Häufige Fragen
Kurze Antworten auf Fragen, die Prüflinge oft stellen – nach Kurs und Modul sortiert. Zur Prüfung selbst: Berufsspezialist/in · Bachelor Professional.
Bachelor Professional KI · DQR 6
Modul 1: Grundbegriffe von KI und Maschinellem Lernen
Wie hängen KI, maschinelles Lernen und Deep Learning zusammen?
Sie sind ineinander verschachtelt: Deep Learning ist ein Teil des maschinellen Lernens, und maschinelles Lernen ist ein Teil der KI. Generative KI ist meist ein Teil des Deep Learning.
Mehr im Kapitel „Die vier Ebenen“Ist generative KI dasselbe wie KI?
Nein. Generative KI, etwa Chat-Assistenten oder Bildgeneratoren, ist nur der innerste Bereich. Die meisten KI-Anwendungen in Betrieben sind klassische Vorhersagemodelle für Zahlen oder Kategorien.
Mehr im Kapitel „Die vier Ebenen“Was bedeutet das „Deep“ in Deep Learning?
Es bezeichnet die vielen Schichten eines künstlichen neuronalen Netzes, nicht ein besonders tiefes Verständnis.
Mehr im Kapitel „Die vier Ebenen“Was sind Merkmale und Labels im maschinellen Lernen?
Merkmale (Features) sind die Eingabeinformationen eines Beispiels, etwa Vertragsdauer oder Tarif. Das Label ist die Zielgröße, die vorhergesagt werden soll, zum Beispiel ob ein Kunde gekündigt hat.
Mehr im Kapitel „Daten als Wissen“Was ist der Unterschied zwischen strukturierten und unstrukturierten Daten?
Strukturierte Daten liegen in Tabellen mit festen Spalten vor. Unstrukturierte Daten sind Texte, Bilder, Audio oder Video und müssen für ein Modell erst in Zahlen übersetzt werden.
Mehr im Kapitel „Daten als Wissen“Warum ist eine Kunden-ID kein gutes Merkmal?
Eine ID ist ein zufälliger Bezeichner ohne fachliche Bedeutung für die Zielgröße. Ein Modell, das sie nutzt, lernt Zufallsmuster auswendig und versagt bei neuen Kunden.
Mehr im Kapitel „Daten als Wissen“Wo wird KI in Unternehmen am häufigsten eingesetzt?
Typisch sind Prognosen (Absatz, Wartung), Qualitätsprüfung per Kamera, das Sortieren und Beantworten von Anfragen, Betrugserkennung und die Unterstützung bei Texten. Meist handelt es sich um Modelle, die aus früheren Fällen lernen und einen neuen Fall einschätzen.
Mehr im Kapitel „KI im Alltag und im Betrieb“Woran erkenne ich, dass in einer Anwendung maschinelles Lernen steckt?
Wenn ein System aus vielen früheren Beispielen eine Einschätzung für einen neuen Fall ableitet, statt festen, von Menschen geschriebenen Regeln zu folgen, steckt fast immer maschinelles Lernen dahinter.
Mehr im Kapitel „KI im Alltag und im Betrieb“Wie beantworte ich Fragen nach KI-Einsatzmöglichkeiten in der Situationsaufgabe?
Nennen Sie Beispiele aus der beschriebenen Situation und jeweils, was das Modell konkret ausgibt, etwa eine Zahl, eine Kategorie oder einen Text. Allgemeine Lehrbuchbeispiele ohne Bezug zum Fall bringen meist nur Teilpunkte.
Mehr im Kapitel „KI im Alltag und im Betrieb“Was ist Künstliche Intelligenz einfach erklärt?
KI ist der Oberbegriff für Computersysteme, die Aufgaben übernehmen, für die Menschen Intelligenz brauchen: wahrnehmen, verstehen, entscheiden und lernen. Sie rechnet dabei mit Wahrscheinlichkeiten und hat kein Bewusstsein.
Mehr im Kapitel „Was ist KI?“Wie definiert die EU-KI-Verordnung ein KI-System?
Nach Art. 3 Nr. 1 ist ein KI-System ein maschinengestütztes System, das für explizite oder implizite Ziele aus seinen Eingaben ableitet, wie es Ausgaben wie Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen erzeugt, und das mit unterschiedlicher Autonomie arbeitet.
Mehr im Kapitel „Was ist KI?“Was ist der Unterschied zwischen schwacher und starker KI?
Schwache KI löst eine eng umrissene Aufgabe; dazu gehören alle heutigen Systeme, auch große Sprachmodelle. Starke KI wäre allgemein intelligent wie ein Mensch und existiert bisher nicht.
Mehr im Kapitel „Was ist KI?“Ist ein regelbasiertes Expertensystem KI?
Ja, es zählt zur KI, weil es eine Denkaufgabe übernimmt. Es ist aber kein maschinelles Lernen, weil die Regeln von Menschen geschrieben und nicht aus Daten gelernt sind.
Mehr im Kapitel „Was ist KI?“Brauche ich Vorkenntnisse für den Bachelor Professional in KI und Maschinellem Lernen?
Für den Kurs nicht: Jeder Begriff wird von Grund auf erklärt. Für die Prüfungszulassung brauchen Sie aber eine Voraussetzung nach § 2 der Rechtsvorschrift, zum Beispiel eine abgeschlossene dreijährige Ausbildung, 90 ECTS plus Praxis, vier Jahre Berufspraxis oder den Berufsspezialisten KI.
Mehr im Kapitel „Einführung“Was wird in Modul 1 geprüft?
Modul 1 deckt § 4 Nr. 1 der Rechtsvorschrift ab: Regression und Klassifikation, Daten als Repräsentation von Wissen, Training, Einsatz von KI-Modellen, Arten des maschinellen Lernens, Algorithmen und typische Anwendungen. Diese Grundlagen kommen vor allem in Teil 1, Bereich A der schriftlichen Prüfung vor.
Mehr im Kapitel „Einführung“Ist Modul 1 kostenlos?
Ja. Modul 1 ist vollständig frei zugänglich, mit allen Lektionen, Übungen und dem Abschlussquiz.
Mehr im Kapitel „Einführung“Wie lernt eine Maschine?
Ein Modell macht Vorhersagen für Trainingsbeispiele, misst mit einer Verlustfunktion, wie falsch sie sind, und verstellt seine Parameter so, dass der Fehler sinkt. Das wiederholt sich, bis der Fehler kaum noch kleiner wird.
Mehr im Kapitel „Wie eine Maschine lernt“Was ist der Unterschied zwischen Parameter und Hyperparameter?
Parameter lernt das Modell beim Training selbst, zum Beispiel Gewichte. Hyperparameter legt der Mensch vorher fest, zum Beispiel die Lernrate oder die maximale Tiefe eines Entscheidungsbaums.
Mehr im Kapitel „Wie eine Maschine lernt“Was ist eine Verlustfunktion?
Eine Verlustfunktion misst, wie stark die Vorhersagen von den richtigen Antworten abweichen, etwa als mittlerer quadratischer Fehler. Das Training versucht, diesen Wert zu minimieren.
Mehr im Kapitel „Wie eine Maschine lernt“Warum teilt man Daten in Training, Validierung und Test auf?
Mit Trainingsdaten lernt das Modell, mit Validierungsdaten werden Einstellungen gewählt und Modelle verglichen, und mit Testdaten wird am Ende ehrlich geschätzt, wie gut das Modell bei neuen Fällen ist.
Mehr im Kapitel „Training, Validierung, Test“Was ist Overfitting?
Overfitting heißt, dass ein Modell die Trainingsbeispiele samt Zufall auswendig lernt. Es ist im Training sehr gut, bei neuen Daten aber deutlich schlechter.
Mehr im Kapitel „Training, Validierung, Test“Wie teilt man Zeitreihen richtig auf?
Zeitlich: mit älteren Daten trainieren und mit dem jüngsten Zeitraum testen. Bei einer zufälligen Aufteilung würde das Modell im Training schon Informationen aus der Zukunft sehen.
Mehr im Kapitel „Training, Validierung, Test“Was ist Regression im maschinellen Lernen?
Regression ist die Vorhersage einer Zahl auf einer durchgehenden Skala, etwa Preis, Absatzmenge, Energieverbrauch oder Restlebensdauer.
Mehr im Kapitel „Regression“Wie deutet man einen Koeffizienten in einem Regressionsmodell?
Er gibt an, um wie viel sich die Vorhersage ändert, wenn das Merkmal um eine Einheit steigt und alles andere gleich bleibt. Bei 11,50 € je Quadratmeter steigt die geschätzte Miete pro zusätzlichem Quadratmeter um 11,50 €.
