlüssel → Einstellung)
* Häufigkeitszählungen (z. B. Wortanzahl)
* schnelle Suchstrukturen

== Kurzmerksatz ==
'''Eine HashMap speichert Schlüssel-Wert-Paare und ermöglicht sehr schnellen Zugriff über eindeutige Schlüssel.'''

HashMap

2026-04-22T05:52:48Z

Moettke:

Eine '''HashMap''' ist eine Datenstruktur aus der Java-Collections-API, die Daten als '''Schlüssel-Wert-Paare''' speichert.
Jeder Schlüssel ist eindeutig und ermöglicht einen sehr schnellen Zugriff auf den zugehörigen Wert.

== Eigenschaften ==
* speichert Daten als '''key → value'''
* jeder Schlüssel darf nur einmal vorkommen
* Werte dürfen mehrfach vorkommen
* sehr schnelle Zugriffe durch Hashing
* Reihenfolge ist nicht garantiert

== Erstellen und Befüllen einer HashMap ==
'''Erstellt eine HashMap und fügt erste Einträge hinzu.'''
<syntaxhighlight lang="java">
import java.util.HashMap;

HashMap<String, Integer> personen = new HashMap<>();

personen.put("Anna", 25);
personen.put("Max", 31);
personen.put("Lisa", 28);
</syntaxhighlight>

== Elemente hinzufügen ==
'''Fügt ein Element hinzu oder überschreibt den Wert, wenn der Schlüssel bereits existiert.'''
<syntaxhighlight lang="java">
map.put("Laptop", 999.99);
map.put("Maus", 19.99);
</syntaxhighlight>

== Wert abrufen ==
'''Gibt den Wert zu einem Schlüssel zurück.'''
<syntaxhighlight lang="java">
double preis = map.get("Laptop");
</syntaxhighlight>

'''Gibt einen Standardwert zurück, wenn der Schlüssel nicht existiert.'''
<syntaxhighlight lang="java">
double preis = map.getOrDefault("Monitor", 0.0);
</syntaxhighlight>

== Prüfen ==
'''Prüft, ob ein bestimmter Schlüssel vorhanden ist.'''
<syntaxhighlight lang="java">
map.containsKey("Maus");
</syntaxhighlight>

'''Prüft, ob ein bestimmter Wert vorhanden ist.'''
<syntaxhighlight lang="java">
map.containsValue(19.99);
</syntaxhighlight>

== Elemente entfernen ==
'''Entfernt ein Element anhand des Schlüssels.'''
<syntaxhighlight lang="java">
map.remove("Maus");
</syntaxhighlight>

'''Entfernt ein Element nur, wenn Schlüssel und Wert übereinstimmen.'''
<syntaxhighlight lang="java">
map.remove("Laptop", 999.99);
</syntaxhighlight>

== Werte ändern ==
'''Ersetzt den Wert eines vorhandenen Schlüssels.'''
<syntaxhighlight lang="java">
map.replace("Laptop", 899.99);
</syntaxhighlight>

'''Ersetzt den Wert nur, wenn der alte Wert übereinstimmt.'''
<syntaxhighlight lang="java">
map.replace("Laptop", 999.99, 899.99);
</syntaxhighlight>

== Größe und Zustand ==
'''Gibt die Anzahl der Einträge zurück.'''
<syntaxhighlight lang="java">
int anzahl = map.size();
</syntaxhighlight>

'''Prüft, ob die HashMap leer ist.'''
<syntaxhighlight lang="java">
map.isEmpty();
</syntaxhighlight>

'''Entfernt alle Einträge aus der HashMap.'''
<syntaxhighlight lang="java">
map.clear();
</syntaxhighlight>

== Iteration ==
'''Gibt alle Schlüssel der HashMap aus.'''
<syntaxhighlight lang="java">
for (String key : map.keySet()) {
System.out.println(key);
}
</syntaxhighlight>

'''Gibt alle Werte der HashMap aus.'''
<syntaxhighlight lang="java">
for (Double value : map.values()) {
System.out.println(value);
}
</syntaxhighlight>

'''Gibt Schlüssel und Werte gemeinsam aus (empfohlene Variante).'''
<syntaxhighlight lang="java">
for (Map.Entry<String, Double> e : map.entrySet()) {
System.out.println(e.getKey() + " : " + e.getValue());
}
</syntaxhighlight>

== Erweiterte Methoden ==
'''Fügt nur ein Element hinzu, wenn der Schlüssel noch nicht existiert.'''
<syntaxhighlight lang="java">
map.putIfAbsent("Tablet", 299.99);
</syntaxhighlight>

'''Berechnet einen neuen Wert basierend auf dem alten Wert.'''
<syntaxhighlight lang="java">
map.compute("Laptop", (k, v) -> v - 100);
</syntaxhighlight>

'''Erstellt einen Wert nur, wenn der Schlüssel noch nicht existiert.'''
<syntaxhighlight lang="java">
map.computeIfAbsent("Monitor", k -> 199.99);
</syntaxhighlight>

'''Ändert einen Wert nur, wenn der Schlüssel existiert.'''
<syntaxhighlight lang="java">
map.computeIfPresent("Laptop", (k, v) -> v * 0.9);
</syntaxhighlight>

'''Verknüpft alten und neuen Wert miteinander (z. B. zum Addieren).'''
<syntaxhighlight lang="java">
map.merge("Laptop", 100.0, (alt, neu) -> alt + neu);
</syntaxhighlight>

=== Fazit ===
* Wichtige Methoden: '''put''', '''get''', '''remove''', '''containsKey'''
* Iteration: '''entrySet()'''
* Erweiterte Verarbeitung: '''compute''', '''merge'''

== typische Einsatzgebiete ==
* Zuordnung von IDs zu Objekten
* Konfigurationen (Schlüssel → Einstellung)
* Häufigkeitszählungen (z. B. Wortanzahl)
* schnelle Suchstrukturen

== Kurzmerksatz ==
'''Eine HashMap speichert Schlüssel-Wert-Paare und ermöglicht sehr schnellen Zugriff über eindeutige Schlüssel.'''

HashMap

2026-04-22T05:51:09Z

Moettke: /* Beispiel: Erstellen und Befüllen einer HashMap */

Eine '''HashMap''' ist eine Datenstruktur aus der Java-Collections-API, die Daten als '''Schlüssel-Wert-Paare''' speichert.
Jeder Schlüssel ist eindeutig und ermöglicht einen sehr schnellen Zugriff auf den zugehörigen Wert.

== Eigenschaften ==
* speichert Daten als '''key → value'''
* jeder Schlüssel darf nur einmal vorkommen
* Werte dürfen mehrfach vorkommen
* sehr schnelle Zugriffe durch Hashing
* Reihenfolge ist nicht garantiert

== Erstellen und Befüllen einer HashMap ==
<syntaxhighlight lang="java">
import java.util.HashMap;

HashMap<String, Integer> personen = new HashMap<>();

personen.put("Anna", 25);
personen.put("Max", 31);
personen.put("Lisa", 28);
</syntaxhighlight>

== Elemente hinzufügen ==
'''put(K key, V value)''' – Element hinzufügen / überschreiben
<syntaxhighlight lang="java">
map.put("Laptop", 999.99);
map.put("Maus", 19.99);
</syntaxhighlight>

== Wert abrufen ==
'''get(Object key)'''
<syntaxhighlight lang="java">
double preis = map.get("Laptop");
</syntaxhighlight>

'''getOrDefault(Object key, V defaultValue)'''
<syntaxhighlight lang="java">
double preis = map.getOrDefault("Monitor", 0.0);
</syntaxhighlight>

== Prüfen ==
'''containsKey(Object key)'''
<syntaxhighlight lang="java">
map.containsKey("Maus");
</syntaxhighlight>

'''containsValue(Object value)'''
<syntaxhighlight lang="java">
map.containsValue(19.99);
</syntaxhighlight>

== Elemente entfernen ==
'''remove(Object key)'''
<syntaxhighlight lang="java">
map.remove("Maus");
</syntaxhighlight>

'''remove(Object key, Object value)'''
<syntaxhighlight lang="java">
map.remove("Laptop", 999.99);
</syntaxhighlight>

== Werte ändern ==
'''replace(K key, V value)'''
<syntaxhighlight lang="java">
map.replace("Laptop", 899.99);
</syntaxhighlight>

'''replace(K key, V oldValue, V newValue)'''
<syntaxhighlight lang="java">
map.replace("Laptop", 999.99, 899.99);
</syntaxhighlight>

== Größe und Zustand ==
'''size()'''
<syntaxhighlight lang="java">
int anzahl = map.size();
</syntaxhighlight>

'''isEmpty()'''
<syntaxhighlight lang="java">
map.isEmpty();
</syntaxhighlight>

'''clear()'''
<syntaxhighlight lang="java">
map.clear();
</syntaxhighlight>

== Iteration ==
'''keySet()''' – alle Schlüssel
<syntaxhighlight lang="java">
for (String key : map.keySet()) {
System.out.println(key);
}
</syntaxhighlight>

'''values()''' – alle Werte
<syntaxhighlight lang="java">
for (Double value : map.values()) {
System.out.println(value);
}
</syntaxhighlight>

'''entrySet()''' – Schlüssel und Werte (empfohlen)
<syntaxhighlight lang="java">
for (Map.Entry<String, Double> e : map.entrySet()) {
System.out.println(e.getKey() + " : " + e.getValue());
}
</syntaxhighlight>

== Erweiterte Methoden ==
'''putIfAbsent(K key, V value)'''
<syntaxhighlight lang="java">
map.putIfAbsent("Tablet", 299.99);
</syntaxhighlight>

'''compute(K key, BiFunction)'''
<syntaxhighlight lang="java">
map.compute("Laptop", (k, v) -> v - 100);
</syntaxhighlight>

'''computeIfAbsent(K key, Function)'''
<syntaxhighlight lang="java">
map.computeIfAbsent("Monitor", k -> 199.99);
</syntaxhighlight>

'''computeIfPresent(K key, BiFunction)'''
<syntaxhighlight lang="java">
map.computeIfPresent("Laptop", (k, v) -> v * 0.9);
</syntaxhighlight>

'''merge(K key, V value, BiFunction)'''
<syntaxhighlight lang="java">
map.merge("Laptop", 100.0, (alt, neu) -> alt + neu);
</syntaxhighlight>

=== Fazit ===
* Wichtige Methoden: '''put''', '''get''', '''remove''', '''containsKey'''
* Iteration: '''entrySet()'''
* Erweiterte Verarbeitung: '''compute''', '''merge'''

== typische Einsatzgebiete ==
* Zuordnung von IDs zu Objekten
* Konfigurationen (Schlüssel → Einstellung)
* Häufigkeitszählungen (z. B. Wortanzahl)
* schnelle Suchstrukturen

== Kurzmerksatz ==
'''Eine HashMap speichert Schlüssel-Wert-Paare und ermöglicht sehr schnellen Zugriff über eindeutige Schlüssel.'''

HashMap

2026-04-22T05:49:35Z

Moettke: /* HashMap in Java */

Eine '''HashMap''' ist eine Datenstruktur aus der Java-Collections-API, die Daten als '''Schlüssel-Wert-Paare''' speichert.
Jeder Schlüssel ist eindeutig und ermöglicht einen sehr schnellen Zugriff auf den zugehörigen Wert.

== Eigenschaften ==
* speichert Daten als '''key → value'''
* jeder Schlüssel darf nur einmal vorkommen
* Werte dürfen mehrfach vorkommen
* sehr schnelle Zugriffe durch Hashing
* Reihenfolge ist nicht garantiert

== Beispiel: Erstellen und Befüllen einer HashMap ==
<syntaxhighlight lang="java">
import java.util.HashMap;

HashMap<String, Integer> personen = new HashMap<>();

personen.put("Anna", 25);
personen.put("Max", 31);
personen.put("Lisa", 28);
</syntaxhighlight>

=== Erstellen ===
<syntaxhighlight lang="java">
HashMap<String, Double> map = new HashMap<>();
</syntaxhighlight>

=== Elemente hinzufügen ===
'''put(K key, V value)''' – Element hinzufügen / überschreiben
<syntaxhighlight lang="java">
map.put("Laptop", 999.99);
map.put("Maus", 19.99);
</syntaxhighlight>

=== Wert abrufen ===
'''get(Object key)'''
<syntaxhighlight lang="java">
double preis = map.get("Laptop");
</syntaxhighlight>

'''getOrDefault(Object key, V defaultValue)'''
<syntaxhighlight lang="java">
double preis = map.getOrDefault("Monitor", 0.0);
</syntaxhighlight>

=== Prüfen ===
'''containsKey(Object key)'''
<syntaxhighlight lang="java">
map.containsKey("Maus");
</syntaxhighlight>

'''containsValue(Object value)'''
<syntaxhighlight lang="java">
map.containsValue(19.99);
</syntaxhighlight>

=== Elemente entfernen ===
'''remove(Object key)'''
<syntaxhighlight lang="java">
map.remove("Maus");
</syntaxhighlight>

'''remove(Object key, Object value)'''
<syntaxhighlight lang="java">
map.remove("Laptop", 999.99);
</syntaxhighlight>

=== Werte ändern ===
'''replace(K key, V value)'''
<syntaxhighlight lang="java">
map.replace("Laptop", 899.99);
</syntaxhighlight>

'''replace(K key, V oldValue, V newValue)'''
<syntaxhighlight lang="java">
map.replace("Laptop", 999.99, 899.99);
</syntaxhighlight>

=== Größe und Zustand ===
'''size()'''
<syntaxhighlight lang="java">
int anzahl = map.size();
</syntaxhighlight>

'''isEmpty()'''
<syntaxhighlight lang="java">
map.isEmpty();
</syntaxhighlight>

'''clear()'''
<syntaxhighlight lang="java">
map.clear();
</syntaxhighlight>

=== Iteration ===
'''keySet()''' – alle Schlüssel
<syntaxhighlight lang="java">
for (String key : map.keySet()) {
System.out.println(key);
}
</syntaxhighlight>

'''values()''' – alle Werte
<syntaxhighlight lang="java">
for (Double value : map.values()) {
System.out.println(value);
}
</syntaxhighlight>

'''entrySet()''' – Schlüssel und Werte (empfohlen)
<syntaxhighlight lang="java">
for (Map.Entry<String, Double> e : map.entrySet()) {
System.out.println(e.getKey() + " : " + e.getValue());
}
</syntaxhighlight>

=== Erweiterte Methoden ===
'''putIfAbsent(K key, V value)'''
<syntaxhighlight lang="java">
map.putIfAbsent("Tablet", 299.99);
</syntaxhighlight>

'''compute(K key, BiFunction)'''
<syntaxhighlight lang="java">
map.compute("Laptop", (k, v) -> v - 100);
</syntaxhighlight>

'''computeIfAbsent(K key, Function)'''
<syntaxhighlight lang="java">
map.computeIfAbsent("Monitor", k -> 199.99);
</syntaxhighlight>

'''computeIfPresent(K key, BiFunction)'''
<syntaxhighlight lang="java">
map.computeIfPresent("Laptop", (k, v) -> v * 0.9);
</syntaxhighlight>

'''merge(K key, V value, BiFunction)'''
<syntaxhighlight lang="java">
map.merge("Laptop", 100.0, (alt, neu) -> alt + neu);
</syntaxhighlight>

=== Fazit ===
* Wichtige Methoden: '''put''', '''get''', '''remove''', '''containsKey'''
* Iteration: '''entrySet()'''
* Erweiterte Verarbeitung: '''compute''', '''merge'''

== typische Einsatzgebiete ==
* Zuordnung von IDs zu Objekten
* Konfigurationen (Schlüssel → Einstellung)
* Häufigkeitszählungen (z. B. Wortanzahl)
* schnelle Suchstrukturen

== Kurzmerksatz ==
'''Eine HashMap speichert Schlüssel-Wert-Paare und ermöglicht sehr schnellen Zugriff über eindeutige Schlüssel.'''

HashMap

2026-04-22T05:49:15Z

Moettke:

Eine '''HashMap''' ist eine Datenstruktur aus der Java-Collections-API, die Daten als '''Schlüssel-Wert-Paare''' speichert.
Jeder Schlüssel ist eindeutig und ermöglicht einen sehr schnellen Zugriff auf den zugehörigen Wert.

