KI-Tools: Grundlagen

Die Verwendung von KI-Tools eröffnet neue Möglichkeiten und kann Ihr Studium sinnvoll unterstützen. Dafür ist ein grundlegendes Verständnis von KI - und insbesondere generativer KI - Voraussetzung. Hier erhalten Sie einen ersten Einblick in das Feld der "Künstlichen Intelligenz" sowie einen Überblick über die technischen, ethischen, politschen, ökologischen und datenschutzrechtlichen Herausforderungen. Ein weiterer Abschnitt bietet Ihnen Informationen zum Einsatz von KI-Tools in der wissenschaftlichen Praxis.

Wichtig: KI-Tools können Ihr Studium sinnvoll unterstützen, sollten aber stets gezielt und reflektiert eingesetzt werden. Ihr Einsatz beziehungsweise ihre Anwendung ersetzt nicht das eigenständige Lernen. Kombinieren Sie daher KI-gestütztes Lernen und Arbeiten stets mit anderen Lernformen. 

Beachten Sie beim Einsatz von KI-Tools stets die Regeln Ihrer Universität sowie die Anweisungen der Lehrveranstaltungsbtreuenden. Die Universität Wien etwa stellt Informationen zum Umgang mit künstlicher Intelligenz im Studium ↗ zur Verfügung.

Machine Learning ist ein Teilgebiet der KI, bei dem Systeme oder Modelle aus eingespeisten Daten lernen und ihre Leistung verbessern, ohne explizit dafür programmiert zu werden. Anstatt ausschließlich festen Programmierregeln zu folgen, nutzen diese Modelle Algorithmen, um Muster in großen Datenmengen zu erkennen und darauf basierend Vorhersagen oder Entscheidungen zu treffen.

Das Training dieser Systeme kann dabei auf drei verschiedene Weisen geschehen. Beim so genannten "überwachten Lernen" (supervised learning) arbeiten die Modelle mit gekennzeichneten Daten, also mit Beispielen, bei denen die richtigen Antworten bereits bekannt sind. Dahingegen finden die Systeme beim "unüberwachten Lernen" (unsupervised learning) selbstständig Strukturen in den eingespeisten Daten. Beim "selbstüberwachten Lernen" (self-supervised learning) wiederum erzeugen die Modelle Trainingshinweise aus den Daten, die später weiter verfeinert werden, will heißen, fehlende Informationen werden innerhalb der Datensätze rekonstruiert. 

Die Qualität von Machine Learning Systemen hängt schlussendlich wesentlich von den verwendeten Trainingsdaten ab. Sind diese Daten etwa unvollständig, fehlerhaft oder verzerrt, so spiegelt sich dies auch in den Ergebnissen wieder.

Generative KI beschreibt Systeme, die maschinelles Lernen nutzen, um eigenständig neue Inhalte zu erzeugen. Hierzu gehören beispielsweise Texte, Bilder, Audioinhalte oder Programmcodes. 

Die erzeugten Inhalte können zwar sehr überzeugend wirken, beruhen jedoch auf statistischen Wahrscheinlichkeiten und nicht auf einem tatsächlichen Verständnis der Daten beziehungsweise der Anfragen. 

Large Language Models (LLMs) sind KI-Systeme, die darauf spezialisiert sind, menschliche Sprache zu verarbeiten und zu generieren. Sie werden dafür mit großen Mengen an Textdaten trainiert und lernen dabei statistische Zusammenhänge zwischen Wörtern, Sätzen und anderen sprachlichen Mustern. Vereinfacht gesagt, LLMs errechnen die Häufigkeit, mit der ein bestimmtes Wort auf ein anderes Wort folgt. So ist beispielsweise die Wortreihung "mir geht es gut" um ein vielfaches wahrscheinlicher als die Wortreihung "mir geht es rot." 

Auf dieser Grundlage können die LLMs Fragen beantworten, Texte zusammenfassen, Übersetzungen erstellen oder aber auch neue Inhalte formulieren. Dabei entsteht jedoch kein neues Wissen.

Wichtig: LLMs sind, wie der Name schon sagt, lediglich Sprachmodelle und keine Wissensmodelle. Die generierten Antworten beruhen auf Wahrscheinlichkeiten und Mustererkennung, nicht auf tatsächlichem Wissen, Bewusstsein oder eigener Urteilsfähigkeit.  Dadurch können Inhalte entstehen, die zwar auf sprachlicher Ebene überzeugend wirken, aber unvollständig oder gar sachlich falsch sind. 

KI-Tools sind KI-Systeme, die von Ihnen als Endnutzende direkt verwendet werden können. Dazu zählen etwa Chatbots, Übersetzungsprogramme, Bildgeneratoren, Transkriptionsdienste oder Anwendungen zur Textanalyse. 

Der Einsatz von KI-Tools erfordert jedoch einen reflektierten und verantwortungsvollen Umgang. Ergebnisse können fehlerhaft, unvollständig oder verzerrt sein und sollten daher stets kritisch hinterfragt werden. Darüber hinaus unterscheiden sich KI-Tools hinsichtlich Datenschutz, Datentransparenz und Nutzungsbedingungen teils erheblich. 