Mehr im Kapitel „Regression“Woran misst man die Güte einer Regression?
An durchschnittlichen Fehlern wie MAE oder RMSE und am Bestimmtheitsmaß R². Diese Kennzahlen werden in Modul 4 ausführlich behandelt.
Mehr im Kapitel „Regression“Was ist Klassifikation?
Klassifikation ist die Vorhersage einer Kategorie, etwa Spam oder kein Spam. Viele Verfahren liefern dazu eine Wahrscheinlichkeit, die über eine Schwelle in eine Entscheidung übersetzt wird.
Mehr im Kapitel „Klassifikation“Was ist der Unterschied zwischen binärer, Mehrklassen- und Multi-Label-Klassifikation?
Binär heißt zwei Klassen, Mehrklassen heißt genau eine von mehreren Klassen, Multi-Label heißt, dass einem Beispiel mehrere Klassen gleichzeitig zugeordnet werden können.
Mehr im Kapitel „Klassifikation“Ist die logistische Regression eine Regression?
Nein, trotz des Namens ist sie ein Klassifikationsverfahren: Sie schätzt die Wahrscheinlichkeit, dass ein Beispiel zu einer Klasse gehört.
Mehr im Kapitel „Klassifikation“Was ist überwachtes Lernen?
Beim überwachten Lernen enthält jedes Trainingsbeispiel die richtige Antwort, das Label. Das Modell lernt die Abbildung von Merkmalen auf das Label; die Aufgabentypen sind Regression und Klassifikation.
Mehr im Kapitel „Überwachtes Lernen“Woher kommen Labels in Unternehmen?
Oft entstehen sie im Geschäftsprozess, etwa ob eine Rechnung bezahlt wurde. Andernfalls müssen Fachleute sie vergeben, was teuer ist; fehlerhafte Labels begrenzen die erreichbare Modellqualität.
Mehr im Kapitel „Überwachtes Lernen“Was ist unüberwachtes Lernen?
Beim unüberwachten Lernen gibt es keine Labels. Das Verfahren findet selbst Strukturen, etwa Gruppen ähnlicher Kunden (Clustering), ungewöhnliche Fälle (Anomalien) oder eine Verdichtung vieler Merkmale.
Mehr im Kapitel „Unüberwachtes Lernen“Was ist der Unterschied zwischen Clustering und Klassifikation?
Bei der Klassifikation sind die Klassen vorher bekannt und in den Trainingsdaten markiert. Beim Clustering entstehen die Gruppen erst durch das Verfahren, und ein Mensch gibt ihnen danach eine Bedeutung.
Mehr im Kapitel „Unüberwachtes Lernen“Was ist Reinforcement Learning?
Beim bestärkenden Lernen handelt ein Agent in einer Umgebung, erhält für seine Aktionen Belohnungen oder Strafen und lernt eine Strategie, die die Belohnung auf lange Sicht maximiert.
Mehr im Kapitel „Bestärkendes Lernen“Was ist RLHF?
Reinforcement Learning from Human Feedback: Menschen bewerten Antworten eines Sprachmodells, und das Modell lernt daraus, hilfreichere und sicherere Antworten zu geben.
Mehr im Kapitel „Bestärkendes Lernen“Warum ist die Wahl der Belohnung so wichtig?
Ein Agent optimiert genau das, was belohnt wird. Trifft die Belohnung das eigentliche Ziel nicht, findet er Abkürzungen, die formal belohnt werden, aber nicht erwünscht sind.
Mehr im Kapitel „Bestärkendes Lernen“Was ist selbstüberwachtes Lernen?
Das Verfahren erzeugt die Labels aus den Daten selbst, etwa indem es das nächste Wort eines Textes vorhersagt. So lässt sich mit sehr großen Mengen ungelabelter Daten lernen.
Mehr im Kapitel „Selbstüberwachtes Lernen“Was ist ein Foundation Model?
Ein sehr großes, breit vortrainiertes Basismodell, das für viele Aufgaben angepasst werden kann, zum Beispiel ein großes Sprachmodell. Die EU-KI-Verordnung spricht von KI-Modellen mit allgemeinem Verwendungszweck.
Mehr im Kapitel „Selbstüberwachtes Lernen“Was ist Transfer Learning?
Ein vortrainiertes Modell wird mit wenigen eigenen Beispielen auf eine neue Aufgabe angepasst. Unternehmen müssen so nicht bei null anfangen.
Mehr im Kapitel „Selbstüberwachtes Lernen“Welche Algorithmen des maschinellen Lernens sollte ich kennen?
Für die Prüfung wichtig sind lineare und logistische Regression, Entscheidungsbäume, Ensembles wie Random Forest und Gradient Boosting, k-nächste Nachbarn, Clusterverfahren wie k-Means sowie neuronale Netze.
Mehr im Kapitel „Algorithmen im Überblick“Welcher Algorithmus ist der beste?
Es gibt keinen besten. Die Wahl hängt von Datenart, Datenmenge, geforderter Genauigkeit und Erklärbarkeit ab; bei Tabellendaten sind Baum-Ensembles oft sehr stark, bei Bildern und Sprache neuronale Netze.
Mehr im Kapitel „Algorithmen im Überblick“Was ist eine Baseline?
Ein einfaches Vergleichsmodell, an dem sich aufwendigere Modelle messen lassen müssen. Ist ein komplexes Modell kaum besser als die Baseline, lohnt sich der Aufwand meist nicht.
Mehr im Kapitel „Algorithmen im Überblick“Was bedeutet Inferenz?
Inferenz ist das Anwenden eines trainierten Modells auf neue Daten, also der tägliche Einsatz nach dem Training.
Mehr im Kapitel „Einsatz von KI-Modellen“Welche Einsatzformen gibt es für KI-Modelle?
Batch (viele Fälle regelmäßig auf einmal), Echtzeit über eine Schnittstelle (eine Anfrage, sofortige Antwort) und Edge (direkt auf dem Gerät ohne Cloud).
Mehr im Kapitel „Einsatz von KI-Modellen“Warum muss ein KI-Modell im Betrieb überwacht werden?
Weil sich Daten und Zusammenhänge ändern (Drift). Ohne Überwachung werden Vorhersagen unbemerkt schlechter; deshalb gehören Monitoring und Neutraining zum Betrieb.
Mehr im Kapitel „Einsatz von KI-Modellen“Welche KI-Anwendungen gibt es in Industrie und Handel?
In der Industrie etwa vorausschauende Wartung und optische Qualitätsprüfung, im Handel Absatzprognosen, Empfehlungen und Kundensegmente.
Mehr im Kapitel „Beispielanwendungen nach Branchen“Wie beschreibe ich einen KI-Anwendungsfall?
Mit fünf Fragen: Welches Problem lösen wir, welche Entscheidung wird unterstützt, welche Daten gibt es, was gibt das Modell aus und woran wird der Nutzen gemessen.
Mehr im Kapitel „Beispielanwendungen nach Branchen“Wie wähle ich die richtige Lernart?
Erst fragen, ob ein System durch Handeln mit Belohnung lernt (bestärkend). Dann, ob Labels vorliegen (überwacht) oder nicht (unüberwacht). Bei überwachtem Lernen entscheidet die Zielgröße: Zahl heißt Regression, Kategorie heißt Klassifikation.
Mehr im Kapitel „Die richtige Lernart wählen“Was tun, wenn keine Labels vorhanden sind?
Zuerst prüfen, ob sich Labels aus dem Prozess gewinnen lassen, etwa aus späteren Ereignissen. Erst wenn das nicht geht, auf unüberwachte Verfahren wie Clustering oder Anomalieerkennung ausweichen.
Mehr im Kapitel „Die richtige Lernart wählen“Seit wann gibt es Künstliche Intelligenz?
Der Begriff entstand 1956 auf der Dartmouth-Konferenz. Erste lernende Neuronen gab es 1958 mit dem Perzeptron.
Mehr im Kapitel „Geschichte in Meilensteinen“Warum ist KI seit etwa 2012 so leistungsfähig geworden?
Drei Treiber kamen zusammen: sehr viele Daten, viel Rechenleistung durch Grafikprozessoren und bessere Verfahren wie Backpropagation und später die Transformer-Architektur.
Mehr im Kapitel „Geschichte in Meilensteinen“Was war der KI-Winter?
Phasen, in denen überzogene Erwartungen enttäuscht wurden und Förderung und Interesse stark zurückgingen, vor allem nach den Grenzen der regelbasierten Expertensysteme.
Mehr im Kapitel „Geschichte in Meilensteinen“Modul 2: Umgang mit Daten
Was gehört laut Rechtsvorschrift zum Thema „Umgang mit Daten“?