== Eigenschaften ==
* speichert Daten als '''key → value'''
* jeder Schlüssel darf nur einmal vorkommen
* Werte dürfen mehrfach vorkommen
* sehr schnelle Zugriffe durch Hashing
* Reihenfolge ist nicht garantiert

== Beispiel: Erstellen und Befüllen einer HashMap ==
<syntaxhighlight lang="java">
import java.util.HashMap;

HashMap<String, Integer> personen = new HashMap<>();

personen.put("Anna", 25);
personen.put("Max", 31);
personen.put("Lisa", 28);
</syntaxhighlight>

== HashMap in Java ==

=== Erstellen ===
<syntaxhighlight lang="java">
HashMap<String, Double> map = new HashMap<>();
</syntaxhighlight>

=== Elemente hinzufügen ===
'''put(K key, V value)''' – Element hinzufügen / überschreiben
<syntaxhighlight lang="java">
map.put("Laptop", 999.99);
map.put("Maus", 19.99);
</syntaxhighlight>

=== Wert abrufen ===
'''get(Object key)'''
<syntaxhighlight lang="java">
double preis = map.get("Laptop");
</syntaxhighlight>

'''getOrDefault(Object key, V defaultValue)'''
<syntaxhighlight lang="java">
double preis = map.getOrDefault("Monitor", 0.0);
</syntaxhighlight>

=== Prüfen ===
'''containsKey(Object key)'''
<syntaxhighlight lang="java">
map.containsKey("Maus");
</syntaxhighlight>

'''containsValue(Object value)'''
<syntaxhighlight lang="java">
map.containsValue(19.99);
</syntaxhighlight>

=== Elemente entfernen ===
'''remove(Object key)'''
<syntaxhighlight lang="java">
map.remove("Maus");
</syntaxhighlight>

'''remove(Object key, Object value)'''
<syntaxhighlight lang="java">
map.remove("Laptop", 999.99);
</syntaxhighlight>

=== Werte ändern ===
'''replace(K key, V value)'''
<syntaxhighlight lang="java">
map.replace("Laptop", 899.99);
</syntaxhighlight>

'''replace(K key, V oldValue, V newValue)'''
<syntaxhighlight lang="java">
map.replace("Laptop", 999.99, 899.99);
</syntaxhighlight>

=== Größe und Zustand ===
'''size()'''
<syntaxhighlight lang="java">
int anzahl = map.size();
</syntaxhighlight>

'''isEmpty()'''
<syntaxhighlight lang="java">
map.isEmpty();
</syntaxhighlight>

'''clear()'''
<syntaxhighlight lang="java">
map.clear();
</syntaxhighlight>

=== Iteration ===
'''keySet()''' – alle Schlüssel
<syntaxhighlight lang="java">
for (String key : map.keySet()) {
System.out.println(key);
}
</syntaxhighlight>

'''values()''' – alle Werte
<syntaxhighlight lang="java">
for (Double value : map.values()) {
System.out.println(value);
}
</syntaxhighlight>

'''entrySet()''' – Schlüssel und Werte (empfohlen)
<syntaxhighlight lang="java">
for (Map.Entry<String, Double> e : map.entrySet()) {
System.out.println(e.getKey() + " : " + e.getValue());
}
</syntaxhighlight>

=== Erweiterte Methoden ===
'''putIfAbsent(K key, V value)'''
<syntaxhighlight lang="java">
map.putIfAbsent("Tablet", 299.99);
</syntaxhighlight>

'''compute(K key, BiFunction)'''
<syntaxhighlight lang="java">
map.compute("Laptop", (k, v) -> v - 100);
</syntaxhighlight>

'''computeIfAbsent(K key, Function)'''
<syntaxhighlight lang="java">
map.computeIfAbsent("Monitor", k -> 199.99);
</syntaxhighlight>

'''computeIfPresent(K key, BiFunction)'''
<syntaxhighlight lang="java">
map.computeIfPresent("Laptop", (k, v) -> v * 0.9);
</syntaxhighlight>

'''merge(K key, V value, BiFunction)'''
<syntaxhighlight lang="java">
map.merge("Laptop", 100.0, (alt, neu) -> alt + neu);
</syntaxhighlight>

=== Fazit ===
* Wichtige Methoden: '''put''', '''get''', '''remove''', '''containsKey'''
* Iteration: '''entrySet()'''
* Erweiterte Verarbeitung: '''compute''', '''merge'''

== typische Einsatzgebiete ==
* Zuordnung von IDs zu Objekten
* Konfigurationen (Schlüssel → Einstellung)
* Häufigkeitszählungen (z. B. Wortanzahl)
* schnelle Suchstrukturen

== Kurzmerksatz ==
'''Eine HashMap speichert Schlüssel-Wert-Paare und ermöglicht sehr schnellen Zugriff über eindeutige Schlüssel.'''

Künstliche Intelligenz Überblick

2026-04-14T13:00:35Z

Moettke: /* Token */

Dieser Artikel gibt einen kompakten Überblick über '''Künstliche Intelligenz (KI)''', ihre Teilbereiche, Einsatzmöglichkeiten, wirtschaftliche Aspekte sowie rechtliche und ethische Rahmenbedingungen (EU-Fokus).

== KI vs. ML vs. DL – Unterschiede ==

* '''Künstliche Intelligenz (KI)''' ist der Oberbegriff für alle Verfahren, die „intelligentes“ Verhalten nachbilden.
Dazu gehören:
* regelbasierte Systeme (z. B. [[Expertensystem]]e mit festen Regeln)
* lernende Systeme ([[Machine Learning]])

* '''[[Machine_Learning|Maschinelles Lernen (ML)]]''' ist ein Teilbereich der KI.
Hier werden Modelle mit Daten trainiert, um Muster zu erkennen und Vorhersagen zu treffen.
Der Ablauf ist typisch:
* Trainingsdaten → Modell lernt Zusammenhänge → Vorhersage auf neuen Daten

Beispiele:
* Spam-Erkennung
* Kreditbewertung
* Klassifikation (z. B. „Katze oder Hund“)

* '''[[Deep Learning]] (DL)''' ist ein Teilbereich des ML.
Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep = tief).
Diese Modelle lernen Merkmale automatisch aus großen Datenmengen.

Beispiele:
* Bilderkennung (Gesicht, Objekte)
* Sprachverarbeitung (Speech-to-Text)
* Chatbots und generative KI (z. B. Texte erzeugen)

=== Wichtiger Unterschied ===

* KI kann '''regelbasiert oder lernend''' sein
* ML ist '''immer datengetriebenes Lernen'''
* DL ist '''eine spezielle ML-Methode mit neuronalen Netzen'''

=== Kurzvergleich ===
{| class="wikitable" style="width:100%; text-align:center;"
! Kriterium !! KI (gesamt) !! ML !! DL
|-
| Ansatz || Regeln + Lernen || Lernen aus Daten || Neuronale Netze (mehrschichtig)
|-
| Beispiele || [[Expertensystem]] || Spamfilter || Bilderkennung, ChatGPT
|-
| Datenbedarf || gering–hoch || mittel–hoch || sehr hoch
|-
| Komplexität || variabel || mittel || hoch
|-
| Erklärbarkeit || hoch–mittel || mittel || gering
|}

== Prompt und Token ==

=== Prompt ===
Ein '''Prompt''' ist die Eingabe, die ein Benutzer an ein KI-System gibt.
Er bestimmt maßgeblich die Qualität der Antwort.

'''Beispiele:'''
* „Erkläre mir Bubble Sort einfach.“
* „Schreibe einen Java-Code für eine Schleife.“

Je genauer der Prompt, desto besser das Ergebnis.

=== Token ===
Ein '''Token''' ist eine kleine Texteinheit, die von einem KI-Modell verarbeitet wird.
Sie können ein einzelnes Zeichen, ein Wort oder Teile eines Wortes sein. <br>
Englischer Text hat typischerweise etwa 4 Zeichen oder 0,75 Wörter pro Token. <br>
KI-Modelle unterscheiden zwischen Input-Tokens (vom Benutzer eingegebener Text) und Output-Tokens (vom Modell generierte Antworten), wobei die Kosten oft unterschiedlich berechnet werden.

KI-Modelle verarbeiten Text '''nicht als ganze Sätze, sondern als Token-Folgen'''.

=== Bedeutung von Tokens ===
* bestimmen die '''maximale Eingabelänge'''
* beeinflussen '''Kosten und Performance'''
* wichtig für Kontext (z. B. „wie viel Text merkt sich das Modell?“)

'''KI ist der Oberbegriff, [[Machine Learning|ML]] lernt aus Daten, [[Deep Learning|DL]] nutzt neuronale Netze. KI arbeitet intern mit Tokens, gesteuert durch Prompts.'''

== Einsatzmöglichkeiten ==

* '''Office & Wissensarbeit:''' Textentwürfe, Übersetzungen, Recherche, Meeting-Notizen, Code-Assistenz
* '''Kundenservice & Vertrieb:''' Chatbots, Antwortvorschläge, Lead-Scoring, Personalisierung
* '''Industrie / IoT:''' Predictive Maintenance, visuelle Qualitätsprüfung, Supply-Chain-Optimierung
* '''Finanzen:''' Betrugserkennung, Kredit-Scoring (unter strengen Compliance-Vorgaben)
* '''Gesundheit:''' Bilddiagnostik-Support, Triage-Tools (als Assistenzsysteme)
* '''Bildung:''' Adaptive Lernpfade, automatisiertes Feedback, Lern-Analytics
* '''Öffentlicher Sektor:''' Dokumentenklassifikation, Entscheidungsunterstützung, Verkehrs- und Energieoptimierung

== Wirtschaftliche Betrachtung ==

* '''Chancen:''' Studien schätzen für generative KI ein jährliches Potenzial von mehreren Billionen US-Dollar über viele Anwendungsfelder hinweg.
* '''Kosten:'''
** Daten (Beschaffung, Aufbereitung, Labeling)
** Technik (Modelle, GPU, Speicher, APIs)
** Betrieb (MLOps, Monitoring)
** Compliance & Security (DSGVO, EU-AI-Act)
** Personal & Change-Management (Schulungen)
* '''ROI-Hebel:''' Automatisierung, Qualitätssteigerung, Fehlerreduktion, bessere Entscheidungen, neue Produkte.
* '''Arbeitsmarkt:''' Produktivitätsgewinne sind wahrscheinlich, erfordern aber Weiterbildung und Anpassung von Kompetenzen.

== Vorteile und Nachteile ==

=== Vorteile ===
* Skalierbare Automatisierung repetitiver Aufgaben
* Schnellere, datenbasierte Entscheidungen
* Personalisierung in Echtzeit
* Entlastung von Routinetätigkeiten

=== Nachteile und Risiken ===
* '''Bias & Fairness:''' Verzerrte Trainingsdaten können diskriminierende Ergebnisse erzeugen
* '''Erklärbarkeit:''' Black-Box-Modelle erschweren Nachvollziehbarkeit
* '''Sicherheit & Robustheit:''' Halluzinationen, Prompt- und Datenangriffe
* '''Betriebsrisiken:''' Modell-Drift, Compliance- und IP-Risiken
* '''Abhängigkeiten:''' Vendor-Lock-in, hohe Rechen- und Energiekosten

== Rechtliche und ethische Aspekte (EU-Fokus) ==

=== EU-KI-Gesetz (EU AI Act) ===

Das EU-KI-Gesetz ordnet KI-Systeme in vier Risikoklassen ein:

* '''Verbotene Systeme (inakzeptables Risiko):'''
**Social Scoring,
** biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum,
** manipulative Beeinflussung.

* '''Hochrisiko-Systeme (streng reguliert):'''
** Bewerbermanagement,
** Kredit-Scoring,
** Gesichtserkennung,
** kritische Infrastrukturen...
** Pflichten: Risikomanagement, Dokumentation, Transparenz, menschliche Aufsicht, Monitoring.

* '''Geringes Risiko (Transparenzpflichten):'''
** Chatbots,
** Emotionserkennung,
** generative Bild- und Videosysteme.

* '''Minimales Risiko:'''
** Spamfilter,
** Predictive Maintenance,
** Videospiel-KI.

=== Datenschutz (DSGVO) ===
* Zweckbindung, Datenminimierung, Transparenz und Sicherheit
* Artikel 22: Einschränkungen bei rein automatisierten Entscheidungen mit erheblicher Wirkung
* Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko

=== Ethik und gute Praxis ===
* Fairness und Nichtdiskriminierung
* Transparenz und Erklärbarkeit
* Sicherheit und Robustheit
* Menschliche Aufsicht (Human-in-the-Loop)
* Protokollierung und Monitoring
* Kennzeichnung von KI-generierten Inhalten (z. B. Deepfakes)

=== Kurzmerksatz ===
'''KI bietet große Chancen für Effizienz und Innovation, erfordert jedoch verantwortungsvollen Einsatz, klare Regeln und menschliche Kontrolle.'''

Künstliche Intelligenz Überblick

2026-04-14T13:00:03Z

Moettke: /* Token */

Dieser Artikel gibt einen kompakten Überblick über '''Künstliche Intelligenz (KI)''', ihre Teilbereiche, Einsatzmöglichkeiten, wirtschaftliche Aspekte sowie rechtliche und ethische Rahmenbedingungen (EU-Fokus).

== KI vs. ML vs. DL – Unterschiede ==

* '''Künstliche Intelligenz (KI)''' ist der Oberbegriff für alle Verfahren, die „intelligentes“ Verhalten nachbilden.
Dazu gehören:
* regelbasierte Systeme (z. B. [[Expertensystem]]e mit festen Regeln)
* lernende Systeme ([[Machine Learning]])

* '''[[Machine_Learning|Maschinelles Lernen (ML)]]''' ist ein Teilbereich der KI.
Hier werden Modelle mit Daten trainiert, um Muster zu erkennen und Vorhersagen zu treffen.
Der Ablauf ist typisch:
* Trainingsdaten → Modell lernt Zusammenhänge → Vorhersage auf neuen Daten

Beispiele:
* Spam-Erkennung
* Kreditbewertung
* Klassifikation (z. B. „Katze oder Hund“)

* '''[[Deep Learning]] (DL)''' ist ein Teilbereich des ML.
Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep = tief).
Diese Modelle lernen Merkmale automatisch aus großen Datenmengen.

Beispiele:
* Bilderkennung (Gesicht, Objekte)
* Sprachverarbeitung (Speech-to-Text)
* Chatbots und generative KI (z. B. Texte erzeugen)

=== Wichtiger Unterschied ===

* KI kann '''regelbasiert oder lernend''' sein
* ML ist '''immer datengetriebenes Lernen'''
* DL ist '''eine spezielle ML-Methode mit neuronalen Netzen'''

=== Kurzvergleich ===
{| class="wikitable" style="width:100%; text-align:center;"
! Kriterium !! KI (gesamt) !! ML !! DL
|-
| Ansatz || Regeln + Lernen || Lernen aus Daten || Neuronale Netze (mehrschichtig)
|-
| Beispiele || [[Expertensystem]] || Spamfilter || Bilderkennung, ChatGPT
|-
| Datenbedarf || gering–hoch || mittel–hoch || sehr hoch
|-
| Komplexität || variabel || mittel || hoch
|-
| Erklärbarkeit || hoch–mittel || mittel || gering
|}

== Prompt und Token ==

=== Prompt ===
Ein '''Prompt''' ist die Eingabe, die ein Benutzer an ein KI-System gibt.
Er bestimmt maßgeblich die Qualität der Antwort.

'''Beispiele:'''
* „Erkläre mir Bubble Sort einfach.“
* „Schreibe einen Java-Code für eine Schleife.“

Je genauer der Prompt, desto besser das Ergebnis.

=== Token ===
Ein '''Token''' ist eine kleine Texteinheit, die von einem KI-Modell verarbeitet wird.
Sie können ein einzelnes Zeichen, ein Wort oder Teile eines Wortes sein. Englischer Text hat typischerweise etwa 4 Zeichen oder 0,75 Wörter pro Token. KI-Modelle unterscheiden zwischen Input-Tokens (vom Benutzer eingegebener Text) und Output-Tokens (vom Modell generierte Antworten), wobei die Kosten oft unterschiedlich berechnet werden.

KI-Modelle verarbeiten Text '''nicht als ganze Sätze, sondern als Token-Folgen'''.

=== Bedeutung von Tokens ===
* bestimmen die '''maximale Eingabelänge'''
* beeinflussen '''Kosten und Performance'''
* wichtig für Kontext (z. B. „wie viel Text merkt sich das Modell?“)

'''KI ist der Oberbegriff, [[Machine Learning|ML]] lernt aus Daten, [[Deep Learning|DL]] nutzt neuronale Netze. KI arbeitet intern mit Tokens, gesteuert durch Prompts.'''

== Einsatzmöglichkeiten ==

* '''Office & Wissensarbeit:''' Textentwürfe, Übersetzungen, Recherche, Meeting-Notizen, Code-Assistenz
* '''Kundenservice & Vertrieb:''' Chatbots, Antwortvorschläge, Lead-Scoring, Personalisierung
* '''Industrie / IoT:''' Predictive Maintenance, visuelle Qualitätsprüfung, Supply-Chain-Optimierung
* '''Finanzen:''' Betrugserkennung, Kredit-Scoring (unter strengen Compliance-Vorgaben)
* '''Gesundheit:''' Bilddiagnostik-Support, Triage-Tools (als Assistenzsysteme)
* '''Bildung:''' Adaptive Lernpfade, automatisiertes Feedback, Lern-Analytics
* '''Öffentlicher Sektor:''' Dokumentenklassifikation, Entscheidungsunterstützung, Verkehrs- und Energieoptimierung

== Wirtschaftliche Betrachtung ==

* '''Chancen:''' Studien schätzen für generative KI ein jährliches Potenzial von mehreren Billionen US-Dollar über viele Anwendungsfelder hinweg.
* '''Kosten:'''
** Daten (Beschaffung, Aufbereitung, Labeling)
** Technik (Modelle, GPU, Speicher, APIs)
** Betrieb (MLOps, Monitoring)
** Compliance & Security (DSGVO, EU-AI-Act)
** Personal & Change-Management (Schulungen)
* '''ROI-Hebel:''' Automatisierung, Qualitätssteigerung, Fehlerreduktion, bessere Entscheidungen, neue Produkte.
* '''Arbeitsmarkt:''' Produktivitätsgewinne sind wahrscheinlich, erfordern aber Weiterbildung und Anpassung von Kompetenzen.

== Vorteile und Nachteile ==

=== Vorteile ===
* Skalierbare Automatisierung repetitiver Aufgaben
* Schnellere, datenbasierte Entscheidungen
* Personalisierung in Echtzeit
* Entlastung von Routinetätigkeiten

=== Nachteile und Risiken ===
* '''Bias & Fairness:''' Verzerrte Trainingsdaten können diskriminierende Ergebnisse erzeugen
* '''Erklärbarkeit:''' Black-Box-Modelle erschweren Nachvollziehbarkeit
* '''Sicherheit & Robustheit:''' Halluzinationen, Prompt- und Datenangriffe
* '''Betriebsrisiken:''' Modell-Drift, Compliance- und IP-Risiken
* '''Abhängigkeiten:''' Vendor-Lock-in, hohe Rechen- und Energiekosten

== Rechtliche und ethische Aspekte (EU-Fokus) ==

=== EU-KI-Gesetz (EU AI Act) ===

Das EU-KI-Gesetz ordnet KI-Systeme in vier Risikoklassen ein:

* '''Verbotene Systeme (inakzeptables Risiko):'''
**Social Scoring,
** biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum,
** manipulative Beeinflussung.