Konkrete Anwendungsbeispiele von KI-Tools finden Sie im Abschnitt KI in der geschichtswissenschaftlichen Praxis sowie in den einzelnen Kapiteln des Abschnitts Schreibprozess. 

Der Einsatz von KI-Tools bringt neben praktischen Möglichkeiten auch verschiedene Herausforderungen mit sich. In diesem Abschnitt werden Sie mit den wichtigsten Problematiken des KI-Gebrauchs vertraut gemacht. 

Als "Halluzinationen" werden im Kontext von KI fehlerhafte oder sachlich falsche Inhalte bezeichnet, die von einem KI-Tool als scheinbar korrekte Information ausgegeben werden. Dazu zählen etwa falsche "Fakten", erfundene Quellen- oder Literaturangaben oder nicht-existierende Zitate. 

Streng genommen sind "Halluzinationen" aber keine Fehler, sondern die Folgen der Funktionsweise der KI-Tools. So schreibt Isabella Buck zusammenfassend: "KI-Halluzinationen entstehen, weil Sprachmodelle darauf abzielen, zusammenhängende und flüssige Texte zu generieren, ohne ein Verständnis für die zugrunde liegende Realität zu besitzen."

Quellen- und Literaturangaben sowie historische Fakten müssen daher von Ihnen stets sorgfältig kontrolliert und mit verlässlichen wissenschaftlichen Ressourcen abgeglichen werden. Die Verantwortung für die Richtigkeit von Inhalten bleibt auch bei der Verwendung von KI-Tools bei den Nutzer*innen.

Der Einsatz von KI-Tools wirft zahlreiche urheberrechtliche Fragen auf. Viele generative KI-Tools werden mit großen Mengen an Texten, Bildern oder anderen Materialien trainiert, die teilweise urheberrechtlich geschützt sind. Recherchieren Sie daher vorab, ob die von Ihnen hochgeladenen Inhalte zum Training von KI-Modellen verwendet werden. Denn auch das Hochladen von urheberrechtlich geschützten Texten oder Inhalten, um etwa eine Zusammenfassung zu erstellen, kann eine Urheberrechtsverletzung darstellen. 

Das universitäre KI-Angebot u:ai ↗ bietet einen klar geregelten, transparenten und rechtskonformen Einsatz von KI im Studium. Die hochgeladenen Inhalte werden nicht für KI-Training genutzt. Der Upload von urheberrechtlich geschützten Inhalten sollte daher nach Angaben der Universität Wien ↗ unter das Recht der Privatkopie fallen. Nicht erlaubt ist jedoch das Hochladen von ganzen Büchern und Zeitschriften, rechtswidrig erstellten Vorlagen oder kopiergeschützten Inhalten. 

Beachten Sie außerdem, dass KI-generierte Inhalte stets als solche gekennzeichnet werden müssen, auch wenn diese Inhalte selbst nicht unter das Urheberrecht fallen. 

Bei der Nutzung von KI-Tools müssen Datenschutz und Datensicherheit besonders beachtet werden. Viele KI-Systeme verarbeiten die von Ihnen eingegebenen Inhalte auf externen Servern und je nach Anbieter können diese Daten gespeichert oder für weitere Trainingszwecke verwendet werden. Daher sollten Sie keinesfalls sensible oder personenbezogene Daten, unveröffentlichte Forschungsergebnisse oder vertrauliche Dokumente in öffentliche KI-Tools einspeisen. Als Nutzer*in tragen Sie Verantwortung dafür, datenschutzrechtliche Vorgaben einzuhalten, insbesondere im Umgang mit fremden Daten. 

Das universitäre KI-Tool u:ai ↗ wird in einer gesicherten Cloud betrieben und garantiert eine EU-konforme Verarbeitung der Daten, die darüberhinaus auch nicht für das Training von KI-Modellen verwendet werden. Wichtig: Dies gilt jedoch nicht für die Internetsuche sowie für etwaige neue Modelle, die als nicht EU-konform gekennzeichnet sind. 

Weitere Informationen zu Datenschutz und KI finden Sie im Leitfaden des CTL ↗. 

Durch ihre technische Komplexität ist die genaue Funktionsweise von KI-Tools für "normale" Nutzende nur schwer nachvollziehbar. Dieses Phänomen wird auch als "Black-Box-Problem" bezeichnet. 

Unter einer Black-Box-KI versteht man ein System, bei der die Nutzenden zwar die Eingabe (den Input) und das Ergebnis (den Output) sehen, aber den genauen Rechenweg nicht nachvollziehen können. Die Vorteile von solchen KIs sind ihre hohe Leistungsfähigkeit, ihre Flexibilität sowie Genauigkeit bei der Verarbeitung von komplexen Aufgaben wie etwa Bilderkennung oder Sprachverarbeitung. Nachteilig sind die bereits erwähnte mangelnde Nachvollziehbarkeit, die schwierige Fehlersuche sowie ein hohes Risiko von versteckten Verzerrungen und unethischem Verhalten. 