§ 4 Nr. 2 nennt Grundzüge relationaler Datenbanken, Datenvorverarbeitung, deskriptive Statistik, Visualisierung, Sicherheit sowie Datenerhebung und Datenschutz. Diese Inhalte kommen in Teil 1 der schriftlichen Prüfung vor und spielen in der Situationsaufgabe eine Rolle.
Mehr im Kapitel „Einführung“Muss ich für die Prüfung SQL schreiben können?
Sie sollten einfache Abfragen mit SELECT, WHERE, JOIN, GROUP BY und HAVING lesen und schreiben können. In der Prüfung wird Papier-SQL ohne Datenbank verlangt; der Rechenweg und die richtige Logik zählen.
Mehr im Kapitel „Einführung“Welche Skalenniveaus gibt es?
Nominal (nur Kategorien), ordinal (Reihenfolge), Intervall (gleiche Abstände, kein echter Nullpunkt) und Verhältnis (gleiche Abstände und echter Nullpunkt). Das Skalenniveau bestimmt, welche Kennzahlen und Rechnungen sinnvoll sind.
Mehr im Kapitel „Datenarten und Skalenniveaus“Ist eine Postleitzahl ein metrisches Merkmal?
Nein, sie ist nominal. Sie sieht wie eine Zahl aus, ist aber nur ein Bezeichner; für ein Modell wird sie als Kategorie behandelt oder zusammengefasst.
Mehr im Kapitel „Datenarten und Skalenniveaus“Was ist ein Primärschlüssel?
Ein Primärschlüssel ist eine Spalte oder Spaltenkombination, die jede Zeile einer Tabelle eindeutig identifiziert, zum Beispiel die Kundennummer.
Mehr im Kapitel „Relationale Datenbanken“Was ist ein Fremdschlüssel?
Ein Fremdschlüssel verweist auf den Primärschlüssel einer anderen Tabelle und stellt so eine Beziehung her, etwa die Kundennummer in der Bestelltabelle.
Mehr im Kapitel „Relationale Datenbanken“Wie setzt man eine n:m-Beziehung um?
Mit einer Zwischentabelle, die die Primärschlüssel beider beteiligten Tabellen als Fremdschlüssel enthält, zum Beispiel eine Bestellposition zwischen Bestellung und Artikel.
Mehr im Kapitel „Relationale Datenbanken“Was ist Normalisierung?
Normalisierung zerlegt Tabellen so, dass jede Information nur einmal gespeichert wird. Das verhindert Redundanz sowie Einfüge-, Änderungs- und Löschanomalien.
Mehr im Kapitel „Normalisierung“Was verlangen die 1., 2. und 3. Normalform?
1. NF: atomare Werte je Feld. 2. NF: jedes Nicht-Schlüssel-Attribut hängt vom ganzen Primärschlüssel ab. 3. NF: keine Abhängigkeiten zwischen Nicht-Schlüssel-Attributen.
Mehr im Kapitel „Normalisierung“Was macht eine SELECT-Abfrage?
SELECT wählt Spalten aus einer Tabelle (FROM), WHERE filtert die Zeilen und ORDER BY sortiert das Ergebnis.
Mehr im Kapitel „SQL I: Abfragen und Filtern“Warum funktioniert „spalte = NULL“ nicht?
Ein Vergleich mit NULL ergibt in SQL nie wahr, weil NULL für einen unbekannten Wert steht. Fehlende Werte prüft man mit IS NULL bzw. IS NOT NULL.
Mehr im Kapitel „SQL I: Abfragen und Filtern“Was ist der Unterschied zwischen INNER JOIN und LEFT JOIN?
INNER JOIN liefert nur Zeilen mit passendem Partner in beiden Tabellen. LEFT JOIN behält alle Zeilen der linken Tabelle und füllt fehlende Partner mit NULL auf.
Mehr im Kapitel „SQL II: Verknüpfen und Gruppieren“Wann nutze ich HAVING statt WHERE?
WHERE filtert einzelne Zeilen vor dem Gruppieren. HAVING filtert Gruppen nach GROUP BY, zum Beispiel nur Regionen mit mehr als 50 Verkäufen.
Mehr im Kapitel „SQL II: Verknüpfen und Gruppieren“In welcher Reihenfolge wertet SQL eine Abfrage aus?
Logisch: FROM und JOIN, dann WHERE, GROUP BY, HAVING, SELECT, ORDER BY und zuletzt LIMIT.
Mehr im Kapitel „SQL II: Verknüpfen und Gruppieren“Welche Dimensionen der Datenqualität gibt es?
Wichtig sind Vollständigkeit, Korrektheit, Konsistenz, Aktualität, Eindeutigkeit und für KI besonders die Repräsentativität der Daten.
Mehr im Kapitel „Datenqualität“Was verlangt die EU-KI-Verordnung zur Datenqualität?
Für Hochrisiko-KI verlangt Art. 10 Daten-Governance: Trainings-, Validierungs- und Testdaten müssen relevant, hinreichend repräsentativ und so weit wie möglich fehlerfrei und vollständig sein.
Mehr im Kapitel „Datenqualität“Wie geht man mit fehlenden Werten um?
Je nach Ursache und Umfang: Zeilen oder Spalten löschen, mit Median oder häufigstem Wert füllen, eine Indikatorspalte ergänzen oder den Wert modellbasiert schätzen. Wichtig ist, erst zu verstehen, warum Werte fehlen.
Mehr im Kapitel „Vorverarbeitung“Sollte man Ausreißer immer löschen?
Nein. Erst klären, ob es ein Fehler oder ein echter Extremwert ist. Fehler werden korrigiert oder entfernt, echte Extremwerte wie Großbestellungen können geschäftlich besonders wichtig sein.
Mehr im Kapitel „Vorverarbeitung“Was ist der Unterschied zwischen Min-Max-Skalierung und Standardisierung?
Min-Max bringt Werte mit (x − min) / (max − min) auf den Bereich 0 bis 1. Standardisierung rechnet z = (x − μ) / σ und ergibt Mittelwert 0 und Standardabweichung 1.
Mehr im Kapitel „Merkmale umwandeln“Welche Verfahren brauchen skalierte Merkmale?
Verfahren, die mit Abständen oder Gradienten rechnen, etwa k-nächste Nachbarn, k-Means, SVM und neuronale Netze. Entscheidungsbäume und ihre Ensembles brauchen keine Skalierung.
Mehr im Kapitel „Merkmale umwandeln“Was ist One-Hot-Kodierung?
Jede Kategorie eines nominalen Merkmals wird zu einer eigenen Spalte mit 0 oder 1. So entsteht keine künstliche Reihenfolge zwischen den Kategorien.
Mehr im Kapitel „Merkmale umwandeln“Was ist Data Leakage?
Data Leakage bedeutet, dass Informationen ins Training gelangen, die zum Vorhersagezeitpunkt nicht verfügbar wären, etwa aus den Testdaten oder aus der Zukunft. Das Modell wirkt im Test zu gut und enttäuscht im Betrieb.
Mehr im Kapitel „Data Leakage“Wie verhindert man Data Leakage?
Erst aufteilen, dann vorverarbeiten, am besten mit einer Pipeline; für jedes Merkmal prüfen, ob es zum Vorhersagezeitpunkt bekannt ist; Zeitreihen zeitlich und zusammengehörige Fälle gruppenweise trennen.
Mehr im Kapitel „Data Leakage“Wann ist der Median besser als der Mittelwert?
Bei Ausreißern und schiefen Verteilungen, etwa bei Einkommen, Lieferzeiten oder Bestellwerten. Der Median wird von einzelnen Extremwerten kaum beeinflusst.
Mehr im Kapitel „Lagemaße“Was ist der Modus?
Der Modus ist der häufigste Wert. Er ist das einzige Lagemaß, das auch für nominale Daten sinnvoll ist.
Mehr im Kapitel „Lagemaße“Wie berechnet man die Standardabweichung?
Abweichungen vom Mittelwert quadrieren, aufsummieren, durch n − 1 teilen (Stichprobenvarianz) und die Wurzel ziehen. Sie hat dieselbe Einheit wie die Daten.
Mehr im Kapitel „Streuungsmaße“Wie erkennt man Ausreißer mit dem Boxplot?
Nach Tukey gelten Werte unter Q1 − 1,5 · IQR oder über Q3 + 1,5 · IQR als Ausreißer; der IQR ist Q3 − Q1.
Mehr im Kapitel „Streuungsmaße“Was misst der Korrelationskoeffizient?
Der Pearson-Korrelationskoeffizient r misst Stärke und Richtung eines linearen Zusammenhangs zweier metrischer Merkmale, von −1 bis +1.
Mehr im Kapitel „Zusammenhänge“Warum bedeutet Korrelation keine Kausalität?