* '''Hochrisiko-Systeme (streng reguliert):'''
** Bewerbermanagement,
** Kredit-Scoring,
** Gesichtserkennung,
** kritische Infrastrukturen...
** Pflichten: Risikomanagement, Dokumentation, Transparenz, menschliche Aufsicht, Monitoring.

* '''Geringes Risiko (Transparenzpflichten):'''
** Chatbots,
** Emotionserkennung,
** generative Bild- und Videosysteme.

* '''Minimales Risiko:'''
** Spamfilter,
** Predictive Maintenance,
** Videospiel-KI.

=== Datenschutz (DSGVO) ===
* Zweckbindung, Datenminimierung, Transparenz und Sicherheit
* Artikel 22: Einschränkungen bei rein automatisierten Entscheidungen mit erheblicher Wirkung
* Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko

=== Ethik und gute Praxis ===
* Fairness und Nichtdiskriminierung
* Transparenz und Erklärbarkeit
* Sicherheit und Robustheit
* Menschliche Aufsicht (Human-in-the-Loop)
* Protokollierung und Monitoring
* Kennzeichnung von KI-generierten Inhalten (z. B. Deepfakes)

=== Kurzmerksatz ===
'''KI bietet große Chancen für Effizienz und Innovation, erfordert jedoch verantwortungsvollen Einsatz, klare Regeln und menschliche Kontrolle.'''

Künstliche Intelligenz Überblick

2026-04-14T11:43:12Z

Moettke: /* Prompt und Token */

Dieser Artikel gibt einen kompakten Überblick über '''Künstliche Intelligenz (KI)''', ihre Teilbereiche, Einsatzmöglichkeiten, wirtschaftliche Aspekte sowie rechtliche und ethische Rahmenbedingungen (EU-Fokus).

== KI vs. ML vs. DL – Unterschiede ==

* '''Künstliche Intelligenz (KI)''' ist der Oberbegriff für alle Verfahren, die „intelligentes“ Verhalten nachbilden.
Dazu gehören:
* regelbasierte Systeme (z. B. [[Expertensystem]]e mit festen Regeln)
* lernende Systeme ([[Machine Learning]])

* '''[[Machine_Learning|Maschinelles Lernen (ML)]]''' ist ein Teilbereich der KI.
Hier werden Modelle mit Daten trainiert, um Muster zu erkennen und Vorhersagen zu treffen.
Der Ablauf ist typisch:
* Trainingsdaten → Modell lernt Zusammenhänge → Vorhersage auf neuen Daten

Beispiele:
* Spam-Erkennung
* Kreditbewertung
* Klassifikation (z. B. „Katze oder Hund“)

* '''[[Deep Learning]] (DL)''' ist ein Teilbereich des ML.
Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep = tief).
Diese Modelle lernen Merkmale automatisch aus großen Datenmengen.

Beispiele:
* Bilderkennung (Gesicht, Objekte)
* Sprachverarbeitung (Speech-to-Text)
* Chatbots und generative KI (z. B. Texte erzeugen)

=== Wichtiger Unterschied ===

* KI kann '''regelbasiert oder lernend''' sein
* ML ist '''immer datengetriebenes Lernen'''
* DL ist '''eine spezielle ML-Methode mit neuronalen Netzen'''

=== Kurzvergleich ===
{| class="wikitable" style="width:100%; text-align:center;"
! Kriterium !! KI (gesamt) !! ML !! DL
|-
| Ansatz || Regeln + Lernen || Lernen aus Daten || Neuronale Netze (mehrschichtig)
|-
| Beispiele || [[Expertensystem]] || Spamfilter || Bilderkennung, ChatGPT
|-
| Datenbedarf || gering–hoch || mittel–hoch || sehr hoch
|-
| Komplexität || variabel || mittel || hoch
|-
| Erklärbarkeit || hoch–mittel || mittel || gering
|}

== Prompt und Token ==

=== Prompt ===
Ein '''Prompt''' ist die Eingabe, die ein Benutzer an ein KI-System gibt.
Er bestimmt maßgeblich die Qualität der Antwort.

'''Beispiele:'''
* „Erkläre mir Bubble Sort einfach.“
* „Schreibe einen Java-Code für eine Schleife.“

Je genauer der Prompt, desto besser das Ergebnis.

=== Token ===
Ein '''Token''' ist eine kleine Texteinheit, die von einem KI-Modell verarbeitet wird.
Tokens sind die kleinsten Einheiten, die ein KI-Modell verarbeitet. Sie können ein einzelnes Zeichen, ein Wort oder Teile eines Wortes sein. Englischer Text hat typischerweise etwa 4 Zeichen oder 0,75 Wörter pro Token. KI-Modelle unterscheiden zwischen Input-Tokens (vom Benutzer eingegebener Text) und Output-Tokens (vom Modell generierte Antworten), wobei die Kosten oft unterschiedlich berechnet werden.

KI-Modelle verarbeiten Text '''nicht als ganze Sätze, sondern als Token-Folgen'''.

=== Bedeutung von Tokens ===
* bestimmen die '''maximale Eingabelänge'''
* beeinflussen '''Kosten und Performance'''
* wichtig für Kontext (z. B. „wie viel Text merkt sich das Modell?“)

'''KI ist der Oberbegriff, [[Machine Learning|ML]] lernt aus Daten, [[Deep Learning|DL]] nutzt neuronale Netze. KI arbeitet intern mit Tokens, gesteuert durch Prompts.'''

== Einsatzmöglichkeiten ==

* '''Office & Wissensarbeit:''' Textentwürfe, Übersetzungen, Recherche, Meeting-Notizen, Code-Assistenz
* '''Kundenservice & Vertrieb:''' Chatbots, Antwortvorschläge, Lead-Scoring, Personalisierung
* '''Industrie / IoT:''' Predictive Maintenance, visuelle Qualitätsprüfung, Supply-Chain-Optimierung
* '''Finanzen:''' Betrugserkennung, Kredit-Scoring (unter strengen Compliance-Vorgaben)
* '''Gesundheit:''' Bilddiagnostik-Support, Triage-Tools (als Assistenzsysteme)
* '''Bildung:''' Adaptive Lernpfade, automatisiertes Feedback, Lern-Analytics
* '''Öffentlicher Sektor:''' Dokumentenklassifikation, Entscheidungsunterstützung, Verkehrs- und Energieoptimierung

== Wirtschaftliche Betrachtung ==

* '''Chancen:''' Studien schätzen für generative KI ein jährliches Potenzial von mehreren Billionen US-Dollar über viele Anwendungsfelder hinweg.
* '''Kosten:'''
** Daten (Beschaffung, Aufbereitung, Labeling)
** Technik (Modelle, GPU, Speicher, APIs)
** Betrieb (MLOps, Monitoring)
** Compliance & Security (DSGVO, EU-AI-Act)
** Personal & Change-Management (Schulungen)
* '''ROI-Hebel:''' Automatisierung, Qualitätssteigerung, Fehlerreduktion, bessere Entscheidungen, neue Produkte.
* '''Arbeitsmarkt:''' Produktivitätsgewinne sind wahrscheinlich, erfordern aber Weiterbildung und Anpassung von Kompetenzen.

== Vorteile und Nachteile ==

=== Vorteile ===
* Skalierbare Automatisierung repetitiver Aufgaben
* Schnellere, datenbasierte Entscheidungen
* Personalisierung in Echtzeit
* Entlastung von Routinetätigkeiten

=== Nachteile und Risiken ===
* '''Bias & Fairness:''' Verzerrte Trainingsdaten können diskriminierende Ergebnisse erzeugen
* '''Erklärbarkeit:''' Black-Box-Modelle erschweren Nachvollziehbarkeit
* '''Sicherheit & Robustheit:''' Halluzinationen, Prompt- und Datenangriffe
* '''Betriebsrisiken:''' Modell-Drift, Compliance- und IP-Risiken
* '''Abhängigkeiten:''' Vendor-Lock-in, hohe Rechen- und Energiekosten

== Rechtliche und ethische Aspekte (EU-Fokus) ==

=== EU-KI-Gesetz (EU AI Act) ===

Das EU-KI-Gesetz ordnet KI-Systeme in vier Risikoklassen ein:

* '''Verbotene Systeme (inakzeptables Risiko):'''
**Social Scoring,
** biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum,
** manipulative Beeinflussung.

* '''Hochrisiko-Systeme (streng reguliert):'''
** Bewerbermanagement,
** Kredit-Scoring,
** Gesichtserkennung,
** kritische Infrastrukturen...
** Pflichten: Risikomanagement, Dokumentation, Transparenz, menschliche Aufsicht, Monitoring.

* '''Geringes Risiko (Transparenzpflichten):'''
** Chatbots,
** Emotionserkennung,
** generative Bild- und Videosysteme.

* '''Minimales Risiko:'''
** Spamfilter,
** Predictive Maintenance,
** Videospiel-KI.

=== Datenschutz (DSGVO) ===
* Zweckbindung, Datenminimierung, Transparenz und Sicherheit
* Artikel 22: Einschränkungen bei rein automatisierten Entscheidungen mit erheblicher Wirkung
* Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko

=== Ethik und gute Praxis ===
* Fairness und Nichtdiskriminierung
* Transparenz und Erklärbarkeit
* Sicherheit und Robustheit
* Menschliche Aufsicht (Human-in-the-Loop)
* Protokollierung und Monitoring
* Kennzeichnung von KI-generierten Inhalten (z. B. Deepfakes)

=== Kurzmerksatz ===
'''KI bietet große Chancen für Effizienz und Innovation, erfordert jedoch verantwortungsvollen Einsatz, klare Regeln und menschliche Kontrolle.'''

Künstliche Intelligenz Überblick

2026-04-10T06:40:14Z

Moettke: /* Bedeutung von Tokens */

Dieser Artikel gibt einen kompakten Überblick über '''Künstliche Intelligenz (KI)''', ihre Teilbereiche, Einsatzmöglichkeiten, wirtschaftliche Aspekte sowie rechtliche und ethische Rahmenbedingungen (EU-Fokus).

== KI vs. ML vs. DL – Unterschiede ==

* '''Künstliche Intelligenz (KI)''' ist der Oberbegriff für alle Verfahren, die „intelligentes“ Verhalten nachbilden.
Dazu gehören:
* regelbasierte Systeme (z. B. [[Expertensystem]]e mit festen Regeln)
* lernende Systeme ([[Machine Learning]])

* '''[[Machine_Learning|Maschinelles Lernen (ML)]]''' ist ein Teilbereich der KI.
Hier werden Modelle mit Daten trainiert, um Muster zu erkennen und Vorhersagen zu treffen.
Der Ablauf ist typisch:
* Trainingsdaten → Modell lernt Zusammenhänge → Vorhersage auf neuen Daten

Beispiele:
* Spam-Erkennung
* Kreditbewertung
* Klassifikation (z. B. „Katze oder Hund“)

* '''[[Deep Learning]] (DL)''' ist ein Teilbereich des ML.
Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep = tief).
Diese Modelle lernen Merkmale automatisch aus großen Datenmengen.

Beispiele:
* Bilderkennung (Gesicht, Objekte)
* Sprachverarbeitung (Speech-to-Text)
* Chatbots und generative KI (z. B. Texte erzeugen)

=== Wichtiger Unterschied ===

* KI kann '''regelbasiert oder lernend''' sein
* ML ist '''immer datengetriebenes Lernen'''
* DL ist '''eine spezielle ML-Methode mit neuronalen Netzen'''

=== Kurzvergleich ===
{| class="wikitable" style="width:100%; text-align:center;"
! Kriterium !! KI (gesamt) !! ML !! DL
|-
| Ansatz || Regeln + Lernen || Lernen aus Daten || Neuronale Netze (mehrschichtig)
|-
| Beispiele || [[Expertensystem]] || Spamfilter || Bilderkennung, ChatGPT
|-
| Datenbedarf || gering–hoch || mittel–hoch || sehr hoch
|-
| Komplexität || variabel || mittel || hoch
|-
| Erklärbarkeit || hoch–mittel || mittel || gering
|}

== Prompt und Token ==

=== Prompt ===
Ein '''Prompt''' ist die Eingabe, die ein Benutzer an ein KI-System gibt.
Er bestimmt maßgeblich die Qualität der Antwort.

'''Beispiele:'''
* „Erkläre mir Bubble Sort einfach.“
* „Schreibe einen Java-Code für eine Schleife.“

Je genauer der Prompt, desto besser das Ergebnis.

=== Token ===
Ein '''Token''' ist eine kleine Texteinheit, die von einem KI-Modell verarbeitet wird.
Ein Token kann sein:
* ein Wort
* ein Teil eines Wortes
* ein Satzzeichen

'''Beispiel:'''
„Ich gehe nach Hause.“ → mehrere Tokens

KI-Modelle verarbeiten Text '''nicht als ganze Sätze, sondern als Token-Folgen'''.

=== Bedeutung von Tokens ===
* bestimmen die '''maximale Eingabelänge'''
* beeinflussen '''Kosten und Performance'''
* wichtig für Kontext (z. B. „wie viel Text merkt sich das Modell?“)

'''KI ist der Oberbegriff, [[Machine Learning|ML]] lernt aus Daten, [[Deep Learning|DL]] nutzt neuronale Netze. KI arbeitet intern mit Tokens, gesteuert durch Prompts.'''

== Einsatzmöglichkeiten ==

* '''Office & Wissensarbeit:''' Textentwürfe, Übersetzungen, Recherche, Meeting-Notizen, Code-Assistenz
* '''Kundenservice & Vertrieb:''' Chatbots, Antwortvorschläge, Lead-Scoring, Personalisierung
* '''Industrie / IoT:''' Predictive Maintenance, visuelle Qualitätsprüfung, Supply-Chain-Optimierung
* '''Finanzen:''' Betrugserkennung, Kredit-Scoring (unter strengen Compliance-Vorgaben)
* '''Gesundheit:''' Bilddiagnostik-Support, Triage-Tools (als Assistenzsysteme)
* '''Bildung:''' Adaptive Lernpfade, automatisiertes Feedback, Lern-Analytics
* '''Öffentlicher Sektor:''' Dokumentenklassifikation, Entscheidungsunterstützung, Verkehrs- und Energieoptimierung

== Wirtschaftliche Betrachtung ==

* '''Chancen:''' Studien schätzen für generative KI ein jährliches Potenzial von mehreren Billionen US-Dollar über viele Anwendungsfelder hinweg.
* '''Kosten:'''
** Daten (Beschaffung, Aufbereitung, Labeling)
** Technik (Modelle, GPU, Speicher, APIs)
** Betrieb (MLOps, Monitoring)
** Compliance & Security (DSGVO, EU-AI-Act)
** Personal & Change-Management (Schulungen)
* '''ROI-Hebel:''' Automatisierung, Qualitätssteigerung, Fehlerreduktion, bessere Entscheidungen, neue Produkte.
* '''Arbeitsmarkt:''' Produktivitätsgewinne sind wahrscheinlich, erfordern aber Weiterbildung und Anpassung von Kompetenzen.

== Vorteile und Nachteile ==

=== Vorteile ===
* Skalierbare Automatisierung repetitiver Aufgaben
* Schnellere, datenbasierte Entscheidungen
* Personalisierung in Echtzeit
* Entlastung von Routinetätigkeiten

=== Nachteile und Risiken ===
* '''Bias & Fairness:''' Verzerrte Trainingsdaten können diskriminierende Ergebnisse erzeugen
* '''Erklärbarkeit:''' Black-Box-Modelle erschweren Nachvollziehbarkeit
* '''Sicherheit & Robustheit:''' Halluzinationen, Prompt- und Datenangriffe
* '''Betriebsrisiken:''' Modell-Drift, Compliance- und IP-Risiken
* '''Abhängigkeiten:''' Vendor-Lock-in, hohe Rechen- und Energiekosten

== Rechtliche und ethische Aspekte (EU-Fokus) ==

=== EU-KI-Gesetz (EU AI Act) ===

Das EU-KI-Gesetz ordnet KI-Systeme in vier Risikoklassen ein:

* '''Verbotene Systeme (inakzeptables Risiko):'''
**Social Scoring,
** biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum,
** manipulative Beeinflussung.

* '''Hochrisiko-Systeme (streng reguliert):'''
** Bewerbermanagement,
** Kredit-Scoring,
** Gesichtserkennung,
** kritische Infrastrukturen...
** Pflichten: Risikomanagement, Dokumentation, Transparenz, menschliche Aufsicht, Monitoring.

* '''Geringes Risiko (Transparenzpflichten):'''
** Chatbots,
** Emotionserkennung,
** generative Bild- und Videosysteme.

* '''Minimales Risiko:'''
** Spamfilter,
** Predictive Maintenance,
** Videospiel-KI.

=== Datenschutz (DSGVO) ===
* Zweckbindung, Datenminimierung, Transparenz und Sicherheit
* Artikel 22: Einschränkungen bei rein automatisierten Entscheidungen mit erheblicher Wirkung
* Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko

=== Ethik und gute Praxis ===
* Fairness und Nichtdiskriminierung
* Transparenz und Erklärbarkeit
* Sicherheit und Robustheit
* Menschliche Aufsicht (Human-in-the-Loop)
* Protokollierung und Monitoring
* Kennzeichnung von KI-generierten Inhalten (z. B. Deepfakes)

=== Kurzmerksatz ===
'''KI bietet große Chancen für Effizienz und Innovation, erfordert jedoch verantwortungsvollen Einsatz, klare Regeln und menschliche Kontrolle.'''

