Modul 1
Übungen
Geprüft am 20.11.2026
Tragen Sie Ihre Antworten direkt in die Felder unter jeder Aufgabe ein. Auswahlfelder und Zahlen prüft die Seite sofort. Freitext-Antworten bewertet auf Knopfdruck die KI wie ein IHK-Prüfer, mit Punkten und Begründung. Öffnen Sie die Musterlösung erst danach.
Aufgabe 1: Zuordnen
6 PunkteOrdnen Sie jedem Fall Lernart und Aufgabentyp zu.
- Ein Stadtwerk sagt den Gasverbrauch des nächsten Tages in Kilowattstunden voraus; die Verbräuche der letzten Jahre sind bekannt.
- Eine Versicherung erkennt Betrugsverdacht; alte Fälle sind geprüft und markiert.
- Ein Möbelhaus teilt seine Kundschaft nach Kaufverhalten in Gruppen ein, ohne Vorgaben.
- Ein Lagerroboter lernt, Kisten möglichst schnell zu stapeln, und bekommt Punkte für jede stabile Kiste.
- Eine Bank sucht ungewöhnliche Überweisungen, ohne dass Betrugsfälle markiert sind.
- Ein Callcenter ordnet eingehende E-Mails einer von fünf Abteilungen zu; 30.000 alte Mails sind zugeordnet.
Musterlösung anzeigen
| Nr. | Lernart | Aufgabentyp |
|---|---|---|
| 1 | Überwacht | Regression |
| 2 | Überwacht | Klassifikation (binär) |
| 3 | Unüberwacht | Clustering |
| 4 | Bestärkend | Strategie lernen (Policy) |
| 5 | Unüberwacht | Anomalieerkennung |
| 6 | Überwacht | Klassifikation (Mehrklassen) |
Je 1 Punkt, wenn Lernart und Aufgabentyp stimmen.
Aufgabe 2: Begriffe abgrenzen
4 PunkteErklären Sie den Unterschied zwischen KI, maschinellem Lernen und Deep Learning und nennen Sie je ein betriebliches Beispiel.
Musterlösung anzeigen
KI ist der Oberbegriff für Systeme, die Denkaufgaben übernehmen – auch regelbasiert (z. B. Expertensystem für Störungsdiagnosen). Maschinelles Lernen ist der Teil der KI, der Regeln aus Beispielen lernt (z. B. Kündigerprognose aus Kundendaten). Deep Learning ist maschinelles Lernen mit vielschichtigen neuronalen Netzen, besonders für Bild, Ton und Text (z. B. Bauteilprüfung per Kamera). Bewertung: Teilmengenbeziehung 1 P., je Begriff mit Beispiel 1 P.
Aufgabe 3: Merkmale und Label
4 PunkteEin Autohaus will den Verkaufspreis von Gebrauchtwagen schätzen. Es hat eine Tabelle mit 8.000 verkauften Autos: Marke, Baujahr, Kilometerstand, Unfallwagen ja/nein und erzielter Preis. Nennen Sie Merkmale, Label, Aufgabentyp und Lernart.
Musterlösung anzeigen
- Merkmale: Marke, Baujahr, Kilometerstand, Unfallwagen (1 P.)
- Label: erzielter Preis (1 P.)
- Aufgabentyp: Regression, da der Preis eine Zahl ist (1 P.)
- Lernart: überwacht, da der Preis für alle Beispiele bekannt ist (1 P.)
Häufiger Fehler: „Unfallwagen ja/nein“ als Label nennen. Es ist ein Merkmal, weil es nicht vorhergesagt werden soll.
Aufgabe 4: KI oder nicht?
4 PunkteEntscheiden Sie jeweils: keine KI, KI ohne maschinelles Lernen (regelbasiert) oder maschinelles Lernen.
- Eine Tabellenkalkulation summiert Rechnungsbeträge.
- Ein Diagnosesystem für Heizungsstörungen mit 400 von Technikern geschriebenen Wenn-dann-Regeln.
- Ein Spamfilter, der aus 100.000 markierten Mails gelernt hat.
- Eine App, die aus Fotos von Blättern die Pflanzenart bestimmt.
Musterlösung anzeigen
- Keine KI – feste Rechenregel, keine Denkaufgabe wie Erkennen oder Einschätzen.
- KI ohne maschinelles Lernen (Expertensystem, regelbasiert).
- Maschinelles Lernen (überwacht, Klassifikation).
- Maschinelles Lernen, genauer Deep Learning (Bilderkennung, Klassifikation).
Aufgabe 5: Parameter und Hyperparameter
3 PunkteErklären Sie den Unterschied zwischen Parameter und Hyperparameter und nennen Sie je ein Beispiel.
Musterlösung anzeigen
Parameter lernt das Modell beim Training selbst, z. B. die Steigung einer Regressionsgeraden oder die Gewichte eines neuronalen Netzes (1,5 P.). Hyperparameter legt der Mensch vor dem Training fest, z. B. die Lernrate, die maximale Tiefe eines Entscheidungsbaums oder die Anzahl der Cluster bei k-Means (1,5 P.).
Aufgabe 6: Datenaufteilung
5 PunkteEin Datensatz hat 20.000 Beispiele. Er wird im Verhältnis 70 / 15 / 15 aufgeteilt. a) Wie viele Beispiele landen im Testdatensatz? b) Erklären Sie, wozu Validierungsdaten dienen und warum man Testdaten nicht mehrfach zum Vergleichen benutzen sollte.