Eine dritte Größe kann beide Merkmale beeinflussen, oder der Zusammenhang ist zufällig. Ursache und Wirkung belegt man mit Experimenten oder fachlicher Begründung.
Mehr im Kapitel „Zusammenhänge“Welches Diagramm passt zu welcher Frage?
Vergleich von Kategorien: Balken. Verlauf über Zeit: Linie. Verteilung: Histogramm oder Boxplot. Zusammenhang zweier Merkmale: Streudiagramm.
Mehr im Kapitel „Visualisierung“Warum sollte die y-Achse bei Balkendiagrammen bei null beginnen?
Bei Balken wird die Länge verglichen. Eine abgeschnittene Achse lässt kleine Unterschiede riesig wirken und führt Betrachter in die Irre.
Mehr im Kapitel „Visualisierung“Was macht ein gutes Dashboard aus?
Es richtet sich an eine Zielgruppe und eine Entscheidung, zeigt wenige Kennzahlen mit Vergleichswerten, nutzt Farbe sparsam und nennt Einheiten, Zeitraum, Datenstand und Quelle.
Mehr im Kapitel „Dashboards und Diagrammgestaltung“Welche Kennzahlen gehören in ein Dashboard für ein KI-System im Betrieb?
Modellgüte über die Zeit, Drift der Eingabedaten, Anzahl der Vorhersagen, Fehler, Kosten pro Anfrage und der Anteil der Fälle, die an Menschen weitergegeben wurden.
Mehr im Kapitel „Dashboards und Diagrammgestaltung“Was sind die drei Schutzziele der Informationssicherheit?
Vertraulichkeit (nur Befugte sehen die Daten), Integrität (Daten sind unverändert und korrekt) und Verfügbarkeit (Daten sind nutzbar, wenn man sie braucht).
Mehr im Kapitel „Datensicherheit“Was ist die 3-2-1-Backup-Regel?
Drei Kopien der Daten, auf zwei verschiedenen Medien, davon eine außer Haus oder offline. So überstehen Daten auch Brand, Diebstahl oder Verschlüsselungstrojaner.
Mehr im Kapitel „Datensicherheit“Was ist der Unterschied zwischen Pseudonymisierung und Anonymisierung?
Bei der Pseudonymisierung werden identifizierende Merkmale durch Kennungen ersetzt, die Zuordnung bleibt getrennt erhalten; die Daten sind weiter personenbezogen. Anonymisierte Daten lassen sich keiner Person mehr zuordnen, die DSGVO gilt dann nicht mehr.
Mehr im Kapitel „Datenerhebung und Datenschutz“Welche DSGVO-Grundsätze gelten bei der Datenerhebung?
Vor allem Zweckbindung, Datenminimierung, Speicherbegrenzung und Transparenz; außerdem braucht jede Verarbeitung eine Rechtsgrundlage nach Art. 6 DSGVO.
Mehr im Kapitel „Datenerhebung und Datenschutz“Modul 3: Mathematik und einfache Lernverfahren
Wie viel Mathematik braucht man für den Bachelor Professional KI?
Grundrechenarten, Quadrieren, Wurzeln, Brüche und einen Taschenrechner. Die Prüfung verlangt, einfache Kennzahlen und Modelle wie lineare Regression, Bayes oder Gini-Unreinheit nachzurechnen und zu deuten, nicht Beweise.
Mehr im Kapitel „Einführung“Welche Lernverfahren nennt die Rechtsvorschrift?
§ 4 Nr. 3 nennt mathematische Grundlagen und einfache Lernverfahren; dazu gehören lineare und logistische Regression, k-nächste Nachbarn, Entscheidungsbäume und Ensembles. Neuronale Netze folgen in Modul 5.
Mehr im Kapitel „Einführung“Was ist ein Vektor im maschinellen Lernen?
Eine geordnete Liste von Zahlen. Jedes Datenbeispiel wird als Vektor seiner Merkmale dargestellt, der ganze Datensatz als Matrix.
Mehr im Kapitel „Vektoren und Matrizen“Was ist ein Skalarprodukt?
Die Summe der Produkte gleicher Positionen zweier Vektoren, zum Beispiel (2; 3) · (4; 1) = 11. Lineare Modelle berechnen ihre Vorhersage als Skalarprodukt aus Gewichten und Merkmalen.
Mehr im Kapitel „Vektoren und Matrizen“Was ist der Unterschied zwischen euklidischem und Manhattan-Abstand?
Der euklidische Abstand ist die Luftlinie nach Pythagoras, der Manhattan-Abstand die Summe der Beträge der Differenzen entlang der Achsen.
Mehr im Kapitel „Abstand und Ähnlichkeit“Wofür nutzt man die Kosinus-Ähnlichkeit?
Sie misst den Winkel zwischen zwei Vektoren und ist Standard beim Vergleich von Text-Embeddings, etwa in der Dokumentensuche für RAG-Systeme.
Mehr im Kapitel „Abstand und Ähnlichkeit“Was ist eine Ableitung anschaulich?
Die Steigung einer Funktion an einer Stelle. Für das Training zeigt sie, in welche Richtung ein Parameter verstellt werden muss, damit der Fehler sinkt.
Mehr im Kapitel „Funktionen und Steigung“Was ist ein Gradient?
Der Vektor aller partiellen Ableitungen einer Funktion mit mehreren Eingaben. Er zeigt in Richtung des steilsten Anstiegs; beim Training geht man in die Gegenrichtung.
Mehr im Kapitel „Funktionen und Steigung“Wie funktioniert der Gradientenabstieg?
Die Parameter werden schrittweise entgegen dem Gradienten der Fehlerfunktion verändert: neues w = altes w − Lernrate · Steigung. Das wiederholt sich, bis der Fehler kaum noch sinkt.
Mehr im Kapitel „Gradientenabstieg“Was ist die Lernrate?
Die Schrittweite des Gradientenabstiegs und ein Hyperparameter. Ist sie zu klein, lernt das Modell sehr langsam; ist sie zu groß, springt es über das Minimum hinweg.
Mehr im Kapitel „Gradientenabstieg“Was ist Mini-Batch-Gradientenabstieg?
Jeder Schritt nutzt eine kleine Teilmenge der Trainingsdaten, zum Beispiel 32 bis 256 Beispiele. Das ist der Standard beim Training neuronaler Netze.
Mehr im Kapitel „Gradientenabstieg“Was sagt der Satz von Bayes?
Er rechnet von P(B | A) auf P(A | B) um: P(A | B) = P(B | A) · P(A) / P(B). Dabei wird die Basisrate P(A) berücksichtigt, also wie häufig A überhaupt ist.
Mehr im Kapitel „Wahrscheinlichkeit und Bayes“Warum sind bei seltenen Ereignissen viele Alarme falsch?
Weil die vielen unauffälligen Fälle selbst bei kleiner Fehlalarmquote mehr falsche Alarme erzeugen, als es echte Fälle gibt. Bei 1 % Betrug, 90 % Erkennung und 5 % Fehlalarmen sind nur etwa 15 % der Alarme echt.
Mehr im Kapitel „Wahrscheinlichkeit und Bayes“Was ist die Normalverteilung?
Eine symmetrische, glockenförmige Verteilung um den Mittelwert μ mit der Breite σ. Rund 68 % der Werte liegen innerhalb einer, 95 % innerhalb zweier und 99,7 % innerhalb dreier Standardabweichungen.
Mehr im Kapitel „Normalverteilung“Sind alle betrieblichen Daten normalverteilt?
Nein. Einkommen, Wartezeiten oder Bestellwerte sind meist rechtsschief. Dann beschreiben Median und Quartile die Daten besser als Mittelwert und Standardabweichung.
Mehr im Kapitel „Normalverteilung“Was bedeuten b₀ und b₁ in der linearen Regression?
b₀ ist der Achsenabschnitt, also der vorhergesagte Wert bei x = 0. b₁ ist die Steigung, also die Änderung der Vorhersage, wenn x um eine Einheit steigt.
Mehr im Kapitel „Lineare Regression“Was ist ein Residuum?
Die Differenz zwischen echtem und vorhergesagtem Wert eines Beispiels, e = y − ŷ.
Mehr im Kapitel „Lineare Regression“Wie berechnet man eine Regressionsgerade von Hand?
Mittelwerte bilden, dann b₁ = Σ(x − x̄)(y − ȳ) / Σ(x − x̄)² und b₀ = ȳ − b₁ · x̄. Am übersichtlichsten geht das mit einer Tabelle der Abweichungen.
Mehr im Kapitel „Kleinste Quadrate und R²“Was bedeutet das Bestimmtheitsmaß R²?
R² ist der Anteil der Streuung der Zielgröße, den das Modell erklärt, zwischen 0 und 1. Aussagekräftig ist vor allem das R² auf Testdaten.
Mehr im Kapitel „Kleinste Quadrate und R²“Wie deutet man Koeffizienten der multiplen Regression?
Ein Koeffizient gibt an, wie sich die Vorhersage ändert, wenn das Merkmal um eine Einheit steigt und alle anderen Merkmale gleich bleiben.
Mehr im Kapitel „Multiple Regression“Was ist Multikollinearität?
Ein starker Zusammenhang zwischen Merkmalen, etwa Alter und Kilometerstand eines Autos. Die einzelnen Koeffizienten werden dann unsicher, auch wenn die Vorhersage gut bleibt.
Mehr im Kapitel „Multiple Regression“Ist die logistische Regression ein Regressionsverfahren?
Nein, sie ist ein Klassifikationsverfahren. Sie berechnet eine gewichtete Summe und wandelt sie mit der Sigmoid-Funktion in die Wahrscheinlichkeit einer Klasse um.
Mehr im Kapitel „Logistische Regression“Wie wird die Schwelle der logistischen Regression festgelegt?
Nach den Kosten der Fehler: Ist ein übersehener Fall teuer und eine Prüfung billig, senkt man die Schwelle. Das entscheiden Fachabteilung und Controlling, nicht die Mathematik.
Mehr im Kapitel „Logistische Regression“Wie funktioniert k-nächste Nachbarn?
Für einen neuen Fall werden die k ähnlichsten Trainingsbeispiele gesucht; ihre Mehrheitsklasse oder ihr Mittelwert ist die Vorhersage.
Mehr im Kapitel „k-nächste Nachbarn“Wie wählt man k?
Per Kreuzvalidierung. Kleines k folgt Ausreißern (Overfitting), großes k glättet zu stark (Underfitting); bei zwei Klassen nimmt man eine ungerade Zahl.
Mehr im Kapitel „k-nächste Nachbarn“Wie entscheidet ein Entscheidungsbaum, welche Frage er stellt?
Er wählt die Frage, nach der die entstehenden Gruppen am reinsten sind, gemessen mit Gini-Unreinheit oder Entropie, gewichtet nach Gruppengröße.
Mehr im Kapitel „Entscheidungsbaum“Wie berechnet man die Gini-Unreinheit?
G = 1 − Σ pᵢ², wobei pᵢ der Anteil der Klasse i im Knoten ist. Ein reiner Knoten hat G = 0, bei zwei gleich großen Klassen ist G = 0,5.
Mehr im Kapitel „Entscheidungsbaum“Wie verhindert man Overfitting bei Entscheidungsbäumen?
Durch Begrenzen der Tiefe, eine Mindestzahl Beispiele je Blatt oder Zurückschneiden (Pruning) – oder indem man viele Bäume zu einem Ensemble kombiniert.
Mehr im Kapitel „Entscheidungsbaum“Was ist der Unterschied zwischen Random Forest und Gradient Boosting?
Random Forest trainiert viele Bäume parallel auf Zufallsstichproben und lässt sie abstimmen. Gradient Boosting trainiert Bäume nacheinander, und jeder korrigiert die Restfehler der vorherigen.
Mehr im Kapitel „Ensembles“Welches Verfahren ist bei Tabellendaten meist am genauesten?
Gut eingestellte Gradient-Boosting-Verfahren wie XGBoost oder LightGBM schneiden bei Tabellendaten häufig am besten ab, oft besser als neuronale Netze.
Mehr im Kapitel „Ensembles“Wofür eignet sich Naive Bayes?
Vor allem für Textklassifikation wie Spamfilter oder Themenzuordnung. Es ist sehr schnell, braucht wenig Daten und ist eine gute Baseline.
Mehr im Kapitel „Naive Bayes“Was macht eine Support Vector Machine?
Sie sucht die Trennlinie mit dem größten Abstand zu den nächstgelegenen Punkten beider Klassen. Mit dem Kernel-Trick kann sie auch nicht linear trennbare Daten trennen.
Mehr im Kapitel „Support Vector Machine“Welches Lernverfahren soll ich wählen?
Nach Datenart, Datenmenge, geforderter Genauigkeit und Erklärbarkeit. Bei Begründungspflicht zuerst lineare oder logistische Regression oder Bäume, bei Tabellendaten mit Fokus auf Genauigkeit Gradient Boosting, bei Bildern und Texten neuronale Netze.
Mehr im Kapitel „Welches Verfahren wann?“Warum sollte man immer mit einer Baseline beginnen?
Weil sich ein komplexes Modell erst lohnt, wenn es messbar besser ist als ein einfaches. Die Baseline macht diesen Vergleich möglich und ist im Fachgespräch ein starkes Argument.
Mehr im Kapitel „Welches Verfahren wann?“Modul 4: Evaluierung und Clustering
Warum ist Evaluierung für den Bachelor Professional so wichtig?
Weil Sie Modelle nicht nur bauen, sondern beurteilen und vertreten müssen: Ist das Modell gut genug, lohnt es sich wirtschaftlich, und was passiert bei Fehlern? Kennzahlen wie Precision, Recall und Kosten pro Entscheidung sind die Grundlage dafür.
Mehr im Kapitel „Einführung“Was ist eine Konfusionsmatrix?
Eine Tabelle, die bei binärer Klassifikation die vier Ausgänge zählt: richtig positiv, falsch positiv, falsch negativ und richtig negativ.
Mehr im Kapitel „Konfusionsmatrix“Was ist der Unterschied zwischen Fehler 1. und 2. Art?
Fehler 1. Art ist ein falsch positives Ergebnis, also ein Fehlalarm. Fehler 2. Art ist ein falsch negatives Ergebnis, also ein übersehener Fall.
Mehr im Kapitel „Konfusionsmatrix“Was ist der Unterschied zwischen Precision und Recall?
Precision gibt an, wie viele der Alarme richtig sind: TP / (TP + FP). Recall gibt an, wie viele der echten Fälle gefunden werden: TP / (TP + FN).
Mehr im Kapitel „Accuracy, Precision, Recall, F1“Wann nutzt man den F1-Score?
Wenn Precision und Recall gleichermaßen zählen. Der F1-Score ist ihr harmonisches Mittel und wird schlecht, sobald eine der beiden Kennzahlen niedrig ist.
Mehr im Kapitel „Accuracy, Precision, Recall, F1“Was ist eine ROC-Kurve?
Sie zeigt für alle möglichen Schwellen eines Klassifikators den Recall gegen die Falsch-Positiv-Rate. Je weiter sie nach links oben reicht, desto besser trennt das Modell.
Mehr im Kapitel „ROC-Kurve und AUC“Was sagt die AUC aus?
Die Fläche unter der ROC-Kurve: 0,5 entspricht Zufall, 1 einem perfekten Modell. Sie ist unabhängig von der gewählten Schwelle und gut zum Vergleich von Modellen.
Mehr im Kapitel „ROC-Kurve und AUC“Warum ist Accuracy bei unausgewogenen Klassen irreführend?
Weil ein Modell, das immer die häufige Klasse vorhersagt, schon eine sehr hohe Accuracy erreicht, aber keinen einzigen seltenen Fall findet.
Mehr im Kapitel „Unausgewogene Klassen“Was hilft bei unausgewogenen Klassen?
Passende Kennzahlen wie Recall, Precision und F1, stratifizierte Aufteilung, Klassengewichte, Resampling nur auf den Trainingsdaten und eine nach Kosten gewählte Schwelle.
Mehr im Kapitel „Unausgewogene Klassen“Was ist der Unterschied zwischen MAE und RMSE?
Der MAE ist der mittlere absolute Fehler. Der RMSE ist die Wurzel aus dem mittleren quadrierten Fehler und bestraft große Abweichungen stärker.
Mehr im Kapitel „Regressionsmetriken“Wann ist der MAPE ungeeignet?
Wenn tatsächliche Werte null oder sehr klein sein können, weil dann durch null oder durch sehr kleine Zahlen geteilt wird.
Mehr im Kapitel „Regressionsmetriken“Was ist die Bias-Varianz-Abwägung?
Zu einfache Modelle haben einen hohen systematischen Fehler (Bias), zu komplexe reagieren stark auf Zufall in den Daten (Varianz). Gesucht ist die Komplexität mit dem kleinsten Fehler auf neuen Daten.
Mehr im Kapitel „Overfitting und Underfitting“Wie liest man eine Lernkurve?
Eine große Lücke zwischen Trainings- und Validierungsfehler zeigt Overfitting, beide Kurven hoch zeigen Underfitting. Steigt der Validierungsfehler über die Epochen wieder an, hilft Early Stopping.
Mehr im Kapitel „Lernkurven“Was ist k-fache Kreuzvalidierung?
Die Trainingsdaten werden in k Teile geteilt; in k Runden ist jeweils ein Teil Prüfdaten. Der Mittelwert der Ergebnisse ist eine stabilere Schätzung der Modellgüte.
Mehr im Kapitel „Kreuzvalidierung“Was ist stratifizierte Kreuzvalidierung?
Jeder Teil enthält denselben Anteil der Klassen wie der Gesamtdatensatz. Das ist bei unausgewogenen Klassen wichtig.
Mehr im Kapitel „Kreuzvalidierung“Was ist der Unterschied zwischen Grid Search und Random Search?
Grid Search probiert alle Kombinationen eines Rasters aus, Random Search zufällige Kombinationen in einem festen Budget. Random Search findet oft gleich gute Werte mit deutlich weniger Trainingsläufen.
Mehr im Kapitel „Hyperparameter-Tuning“Was ist Regularisierung?
Ein Strafterm für große Modellparameter in der Verlustfunktion. Er macht Modelle einfacher und wirkt Overfitting entgegen; L2 schrumpft alle Gewichte, L1 setzt unwichtige auf null.
Mehr im Kapitel „Regularisierung“Was ist eine Baseline?
Der einfachste sinnvolle Vergleich, etwa die häufigste Klasse, der Mittelwert oder das bisherige Verfahren. Ein KI-Modell muss sie deutlich schlagen, sonst lohnt es sich nicht.
Mehr im Kapitel „Baseline und Geschäftskennzahlen“Wie übersetzt man Modellgüte in Euro?
Mit einer Kostenmatrix: Jede Fehlerart bekommt ihre Kosten, zum Beispiel ein übersehener Betrug 500 € und eine unnötige Prüfung 20 €. Die Summe zeigt, welches Modell und welche Schwelle wirtschaftlich besser sind.
Mehr im Kapitel „Baseline und Geschäftskennzahlen“Wie funktioniert k-Means?
k Zentren wählen, jeden Punkt dem nächsten Zentrum zuordnen, jedes Zentrum in den Mittelpunkt seiner Punkte verschieben und das wiederholen, bis sich nichts mehr ändert.
Mehr im Kapitel „k-Means“Welche Schwächen hat k-Means?
Die Clusterzahl muss vorgegeben werden, das Ergebnis hängt vom Start ab, es findet vor allem runde, ähnlich große Cluster und braucht skalierte Merkmale.
Mehr im Kapitel „k-Means“Wie finde ich die richtige Anzahl Cluster?
Mit der Elbow-Methode (Knick in der Fehlerkurve über k) und dem Silhouettenkoeffizienten (höchster Mittelwert). Entscheidend ist zusätzlich, ob die Cluster fachlich nutzbar sind.
Mehr im Kapitel „Anzahl der Cluster wählen“Was ist ein Dendrogramm?
Das Baumdiagramm des hierarchischen Clusterings. Es zeigt, in welcher Reihenfolge Punkte und Gruppen zusammengefügt wurden; ein Schnitt auf passender Höhe ergibt die Clusterzahl.
Mehr im Kapitel „Hierarchisches Clustering“Was ist DBSCAN?
Ein dichtebasiertes Clusterverfahren: Dichte Bereiche werden zu Clustern beliebiger Form zusammengefasst, einzelne Punkte gelten als Rauschen. Eine Clusterzahl muss nicht vorgegeben werden.
Mehr im Kapitel „DBSCAN und Anomalieerkennung“Wie erkennt man Anomalien ohne Labels?
Mit statistischen Regeln wie z-Werten oder IQR, dichtebasierten Verfahren wie DBSCAN oder Local Outlier Factor, Isolation Forest oder Autoencodern. Fachleute prüfen eine Stichprobe der Treffer.
Mehr im Kapitel „DBSCAN und Anomalieerkennung“Was macht die Hauptkomponentenanalyse (PCA)?
Sie dreht das Koordinatensystem so, dass die ersten Achsen möglichst viel Streuung erfassen, und verdichtet viele korrelierte Merkmale auf wenige Komponenten. Vorher müssen die Merkmale standardisiert werden.
Mehr im Kapitel „Dimensionsreduktion mit PCA“Modul 5: Neuronale Netze und Deep Learning
Muss ich neuronale Netze für die Prüfung programmieren können?
Nein, aber Sie müssen Aufbau, Training und Architekturen erklären und einfache Rechnungen wie ein Neuron, Softmax oder die Parameterzahl einer Schicht ausführen können. Für Transferarbeit und Fachgespräch kommt die Begründung der Verfahrenswahl hinzu.
Mehr im Kapitel „Einführung“Wie funktioniert ein künstliches Neuron?
Es multipliziert jede Eingabe mit einem Gewicht, addiert alles und einen Bias und schickt das Ergebnis durch eine Aktivierungsfunktion wie ReLU oder Sigmoid.
Mehr im Kapitel „Das künstliche Neuron“Was ist der Bias in einem Neuron?
Ein zusätzlicher lernbarer Wert, der unabhängig von den Eingaben addiert wird. Er verschiebt die Schwelle, ab der das Neuron stark reagiert.
Mehr im Kapitel „Das künstliche Neuron“Wozu dienen Aktivierungsfunktionen?
Sie bringen Nichtlinearität ins Netz. Ohne sie wäre jedes noch so tiefe Netz nur eine lineare Funktion und könnte keine komplexen Muster lernen.
Mehr im Kapitel „Aktivierungsfunktionen“Welche Aktivierung gehört in die Ausgabeschicht?
Bei Regression linear, bei zwei Klassen Sigmoid, bei mehreren Klassen Softmax. In verdeckten Schichten ist ReLU der Standard.
Mehr im Kapitel „Aktivierungsfunktionen“Wie berechnet man die Anzahl der Parameter eines neuronalen Netzes?
Je voll verbundener Schicht: Eingänge mal Neuronen plus ein Bias je Neuron. Die Werte aller Schichten werden addiert.
Mehr im Kapitel „Vom Neuron zum Netz“Was bedeutet „deep“ in Deep Learning?
Dass das Netz viele verdeckte Schichten hat. Jede Schicht baut aus den Merkmalen der vorigen abstraktere Merkmale.
Mehr im Kapitel „Vom Neuron zum Netz“Welche Verlustfunktion nutzt man für Klassifikation?
Die Kreuzentropie: −log der Wahrscheinlichkeit, die das Netz der richtigen Klasse gibt. Für Regression nutzt man meist den mittleren quadratischen Fehler.
Mehr im Kapitel „Verlustfunktionen“Was ist Backpropagation?
Ein Verfahren, das den Fehler von der Ausgabe rückwärts durch die Schichten verteilt und mit der Kettenregel für jedes Gewicht seinen Gradienten berechnet. Danach passt der Optimierer die Gewichte an.
Mehr im Kapitel „Backpropagation“Was ist der Unterschied zwischen Epoche, Batch und Iteration?
Ein Batch ist eine Teilmenge der Daten für einen Schritt, eine Iteration ist ein solcher Schritt, und eine Epoche ist ein Durchlauf durch alle Trainingsdaten.
Mehr im Kapitel „Optimierer, Batch und Epoche“Was ist der Adam-Optimierer?
Ein verbreiteter Optimierer, der die Schrittweite je Parameter automatisch anpasst und Schwung aus vorherigen Schritten mitnimmt.
Mehr im Kapitel „Optimierer, Batch und Epoche“Was hilft gegen Overfitting bei neuronalen Netzen?
Mehr Daten, Datenaugmentation, Dropout, Regularisierung, Early Stopping und Transfer Learning von vortrainierten Modellen.
Mehr im Kapitel „Typische Trainingsprobleme“Was sind verschwindende Gradienten?
In tiefen Netzen werden die Lernsignale für vordere Schichten sehr klein, sodass diese kaum lernen. ReLU, Batch-Normalisierung und Residualverbindungen helfen.
Mehr im Kapitel „Typische Trainingsprobleme“Wie funktioniert ein Faltungsnetz (CNN)?
Kleine Filter gleiten über das Bild und erzeugen Merkmalskarten, die zeigen, wo ein Muster vorkommt. Tiefere Schichten kombinieren Kanten zu Formen und Objekten.
Mehr im Kapitel „Faltungsnetze (CNN)“Wie groß ist die Merkmalskarte nach einer Faltung?
Ohne Rand und mit Schrittweite 1 gilt: Bildbreite minus Filterbreite plus 1. Ein 8×8-Bild mit 3×3-Filter ergibt eine 6×6-Karte.
Mehr im Kapitel „Faltungsnetze (CNN)“Wofür nutzt man rekurrente Netze und LSTM?
Für Folgen wie Zeitreihen und Text. Sie lesen Schritt für Schritt und geben ein Gedächtnis weiter; bei Sprache wurden sie weitgehend von Transformern abgelöst.
Mehr im Kapitel „Rekurrente Netze“Was ist ein Transformer?
Eine Netzarchitektur, die mit Self-Attention für jedes Element einer Folge berechnet, wie stark es auf alle anderen achten soll, und alle Positionen parallel verarbeitet. Sie ist die Grundlage heutiger Sprachmodelle.
Mehr im Kapitel „Transformer und Attention“Was ist Self-Attention?
Ein Mechanismus, bei dem jedes Token Gewichte für alle anderen Tokens berechnet und deren Information entsprechend gewichtet einsammelt, zum Beispiel um zu erkennen, worauf sich ein Pronomen bezieht.
Mehr im Kapitel „Transformer und Attention“Was ist Transfer Learning?
Ein auf großen Daten vortrainiertes Modell wird mit wenigen eigenen Beispielen an eine neue Aufgabe angepasst. So braucht man viel weniger Daten und Rechenzeit.
Mehr im Kapitel „Transfer Learning“Worauf muss man bei vortrainierten Modellen achten?
Auf die Lizenz (gewerbliche Nutzung), die Herkunft der Trainingsdaten und mögliche Verzerrungen, die das Modell mitbringt.
Mehr im Kapitel „Transfer Learning“Wie funktioniert ein großes Sprachmodell?
Es ist ein Transformer, der auf sehr großen Textmengen gelernt hat, das nächste Token vorherzusagen, und danach mit Anweisungen und menschlichem Feedback verfeinert wurde. Es erzeugt Text Token für Token nach Wahrscheinlichkeiten.
Mehr im Kapitel „Große Sprachmodelle“Was ist ein Token?
Ein Textbaustein, den das Modell verarbeitet: ein Wort, ein Wortteil oder ein Zeichen. Deutsche Texte brauchen meist mehr Tokens pro Wort als englische; viele Anbieter rechnen je Token ab.
Mehr im Kapitel „Große Sprachmodelle“Warum halluzinieren Sprachmodelle?
Weil sie wahrscheinliche Fortsetzungen berechnen und nicht prüfen, ob eine Aussage stimmt. Ohne passende Quellen erzeugen sie manchmal plausible, aber falsche Antworten.
Mehr im Kapitel „Große Sprachmodelle“Was macht einen guten Prompt aus?
Rolle, Kontext, klare Aufgabe, gewünschtes Format, Beispiele und Grenzen, etwa was zu tun ist, wenn die Antwort nicht im Kontext steht.
Mehr im Kapitel „Prompt Engineering“Was ist Prompt Injection?
Ein Angriff, bei dem versteckte Anweisungen in Eingaben oder Dokumenten das Sprachmodell zu unerwünschtem Verhalten verleiten. Externe Inhalte dürfen nie als Anweisungen behandelt werden.
Mehr im Kapitel „Prompt Engineering“Was ist RAG?
Retrieval-Augmented Generation: Zu jeder Frage werden passende Abschnitte aus eigenen Dokumenten gesucht und mit der Frage an das Sprachmodell gegeben, das darauf gestützt antwortet und Quellen nennt.
Mehr im Kapitel „RAG“Was ist eine Vektordatenbank?
Eine Datenbank, die Embeddings speichert und zu einer Anfrage die ähnlichsten Einträge findet, etwa per Kosinus-Ähnlichkeit. Sie ist der Suchbaustein von RAG-Systemen.
Mehr im Kapitel „RAG“Wann wähle ich Prompting, RAG oder Fine-Tuning?
Beginnen Sie mit Prompting. Fehlt aktuelles oder internes Wissen, nehmen Sie RAG. Soll das Modell ein festes Verhalten, Format oder eine Fachsprache lernen, ist Fine-Tuning sinnvoll.
Mehr im Kapitel „Prompting, RAG oder Fine-Tuning?“Wie berechnet man die Kosten eines Sprachmodell-Dienstes?
Anzahl Anfragen mal (Eingabetokens mal Eingabepreis plus Ausgabetokens mal Ausgabepreis). Bei 2.000 Anfragen täglich mit 3.000 und 400 Tokens und 2 bzw. 8 € je Million Tokens sind das etwa 18,40 € pro Tag.
Mehr im Kapitel „Prompting, RAG oder Fine-Tuning?“Wo wird Deep Learning in Unternehmen eingesetzt?
In der Bild- und Videoanalyse, der Sprach- und Texterkennung, bei Zeitreihenprognosen, generativen Anwendungen, Empfehlungen und zunehmend in KI-Agenten, die mehrere Schritte mit Werkzeugen ausführen.
Mehr im Kapitel „Anwendungen von Deep Learning“Was ist ein KI-Agent?
Ein System, das auf ein Ziel hin selbstständig mehrere Schritte plant und Werkzeuge wie Suche, Datenbanken oder E-Mail aufruft. Folgenreiche Aktionen sollten eine menschliche Freigabe brauchen.
Mehr im Kapitel „Anwendungen von Deep Learning“Cloud-KI oder eigenes Modell vor Ort?
Cloud-Dienste bieten schnellen Start, starke Modelle und variable Kosten, erfordern aber Prüfung von Datenschutz und Abhängigkeit. Eigene Infrastruktur lohnt sich bei hoher, stabiler Auslastung und strengen Anforderungen an die Daten.
Mehr im Kapitel „Ressourcen und Betrieb“Modul 6: Chancen und Herausforderungen der KI
Was gehört zu „Chancen und Herausforderungen der KI“ in der Prüfung?
§ 4 Nr. 4 der Rechtsvorschrift nennt algorithmischen Bias, Erklärbarkeit und die Robustheit neuronaler Netze. In Situationsaufgaben wird zudem erwartet, Chancen und Risiken eines KI-Einsatzes abzuwägen.
Mehr im Kapitel „Einführung“Welche Chancen bietet KI für Unternehmen?
Vor allem Effizienz durch Automatisierung von Routine, höhere und gleichmäßigere Qualität, bessere Vorhersagen, erschlossenes Wissen und neue datenbasierte Angebote. Jede Chance sollte mit einer Messgröße verbunden werden.
Mehr im Kapitel „Chancen der KI“Welche Risiken hat KI im Unternehmen?
Fehler und Halluzinationen, Bias und Diskriminierung, Intransparenz, mangelnde Robustheit, Datenschutz- und Rechtsrisiken, Abhängigkeit von Anbietern sowie Akzeptanzprobleme und ökologische Kosten.
Mehr im Kapitel „Risiken im Überblick“Was ist algorithmischer Bias?
Eine systematische Verzerrung, durch die ein KI-System bestimmte Personen oder Gruppen benachteiligt. Sie entsteht meist in den Daten, in der Wahl der Zielgröße oder durch Rückkopplung im Einsatz.
Mehr im Kapitel „Wie Bias entsteht“Welche Arten von Bias gibt es?
Unter anderem historischen Bias, Stichproben- bzw. Auswahlbias, Messbias, Proxy-Bias, Bias durch Rückkopplung und Automation Bias beim Menschen.
Mehr im Kapitel „Wie Bias entsteht“Warum ist KI in der Personalauswahl besonders heikel?
Weil historische Daten frühere Benachteiligungen enthalten und Entscheidungen über Arbeit Menschen stark betreffen. Die EU-KI-Verordnung stuft KI in der Personalauswahl als Hochrisiko ein.
Mehr im Kapitel „Beispiele für Bias“Wie misst man Fairness eines KI-Modells?
Mit Kennzahlen je Gruppe, etwa der Auswahlquote (Demographic Parity), dem Recall (Equal Opportunity) oder Recall und Falsch-Positiv-Rate zusammen (Equalized Odds).
Mehr im Kapitel „Fairness messen“Was ist die 80-%-Regel?
Eine US-Faustregel: Liegt die Auswahlquote einer Gruppe unter 80 % der Quote der bevorzugten Gruppe, gilt das als Hinweis auf Benachteiligung. In Deutschland gibt das AGG keine feste Grenze vor, die Regel ist aber ein nützlicher Prüfpunkt.
Mehr im Kapitel „Fairness messen“Wie kann man Bias in KI-Systemen reduzieren?
Fairnessziel festlegen, Daten auf Repräsentativität und Proxys prüfen, Kennzahlen je Gruppe messen, gegebenenfalls Daten oder Training anpassen, im Betrieb überwachen und alles dokumentieren.
Mehr im Kapitel „Bias reduzieren“Was bedeutet Erklärbarkeit von KI?