Weitere technische Herausforderungen sind die Abhängigkeit von Infrastruktur, Software und kommerziellen Plattformen. Hierdurch können beispielweise die Systemstabilität sowie die langfristige Verfügbarkeit von bestimmten KI-Tools nicht gewährleistet werden. Aber auch laufende Veränderungen und Aktualisierungen können die Nutzbarkeit von KI-Tools beeinträchtigen. 

Die Verwendung von KI-Tools wirft auch Fragen zu den ethischen und gesellschaftlichen Aspekten der KI-Nutzung auf. 

Da KI-Systeme auf bestehenden Daten trainiert werden, können sie gesellschaftliche Vorurteile, stereotype Darstellungen oder diskriminierende Muster übernehmen und reproduzieren. Zudem ist häufig unklar, nach welchen Kriterien bestimmte Ergebnisse erzeugt werden oder welche Daten in die Entwicklung der Systeme eingeflossen sind.

Aber auch Schule und Arbeitswelt werden durch den Einsatz von KI drastisch verändert. Ethisch muss muss daher sichergestellt werden, dass der technologische Wandel nicht zu massiver sozialer Ungleichheit oder Entfremdung führt.

Des Weiteren ist es ethisch problematisch, wenn moralische Entscheidungen oder die Letztverantwortung vollständig auf Algorithmen übertragen werden, da Maschinen kein echtes ethisches oder moralisches Urteilsvermögen besitzen.

Da KI-Systeme mit großen Mengen bestehender Daten trainiert werden, können sich gesellschaftliche und politische Ungleichgewichte in ihren Ergebnissen widerspiegeln. So sind etwa bestimmte Perspektiven oder politische Positionen in den Trainingsdaten entweder stärker oder weniger stark vertreten als andere. Dadurch besteht die Gefahr, dass KI-Tools diesen Bias reproduzieren oder gar verstärken. In der Forschung wird darauf hingewiesen, dass solche unausgewogenen Darstellungen zu einer weiteren Polarisierung gesellschaftlicher Debatten beitragen können. Gleichzeitig kann dies die Qualität öffentlicher Diskurse beeinträchtigen und die Fähigkeit zu einem konstruktiven Austausch erschweren.

Darüber hinaus stellt sich die Frage, inwiefern KI-Tools zur Manipulation öffentlicher Meinungen oder zur Verbreitung von Desinformation eingesetzt werden können. Hier besteht einerseits die Gefahr von politischer oder ideologischer Einflussnahme durch die Auswahl von Trainingsdaten oder durch Einschränkungen bei generierten Antworten. Andererseits stellt aber auch eine weitgehend unkontrollierte Ausgabe von Inhalten ein großes Problem dar. Ohne ensprechende Schutzmechanismen können KI-Tools rassistische, diskriminierende oder gewaltverherrlichende Inhalte erzeugen oder aber auch historische Fakten verzerren. 

Der Betrieb und das Training von KI-Systemen benötigen massive Rechenleistungen, die wiederum große Mengen and Energie und Ressourcen verbrauchen. So verbrauchen die Rechenzentren großer Sprachmodelle neben Strom auch erhebliche Mengen an Wasser zur Kühlung von Prozessoren, was angesichts der Wasserknappheit in bestimmten Regionen besorgniserregend ist. 

Aber auch der Abbau von benötigten Rohstoffen für die Hardware der Rechenzentren ist mit erheblichen ökologischen und daraus resultierenden sozialen Kosten verbunden. Die gravierendsten Probleme sind dabei die Umweltverschmutzung, die Zerstörung von Lebensräumen sowie die Ausbeutung und gesundheitliche Gefährdung von Arbeiter*innen. 

Ein reflektierter Umgang mit KI umfasst daher auch die Abwägung zwischen Ihrem Nutzen und den damit verbundenen ökologischen Auswirkungen. Denken Sie deshalb vorab gründlich über Ihre Anfrage nach und erstellen Sie gegebenenfalls einen ausführlichen Prompt, um Ihre Anfrage gezielt zu steuern. Vermeiden Sie Anfragen, die Sie durch gezielte Suche selbst beantworten können sowie wiederholte Anfragen zum selben Thema.

Der Einsatz von KI-Tools kann langfristig Auswirkungen auf Lern- und Denkprozesse haben. Da viele Anwendungen Informationen schnell zusammenfassen, strukturieren oder formulieren können, besteht die Gefahr, dass Nutzer*innen Aufgaben zunehmend an KI-Systeme auslagern. Dies kann dazu führen, dass eigene Fähigkeiten wie kritisches Lesen, analytisches Denken oder eigenständiges Formulieren weniger aktiv eingesetzt werden. Besonders im Studium ist jedoch die eigenständige Auseinandersetzung mit den Inhalten ein zentraler Bestandteil des Lernprozesses.