KI-Strategie & Grundlagen

Was KI prinzipiell nicht kann: Berechenbarkeit, Komplexität, Lerngrenzen

Manche Versprechen an KI scheitern nicht an fehlender Rechenleistung oder zu wenig Daten, sondern an mathematisch beweisbaren Schranken. Dieser Seminartag führt von der Turing-Maschine und dem Halteproblem über die Komplexitätsklassen P und NP bis zum No-Free-Lunch-Theorem und erklärt, warum Halluzinationen zum Wesen lernender Systeme gehören. Übungen, eine Diskussion und eine Fallstudie übertragen die Theorie auf reale KI-Vorhaben. Wer danach eine Machbarkeitsbehauptung hört, kann sie an diesen Grenzen messen.

Für wen

Technisch und wissenschaftlich interessierte Personen, die verstehen wollen, wo die grundsätzlichen Grenzen künstlicher Intelligenz liegen.

KI-Tagesseminar · 1 Tag

Beweisbare Schranken von KI erkennen und Projekterwartungen daran ausrichten

Das nehmen Sie mit

  • Unentscheidbare und praktisch unlösbare Aufgaben lassen sich von solchen unterscheiden, die nur mehr Rechenzeit brauchen.
  • Problemstellungen ordnen Sie nach ihrer Schwierigkeit ein und erkennen, wann eine Näherungslösung der sinnvolle Weg ist.
  • Halluzinationen und das No-Free-Lunch-Theorem werden als strukturelle Eigenschaften lernender Systeme verständlich.
  • Für Gespräche über die Machbarkeit von KI-Projekten haben Sie belastbare Argumente zur Hand.

Ablauf

  1. Teil 1

    Modul 1 – Theoretisches Fundament: Turing-Maschine und Unentscheidbarkeit

    • Die Turing-Maschine als Modell dafür, was sich überhaupt algorithmisch berechnen lässt
    • Halteproblem: weshalb kein Programm für beliebige andere Programme entscheiden kann, ob sie anhalten
    • Unentscheidbarkeit und ihre Folgen für KI-Systeme, die selbst Programme sind
    • Vorführung: eine Aufgabe, die sich grundsätzlich keinem Algorithmus übertragen lässt
    • Standortbestimmung: wo Sie heute die Grenze dessen ziehen, was KI leisten kann
  2. Teil 2

    Modul 2 – Rechenaufwand: P, NP und Näherungsverfahren

    • Die Komplexitätsklassen P und NP und ihre praktische Bedeutung
    • Kombinatorische Explosion: Rechenzeiten, die jede realistische Dauer übersteigen, auch mit enormer Hardware
    • Approximation als Ausweg: gute statt optimale Lösungen in vertretbarer Zeit
    • Übung: Aufgaben wie Sortieren, Tourenplanung oder Stundenplanerstellung nach Schwierigkeit einstufen
  3. Teil 3

    Modul 3 – Lernende Systeme: Was aus Daten nicht folgt

    • No-Free-Lunch-Theorem: kein Lernverfahren schneidet über alle denkbaren Aufgaben hinweg besser ab
    • Zusammenhänge, die sich aus Beobachtungsdaten grundsätzlich nicht erschließen lassen
    • Halluzination als strukturelles Phänomen statt als behebbarer Einzelfehler
    • Weshalb es kein Modell geben kann, das jede Aufgabe beherrscht
    • Übung: an vorgegebenen Beispielen bestimmen, welche Grenze jeweils greift
  4. Teil 4

    Modul 4 – Urteilsbildung: Versprechen und begründete Erwartung

    • Marketingaussagen über KI von fundierten Erwartungen trennen
    • Aufgaben, die auch künftig beim Menschen liegen
    • Diskussion: Grenzen und Chancen von KI im Abgleich
    • Eigene Erwartungen an KI auf ein realistisches Maß kalibrieren
  5. Teil 5

    Modul 5 – Projektpraxis: Konsequenzen für KI-Vorhaben

    • Was die Schranken für Zielsetzung, Zuschnitt und Erfolgskriterien von KI-Projekten bedeuten
    • Fallstudie: eine überzogene Erwartung an ein KI-Projekt entzaubern
    • Den Spielraum innerhalb der Grenzen gezielt ausschöpfen
    • Souverän mitreden, wenn im Projekt über Machbarkeit gestritten wird
    • Fahrplan: wie Sie KI-Vorhaben künftig nüchtern und begründet einschätzen

VoraussetzungenWer Grundlagen in Mathematik oder Statistik mitbringt, folgt leichter. Programmiererfahrung wird nicht zwingend vorausgesetzt.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen