Lernziele
Wiederholung zentraler Begriffe und Konzepte. Überblick über das Gelernte. Eigene Lernsituation reflektieren. Erste Schritte zur Umsetzung planen. Motivation zur weiteren Auseinandersetzung mit Künstlicher Intelligenz.
Wie fange ich an?
In diesem Kurs hast Du die Grundlagen von Künstlicher Intelligenz kennengelernt. Jetzt geht es darum, selbst auszuprobieren: Nutze verschiedene Sprachmodelle, stelle konkrete Fragen – also Prompts – und beobachte, wie die Modelle reagieren. Beurteile die Antworten kritisch. Stimmen sie, sind sie hilfreich? So entwickelst Du Schritt für Schritt ein besseres Gespür für den Umgang mit KI.
Unten findest Du Links zu Tools und Beispielen, wie gemeinnützige Organisationen mit KI arbeiten. Viele Anwendungen kannst Du selbst ausprobieren und so praktische Erfahrung sammeln.
Wenn Du eine neue Anwendung entwickeln willst, solltest Du das zugrunde liegende Problem genau verstehen. Auch wenn Du schon eine Lösung im Kopf hast, prüfe zuerst, ob Du das Problem richtig eingeschätzt hast.
Sprich mit den Menschen, für die Du etwas entwickeln willst. Finde heraus, was sie brauchen und wie sie sich verhalten. Analysiere typische Situationen, in denen Dein Produkt oder deine Anwendung eine Rolle spielt. Du kannst Abläufe beschreiben oder Gespräche führen, um Muster zu erkennen.
Wenn Du das Problem verstanden hast, formuliere es klar, zum Beispiel als Frage: „Wie können wir Person A dabei helfen, Problem X zu lösen?“
Anschließend beginnt die kreative Phase der Ideenfindung. Bevor Du dann mit der Umsetzung von Ideen beginnst, informiere Dich, ob es schon Lösungen anderer gibt, die Du nutzen oder weiterentwickeln kannst.
Unten findest Du weiterführende Links zu Methoden der Bedarfsanalyse und Ideenfindung sowie Tools und Kurse für vertiefendes Lernen.
Und jetzt wünsche ich Dir viel Erfolg und gutes Gelingen bei Deinem KI-Projekt.
Wie komme ich mit einfachen Anwendungsbeispielen ins Tun?
Am Anfang muss es nicht gleich ein großes Projekt sein. Um ein Gefühl für mögliche Anwendungen zu bekommen, kannst Du mit Sprachmodellen (Large Language Models) im Dialog üben, eigene Prompts zu formulieren und die Ergebnisse kritisch zu hinterfragen. Dabei lohnt es sich, die Ergebnisse unterschiedlicher KI-Modelle auf denselben Prompt zu vergleichen.
Neben großen amerikanischen Sprachmodellen, wie ChatGPT, Claude oder Gemini, sind auch europäische KI-Modelle auf den Markt, die mehr Wert auf Datenschutz und Privatsphäre legen und auf weitere Sprachen trainiert wurden, zum Beispiel:
- Le Chat von Mistral (Frankreich)
- Lumo von Proton (Schweiz)
- Public AI (Schweiz)
In diesem Übung findest du einfache Beispielprompts, mit denen Du beginnen kannst, ein Gefühl für den Dialog mit Sprachmodellen zu entwickeln und ihre Stärken und Grenzen zu testen.
REFLEXION: Was habe ich gelernt?
Grundlagen KI, Machine Learning und Deep Learning
In Modul 1 hast Du gelernt, dass Künstliche Intelligenz (KI) der Oberbegriff für verschiedene Technologien ist, die menschenähnliche Denk- oder Entscheidungsprozesse nachbilden. Eine wichtige Unterkategorie ist Machine Learning (ML), bei der Systeme durch Erfahrungen aus Daten besser werden, statt durch fest einprogrammierte Regeln. Deep Learning (DL) ist wiederum eine spezielle Form des ML, die auf künstlichen neuronalen Netzen basiert und besonders leistungsfähig ist, wenn sehr viele Daten verarbeitet werden müssen.
Du kennst nun die beiden zentralen Lernarten: überwachtes Lernen (Supervised Learning), bei dem das System mit gelabelten Beispielen trainiert wird, und unüberwachtes Lernen (Unsupervised Learning), bei dem es selbstständig Muster in den Daten erkennt.