Künstliche Intelligenz Überblick

2026-04-10T06:40:00Z

Moettke: /* Bedeutung von Tokens */

Dieser Artikel gibt einen kompakten Überblick über '''Künstliche Intelligenz (KI)''', ihre Teilbereiche, Einsatzmöglichkeiten, wirtschaftliche Aspekte sowie rechtliche und ethische Rahmenbedingungen (EU-Fokus).

== KI vs. ML vs. DL – Unterschiede ==

* '''Künstliche Intelligenz (KI)''' ist der Oberbegriff für alle Verfahren, die „intelligentes“ Verhalten nachbilden.
Dazu gehören:
* regelbasierte Systeme (z. B. [[Expertensystem]]e mit festen Regeln)
* lernende Systeme ([[Machine Learning]])

* '''[[Machine_Learning|Maschinelles Lernen (ML)]]''' ist ein Teilbereich der KI.
Hier werden Modelle mit Daten trainiert, um Muster zu erkennen und Vorhersagen zu treffen.
Der Ablauf ist typisch:
* Trainingsdaten → Modell lernt Zusammenhänge → Vorhersage auf neuen Daten

Beispiele:
* Spam-Erkennung
* Kreditbewertung
* Klassifikation (z. B. „Katze oder Hund“)

* '''[[Deep Learning]] (DL)''' ist ein Teilbereich des ML.
Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep = tief).
Diese Modelle lernen Merkmale automatisch aus großen Datenmengen.

Beispiele:
* Bilderkennung (Gesicht, Objekte)
* Sprachverarbeitung (Speech-to-Text)
* Chatbots und generative KI (z. B. Texte erzeugen)

=== Wichtiger Unterschied ===

* KI kann '''regelbasiert oder lernend''' sein
* ML ist '''immer datengetriebenes Lernen'''
* DL ist '''eine spezielle ML-Methode mit neuronalen Netzen'''

=== Kurzvergleich ===
{| class="wikitable" style="width:100%; text-align:center;"
! Kriterium !! KI (gesamt) !! ML !! DL
|-
| Ansatz || Regeln + Lernen || Lernen aus Daten || Neuronale Netze (mehrschichtig)
|-
| Beispiele || [[Expertensystem]] || Spamfilter || Bilderkennung, ChatGPT
|-
| Datenbedarf || gering–hoch || mittel–hoch || sehr hoch
|-
| Komplexität || variabel || mittel || hoch
|-
| Erklärbarkeit || hoch–mittel || mittel || gering
|}

== Prompt und Token ==

=== Prompt ===
Ein '''Prompt''' ist die Eingabe, die ein Benutzer an ein KI-System gibt.
Er bestimmt maßgeblich die Qualität der Antwort.

'''Beispiele:'''
* „Erkläre mir Bubble Sort einfach.“
* „Schreibe einen Java-Code für eine Schleife.“

Je genauer der Prompt, desto besser das Ergebnis.

=== Token ===
Ein '''Token''' ist eine kleine Texteinheit, die von einem KI-Modell verarbeitet wird.
Ein Token kann sein:
* ein Wort
* ein Teil eines Wortes
* ein Satzzeichen

'''Beispiel:'''
„Ich gehe nach Hause.“ → mehrere Tokens

KI-Modelle verarbeiten Text '''nicht als ganze Sätze, sondern als Token-Folgen'''.

=== Bedeutung von Tokens ===
* bestimmen die '''maximale Eingabelänge'''
* beeinflussen '''Kosten und Performance'''
* wichtig für Kontext (z. B. „wie viel Text merkt sich das Modell?“)

'''KI ist der Oberbegriff, [[Machine Learning|ML]] lernt aus Daten, [[Deepl Learning|DL]] nutzt neuronale Netze. KI arbeitet intern mit Tokens, gesteuert durch Prompts.'''

== Einsatzmöglichkeiten ==

* '''Office & Wissensarbeit:''' Textentwürfe, Übersetzungen, Recherche, Meeting-Notizen, Code-Assistenz
* '''Kundenservice & Vertrieb:''' Chatbots, Antwortvorschläge, Lead-Scoring, Personalisierung
* '''Industrie / IoT:''' Predictive Maintenance, visuelle Qualitätsprüfung, Supply-Chain-Optimierung
* '''Finanzen:''' Betrugserkennung, Kredit-Scoring (unter strengen Compliance-Vorgaben)
* '''Gesundheit:''' Bilddiagnostik-Support, Triage-Tools (als Assistenzsysteme)
* '''Bildung:''' Adaptive Lernpfade, automatisiertes Feedback, Lern-Analytics
* '''Öffentlicher Sektor:''' Dokumentenklassifikation, Entscheidungsunterstützung, Verkehrs- und Energieoptimierung

== Wirtschaftliche Betrachtung ==

* '''Chancen:''' Studien schätzen für generative KI ein jährliches Potenzial von mehreren Billionen US-Dollar über viele Anwendungsfelder hinweg.
* '''Kosten:'''
** Daten (Beschaffung, Aufbereitung, Labeling)
** Technik (Modelle, GPU, Speicher, APIs)
** Betrieb (MLOps, Monitoring)
** Compliance & Security (DSGVO, EU-AI-Act)
** Personal & Change-Management (Schulungen)
* '''ROI-Hebel:''' Automatisierung, Qualitätssteigerung, Fehlerreduktion, bessere Entscheidungen, neue Produkte.
* '''Arbeitsmarkt:''' Produktivitätsgewinne sind wahrscheinlich, erfordern aber Weiterbildung und Anpassung von Kompetenzen.

== Vorteile und Nachteile ==

=== Vorteile ===
* Skalierbare Automatisierung repetitiver Aufgaben
* Schnellere, datenbasierte Entscheidungen
* Personalisierung in Echtzeit
* Entlastung von Routinetätigkeiten

=== Nachteile und Risiken ===
* '''Bias & Fairness:''' Verzerrte Trainingsdaten können diskriminierende Ergebnisse erzeugen
* '''Erklärbarkeit:''' Black-Box-Modelle erschweren Nachvollziehbarkeit
* '''Sicherheit & Robustheit:''' Halluzinationen, Prompt- und Datenangriffe
* '''Betriebsrisiken:''' Modell-Drift, Compliance- und IP-Risiken
* '''Abhängigkeiten:''' Vendor-Lock-in, hohe Rechen- und Energiekosten

== Rechtliche und ethische Aspekte (EU-Fokus) ==

=== EU-KI-Gesetz (EU AI Act) ===

Das EU-KI-Gesetz ordnet KI-Systeme in vier Risikoklassen ein:

* '''Verbotene Systeme (inakzeptables Risiko):'''
**Social Scoring,
** biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum,
** manipulative Beeinflussung.

* '''Hochrisiko-Systeme (streng reguliert):'''
** Bewerbermanagement,
** Kredit-Scoring,
** Gesichtserkennung,
** kritische Infrastrukturen...
** Pflichten: Risikomanagement, Dokumentation, Transparenz, menschliche Aufsicht, Monitoring.

* '''Geringes Risiko (Transparenzpflichten):'''
** Chatbots,
** Emotionserkennung,
** generative Bild- und Videosysteme.

* '''Minimales Risiko:'''
** Spamfilter,
** Predictive Maintenance,
** Videospiel-KI.

=== Datenschutz (DSGVO) ===
* Zweckbindung, Datenminimierung, Transparenz und Sicherheit
* Artikel 22: Einschränkungen bei rein automatisierten Entscheidungen mit erheblicher Wirkung
* Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko

=== Ethik und gute Praxis ===
* Fairness und Nichtdiskriminierung
* Transparenz und Erklärbarkeit
* Sicherheit und Robustheit
* Menschliche Aufsicht (Human-in-the-Loop)
* Protokollierung und Monitoring
* Kennzeichnung von KI-generierten Inhalten (z. B. Deepfakes)

=== Kurzmerksatz ===
'''KI bietet große Chancen für Effizienz und Innovation, erfordert jedoch verantwortungsvollen Einsatz, klare Regeln und menschliche Kontrolle.'''

Künstliche Intelligenz Überblick

2026-04-10T06:39:47Z

Moettke: /* Bedeutung von Tokens */

Dieser Artikel gibt einen kompakten Überblick über '''Künstliche Intelligenz (KI)''', ihre Teilbereiche, Einsatzmöglichkeiten, wirtschaftliche Aspekte sowie rechtliche und ethische Rahmenbedingungen (EU-Fokus).

== KI vs. ML vs. DL – Unterschiede ==

* '''Künstliche Intelligenz (KI)''' ist der Oberbegriff für alle Verfahren, die „intelligentes“ Verhalten nachbilden.
Dazu gehören:
* regelbasierte Systeme (z. B. [[Expertensystem]]e mit festen Regeln)
* lernende Systeme ([[Machine Learning]])

* '''[[Machine_Learning|Maschinelles Lernen (ML)]]''' ist ein Teilbereich der KI.
Hier werden Modelle mit Daten trainiert, um Muster zu erkennen und Vorhersagen zu treffen.
Der Ablauf ist typisch:
* Trainingsdaten → Modell lernt Zusammenhänge → Vorhersage auf neuen Daten

Beispiele:
* Spam-Erkennung
* Kreditbewertung
* Klassifikation (z. B. „Katze oder Hund“)

* '''[[Deep Learning]] (DL)''' ist ein Teilbereich des ML.
Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep = tief).
Diese Modelle lernen Merkmale automatisch aus großen Datenmengen.

Beispiele:
* Bilderkennung (Gesicht, Objekte)
* Sprachverarbeitung (Speech-to-Text)
* Chatbots und generative KI (z. B. Texte erzeugen)

=== Wichtiger Unterschied ===

* KI kann '''regelbasiert oder lernend''' sein
* ML ist '''immer datengetriebenes Lernen'''
* DL ist '''eine spezielle ML-Methode mit neuronalen Netzen'''

=== Kurzvergleich ===
{| class="wikitable" style="width:100%; text-align:center;"
! Kriterium !! KI (gesamt) !! ML !! DL
|-
| Ansatz || Regeln + Lernen || Lernen aus Daten || Neuronale Netze (mehrschichtig)
|-
| Beispiele || [[Expertensystem]] || Spamfilter || Bilderkennung, ChatGPT
|-
| Datenbedarf || gering–hoch || mittel–hoch || sehr hoch
|-
| Komplexität || variabel || mittel || hoch
|-
| Erklärbarkeit || hoch–mittel || mittel || gering
|}

== Prompt und Token ==

=== Prompt ===
Ein '''Prompt''' ist die Eingabe, die ein Benutzer an ein KI-System gibt.
Er bestimmt maßgeblich die Qualität der Antwort.

'''Beispiele:'''
* „Erkläre mir Bubble Sort einfach.“
* „Schreibe einen Java-Code für eine Schleife.“

Je genauer der Prompt, desto besser das Ergebnis.

=== Token ===
Ein '''Token''' ist eine kleine Texteinheit, die von einem KI-Modell verarbeitet wird.
Ein Token kann sein:
* ein Wort
* ein Teil eines Wortes
* ein Satzzeichen

'''Beispiel:'''
„Ich gehe nach Hause.“ → mehrere Tokens

KI-Modelle verarbeiten Text '''nicht als ganze Sätze, sondern als Token-Folgen'''.

=== Bedeutung von Tokens ===
* bestimmen die '''maximale Eingabelänge'''
* beeinflussen '''Kosten und Performance'''
* wichtig für Kontext (z. B. „wie viel Text merkt sich das Modell?“)

'''KI ist der Oberbegriff, [[Machine Learning|ML] lernt aus Daten, [[Deepl Learning|DL]] nutzt neuronale Netze. KI arbeitet intern mit Tokens, gesteuert durch Prompts.'''

== Einsatzmöglichkeiten ==

* '''Office & Wissensarbeit:''' Textentwürfe, Übersetzungen, Recherche, Meeting-Notizen, Code-Assistenz
* '''Kundenservice & Vertrieb:''' Chatbots, Antwortvorschläge, Lead-Scoring, Personalisierung
* '''Industrie / IoT:''' Predictive Maintenance, visuelle Qualitätsprüfung, Supply-Chain-Optimierung
* '''Finanzen:''' Betrugserkennung, Kredit-Scoring (unter strengen Compliance-Vorgaben)
* '''Gesundheit:''' Bilddiagnostik-Support, Triage-Tools (als Assistenzsysteme)
* '''Bildung:''' Adaptive Lernpfade, automatisiertes Feedback, Lern-Analytics
* '''Öffentlicher Sektor:''' Dokumentenklassifikation, Entscheidungsunterstützung, Verkehrs- und Energieoptimierung

== Wirtschaftliche Betrachtung ==

* '''Chancen:''' Studien schätzen für generative KI ein jährliches Potenzial von mehreren Billionen US-Dollar über viele Anwendungsfelder hinweg.
* '''Kosten:'''
** Daten (Beschaffung, Aufbereitung, Labeling)
** Technik (Modelle, GPU, Speicher, APIs)
** Betrieb (MLOps, Monitoring)
** Compliance & Security (DSGVO, EU-AI-Act)
** Personal & Change-Management (Schulungen)
* '''ROI-Hebel:''' Automatisierung, Qualitätssteigerung, Fehlerreduktion, bessere Entscheidungen, neue Produkte.
* '''Arbeitsmarkt:''' Produktivitätsgewinne sind wahrscheinlich, erfordern aber Weiterbildung und Anpassung von Kompetenzen.

== Vorteile und Nachteile ==

=== Vorteile ===
* Skalierbare Automatisierung repetitiver Aufgaben
* Schnellere, datenbasierte Entscheidungen
* Personalisierung in Echtzeit
* Entlastung von Routinetätigkeiten

=== Nachteile und Risiken ===
* '''Bias & Fairness:''' Verzerrte Trainingsdaten können diskriminierende Ergebnisse erzeugen
* '''Erklärbarkeit:''' Black-Box-Modelle erschweren Nachvollziehbarkeit
* '''Sicherheit & Robustheit:''' Halluzinationen, Prompt- und Datenangriffe
* '''Betriebsrisiken:''' Modell-Drift, Compliance- und IP-Risiken
* '''Abhängigkeiten:''' Vendor-Lock-in, hohe Rechen- und Energiekosten

== Rechtliche und ethische Aspekte (EU-Fokus) ==

=== EU-KI-Gesetz (EU AI Act) ===

Das EU-KI-Gesetz ordnet KI-Systeme in vier Risikoklassen ein:

* '''Verbotene Systeme (inakzeptables Risiko):'''
**Social Scoring,
** biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum,
** manipulative Beeinflussung.

* '''Hochrisiko-Systeme (streng reguliert):'''
** Bewerbermanagement,
** Kredit-Scoring,
** Gesichtserkennung,
** kritische Infrastrukturen...
** Pflichten: Risikomanagement, Dokumentation, Transparenz, menschliche Aufsicht, Monitoring.

* '''Geringes Risiko (Transparenzpflichten):'''
** Chatbots,
** Emotionserkennung,
** generative Bild- und Videosysteme.

* '''Minimales Risiko:'''
** Spamfilter,
** Predictive Maintenance,
** Videospiel-KI.

=== Datenschutz (DSGVO) ===
* Zweckbindung, Datenminimierung, Transparenz und Sicherheit
* Artikel 22: Einschränkungen bei rein automatisierten Entscheidungen mit erheblicher Wirkung
* Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko

=== Ethik und gute Praxis ===
* Fairness und Nichtdiskriminierung
* Transparenz und Erklärbarkeit
* Sicherheit und Robustheit
* Menschliche Aufsicht (Human-in-the-Loop)
* Protokollierung und Monitoring
* Kennzeichnung von KI-generierten Inhalten (z. B. Deepfakes)

=== Kurzmerksatz ===
'''KI bietet große Chancen für Effizienz und Innovation, erfordert jedoch verantwortungsvollen Einsatz, klare Regeln und menschliche Kontrolle.'''

Künstliche Intelligenz Überblick

2026-04-10T06:39:12Z

Moettke: /* Prompt und Token */

Dieser Artikel gibt einen kompakten Überblick über '''Künstliche Intelligenz (KI)''', ihre Teilbereiche, Einsatzmöglichkeiten, wirtschaftliche Aspekte sowie rechtliche und ethische Rahmenbedingungen (EU-Fokus).

== KI vs. ML vs. DL – Unterschiede ==

* '''Künstliche Intelligenz (KI)''' ist der Oberbegriff für alle Verfahren, die „intelligentes“ Verhalten nachbilden.
Dazu gehören:
* regelbasierte Systeme (z. B. [[Expertensystem]]e mit festen Regeln)
* lernende Systeme ([[Machine Learning]])

* '''[[Machine_Learning|Maschinelles Lernen (ML)]]''' ist ein Teilbereich der KI.
Hier werden Modelle mit Daten trainiert, um Muster zu erkennen und Vorhersagen zu treffen.
Der Ablauf ist typisch:
* Trainingsdaten → Modell lernt Zusammenhänge → Vorhersage auf neuen Daten

Beispiele:
* Spam-Erkennung
* Kreditbewertung
* Klassifikation (z. B. „Katze oder Hund“)

* '''[[Deep Learning]] (DL)''' ist ein Teilbereich des ML.
Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep = tief).
Diese Modelle lernen Merkmale automatisch aus großen Datenmengen.

Beispiele:
* Bilderkennung (Gesicht, Objekte)
* Sprachverarbeitung (Speech-to-Text)
* Chatbots und generative KI (z. B. Texte erzeugen)

=== Wichtiger Unterschied ===

* KI kann '''regelbasiert oder lernend''' sein
* ML ist '''immer datengetriebenes Lernen'''
* DL ist '''eine spezielle ML-Methode mit neuronalen Netzen'''

=== Kurzvergleich ===
{| class="wikitable" style="width:100%; text-align:center;"
! Kriterium !! KI (gesamt) !! ML !! DL
|-
| Ansatz || Regeln + Lernen || Lernen aus Daten || Neuronale Netze (mehrschichtig)
|-
| Beispiele || [[Expertensystem]] || Spamfilter || Bilderkennung, ChatGPT
|-
| Datenbedarf || gering–hoch || mittel–hoch || sehr hoch
|-
| Komplexität || variabel || mittel || hoch
|-
| Erklärbarkeit || hoch–mittel || mittel || gering
|}

== Prompt und Token ==

=== Prompt ===
Ein '''Prompt''' ist die Eingabe, die ein Benutzer an ein KI-System gibt.
Er bestimmt maßgeblich die Qualität der Antwort.

'''Beispiele:'''
* „Erkläre mir Bubble Sort einfach.“
* „Schreibe einen Java-Code für eine Schleife.“

Je genauer der Prompt, desto besser das Ergebnis.

=== Token ===
Ein '''Token''' ist eine kleine Texteinheit, die von einem KI-Modell verarbeitet wird.
Ein Token kann sein:
* ein Wort
* ein Teil eines Wortes
* ein Satzzeichen

'''Beispiel:'''
„Ich gehe nach Hause.“ → mehrere Tokens

KI-Modelle verarbeiten Text '''nicht als ganze Sätze, sondern als Token-Folgen'''.

=== Bedeutung von Tokens ===
* bestimmen die '''maximale Eingabelänge'''
* beeinflussen '''Kosten und Performance'''
* wichtig für Kontext (z. B. „wie viel Text merkt sich das Modell?“)

'''KI ist der Oberbegriff, ML lernt aus Daten, DL nutzt neuronale Netze. KI arbeitet intern mit Tokens, gesteuert durch Prompts.'''

== Einsatzmöglichkeiten ==

* '''Office & Wissensarbeit:''' Textentwürfe, Übersetzungen, Recherche, Meeting-Notizen, Code-Assistenz
* '''Kundenservice & Vertrieb:''' Chatbots, Antwortvorschläge, Lead-Scoring, Personalisierung
* '''Industrie / IoT:''' Predictive Maintenance, visuelle Qualitätsprüfung, Supply-Chain-Optimierung
* '''Finanzen:''' Betrugserkennung, Kredit-Scoring (unter strengen Compliance-Vorgaben)
* '''Gesundheit:''' Bilddiagnostik-Support, Triage-Tools (als Assistenzsysteme)
* '''Bildung:''' Adaptive Lernpfade, automatisiertes Feedback, Lern-Analytics
* '''Öffentlicher Sektor:''' Dokumentenklassifikation, Entscheidungsunterstützung, Verkehrs- und Energieoptimierung

== Wirtschaftliche Betrachtung ==

* '''Chancen:''' Studien schätzen für generative KI ein jährliches Potenzial von mehreren Billionen US-Dollar über viele Anwendungsfelder hinweg.
* '''Kosten:'''
** Daten (Beschaffung, Aufbereitung, Labeling)
** Technik (Modelle, GPU, Speicher, APIs)
** Betrieb (MLOps, Monitoring)
** Compliance & Security (DSGVO, EU-AI-Act)
** Personal & Change-Management (Schulungen)
* '''ROI-Hebel:''' Automatisierung, Qualitätssteigerung, Fehlerreduktion, bessere Entscheidungen, neue Produkte.
* '''Arbeitsmarkt:''' Produktivitätsgewinne sind wahrscheinlich, erfordern aber Weiterbildung und Anpassung von Kompetenzen.

== Vorteile und Nachteile ==

=== Vorteile ===
* Skalierbare Automatisierung repetitiver Aufgaben
* Schnellere, datenbasierte Entscheidungen
* Personalisierung in Echtzeit
* Entlastung von Routinetätigkeiten

=== Nachteile und Risiken ===
* '''Bias & Fairness:''' Verzerrte Trainingsdaten können diskriminierende Ergebnisse erzeugen
* '''Erklärbarkeit:''' Black-Box-Modelle erschweren Nachvollziehbarkeit
* '''Sicherheit & Robustheit:''' Halluzinationen, Prompt- und Datenangriffe
* '''Betriebsrisiken:''' Modell-Drift, Compliance- und IP-Risiken
* '''Abhängigkeiten:''' Vendor-Lock-in, hohe Rechen- und Energiekosten

== Rechtliche und ethische Aspekte (EU-Fokus) ==

=== EU-KI-Gesetz (EU AI Act) ===

Das EU-KI-Gesetz ordnet KI-Systeme in vier Risikoklassen ein:

* '''Verbotene Systeme (inakzeptables Risiko):'''
**Social Scoring,
** biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum,
** manipulative Beeinflussung.

* '''Hochrisiko-Systeme (streng reguliert):'''
** Bewerbermanagement,
** Kredit-Scoring,
** Gesichtserkennung,
** kritische Infrastrukturen...
** Pflichten: Risikomanagement, Dokumentation, Transparenz, menschliche Aufsicht, Monitoring.

* '''Geringes Risiko (Transparenzpflichten):'''
** Chatbots,
** Emotionserkennung,
** generative Bild- und Videosysteme.

* '''Minimales Risiko:'''
** Spamfilter,
** Predictive Maintenance,
** Videospiel-KI.

=== Datenschutz (DSGVO) ===
* Zweckbindung, Datenminimierung, Transparenz und Sicherheit
* Artikel 22: Einschränkungen bei rein automatisierten Entscheidungen mit erheblicher Wirkung
* Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko

=== Ethik und gute Praxis ===
* Fairness und Nichtdiskriminierung
* Transparenz und Erklärbarkeit
* Sicherheit und Robustheit
* Menschliche Aufsicht (Human-in-the-Loop)
* Protokollierung und Monitoring
* Kennzeichnung von KI-generierten Inhalten (z. B. Deepfakes)

=== Kurzmerksatz ===
'''KI bietet große Chancen für Effizienz und Innovation, erfordert jedoch verantwortungsvollen Einsatz, klare Regeln und menschliche Kontrolle.'''

Künstliche Intelligenz Überblick

2026-04-10T06:38:50Z

Moettke: /* Kurzmerksatz */

Dieser Artikel gibt einen kompakten Überblick über '''Künstliche Intelligenz (KI)''', ihre Teilbereiche, Einsatzmöglichkeiten, wirtschaftliche Aspekte sowie rechtliche und ethische Rahmenbedingungen (EU-Fokus).

== KI vs. ML vs. DL – Unterschiede ==

* '''Künstliche Intelligenz (KI)''' ist der Oberbegriff für alle Verfahren, die „intelligentes“ Verhalten nachbilden.
Dazu gehören:
* regelbasierte Systeme (z. B. [[Expertensystem]]e mit festen Regeln)
* lernende Systeme ([[Machine Learning]])

* '''[[Machine_Learning|Maschinelles Lernen (ML)]]''' ist ein Teilbereich der KI.
Hier werden Modelle mit Daten trainiert, um Muster zu erkennen und Vorhersagen zu treffen.
Der Ablauf ist typisch:
* Trainingsdaten → Modell lernt Zusammenhänge → Vorhersage auf neuen Daten

Beispiele:
* Spam-Erkennung
* Kreditbewertung
* Klassifikation (z. B. „Katze oder Hund“)

* '''[[Deep Learning]] (DL)''' ist ein Teilbereich des ML.
Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep = tief).
Diese Modelle lernen Merkmale automatisch aus großen Datenmengen.

Beispiele:
* Bilderkennung (Gesicht, Objekte)
* Sprachverarbeitung (Speech-to-Text)
* Chatbots und generative KI (z. B. Texte erzeugen)

=== Wichtiger Unterschied ===

* KI kann '''regelbasiert oder lernend''' sein
* ML ist '''immer datengetriebenes Lernen'''
* DL ist '''eine spezielle ML-Methode mit neuronalen Netzen'''

=== Kurzvergleich ===
{| class="wikitable" style="width:100%; text-align:center;"
! Kriterium !! KI (gesamt) !! ML !! DL
|-
| Ansatz || Regeln + Lernen || Lernen aus Daten || Neuronale Netze (mehrschichtig)
|-
| Beispiele || [[Expertensystem]] || Spamfilter || Bilderkennung, ChatGPT
|-
| Datenbedarf || gering–hoch || mittel–hoch || sehr hoch
|-
| Komplexität || variabel || mittel || hoch
|-
| Erklärbarkeit || hoch–mittel || mittel || gering
|}

== Prompt und Token ==

=== Prompt ===
Ein '''Prompt''' ist die Eingabe, die ein Benutzer an ein KI-System gibt.
Er bestimmt maßgeblich die Qualität der Antwort.

'''Beispiele:'''
* „Erkläre mir Bubble Sort einfach.“
* „Schreibe einen Java-Code für eine Schleife.“

Je genauer der Prompt, desto besser das Ergebnis.

=== Token ===
Ein '''Token''' ist eine kleine Texteinheit, die von einem KI-Modell verarbeitet wird.
Ein Token kann sein:
* ein Wort
* ein Teil eines Wortes
* ein Satzzeichen

'''Beispiel:'''
„Ich gehe nach Hause.“ → mehrere Tokens

KI-Modelle verarbeiten Text '''nicht als ganze Sätze, sondern als Token-Folgen'''.

=== Bedeutung von Tokens ===
* bestimmen die '''maximale Eingabelänge'''
* beeinflussen '''Kosten und Performance'''
* wichtig für Kontext (z. B. „wie viel Text merkt sich das Modell?“)

'''KI ist der Oberbegriff, ML lernt aus Daten, DL nutzt neuronale Netze – und KI arbeitet intern mit Tokens, gesteuert durch Prompts.'''

== Einsatzmöglichkeiten ==

* '''Office & Wissensarbeit:''' Textentwürfe, Übersetzungen, Recherche, Meeting-Notizen, Code-Assistenz
* '''Kundenservice & Vertrieb:''' Chatbots, Antwortvorschläge, Lead-Scoring, Personalisierung
* '''Industrie / IoT:''' Predictive Maintenance, visuelle Qualitätsprüfung, Supply-Chain-Optimierung
* '''Finanzen:''' Betrugserkennung, Kredit-Scoring (unter strengen Compliance-Vorgaben)
* '''Gesundheit:''' Bilddiagnostik-Support, Triage-Tools (als Assistenzsysteme)
* '''Bildung:''' Adaptive Lernpfade, automatisiertes Feedback, Lern-Analytics
* '''Öffentlicher Sektor:''' Dokumentenklassifikation, Entscheidungsunterstützung, Verkehrs- und Energieoptimierung

== Wirtschaftliche Betrachtung ==

* '''Chancen:''' Studien schätzen für generative KI ein jährliches Potenzial von mehreren Billionen US-Dollar über viele Anwendungsfelder hinweg.
* '''Kosten:'''
** Daten (Beschaffung, Aufbereitung, Labeling)
** Technik (Modelle, GPU, Speicher, APIs)
** Betrieb (MLOps, Monitoring)
** Compliance & Security (DSGVO, EU-AI-Act)
** Personal & Change-Management (Schulungen)
* '''ROI-Hebel:''' Automatisierung, Qualitätssteigerung, Fehlerreduktion, bessere Entscheidungen, neue Produkte.
* '''Arbeitsmarkt:''' Produktivitätsgewinne sind wahrscheinlich, erfordern aber Weiterbildung und Anpassung von Kompetenzen.

== Vorteile und Nachteile ==

=== Vorteile ===
* Skalierbare Automatisierung repetitiver Aufgaben
* Schnellere, datenbasierte Entscheidungen
* Personalisierung in Echtzeit
* Entlastung von Routinetätigkeiten

=== Nachteile und Risiken ===
* '''Bias & Fairness:''' Verzerrte Trainingsdaten können diskriminierende Ergebnisse erzeugen
* '''Erklärbarkeit:''' Black-Box-Modelle erschweren Nachvollziehbarkeit
* '''Sicherheit & Robustheit:''' Halluzinationen, Prompt- und Datenangriffe
* '''Betriebsrisiken:''' Modell-Drift, Compliance- und IP-Risiken
* '''Abhängigkeiten:''' Vendor-Lock-in, hohe Rechen- und Energiekosten

== Rechtliche und ethische Aspekte (EU-Fokus) ==

=== EU-KI-Gesetz (EU AI Act) ===

Das EU-KI-Gesetz ordnet KI-Systeme in vier Risikoklassen ein:

* '''Verbotene Systeme (inakzeptables Risiko):'''
**Social Scoring,
** biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum,
** manipulative Beeinflussung.

* '''Hochrisiko-Systeme (streng reguliert):'''
** Bewerbermanagement,
** Kredit-Scoring,
** Gesichtserkennung,
** kritische Infrastrukturen...
** Pflichten: Risikomanagement, Dokumentation, Transparenz, menschliche Aufsicht, Monitoring.

* '''Geringes Risiko (Transparenzpflichten):'''
** Chatbots,
** Emotionserkennung,
** generative Bild- und Videosysteme.

* '''Minimales Risiko:'''
** Spamfilter,
** Predictive Maintenance,
** Videospiel-KI.

=== Datenschutz (DSGVO) ===
* Zweckbindung, Datenminimierung, Transparenz und Sicherheit
* Artikel 22: Einschränkungen bei rein automatisierten Entscheidungen mit erheblicher Wirkung
* Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko

=== Ethik und gute Praxis ===
* Fairness und Nichtdiskriminierung
* Transparenz und Erklärbarkeit
* Sicherheit und Robustheit
* Menschliche Aufsicht (Human-in-the-Loop)
* Protokollierung und Monitoring
* Kennzeichnung von KI-generierten Inhalten (z. B. Deepfakes)

=== Kurzmerksatz ===
'''KI bietet große Chancen für Effizienz und Innovation, erfordert jedoch verantwortungsvollen Einsatz, klare Regeln und menschliche Kontrolle.'''

MediaWiki:Sidebar

2026-04-10T06:37:39Z

Moettke:

MediaWiki:Sidebar

2026-04-10T06:37:01Z

Moettke:

Deep Learning

2026-04-10T06:34:34Z

Moettke:

'''Deep Learning (DL)''' ist ein Teilbereich des '''[[Machine_Learning|Maschinellen Lernens]]'''.
Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep), um komplexe Muster in großen Datenmengen zu erkennen.

== Grundprinzip ==
Ein neuronales Netz besteht aus mehreren Schichten von „Neuronen“, die Daten schrittweise verarbeiten.
Dabei werden Merkmale automatisch erkannt, ohne dass sie vorher definiert werden müssen.

== Merkmale ==
* arbeitet mit neuronalen Netzen (mehrschichtig)
* erkennt komplexe Muster automatisch
* benötigt große Datenmengen
* hohe Rechenleistung erforderlich (z. B. GPU)

== Beispiele ==
* Bilderkennung (z. B. Gesichtserkennung)
* Sprachverarbeitung (Speech-to-Text)
* Chatbots und generative KI
* autonomes Fahren

== Vorteile ==
* sehr hohe Genauigkeit bei komplexen Aufgaben
* automatische Merkmalserkennung
* leistungsfähig bei großen Datenmengen

== Nachteile ==
* hoher Rechenaufwand
* benötigt viele Trainingsdaten
* oft schwer erklärbar („Black Box“)

== Kurzmerksatz ==
'''Deep Learning nutzt neuronale Netze, um komplexe Muster in großen Datenmengen automatisch zu erkennen.'''

Deep Learning

2026-04-10T06:33:35Z

Moettke: Die Seite wurde neu angelegt: „'''Deep Learning (DL)''' ist ein Teilbereich des '''Maschinellen Lernens'''. Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep), um komplexe Muster in großen Datenmengen zu erkennen. == Grundprinzip == Ein neuronales Netz besteht aus mehreren Schichten von „Neuronen“, die Daten schrittweise verarbeiten. Dabei werden Merkmale automatisch erkannt, ohne dass sie vorher definiert werden müssen. == Merkm…“

'''Deep Learning (DL)''' ist ein Teilbereich des '''[[Mashine Learning|Maschinellen Lernens]]'''.
Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep), um komplexe Muster in großen Datenmengen zu erkennen.

== Grundprinzip ==
Ein neuronales Netz besteht aus mehreren Schichten von „Neuronen“, die Daten schrittweise verarbeiten.
Dabei werden Merkmale automatisch erkannt, ohne dass sie vorher definiert werden müssen.

== Merkmale ==
* arbeitet mit neuronalen Netzen (mehrschichtig)
* erkennt komplexe Muster automatisch
* benötigt große Datenmengen
* hohe Rechenleistung erforderlich (z. B. GPU)

== Beispiele ==
* Bilderkennung (z. B. Gesichtserkennung)
* Sprachverarbeitung (Speech-to-Text)
* Chatbots und generative KI
* autonomes Fahren

== Vorteile ==
* sehr hohe Genauigkeit bei komplexen Aufgaben
* automatische Merkmalserkennung
* leistungsfähig bei großen Datenmengen

== Nachteile ==
* hoher Rechenaufwand
* benötigt viele Trainingsdaten
* oft schwer erklärbar („Black Box“)

== Kurzmerksatz ==
'''Deep Learning nutzt neuronale Netze, um komplexe Muster in großen Datenmengen automatisch zu erkennen.'''

Künstliche Intelligenz Überblick

2026-04-10T06:32:50Z

Moettke: /* KI vs. ML vs. DL – Unterschiede */

Dieser Artikel gibt einen kompakten Überblick über '''Künstliche Intelligenz (KI)''', ihre Teilbereiche, Einsatzmöglichkeiten, wirtschaftliche Aspekte sowie rechtliche und ethische Rahmenbedingungen (EU-Fokus).