Musterlösung anzeigen
a) 20.000 · 0,15 = 3.000 Beispiele (1 P.).
b) Mit Validierungsdaten werden Hyperparameter eingestellt und Modelle verglichen (2 P.). Wer Testdaten immer wieder zum Vergleichen nutzt, passt seine Entscheidungen an sie an – das Testergebnis ist dann zu optimistisch und keine ehrliche Schätzung für neue Fälle mehr (2 P.).
Aufgabe 7: Diagnose
4 PunkteOrdnen Sie zu: a) Training 62 %, Test 60 %. b) Training 99 %, Test 70 %. c) Training 91 %, Test 89 %. Welche Situation ist jeweils gemeint, und was empfehlen Sie für b)?
Musterlösung anzeigen
a) Underfitting – Modell zu einfach oder Merkmale fehlen (1 P.). b) Overfitting (1 P.). c) gute Generalisierung (1 P.). Empfehlung für b): einfacheres Modell, mehr Daten, Regularisierung oder Kreuzvalidierung (1 P.).
Aufgabe 8: Rechnen mit einem Modell
4 PunkteEin Modell schätzt die Bearbeitungszeit eines Serviceauftrags: Zeit (min) = 25 + 4 · Anzahl Positionen + 15 · Neukunde (Neukunde = 1, sonst 0). a) Berechnen Sie die Zeit für einen Neukunden mit 6 Positionen. b) Deuten Sie die Zahl 4.
Musterlösung anzeigen
a) 25 + 4 · 6 + 15 · 1 = 64 Minuten (2 P.). b) Jede zusätzliche Position verlängert die geschätzte Bearbeitungszeit um 4 Minuten, wenn alles andere gleich bleibt (2 P.).
Aufgabe 9: Algorithmus begründen
4 PunkteEine Bank will Kreditanträge vorsortieren. Die Daten liegen als Tabelle vor (40 Merkmale, 60.000 Anträge). Die Bank muss Ablehnungen gegenüber Kunden und Aufsicht begründen können. Schlagen Sie eine Verfahrensfamilie vor und begründen Sie mit zwei Kriterien.
Musterlösung anzeigen
Gut erklärbare Verfahren wie logistische Regression oder ein Entscheidungsbaum (alternativ Gradient Boosting mit Erklärverfahren wie SHAP) (1 P.). Kriterien: Tabellendaten mittlerer Größe – dafür eignen sich diese Verfahren sehr gut (1,5 P.); Begründungspflicht – einfache Modelle sind nachvollziehbar; Kreditwürdigkeitsprüfung ist zudem Hochrisiko-KI nach der EU-KI-Verordnung (1,5 P.).
Aufgabe 10: Einsatzform
3 PunkteOrdnen Sie die Einsatzform zu: Batch, Echtzeit oder Edge.
- Betrugsprüfung bei jeder Kartenzahlung an der Kasse
- Wöchentliche Absatzprognose für 300 Filialen
- Kamera an einer Abfüllanlage ohne Internetanbindung erkennt beschädigte Flaschen
Musterlösung anzeigen
1. Echtzeit – Antwort in Millisekunden nötig. 2. Batch – viele Fälle gesammelt, regelmäßig. 3. Edge – direkt auf dem Gerät. Je 1 P.
Aufgabe 11: Lebenszyklus
5 PunkteEin Modell zur Absatzprognose wurde vor zwei Jahren eingeführt. Seit einem neuen Online-Shop werden die Prognosen immer schlechter. Erklären Sie die Ursache mit dem passenden Fachbegriff und beschreiben Sie, wie ein Unternehmen so etwas künftig früh erkennt und behebt.
Musterlösung anzeigen
Ursache: Drift – das Kaufverhalten und die Daten haben sich verändert, die gelernten Zusammenhänge passen nicht mehr (2 P.). Erkennen: laufende Überwachung der Prognosegüte und der Eingabedaten, Warnschwellen, Zuständigkeit festlegen (2 P.). Beheben: mit aktuellen Daten neu trainieren, ggf. neue Merkmale (z. B. Onlineanteil) aufnehmen; geregelt über MLOps (1 P.).
Aufgabe 12: Situationsaufgabe Use Case
6 PunkteDie Muster Logistik GmbH (450 Beschäftigte) erhält täglich 2.000 Kundenanfragen per E-Mail. Mitarbeitende lesen jede Mail und leiten sie an eine von sechs Abteilungen weiter; das dauert im Schnitt 3 Minuten. Beschreiben Sie einen KI-Anwendungsfall mit den fünf Fragen aus Lektion 15 (Problem, Entscheidung, Daten, Ausgabe, Nutzenmessung) und nennen Sie Lernart und Aufgabentyp.
Musterlösung anzeigen
Problem: hoher manueller Aufwand und Verzögerung bei der Weiterleitung (1 P.). Entscheidung: an welche Abteilung eine Mail geht (1 P.). Daten: historische Mails mit der tatsächlich zuständigen Abteilung als Label (1 P.). Ausgabe: Abteilung mit Wahrscheinlichkeit; bei unsicheren Fällen Prüfung durch Menschen (1 P.). Nutzen: Zeitersparnis (2.000 · 3 min = 100 Stunden pro Tag als Obergrenze), Weiterleitungsquote richtig, Antwortzeit an Kunden (1 P.). Überwacht, Mehrklassen-Klassifikation (1 P.).
Hinweise für Lehrende
Aufgaben 1 bis 8 eignen sich für Einzelarbeit, 9 bis 12 für Zweiergruppen. Achten Sie bei Aufgabe 12 darauf, dass die Nutzenmessung konkret ist – das ist die Brücke zu Modul 13 (Abwägungsmethoden).