Der Entwicklungsprozess eines Machine Learning-Systems lässt sich in mehrere Schritte gliedern: Zuerst wird das Problem genau definiert, dann werden passende Daten gesammelt. Anschließend wählt man ein Modell, trainiert es, testet die Ergebnisse und verbessert es bei Bedarf.
Anhand von Alltagsbeispielen, etwa Spamfiltern, Chatbots oder automatischer Bildbearbeitung, hast Du gesehen, wo Machine Learning Dir bereits begegnet. Im Quiz konntest Du die wichtigsten Begriffe wiederholen, und mit der Teachable Machine hast Du selbst ein kleines Modell trainiert, um Bilder zu erkennen. So hast Du den kompletten Zyklus von der Datensammlung über das Training bis zur Anwendung in der Praxis erlebt.
Reflexion: Überlege, welche Begriffe Du inzwischen in eigenen Worten erklären kannst. Welche Schritte des ML-Prozesses sind Dir besonders klar, und bei welchen würdest Du Dir noch mehr Übung wünschen?
KI-Anwendungen und gesellschaftlicher Nutzen
In Modul 2 hast Du einen Überblick über verschiedene Anwendungsfelder von KI gewonnen. Dazu gehören Natural Language Processing (NLP) für die Verarbeitung von Texten, Spracherkennung für die Umwandlung von Sprache in Text, Generative KI zur Erstellung neuer Inhalte, Computer Vision zur Analyse von Bildern, Empfehlungssysteme, Anomalie-Erkennung sowie Robotik. Du weißt nun, dass dieselbe Technologie je nach Kontext unterschiedlich bewertet werden kann, beispielsweise gilt Gesichtserkennung als besonders sensibel.
Ein Schwerpunkt lag auf KI für das Gemeinwohl: Du hast Beispiele kennengelernt, wie KI den Zugang zu Bildung verbessern, digitale Inklusion fördern, Beratungsangebote erweitern, die Demokratie stärken oder die Nachhaltigkeit unterstützen kann. Du hast Best-Practice-Beispiele kennengelernt, wie die Demokratieförderquote, die KI-Ideenwerkstatt für Umweltschutz und die Plattform We Care Remote für Krisensituationen.
Mit einer Reflexionsübung hast Du Chancen, Risiken und Maßnahmen zur Risikominimierung betrachtet. So konntest Du erkennen, dass neben positiven Effekten auch Herausforderungen bedacht werden müssen, wie Bias und Diskriminierung, Datenschutz und Umgang mit sensiblen Daten oder der Ressourcenverbrauch.
Reflexion: Überlege, welche Anwendungsbeispiele dich besonders inspiriert haben. Wo siehst Du in deinem eigenen Arbeitsumfeld konkrete Einsatzmöglichkeiten, und welche Risiken würdest Du von Anfang an aktiv adressieren?
KI-Potenziale im eigenen Arbeitsumfeld erkennen
In Modul 3 hast Du gelernt, Kriterien zu erkennen, wann KI in der Praxis sinnvoll eingesetzt werden kann. Besonders geeignet ist KI für klar definierte, *wiederkehrende* Aufgaben, bei denen große Mengen an *Daten* vorliegen. Weniger geeignet ist sie für sehr komplexe oder schlecht strukturierte Probleme, bei denen menschliches Urteilsvermögen oder Kreativität im Vordergrund stehen und der Nutzen in keinem guten Verhältnis zu den *Kosten* steht.
Du weißt nun, welche Ressourcen für ein KI-Projekt nötig sind: neben Technik und Know-how auch *Energie*, Zeit und Budget. Daten können aus unterschiedlichen Quellen stammen, etwa aus internen Beständen, aus öffentlich zugänglichen Angeboten oder durch Partnerschaften.
Du kannst verschiedene Datenarten unterscheiden: strukturierte, *unstrukturierte* und halbstrukturierte Daten sowie Spezialformen wie Zeitreihen oder Geodaten. Ebenso kennst Du grundlegende Modelltypen und ihre Einsatzbereiche, z. B. Klassifikation, Regression, Clustering, Sprachmodelle oder *Bilderkennung*.
Im Entscheidungsszenario Finde Deine passende KI-Lösung hast Du Schritt für Schritt gelernt, eine Aufgabe zu analysieren, die Eignung von KI zu prüfen und auf dieser Basis ein passendes Modell auszuwählen.