== KI vs. ML vs. DL – Unterschiede ==

* '''Künstliche Intelligenz (KI)''' ist der Oberbegriff für alle Verfahren, die „intelligentes“ Verhalten nachbilden.
Dazu gehören:
* regelbasierte Systeme (z. B. [[Expertensystem]]e mit festen Regeln)
* lernende Systeme ([[Machine Learning]])

* '''[[Machine_Learning|Maschinelles Lernen (ML)]]''' ist ein Teilbereich der KI.
Hier werden Modelle mit Daten trainiert, um Muster zu erkennen und Vorhersagen zu treffen.
Der Ablauf ist typisch:
* Trainingsdaten → Modell lernt Zusammenhänge → Vorhersage auf neuen Daten

Beispiele:
* Spam-Erkennung
* Kreditbewertung
* Klassifikation (z. B. „Katze oder Hund“)

* '''[[Deep Learning]] (DL)''' ist ein Teilbereich des ML.
Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep = tief).
Diese Modelle lernen Merkmale automatisch aus großen Datenmengen.

Beispiele:
* Bilderkennung (Gesicht, Objekte)
* Sprachverarbeitung (Speech-to-Text)
* Chatbots und generative KI (z. B. Texte erzeugen)

=== Wichtiger Unterschied ===

* KI kann '''regelbasiert oder lernend''' sein
* ML ist '''immer datengetriebenes Lernen'''
* DL ist '''eine spezielle ML-Methode mit neuronalen Netzen'''

=== Kurzvergleich ===
{| class="wikitable" style="width:100%; text-align:center;"
! Kriterium !! KI (gesamt) !! ML !! DL
|-
| Ansatz || Regeln + Lernen || Lernen aus Daten || Neuronale Netze (mehrschichtig)
|-
| Beispiele || [[Expertensystem]] || Spamfilter || Bilderkennung, ChatGPT
|-
| Datenbedarf || gering–hoch || mittel–hoch || sehr hoch
|-
| Komplexität || variabel || mittel || hoch
|-
| Erklärbarkeit || hoch–mittel || mittel || gering
|}

== Prompt und Token ==

=== Prompt ===
Ein '''Prompt''' ist die Eingabe, die ein Benutzer an ein KI-System gibt.
Er bestimmt maßgeblich die Qualität der Antwort.

'''Beispiele:'''
* „Erkläre mir Bubble Sort einfach.“
* „Schreibe einen Java-Code für eine Schleife.“

Je genauer der Prompt, desto besser das Ergebnis.

=== Token ===
Ein '''Token''' ist eine kleine Texteinheit, die von einem KI-Modell verarbeitet wird.
Ein Token kann sein:
* ein Wort
* ein Teil eines Wortes
* ein Satzzeichen

'''Beispiel:'''
„Ich gehe nach Hause.“ → mehrere Tokens

KI-Modelle verarbeiten Text '''nicht als ganze Sätze, sondern als Token-Folgen'''.

=== Bedeutung von Tokens ===
* bestimmen die '''maximale Eingabelänge'''
* beeinflussen '''Kosten und Performance'''
* wichtig für Kontext (z. B. „wie viel Text merkt sich das Modell?“)

== Kurzmerksatz ==
'''KI ist der Oberbegriff, ML lernt aus Daten, DL nutzt neuronale Netze – und KI arbeitet intern mit Tokens, gesteuert durch Prompts.'''

== Einsatzmöglichkeiten ==

* '''Office & Wissensarbeit:''' Textentwürfe, Übersetzungen, Recherche, Meeting-Notizen, Code-Assistenz
* '''Kundenservice & Vertrieb:''' Chatbots, Antwortvorschläge, Lead-Scoring, Personalisierung
* '''Industrie / IoT:''' Predictive Maintenance, visuelle Qualitätsprüfung, Supply-Chain-Optimierung
* '''Finanzen:''' Betrugserkennung, Kredit-Scoring (unter strengen Compliance-Vorgaben)
* '''Gesundheit:''' Bilddiagnostik-Support, Triage-Tools (als Assistenzsysteme)
* '''Bildung:''' Adaptive Lernpfade, automatisiertes Feedback, Lern-Analytics
* '''Öffentlicher Sektor:''' Dokumentenklassifikation, Entscheidungsunterstützung, Verkehrs- und Energieoptimierung

== Wirtschaftliche Betrachtung ==

* '''Chancen:''' Studien schätzen für generative KI ein jährliches Potenzial von mehreren Billionen US-Dollar über viele Anwendungsfelder hinweg.
* '''Kosten:'''
** Daten (Beschaffung, Aufbereitung, Labeling)
** Technik (Modelle, GPU, Speicher, APIs)
** Betrieb (MLOps, Monitoring)
** Compliance & Security (DSGVO, EU-AI-Act)
** Personal & Change-Management (Schulungen)
* '''ROI-Hebel:''' Automatisierung, Qualitätssteigerung, Fehlerreduktion, bessere Entscheidungen, neue Produkte.
* '''Arbeitsmarkt:''' Produktivitätsgewinne sind wahrscheinlich, erfordern aber Weiterbildung und Anpassung von Kompetenzen.

== Vorteile und Nachteile ==

=== Vorteile ===
* Skalierbare Automatisierung repetitiver Aufgaben
* Schnellere, datenbasierte Entscheidungen
* Personalisierung in Echtzeit
* Entlastung von Routinetätigkeiten

=== Nachteile und Risiken ===
* '''Bias & Fairness:''' Verzerrte Trainingsdaten können diskriminierende Ergebnisse erzeugen
* '''Erklärbarkeit:''' Black-Box-Modelle erschweren Nachvollziehbarkeit
* '''Sicherheit & Robustheit:''' Halluzinationen, Prompt- und Datenangriffe
* '''Betriebsrisiken:''' Modell-Drift, Compliance- und IP-Risiken
* '''Abhängigkeiten:''' Vendor-Lock-in, hohe Rechen- und Energiekosten

== Rechtliche und ethische Aspekte (EU-Fokus) ==

=== EU-KI-Gesetz (EU AI Act) ===

Das EU-KI-Gesetz ordnet KI-Systeme in vier Risikoklassen ein:

* '''Verbotene Systeme (inakzeptables Risiko):'''
**Social Scoring,
** biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum,
** manipulative Beeinflussung.

* '''Hochrisiko-Systeme (streng reguliert):'''
** Bewerbermanagement,
** Kredit-Scoring,
** Gesichtserkennung,
** kritische Infrastrukturen...
** Pflichten: Risikomanagement, Dokumentation, Transparenz, menschliche Aufsicht, Monitoring.

* '''Geringes Risiko (Transparenzpflichten):'''
** Chatbots,
** Emotionserkennung,
** generative Bild- und Videosysteme.

* '''Minimales Risiko:'''
** Spamfilter,
** Predictive Maintenance,
** Videospiel-KI.

=== Datenschutz (DSGVO) ===
* Zweckbindung, Datenminimierung, Transparenz und Sicherheit
* Artikel 22: Einschränkungen bei rein automatisierten Entscheidungen mit erheblicher Wirkung
* Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko

=== Ethik und gute Praxis ===
* Fairness und Nichtdiskriminierung
* Transparenz und Erklärbarkeit
* Sicherheit und Robustheit
* Menschliche Aufsicht (Human-in-the-Loop)
* Protokollierung und Monitoring
* Kennzeichnung von KI-generierten Inhalten (z. B. Deepfakes)

=== Kurzmerksatz ===
'''KI bietet große Chancen für Effizienz und Innovation, erfordert jedoch verantwortungsvollen Einsatz, klare Regeln und menschliche Kontrolle.'''

Machine Learning

2026-04-10T06:32:19Z

Moettke:

'''Maschinelles Lernen (ML)''' ist ein Teilbereich der '''[[Künstliche_Intelligenz_Überblick|Künstlichen Intelligenz]]'''.
Dabei lernen Programme aus Daten, um Muster zu erkennen und Vorhersagen zu treffen, ohne explizit programmiert zu werden.

== Grundprinzip ==
Ein Modell wird mit Beispieldaten trainiert und kann anschließend neue, unbekannte Daten bewerten.

'''Ablauf:'''
* Trainingsdaten bereitstellen
* Modell lernen lassen
* Modell anwenden (Vorhersage)

== Arten des maschinellen Lernens ==

* '''Überwachtes Lernen (Supervised Learning)'''
* Lernen mit bekannten Ergebnissen (Labels)
* Beispiel: Spam-Erkennung

* '''Unüberwachtes Lernen (Unsupervised Learning)'''
* Finden von Mustern ohne vorgegebene Ergebnisse
* Beispiel: Kundengruppen (Clustering)

* '''Bestärkendes Lernen (Reinforcement Learning)'''
* Lernen durch Belohnung und Bestrafung
* Beispiel: Spiele oder Robotik

== Beispiele ==
* Spamfilter
* Produktempfehlungen
* Bilderkennung
* Betrugserkennung

== Vorteile ==
* erkennt komplexe Muster
* automatisiert Entscheidungen
* verbessert sich mit mehr Daten

== Nachteile ==
* benötigt viele Daten
* Ergebnisse nicht immer erklärbar
* abhängig von Datenqualität

== Kurzmerksatz ==
'''Maschinelles Lernen erkennt Muster in Daten und trifft darauf basierend Vorhersagen.'''

Künstliche Intelligenz Überblick

2026-04-10T06:31:40Z

Moettke: /* KI vs. ML vs. DL – Unterschiede */

Dieser Artikel gibt einen kompakten Überblick über '''Künstliche Intelligenz (KI)''', ihre Teilbereiche, Einsatzmöglichkeiten, wirtschaftliche Aspekte sowie rechtliche und ethische Rahmenbedingungen (EU-Fokus).

== KI vs. ML vs. DL – Unterschiede ==

* '''Künstliche Intelligenz (KI)''' ist der Oberbegriff für alle Verfahren, die „intelligentes“ Verhalten nachbilden.
Dazu gehören:
* regelbasierte Systeme (z. B. [[Expertensystem]]e mit festen Regeln)
* lernende Systeme ([[Machine Learning]])

* '''[[Machine_Learning|Maschinelles Lernen (ML)]]''' ist ein Teilbereich der KI.
Hier werden Modelle mit Daten trainiert, um Muster zu erkennen und Vorhersagen zu treffen.
Der Ablauf ist typisch:
* Trainingsdaten → Modell lernt Zusammenhänge → Vorhersage auf neuen Daten

Beispiele:
* Spam-Erkennung
* Kreditbewertung
* Klassifikation (z. B. „Katze oder Hund“)

* '''Deep Learning (DL)''' ist ein Teilbereich des ML.
Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep = tief).
Diese Modelle lernen Merkmale automatisch aus großen Datenmengen.

Beispiele:
* Bilderkennung (Gesicht, Objekte)
* Sprachverarbeitung (Speech-to-Text)
* Chatbots und generative KI (z. B. Texte erzeugen)

=== Wichtiger Unterschied ===

* KI kann '''regelbasiert oder lernend''' sein
* ML ist '''immer datengetriebenes Lernen'''
* DL ist '''eine spezielle ML-Methode mit neuronalen Netzen'''

=== Kurzvergleich ===
{| class="wikitable" style="width:100%; text-align:center;"
! Kriterium !! KI (gesamt) !! ML !! DL
|-
| Ansatz || Regeln + Lernen || Lernen aus Daten || Neuronale Netze (mehrschichtig)
|-
| Beispiele || [[Expertensystem]] || Spamfilter || Bilderkennung, ChatGPT
|-
| Datenbedarf || gering–hoch || mittel–hoch || sehr hoch
|-
| Komplexität || variabel || mittel || hoch
|-
| Erklärbarkeit || hoch–mittel || mittel || gering
|}

== Prompt und Token ==

=== Prompt ===
Ein '''Prompt''' ist die Eingabe, die ein Benutzer an ein KI-System gibt.
Er bestimmt maßgeblich die Qualität der Antwort.

'''Beispiele:'''
* „Erkläre mir Bubble Sort einfach.“
* „Schreibe einen Java-Code für eine Schleife.“

Je genauer der Prompt, desto besser das Ergebnis.

=== Token ===
Ein '''Token''' ist eine kleine Texteinheit, die von einem KI-Modell verarbeitet wird.
Ein Token kann sein:
* ein Wort
* ein Teil eines Wortes
* ein Satzzeichen

'''Beispiel:'''
„Ich gehe nach Hause.“ → mehrere Tokens

KI-Modelle verarbeiten Text '''nicht als ganze Sätze, sondern als Token-Folgen'''.

=== Bedeutung von Tokens ===
* bestimmen die '''maximale Eingabelänge'''
* beeinflussen '''Kosten und Performance'''
* wichtig für Kontext (z. B. „wie viel Text merkt sich das Modell?“)

== Kurzmerksatz ==
'''KI ist der Oberbegriff, ML lernt aus Daten, DL nutzt neuronale Netze – und KI arbeitet intern mit Tokens, gesteuert durch Prompts.'''

== Einsatzmöglichkeiten ==

* '''Office & Wissensarbeit:''' Textentwürfe, Übersetzungen, Recherche, Meeting-Notizen, Code-Assistenz
* '''Kundenservice & Vertrieb:''' Chatbots, Antwortvorschläge, Lead-Scoring, Personalisierung
* '''Industrie / IoT:''' Predictive Maintenance, visuelle Qualitätsprüfung, Supply-Chain-Optimierung
* '''Finanzen:''' Betrugserkennung, Kredit-Scoring (unter strengen Compliance-Vorgaben)
* '''Gesundheit:''' Bilddiagnostik-Support, Triage-Tools (als Assistenzsysteme)
* '''Bildung:''' Adaptive Lernpfade, automatisiertes Feedback, Lern-Analytics
* '''Öffentlicher Sektor:''' Dokumentenklassifikation, Entscheidungsunterstützung, Verkehrs- und Energieoptimierung

== Wirtschaftliche Betrachtung ==

* '''Chancen:''' Studien schätzen für generative KI ein jährliches Potenzial von mehreren Billionen US-Dollar über viele Anwendungsfelder hinweg.
* '''Kosten:'''
** Daten (Beschaffung, Aufbereitung, Labeling)
** Technik (Modelle, GPU, Speicher, APIs)
** Betrieb (MLOps, Monitoring)
** Compliance & Security (DSGVO, EU-AI-Act)
** Personal & Change-Management (Schulungen)
* '''ROI-Hebel:''' Automatisierung, Qualitätssteigerung, Fehlerreduktion, bessere Entscheidungen, neue Produkte.
* '''Arbeitsmarkt:''' Produktivitätsgewinne sind wahrscheinlich, erfordern aber Weiterbildung und Anpassung von Kompetenzen.

== Vorteile und Nachteile ==

=== Vorteile ===
* Skalierbare Automatisierung repetitiver Aufgaben
* Schnellere, datenbasierte Entscheidungen
* Personalisierung in Echtzeit
* Entlastung von Routinetätigkeiten

=== Nachteile und Risiken ===
* '''Bias & Fairness:''' Verzerrte Trainingsdaten können diskriminierende Ergebnisse erzeugen
* '''Erklärbarkeit:''' Black-Box-Modelle erschweren Nachvollziehbarkeit
* '''Sicherheit & Robustheit:''' Halluzinationen, Prompt- und Datenangriffe
* '''Betriebsrisiken:''' Modell-Drift, Compliance- und IP-Risiken
* '''Abhängigkeiten:''' Vendor-Lock-in, hohe Rechen- und Energiekosten

== Rechtliche und ethische Aspekte (EU-Fokus) ==

=== EU-KI-Gesetz (EU AI Act) ===

Das EU-KI-Gesetz ordnet KI-Systeme in vier Risikoklassen ein:

* '''Verbotene Systeme (inakzeptables Risiko):'''
**Social Scoring,
** biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum,
** manipulative Beeinflussung.

* '''Hochrisiko-Systeme (streng reguliert):'''
** Bewerbermanagement,
** Kredit-Scoring,
** Gesichtserkennung,
** kritische Infrastrukturen...
** Pflichten: Risikomanagement, Dokumentation, Transparenz, menschliche Aufsicht, Monitoring.

* '''Geringes Risiko (Transparenzpflichten):'''
** Chatbots,
** Emotionserkennung,
** generative Bild- und Videosysteme.

* '''Minimales Risiko:'''
** Spamfilter,
** Predictive Maintenance,
** Videospiel-KI.

=== Datenschutz (DSGVO) ===
* Zweckbindung, Datenminimierung, Transparenz und Sicherheit
* Artikel 22: Einschränkungen bei rein automatisierten Entscheidungen mit erheblicher Wirkung
* Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko

=== Ethik und gute Praxis ===
* Fairness und Nichtdiskriminierung
* Transparenz und Erklärbarkeit
* Sicherheit und Robustheit
* Menschliche Aufsicht (Human-in-the-Loop)
* Protokollierung und Monitoring
* Kennzeichnung von KI-generierten Inhalten (z. B. Deepfakes)

=== Kurzmerksatz ===
'''KI bietet große Chancen für Effizienz und Innovation, erfordert jedoch verantwortungsvollen Einsatz, klare Regeln und menschliche Kontrolle.'''

Machine Learning

2026-04-10T06:31:10Z

Moettke: Die Seite wurde neu angelegt: „'''Maschinelles Lernen (ML)''' ist ein Teilbereich der '''Künstlichen Intelligenz'''. Dabei lernen Programme aus Daten, um Muster zu erkennen und Vorhersagen zu treffen, ohne explizit programmiert zu werden. == Grundprinzip == Ein Modell wird mit Beispieldaten trainiert und kann anschließend neue, unbekannte Daten bewerten. '''Ablauf:''' * Trainingsdaten bereitstellen * Modell lernen lassen * Modell anwenden (Vorhersage) == Arten des maschinell…“

'''Maschinelles Lernen (ML)''' ist ein Teilbereich der '''Künstlichen Intelligenz'''.
Dabei lernen Programme aus Daten, um Muster zu erkennen und Vorhersagen zu treffen, ohne explizit programmiert zu werden.

== Grundprinzip ==
Ein Modell wird mit Beispieldaten trainiert und kann anschließend neue, unbekannte Daten bewerten.

'''Ablauf:'''
* Trainingsdaten bereitstellen
* Modell lernen lassen
* Modell anwenden (Vorhersage)

== Arten des maschinellen Lernens ==

* '''Überwachtes Lernen (Supervised Learning)'''
* Lernen mit bekannten Ergebnissen (Labels)
* Beispiel: Spam-Erkennung

* '''Unüberwachtes Lernen (Unsupervised Learning)'''
* Finden von Mustern ohne vorgegebene Ergebnisse
* Beispiel: Kundengruppen (Clustering)

* '''Bestärkendes Lernen (Reinforcement Learning)'''
* Lernen durch Belohnung und Bestrafung
* Beispiel: Spiele oder Robotik

== Beispiele ==
* Spamfilter
* Produktempfehlungen
* Bilderkennung
* Betrugserkennung

== Vorteile ==
* erkennt komplexe Muster
* automatisiert Entscheidungen
* verbessert sich mit mehr Daten

== Nachteile ==
* benötigt viele Daten
* Ergebnisse nicht immer erklärbar
* abhängig von Datenqualität

== Kurzmerksatz ==
'''Maschinelles Lernen erkennt Muster in Daten und trifft darauf basierend Vorhersagen.'''

Künstliche Intelligenz Überblick

2026-04-10T06:30:49Z

Moettke: /* KI vs. ML vs. DL – Unterschiede */

Dieser Artikel gibt einen kompakten Überblick über '''Künstliche Intelligenz (KI)''', ihre Teilbereiche, Einsatzmöglichkeiten, wirtschaftliche Aspekte sowie rechtliche und ethische Rahmenbedingungen (EU-Fokus).

== KI vs. ML vs. DL – Unterschiede ==

* '''Künstliche Intelligenz (KI)''' ist der Oberbegriff für alle Verfahren, die „intelligentes“ Verhalten nachbilden.
Dazu gehören:
* regelbasierte Systeme (z. B. [[Expertensystem]]e mit festen Regeln)
* lernende Systeme ([[Machine Learning]])

* '''[[Maschinelles Lernen (ML)]]''' ist ein Teilbereich der KI.
Hier werden Modelle mit Daten trainiert, um Muster zu erkennen und Vorhersagen zu treffen.
Der Ablauf ist typisch:
* Trainingsdaten → Modell lernt Zusammenhänge → Vorhersage auf neuen Daten

Beispiele:
* Spam-Erkennung
* Kreditbewertung
* Klassifikation (z. B. „Katze oder Hund“)

* '''Deep Learning (DL)''' ist ein Teilbereich des ML.
Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep = tief).
Diese Modelle lernen Merkmale automatisch aus großen Datenmengen.

Beispiele:
* Bilderkennung (Gesicht, Objekte)
* Sprachverarbeitung (Speech-to-Text)
* Chatbots und generative KI (z. B. Texte erzeugen)

=== Wichtiger Unterschied ===

* KI kann '''regelbasiert oder lernend''' sein
* ML ist '''immer datengetriebenes Lernen'''
* DL ist '''eine spezielle ML-Methode mit neuronalen Netzen'''

=== Kurzvergleich ===
{| class="wikitable" style="width:100%; text-align:center;"
! Kriterium !! KI (gesamt) !! ML !! DL
|-
| Ansatz || Regeln + Lernen || Lernen aus Daten || Neuronale Netze (mehrschichtig)
|-
| Beispiele || [[Expertensystem]] || Spamfilter || Bilderkennung, ChatGPT
|-
| Datenbedarf || gering–hoch || mittel–hoch || sehr hoch
|-
| Komplexität || variabel || mittel || hoch
|-
| Erklärbarkeit || hoch–mittel || mittel || gering
|}

== Prompt und Token ==

=== Prompt ===
Ein '''Prompt''' ist die Eingabe, die ein Benutzer an ein KI-System gibt.
Er bestimmt maßgeblich die Qualität der Antwort.

'''Beispiele:'''
* „Erkläre mir Bubble Sort einfach.“
* „Schreibe einen Java-Code für eine Schleife.“

Je genauer der Prompt, desto besser das Ergebnis.

=== Token ===
Ein '''Token''' ist eine kleine Texteinheit, die von einem KI-Modell verarbeitet wird.
Ein Token kann sein:
* ein Wort
* ein Teil eines Wortes
* ein Satzzeichen

'''Beispiel:'''
„Ich gehe nach Hause.“ → mehrere Tokens

KI-Modelle verarbeiten Text '''nicht als ganze Sätze, sondern als Token-Folgen'''.

=== Bedeutung von Tokens ===
* bestimmen die '''maximale Eingabelänge'''
* beeinflussen '''Kosten und Performance'''
* wichtig für Kontext (z. B. „wie viel Text merkt sich das Modell?“)

== Kurzmerksatz ==
'''KI ist der Oberbegriff, ML lernt aus Daten, DL nutzt neuronale Netze – und KI arbeitet intern mit Tokens, gesteuert durch Prompts.'''

== Einsatzmöglichkeiten ==

* '''Office & Wissensarbeit:''' Textentwürfe, Übersetzungen, Recherche, Meeting-Notizen, Code-Assistenz
* '''Kundenservice & Vertrieb:''' Chatbots, Antwortvorschläge, Lead-Scoring, Personalisierung
* '''Industrie / IoT:''' Predictive Maintenance, visuelle Qualitätsprüfung, Supply-Chain-Optimierung
* '''Finanzen:''' Betrugserkennung, Kredit-Scoring (unter strengen Compliance-Vorgaben)
* '''Gesundheit:''' Bilddiagnostik-Support, Triage-Tools (als Assistenzsysteme)
* '''Bildung:''' Adaptive Lernpfade, automatisiertes Feedback, Lern-Analytics
* '''Öffentlicher Sektor:''' Dokumentenklassifikation, Entscheidungsunterstützung, Verkehrs- und Energieoptimierung

== Wirtschaftliche Betrachtung ==

* '''Chancen:''' Studien schätzen für generative KI ein jährliches Potenzial von mehreren Billionen US-Dollar über viele Anwendungsfelder hinweg.
* '''Kosten:'''
** Daten (Beschaffung, Aufbereitung, Labeling)
** Technik (Modelle, GPU, Speicher, APIs)
** Betrieb (MLOps, Monitoring)
** Compliance & Security (DSGVO, EU-AI-Act)
** Personal & Change-Management (Schulungen)
* '''ROI-Hebel:''' Automatisierung, Qualitätssteigerung, Fehlerreduktion, bessere Entscheidungen, neue Produkte.
* '''Arbeitsmarkt:''' Produktivitätsgewinne sind wahrscheinlich, erfordern aber Weiterbildung und Anpassung von Kompetenzen.

== Vorteile und Nachteile ==

=== Vorteile ===
* Skalierbare Automatisierung repetitiver Aufgaben
* Schnellere, datenbasierte Entscheidungen
* Personalisierung in Echtzeit
* Entlastung von Routinetätigkeiten

=== Nachteile und Risiken ===
* '''Bias & Fairness:''' Verzerrte Trainingsdaten können diskriminierende Ergebnisse erzeugen
* '''Erklärbarkeit:''' Black-Box-Modelle erschweren Nachvollziehbarkeit
* '''Sicherheit & Robustheit:''' Halluzinationen, Prompt- und Datenangriffe
* '''Betriebsrisiken:''' Modell-Drift, Compliance- und IP-Risiken
* '''Abhängigkeiten:''' Vendor-Lock-in, hohe Rechen- und Energiekosten

== Rechtliche und ethische Aspekte (EU-Fokus) ==

=== EU-KI-Gesetz (EU AI Act) ===

Das EU-KI-Gesetz ordnet KI-Systeme in vier Risikoklassen ein:

* '''Verbotene Systeme (inakzeptables Risiko):'''
**Social Scoring,
** biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum,
** manipulative Beeinflussung.

* '''Hochrisiko-Systeme (streng reguliert):'''
** Bewerbermanagement,
** Kredit-Scoring,
** Gesichtserkennung,
** kritische Infrastrukturen...
** Pflichten: Risikomanagement, Dokumentation, Transparenz, menschliche Aufsicht, Monitoring.

* '''Geringes Risiko (Transparenzpflichten):'''
** Chatbots,
** Emotionserkennung,
** generative Bild- und Videosysteme.

* '''Minimales Risiko:'''
** Spamfilter,
** Predictive Maintenance,
** Videospiel-KI.

=== Datenschutz (DSGVO) ===
* Zweckbindung, Datenminimierung, Transparenz und Sicherheit
* Artikel 22: Einschränkungen bei rein automatisierten Entscheidungen mit erheblicher Wirkung
* Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko

=== Ethik und gute Praxis ===
* Fairness und Nichtdiskriminierung
* Transparenz und Erklärbarkeit
* Sicherheit und Robustheit
* Menschliche Aufsicht (Human-in-the-Loop)
* Protokollierung und Monitoring
* Kennzeichnung von KI-generierten Inhalten (z. B. Deepfakes)

=== Kurzmerksatz ===
'''KI bietet große Chancen für Effizienz und Innovation, erfordert jedoch verantwortungsvollen Einsatz, klare Regeln und menschliche Kontrolle.'''

Expertensystem

2026-04-10T06:28:46Z

Moettke:

Ein '''Expertensystem''' ist ein regelbasiertes [[Künstliche_Intelligenz_Überblick|KI-System]], das das Wissen von menschlichen Experten nachbildet, um Entscheidungen zu treffen oder Probleme zu lösen.

Es arbeitet nicht mit Lernen aus Daten, sondern mit festen '''Wenn-Dann-Regeln'''.

'''Aufbau:'''
* '''Wissensbasis''' – enthält Fakten und Regeln (z. B. „Wenn Symptom A und B, dann Krankheit X“)
* '''Inferenzmaschine''' – wendet die Regeln an und zieht Schlussfolgerungen

'''Beispiel:'''
Ein medizinisches Expertensystem:
* Wenn Fieber + Husten → mögliche Grippe
* Wenn Hautausschlag → mögliche Allergie

'''Merkmale:'''
* nachvollziehbare Entscheidungen
* keine Lernfähigkeit
* stark vom hinterlegten Wissen abhängig

== Kurzmerksatz ==
'''Ein Expertensystem trifft Entscheidungen auf Basis fester Regeln, nicht durch Lernen aus Daten.'''

Künstliche Intelligenz Überblick

2026-04-10T06:28:25Z

Moettke: /* KI vs. ML vs. DL – Unterschiede */

Dieser Artikel gibt einen kompakten Überblick über '''Künstliche Intelligenz (KI)''', ihre Teilbereiche, Einsatzmöglichkeiten, wirtschaftliche Aspekte sowie rechtliche und ethische Rahmenbedingungen (EU-Fokus).

== KI vs. ML vs. DL – Unterschiede ==

* '''Künstliche Intelligenz (KI)''' ist der Oberbegriff für alle Verfahren, die „intelligentes“ Verhalten nachbilden.
Dazu gehören:
* regelbasierte Systeme (z. B. [[Expertensystem]]e mit festen Regeln)
* lernende Systeme (Machine Learning)

* '''Maschinelles Lernen (ML)''' ist ein Teilbereich der KI.
Hier werden Modelle mit Daten trainiert, um Muster zu erkennen und Vorhersagen zu treffen.
Der Ablauf ist typisch:
* Trainingsdaten → Modell lernt Zusammenhänge → Vorhersage auf neuen Daten

Beispiele:
* Spam-Erkennung
* Kreditbewertung
* Klassifikation (z. B. „Katze oder Hund“)

* '''Deep Learning (DL)''' ist ein Teilbereich des ML.
Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep = tief).
Diese Modelle lernen Merkmale automatisch aus großen Datenmengen.

Beispiele:
* Bilderkennung (Gesicht, Objekte)
* Sprachverarbeitung (Speech-to-Text)
* Chatbots und generative KI (z. B. Texte erzeugen)

=== Wichtiger Unterschied ===

* KI kann '''regelbasiert oder lernend''' sein
* ML ist '''immer datengetriebenes Lernen'''
* DL ist '''eine spezielle ML-Methode mit neuronalen Netzen'''

=== Kurzvergleich ===
{| class="wikitable" style="width:100%; text-align:center;"
! Kriterium !! KI (gesamt) !! ML !! DL
|-
| Ansatz || Regeln + Lernen || Lernen aus Daten || Neuronale Netze (mehrschichtig)
|-
| Beispiele || [[Expertensystem]] || Spamfilter || Bilderkennung, ChatGPT
|-
| Datenbedarf || gering–hoch || mittel–hoch || sehr hoch
|-
| Komplexität || variabel || mittel || hoch
|-
| Erklärbarkeit || hoch–mittel || mittel || gering
|}

== Prompt und Token ==

=== Prompt ===
Ein '''Prompt''' ist die Eingabe, die ein Benutzer an ein KI-System gibt.
Er bestimmt maßgeblich die Qualität der Antwort.

'''Beispiele:'''
* „Erkläre mir Bubble Sort einfach.“
* „Schreibe einen Java-Code für eine Schleife.“

Je genauer der Prompt, desto besser das Ergebnis.

=== Token ===
Ein '''Token''' ist eine kleine Texteinheit, die von einem KI-Modell verarbeitet wird.
Ein Token kann sein:
* ein Wort
* ein Teil eines Wortes
* ein Satzzeichen

'''Beispiel:'''
„Ich gehe nach Hause.“ → mehrere Tokens

KI-Modelle verarbeiten Text '''nicht als ganze Sätze, sondern als Token-Folgen'''.

=== Bedeutung von Tokens ===
* bestimmen die '''maximale Eingabelänge'''
* beeinflussen '''Kosten und Performance'''
* wichtig für Kontext (z. B. „wie viel Text merkt sich das Modell?“)

== Kurzmerksatz ==
'''KI ist der Oberbegriff, ML lernt aus Daten, DL nutzt neuronale Netze – und KI arbeitet intern mit Tokens, gesteuert durch Prompts.'''

== Einsatzmöglichkeiten ==

* '''Office & Wissensarbeit:''' Textentwürfe, Übersetzungen, Recherche, Meeting-Notizen, Code-Assistenz
* '''Kundenservice & Vertrieb:''' Chatbots, Antwortvorschläge, Lead-Scoring, Personalisierung
* '''Industrie / IoT:''' Predictive Maintenance, visuelle Qualitätsprüfung, Supply-Chain-Optimierung
* '''Finanzen:''' Betrugserkennung, Kredit-Scoring (unter strengen Compliance-Vorgaben)
* '''Gesundheit:''' Bilddiagnostik-Support, Triage-Tools (als Assistenzsysteme)
* '''Bildung:''' Adaptive Lernpfade, automatisiertes Feedback, Lern-Analytics
* '''Öffentlicher Sektor:''' Dokumentenklassifikation, Entscheidungsunterstützung, Verkehrs- und Energieoptimierung

== Wirtschaftliche Betrachtung ==

* '''Chancen:''' Studien schätzen für generative KI ein jährliches Potenzial von mehreren Billionen US-Dollar über viele Anwendungsfelder hinweg.
* '''Kosten:'''
** Daten (Beschaffung, Aufbereitung, Labeling)
** Technik (Modelle, GPU, Speicher, APIs)
** Betrieb (MLOps, Monitoring)
** Compliance & Security (DSGVO, EU-AI-Act)
** Personal & Change-Management (Schulungen)
* '''ROI-Hebel:''' Automatisierung, Qualitätssteigerung, Fehlerreduktion, bessere Entscheidungen, neue Produkte.
* '''Arbeitsmarkt:''' Produktivitätsgewinne sind wahrscheinlich, erfordern aber Weiterbildung und Anpassung von Kompetenzen.

== Vorteile und Nachteile ==

=== Vorteile ===
* Skalierbare Automatisierung repetitiver Aufgaben
* Schnellere, datenbasierte Entscheidungen
* Personalisierung in Echtzeit
* Entlastung von Routinetätigkeiten

=== Nachteile und Risiken ===
* '''Bias & Fairness:''' Verzerrte Trainingsdaten können diskriminierende Ergebnisse erzeugen
* '''Erklärbarkeit:''' Black-Box-Modelle erschweren Nachvollziehbarkeit
* '''Sicherheit & Robustheit:''' Halluzinationen, Prompt- und Datenangriffe
* '''Betriebsrisiken:''' Modell-Drift, Compliance- und IP-Risiken
* '''Abhängigkeiten:''' Vendor-Lock-in, hohe Rechen- und Energiekosten

== Rechtliche und ethische Aspekte (EU-Fokus) ==

=== EU-KI-Gesetz (EU AI Act) ===

Das EU-KI-Gesetz ordnet KI-Systeme in vier Risikoklassen ein:

* '''Verbotene Systeme (inakzeptables Risiko):'''
**Social Scoring,
** biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum,
** manipulative Beeinflussung.

* '''Hochrisiko-Systeme (streng reguliert):'''
** Bewerbermanagement,
** Kredit-Scoring,
** Gesichtserkennung,
** kritische Infrastrukturen...
** Pflichten: Risikomanagement, Dokumentation, Transparenz, menschliche Aufsicht, Monitoring.

* '''Geringes Risiko (Transparenzpflichten):'''
** Chatbots,
** Emotionserkennung,
** generative Bild- und Videosysteme.

* '''Minimales Risiko:'''
** Spamfilter,
** Predictive Maintenance,
** Videospiel-KI.

=== Datenschutz (DSGVO) ===
* Zweckbindung, Datenminimierung, Transparenz und Sicherheit
* Artikel 22: Einschränkungen bei rein automatisierten Entscheidungen mit erheblicher Wirkung
* Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko

=== Ethik und gute Praxis ===
* Fairness und Nichtdiskriminierung
* Transparenz und Erklärbarkeit
* Sicherheit und Robustheit
* Menschliche Aufsicht (Human-in-the-Loop)
* Protokollierung und Monitoring
* Kennzeichnung von KI-generierten Inhalten (z. B. Deepfakes)

=== Kurzmerksatz ===
'''KI bietet große Chancen für Effizienz und Innovation, erfordert jedoch verantwortungsvollen Einsatz, klare Regeln und menschliche Kontrolle.'''

Expertensystem

2026-04-10T06:27:48Z

Moettke: Die Seite wurde neu angelegt: „Ein '''Expertensystem''' ist ein regelbasiertes KI-System, das das Wissen von menschlichen Experten nachbildet, um Entscheidungen zu treffen oder Probleme zu lösen. Es arbeitet nicht mit Lernen aus Daten, sondern mit festen '''Wenn-Dann-Regeln'''. '''Aufbau:''' * '''Wissensbasis''' – enthält Fakten und Regeln (z. B. „Wenn Symptom A und B, dann Krankheit X“) * '''Inferenzmaschine''' – wendet die Regeln an und zieht Schlussfolgerungen '''Be…“

Ein '''Expertensystem''' ist ein regelbasiertes KI-System, das das Wissen von menschlichen Experten nachbildet, um Entscheidungen zu treffen oder Probleme zu lösen.

Es arbeitet nicht mit Lernen aus Daten, sondern mit festen '''Wenn-Dann-Regeln'''.

'''Aufbau:'''
* '''Wissensbasis''' – enthält Fakten und Regeln (z. B. „Wenn Symptom A und B, dann Krankheit X“)
* '''Inferenzmaschine''' – wendet die Regeln an und zieht Schlussfolgerungen

'''Beispiel:'''
Ein medizinisches Expertensystem:
* Wenn Fieber + Husten → mögliche Grippe
* Wenn Hautausschlag → mögliche Allergie

'''Merkmale:'''
* nachvollziehbare Entscheidungen
* keine Lernfähigkeit
* stark vom hinterlegten Wissen abhängig

== Kurzmerksatz ==
'''Ein Expertensystem trifft Entscheidungen auf Basis fester Regeln, nicht durch Lernen aus Daten.'''

Künstliche Intelligenz Überblick

2026-04-10T06:27:15Z

Moettke: /* KI vs. ML vs. DL – Unterschiede */

Dieser Artikel gibt einen kompakten Überblick über '''Künstliche Intelligenz (KI)''', ihre Teilbereiche, Einsatzmöglichkeiten, wirtschaftliche Aspekte sowie rechtliche und ethische Rahmenbedingungen (EU-Fokus).

== KI vs. ML vs. DL – Unterschiede ==

* '''Künstliche Intelligenz (KI)''' ist der Oberbegriff für alle Verfahren, die „intelligentes“ Verhalten nachbilden.
Dazu gehören:
* regelbasierte Systeme (z. B. Expertensysteme mit festen Regeln)
* lernende Systeme (Machine Learning)

* '''Maschinelles Lernen (ML)''' ist ein Teilbereich der KI.
Hier werden Modelle mit Daten trainiert, um Muster zu erkennen und Vorhersagen zu treffen.
Der Ablauf ist typisch:
* Trainingsdaten → Modell lernt Zusammenhänge → Vorhersage auf neuen Daten

Beispiele:
* Spam-Erkennung
* Kreditbewertung
* Klassifikation (z. B. „Katze oder Hund“)

* '''Deep Learning (DL)''' ist ein Teilbereich des ML.
Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep = tief).
Diese Modelle lernen Merkmale automatisch aus großen Datenmengen.

Beispiele:
* Bilderkennung (Gesicht, Objekte)
* Sprachverarbeitung (Speech-to-Text)
* Chatbots und generative KI (z. B. Texte erzeugen)

=== Wichtiger Unterschied ===

* KI kann '''regelbasiert oder lernend''' sein
* ML ist '''immer datengetriebenes Lernen'''
* DL ist '''eine spezielle ML-Methode mit neuronalen Netzen'''

=== Kurzvergleich ===
{| class="wikitable" style="width:100%; text-align:center;"
! Kriterium !! KI (gesamt) !! ML !! DL
|-
| Ansatz || Regeln + Lernen || Lernen aus Daten || Neuronale Netze (mehrschichtig)
|-
| Beispiele || [[Expertensystem]] || Spamfilter || Bilderkennung, ChatGPT
|-
| Datenbedarf || gering–hoch || mittel–hoch || sehr hoch
|-
| Komplexität || variabel || mittel || hoch
|-
| Erklärbarkeit || hoch–mittel || mittel || gering
|}

== Prompt und Token ==

=== Prompt ===
Ein '''Prompt''' ist die Eingabe, die ein Benutzer an ein KI-System gibt.
Er bestimmt maßgeblich die Qualität der Antwort.

'''Beispiele:'''
* „Erkläre mir Bubble Sort einfach.“
* „Schreibe einen Java-Code für eine Schleife.“

Je genauer der Prompt, desto besser das Ergebnis.

=== Token ===
Ein '''Token''' ist eine kleine Texteinheit, die von einem KI-Modell verarbeitet wird.
Ein Token kann sein:
* ein Wort
* ein Teil eines Wortes
* ein Satzzeichen

'''Beispiel:'''
„Ich gehe nach Hause.“ → mehrere Tokens

KI-Modelle verarbeiten Text '''nicht als ganze Sätze, sondern als Token-Folgen'''.

=== Bedeutung von Tokens ===
* bestimmen die '''maximale Eingabelänge'''
* beeinflussen '''Kosten und Performance'''
* wichtig für Kontext (z. B. „wie viel Text merkt sich das Modell?“)

== Kurzmerksatz ==
'''KI ist der Oberbegriff, ML lernt aus Daten, DL nutzt neuronale Netze – und KI arbeitet intern mit Tokens, gesteuert durch Prompts.'''

== Einsatzmöglichkeiten ==

* '''Office & Wissensarbeit:''' Textentwürfe, Übersetzungen, Recherche, Meeting-Notizen, Code-Assistenz
* '''Kundenservice & Vertrieb:''' Chatbots, Antwortvorschläge, Lead-Scoring, Personalisierung
* '''Industrie / IoT:''' Predictive Maintenance, visuelle Qualitätsprüfung, Supply-Chain-Optimierung
* '''Finanzen:''' Betrugserkennung, Kredit-Scoring (unter strengen Compliance-Vorgaben)
* '''Gesundheit:''' Bilddiagnostik-Support, Triage-Tools (als Assistenzsysteme)
* '''Bildung:''' Adaptive Lernpfade, automatisiertes Feedback, Lern-Analytics
* '''Öffentlicher Sektor:''' Dokumentenklassifikation, Entscheidungsunterstützung, Verkehrs- und Energieoptimierung

== Wirtschaftliche Betrachtung ==

* '''Chancen:''' Studien schätzen für generative KI ein jährliches Potenzial von mehreren Billionen US-Dollar über viele Anwendungsfelder hinweg.
* '''Kosten:'''
** Daten (Beschaffung, Aufbereitung, Labeling)
** Technik (Modelle, GPU, Speicher, APIs)
** Betrieb (MLOps, Monitoring)
** Compliance & Security (DSGVO, EU-AI-Act)
** Personal & Change-Management (Schulungen)
* '''ROI-Hebel:''' Automatisierung, Qualitätssteigerung, Fehlerreduktion, bessere Entscheidungen, neue Produkte.
* '''Arbeitsmarkt:''' Produktivitätsgewinne sind wahrscheinlich, erfordern aber Weiterbildung und Anpassung von Kompetenzen.

== Vorteile und Nachteile ==

=== Vorteile ===
* Skalierbare Automatisierung repetitiver Aufgaben
* Schnellere, datenbasierte Entscheidungen
* Personalisierung in Echtzeit
* Entlastung von Routinetätigkeiten

=== Nachteile und Risiken ===
* '''Bias & Fairness:''' Verzerrte Trainingsdaten können diskriminierende Ergebnisse erzeugen
* '''Erklärbarkeit:''' Black-Box-Modelle erschweren Nachvollziehbarkeit
* '''Sicherheit & Robustheit:''' Halluzinationen, Prompt- und Datenangriffe
* '''Betriebsrisiken:''' Modell-Drift, Compliance- und IP-Risiken
* '''Abhängigkeiten:''' Vendor-Lock-in, hohe Rechen- und Energiekosten

== Rechtliche und ethische Aspekte (EU-Fokus) ==

=== EU-KI-Gesetz (EU AI Act) ===

Das EU-KI-Gesetz ordnet KI-Systeme in vier Risikoklassen ein:

* '''Verbotene Systeme (inakzeptables Risiko):'''
**Social Scoring,
** biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum,
** manipulative Beeinflussung.

* '''Hochrisiko-Systeme (streng reguliert):'''
** Bewerbermanagement,
** Kredit-Scoring,
** Gesichtserkennung,
** kritische Infrastrukturen...
** Pflichten: Risikomanagement, Dokumentation, Transparenz, menschliche Aufsicht, Monitoring.

* '''Geringes Risiko (Transparenzpflichten):'''
** Chatbots,
** Emotionserkennung,
** generative Bild- und Videosysteme.

* '''Minimales Risiko:'''
** Spamfilter,
** Predictive Maintenance,
** Videospiel-KI.

=== Datenschutz (DSGVO) ===
* Zweckbindung, Datenminimierung, Transparenz und Sicherheit
* Artikel 22: Einschränkungen bei rein automatisierten Entscheidungen mit erheblicher Wirkung
* Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko

=== Ethik und gute Praxis ===
* Fairness und Nichtdiskriminierung
* Transparenz und Erklärbarkeit
* Sicherheit und Robustheit
* Menschliche Aufsicht (Human-in-the-Loop)
* Protokollierung und Monitoring
* Kennzeichnung von KI-generierten Inhalten (z. B. Deepfakes)

=== Kurzmerksatz ===
'''KI bietet große Chancen für Effizienz und Innovation, erfordert jedoch verantwortungsvollen Einsatz, klare Regeln und menschliche Kontrolle.'''

Künstliche Intelligenz Überblick

2026-04-10T06:25:16Z

Moettke: /* Prompt und Token */

Dieser Artikel gibt einen kompakten Überblick über '''Künstliche Intelligenz (KI)''', ihre Teilbereiche, Einsatzmöglichkeiten, wirtschaftliche Aspekte sowie rechtliche und ethische Rahmenbedingungen (EU-Fokus).

== KI vs. ML vs. DL – Unterschiede ==

* '''Künstliche Intelligenz (KI)''' ist der Oberbegriff für alle Verfahren, die „intelligentes“ Verhalten nachbilden.
Dazu gehören:
* regelbasierte Systeme (z. B. Expertensysteme mit festen Regeln)
* lernende Systeme (Machine Learning)

* '''Maschinelles Lernen (ML)''' ist ein Teilbereich der KI.
Hier werden Modelle mit Daten trainiert, um Muster zu erkennen und Vorhersagen zu treffen.
Der Ablauf ist typisch:
* Trainingsdaten → Modell lernt Zusammenhänge → Vorhersage auf neuen Daten

Beispiele:
* Spam-Erkennung
* Kreditbewertung
* Klassifikation (z. B. „Katze oder Hund“)

* '''Deep Learning (DL)''' ist ein Teilbereich des ML.
Es verwendet '''künstliche neuronale Netze mit vielen Schichten''' (deep = tief).
Diese Modelle lernen Merkmale automatisch aus großen Datenmengen.

Beispiele:
* Bilderkennung (Gesicht, Objekte)
* Sprachverarbeitung (Speech-to-Text)
* Chatbots und generative KI (z. B. Texte erzeugen)

=== Wichtiger Unterschied ===

* KI kann '''regelbasiert oder lernend''' sein
* ML ist '''immer datengetriebenes Lernen'''
* DL ist '''eine spezielle ML-Methode mit neuronalen Netzen'''

=== Kurzvergleich ===
{| class="wikitable" style="width:100%; text-align:center;"
! Kriterium !! KI (gesamt) !! ML !! DL
|-
| Ansatz || Regeln + Lernen || Lernen aus Daten || Neuronale Netze (mehrschichtig)
|-
| Beispiele || Expertensystem || Spamfilter || Bilderkennung, ChatGPT
|-
| Datenbedarf || gering–hoch || mittel–hoch || sehr hoch
|-
| Komplexität || variabel || mittel || hoch
|-
| Erklärbarkeit || hoch–mittel || mittel || gering
|}

== Prompt und Token ==

=== Prompt ===
Ein '''Prompt''' ist die Eingabe, die ein Benutzer an ein KI-System gibt.
Er bestimmt maßgeblich die Qualität der Antwort.

'''Beispiele:'''
* „Erkläre mir Bubble Sort einfach.“
* „Schreibe einen Java-Code für eine Schleife.“

Je genauer der Prompt, desto besser das Ergebnis.

=== Token ===
Ein '''Token''' ist eine kleine Texteinheit, die von einem KI-Modell verarbeitet wird.
Ein Token kann sein:
* ein Wort
* ein Teil eines Wortes
* ein Satzzeichen

'''Beispiel:'''
„Ich gehe nach Hause.“ → mehrere Tokens

KI-Modelle verarbeiten Text '''nicht als ganze Sätze, sondern als Token-Folgen'''.

=== Bedeutung von Tokens ===
* bestimmen die '''maximale Eingabelänge'''
* beeinflussen '''Kosten und Performance'''
* wichtig für Kontext (z. B. „wie viel Text merkt sich das Modell?“)

== Kurzmerksatz ==
'''KI ist der Oberbegriff, ML lernt aus Daten, DL nutzt neuronale Netze – und KI arbeitet intern mit Tokens, gesteuert durch Prompts.'''

== Einsatzmöglichkeiten ==

* '''Office & Wissensarbeit:''' Textentwürfe, Übersetzungen, Recherche, Meeting-Notizen, Code-Assistenz
* '''Kundenservice & Vertrieb:''' Chatbots, Antwortvorschläge, Lead-Scoring, Personalisierung
* '''Industrie / IoT:''' Predictive Maintenance, visuelle Qualitätsprüfung, Supply-Chain-Optimierung
* '''Finanzen:''' Betrugserkennung, Kredit-Scoring (unter strengen Compliance-Vorgaben)
* '''Gesundheit:''' Bilddiagnostik-Support, Triage-Tools (als Assistenzsysteme)
* '''Bildung:''' Adaptive Lernpfade, automatisiertes Feedback, Lern-Analytics
* '''Öffentlicher Sektor:''' Dokumentenklassifikation, Entscheidungsunterstützung, Verkehrs- und Energieoptimierung

== Wirtschaftliche Betrachtung ==

* '''Chancen:''' Studien schätzen für generative KI ein jährliches Potenzial von mehreren Billionen US-Dollar über viele Anwendungsfelder hinweg.
* '''Kosten:'''
** Daten (Beschaffung, Aufbereitung, Labeling)
** Technik (Modelle, GPU, Speicher, APIs)
** Betrieb (MLOps, Monitoring)
** Compliance & Security (DSGVO, EU-AI-Act)
** Personal & Change-Management (Schulungen)
* '''ROI-Hebel:''' Automatisierung, Qualitätssteigerung, Fehlerreduktion, bessere Entscheidungen, neue Produkte.
* '''Arbeitsmarkt:''' Produktivitätsgewinne sind wahrscheinlich, erfordern aber Weiterbildung und Anpassung von Kompetenzen.

== Vorteile und Nachteile ==

=== Vorteile ===
* Skalierbare Automatisierung repetitiver Aufgaben
* Schnellere, datenbasierte Entscheidungen
* Personalisierung in Echtzeit
* Entlastung von Routinetätigkeiten

=== Nachteile und Risiken ===
* '''Bias & Fairness:''' Verzerrte Trainingsdaten können diskriminierende Ergebnisse erzeugen
* '''Erklärbarkeit:''' Black-Box-Modelle erschweren Nachvollziehbarkeit
* '''Sicherheit & Robustheit:''' Halluzinationen, Prompt- und Datenangriffe
* '''Betriebsrisiken:''' Modell-Drift, Compliance- und IP-Risiken
* '''Abhängigkeiten:''' Vendor-Lock-in, hohe Rechen- und Energiekosten

== Rechtliche und ethische Aspekte (EU-Fokus) ==

=== EU-KI-Gesetz (EU AI Act) ===

Das EU-KI-Gesetz ordnet KI-Systeme in vier Risikoklassen ein:

* '''Verbotene Systeme (inakzeptables Risiko):'''
**Social Scoring,
** biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum,
** manipulative Beeinflussung.

* '''Hochrisiko-Systeme (streng reguliert):'''
** Bewerbermanagement,
** Kredit-Scoring,
** Gesichtserkennung,
** kritische Infrastrukturen...
** Pflichten: Risikomanagement, Dokumentation, Transparenz, menschliche Aufsicht, Monitoring.

* '''Geringes Risiko (Transparenzpflichten):'''
** Chatbots,
** Emotionserkennung,
** generative Bild- und Videosysteme.

* '''Minimales Risiko:'''
** Spamfilter,
** Predictive Maintenance,
** Videospiel-KI.

=== Datenschutz (DSGVO) ===
* Zweckbindung, Datenminimierung, Transparenz und Sicherheit
* Artikel 22: Einschränkungen bei rein automatisierten Entscheidungen mit erheblicher Wirkung
* Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko

=== Ethik und gute Praxis ===
* Fairness und Nichtdiskriminierung
* Transparenz und Erklärbarkeit
* Sicherheit und Robustheit
* Menschliche Aufsicht (Human-in-the-Loop)
* Protokollierung und Monitoring
* Kennzeichnung von KI-generierten Inhalten (z. B. Deepfakes)

=== Kurzmerksatz ===
'''KI bietet große Chancen für Effizienz und Innovation, erfordert jedoch verantwortungsvollen Einsatz, klare Regeln und menschliche Kontrolle.'''