Reflexion: Überlege, welche konkrete Aufgabe aus deinem Alltag sich für KI eignen könnte. Welche Daten hast Du bereits, und welche müsstest Du zusätzlich beschaffen?
Kritischer Blick auf KI: Risiken, Fairness, Regulierung
In Modul 4 hast Du gelernt, KI nicht nur nach ihrem Nutzen zu beurteilen, sondern auch kritisch auf Risiken und Rahmenbedingungen zu achten. Ein zentrales Thema war Bias: Daten sind nie völlig *neutral*, weil sie von menschlichen Entscheidungen, vorhandenen Strukturen oder einseitigen Quellen geprägt sein können. Deshalb ist es wichtig, vielfältige Perspektiven einzubeziehen, Tests systematisch durchzuführen und klare Regeln für *Fairness* festzulegen.
Beim Datenschutz hast Du erfahren, wie wichtig es ist, personenbezogene Informationen zu minimieren, zu anonymisieren oder gar nicht erst zu *erheben*. Transparenz über Datenverarbeitung und klare Verantwortlichkeiten sind entscheidend.
Das Thema Nachhaltigkeit hat verdeutlicht, dass KI-Anwendungen nicht unnötig groß oder energieintensiv sein sollten. Ziel ist, schlanke und *zweckmäßige* Lösungen zu entwickeln. Das Organisationsprinzip Single Source of Truth hilft dabei, Daten konsistent und *aktuell* zu halten.
Auf rechtlicher Ebene hast Du die Grundzüge des European AI Act kennengelernt, der KI-Anwendungen in verschiedene *Risikoklassen* einteilt, bis hin zu verbotenen Praktiken wie Social Scoring oder Emotionserkennung. Außerdem hast Du gesehen, welche Rolle die DSGVO beim Schutz personenbezogener Daten spielt und welche Fragen das Urheberrecht in Zusammenhang mit generativer KI aufwirft.
Reflexion: Überlege, welche Risiken für deine Organisation besonders relevant sind. Wo würdest Du klare Grenzen ziehen, und welche Prüfprozesse würdest Du vor dem Start eines KI-Projekts verbindlich einführen?
Wie kann ich weiterlernen?
Auf der Website des Civic Data Lab findest Du unter dem Menüpunkt LERNEN Kursangebote zu Daten und Künstlicher Intelligenz für Anfänger*innen, Fortgeschrittene und Expert*innen und Du kannst nach Themen suchen und Angebotsarten filtern.
Wie arbeiten andere gemeinnützige Organisationen mit KI?
Im BLOG des Civic Data Lab findest Du viele Beispiele, wie andere gemeinwohlorientierte Organisation KI einsetzen, etwa in der Beratung, der Kommunikation oder im Fundraising. Hier einige ausgewählte Beispiele:
- „KI kann Beratung im Sozialen ergänzen, aber nicht ersetzen.“
Ein Gespräch mit Emily Engelhardt, Professorin für Digitale Transformation in Sozialen Handlungsfeldern und Gesellschaft, an der Fakultät für angewandte Sozialwissenschaften an der Hochschule München. - Civic Data Lab Datenlabor: Wie gut funktioniert KI-gestützte Session-Dokumentation?
Dokumentation eines Experiments, bei dem Barcamp-Sessions mithilfe von Sprachmodellen automatisch dokumentiert werden, ohne dabei den Datenschutz zu verletzen. - Barrierefreiheit durch KI mit dem „Fair Text Assistant“
Der Fair Text Assistant ist ein KI-gestütztes Übersetzungstool, das Texte in barrierefreie Sprache überträgt und unterstützt im Wesentlichen Organisationen dabei, ihre Websites und Dokumente in Leichte Sprache zu übersetzen.
- „KI kann Beratung im Sozialen ergänzen, aber nicht ersetzen.“
Wie fange ich an, eigene Projektideen zu entwickeln und umzusetzen?
In der Toolbox des Civic Data Lab sind Materialien verlinkt, mit denen Du selbst an Datenvorhaben arbeiten kannst.
Die Publikation der Bertelsmann-Stiftung Vom Problem zur Anwendungsidee – Wie Künstliche Intelligenz gemeinwohlorientierte Organisationen unterstützen kann ist eine methodische Schritt-für-Schritt-Anleitung, wie nutzerzentrierte Ideen für das Gemeinwohl in Teams entwickelt werden können.