Dass Menschen nachvollziehen können, warum ein KI-System zu einem Ergebnis kommt. Welche Erklärung nötig ist, hängt von der Zielgruppe ab: Betroffene, Fachanwender, Entwickler oder Aufsicht.
Mehr im Kapitel „Erklärbarkeit: warum, für wen“Gibt es ein Recht auf Erklärung von KI-Entscheidungen?
Bei automatisierten Entscheidungen nach Art. 22 DSGVO müssen aussagekräftige Informationen über die Logik gegeben werden; der EuGH hat das 2025 konkretisiert. Die EU-KI-Verordnung sieht in Art. 86 ein Recht auf Erläuterung bei bestimmten Hochrisiko-Entscheidungen vor.
Mehr im Kapitel „Erklärbarkeit: warum, für wen“Was ist Permutation Importance?
Ein modellunabhängiges Verfahren: Ein Merkmal wird zufällig durchmischt, und man misst, wie stark die Modellgüte sinkt. Je größer der Einbruch, desto wichtiger ist das Merkmal.
Mehr im Kapitel „Global erklären“Was ist SHAP?
Ein Erklärverfahren auf Basis der Shapley-Werte aus der Spieltheorie. Es verteilt eine einzelne Vorhersage auf die Merkmale; Ausgangswert plus alle Beiträge ergeben genau die Vorhersage.
Mehr im Kapitel „Lokal erklären: LIME und SHAP“Was ist der Unterschied zwischen LIME und SHAP?
LIME nähert das Modell in der Umgebung eines Falls mit einem einfachen Ersatzmodell an. SHAP berechnet faire Beiträge jedes Merkmals, die sich zur Vorhersage aufsummieren.
Mehr im Kapitel „Lokal erklären: LIME und SHAP“Sollte man erklärbare Modelle oder Blackbox-Modelle verwenden?
Bei Entscheidungen über Menschen mit Begründungspflicht sind interpretierbare Modelle meist vorzuziehen, wenn sie fast gleich gut sind. Blackbox-Modelle mit Erklärverfahren eignen sich, wenn ihre Genauigkeit deutlich höher ist und die Erklärung für die Kontrolle ausreicht.
Mehr im Kapitel „Erklärbar oder Blackbox?“Was ist der Unterschied zwischen Datendrift und Konzeptdrift?
Bei Datendrift ändern sich die Eingabedaten, etwa durch neue Kundengruppen. Bei Konzeptdrift ändert sich der Zusammenhang zwischen Eingaben und Zielgröße, etwa das Kaufverhalten nach einer Preisänderung.
Mehr im Kapitel „Drift und Verteilungsverschiebung“Was sind Adversarial Examples?
Gezielt minimal veränderte Eingaben, die ein Modell zu falschen Ausgaben bringen, obwohl Menschen keinen Unterschied sehen. Schutz bieten Adversarial Training, Eingabeprüfung, mehrere Sensoren und menschliche Kontrolle.
Mehr im Kapitel „Adversarial Examples“Welche Angriffe gibt es auf KI-Systeme?
Unter anderem Data Poisoning (manipulierte Trainingsdaten), Prompt Injection, Jailbreaks, Modelldiebstahl durch viele Anfragen, Membership Inference und Angriffe über die Lieferkette vortrainierter Modelle.
Mehr im Kapitel „Angriffe auf KI-Systeme“Wie macht man ein KI-System robust?
Durch realistische Tests mit Randfällen, Datenaugmentation, Adversarial Training, Ausgabe von Unsicherheit, eine Rückfallebene für Ausfälle sowie laufendes Monitoring und Red Teaming.
Mehr im Kapitel „Robustheit erhöhen“Was bedeutet Human-in-the-loop?
Ein Mensch entscheidet jeden Fall oder alle unsicheren Fälle, die KI macht nur Vorschläge. Bei Human-on-the-loop überwacht ein Mensch das laufende System und kann eingreifen.
Mehr im Kapitel „Mensch im Regelkreis“Was verlangt die EU-KI-Verordnung zur menschlichen Aufsicht?
Für Hochrisiko-KI wirksame menschliche Aufsicht (Art. 14): Aufsichtspersonen müssen das System verstehen, Automation Bias kennen und Ausgaben übergehen oder das System anhalten können.
Mehr im Kapitel „Mensch im Regelkreis“Was macht KI vertrauenswürdig?
Nach den EU-Leitlinien von 2019: menschliche Aufsicht, Robustheit und Sicherheit, Datenschutz, Transparenz, Fairness, gesellschaftliches und ökologisches Wohlergehen sowie Rechenschaftspflicht.
Mehr im Kapitel „Vertrauenswürdige KI“Was ist KI-Governance im Unternehmen?
Die Regeln und Strukturen für den KI-Einsatz: Leitlinie, Inventar aller KI-Anwendungen mit Risikoeinstufung, Verantwortliche, Freigabeprozesse, Schulungen und zum Beispiel ein Managementsystem nach ISO/IEC 42001.
Mehr im Kapitel „Vertrauenswürdige KI“Modul 7: Programmierung und KI-Systementwicklung
Muss ich für den Bachelor Professional KI programmieren können?
Sie sollten Python-Code lesen, einfache Auswertungen mit pandas und Modelltraining mit scikit-learn nachvollziehen und erklären können. § 4 Nr. 5 der Rechtsvorschrift nennt Grundzüge der Programmierung, Datenanalyse und Modelltraining sowie Grundlagen der Entwicklung von KI-Systemen.
Mehr im Kapitel „Einführung“Warum ist Python die Standardsprache für KI?
Python ist leicht lesbar und bietet ausgereifte Bibliotheken wie NumPy, pandas, scikit-learn, PyTorch und TensorFlow. Dadurch lassen sich Datenanalyse und Modelltraining mit wenig Code umsetzen.
Mehr im Kapitel „Warum Python?“Was ist ein Jupyter Notebook?
Eine Umgebung, in der Code, Ergebnisse und erklärender Text in Zellen kombiniert werden. Sie eignet sich zum Erkunden von Daten, für Produktivcode nutzt man Entwicklungsumgebungen und Versionsverwaltung.
Mehr im Kapitel „Warum Python?“Welche Datentypen gibt es in Python?
Die wichtigsten sind int (ganze Zahl), float (Kommazahl), str (Text), bool (Wahr/Falsch), list (geordnete Liste) und dict (Zuordnung von Schlüsseln zu Werten).
Mehr im Kapitel „Variablen und Datentypen“Wie funktioniert eine for-Schleife in Python?
Sie nimmt nacheinander jedes Element einer Sammlung und führt den eingerückten Block dafür aus, zum Beispiel um eine Summe zu bilden.
Mehr im Kapitel „Bedingungen und Schleifen“Was ist eine Funktion in Python?
Ein benannter, wiederverwendbarer Codeblock, der mit def definiert wird, Parameter erhält und mit return ein Ergebnis zurückgibt.
Mehr im Kapitel „Funktionen und Module“Wofür braucht man NumPy?
Für schnelles Rechnen mit Arrays, also Vektoren und Matrizen, ohne Schleifen. Fast alle Daten- und ML-Bibliotheken bauen auf NumPy auf.
Mehr im Kapitel „NumPy“Was ist ein DataFrame?
Eine Tabelle in pandas mit benannten Spalten. Man kann sie filtern, gruppieren, verknüpfen und umformen – ähnlich wie mit SQL, aber in Python.
Mehr im Kapitel „pandas: laden, filtern, gruppieren“Wie liest man eine deutsche CSV-Datei mit pandas?
Mit pd.read_csv und den Parametern sep=";" und decimal=",", weil deutsche Dateien meist Semikolon als Trennzeichen und Komma als Dezimalzeichen nutzen.
Mehr im Kapitel „pandas: laden, filtern, gruppieren“Wie bereinigt man Daten mit pandas?
Zum Beispiel mit isna() fehlende Werte finden, drop_duplicates() Duplikate entfernen, Typen umwandeln, Texte vereinheitlichen und unmögliche Werte herausfiltern – jeder Schritt bleibt im Code nachvollziehbar.
Mehr im Kapitel „Daten bereinigen mit pandas“Wie erstellt man Diagramme in Python?
Mit Matplotlib oder direkt aus pandas, etwa df.plot(kind="bar") für Vergleiche, kind="hist" für Verteilungen und kind="scatter" für Zusammenhänge.
Mehr im Kapitel „Visualisieren mit Matplotlib“Wie trainiert man ein Modell mit scikit-learn?
Daten mit train_test_split aufteilen, ein Modell erzeugen, mit fit auf den Trainingsdaten trainieren, mit predict auf den Testdaten vorhersagen und mit passenden Kennzahlen bewerten.
Mehr im Kapitel „scikit-learn: fit, predict, score“Was ist eine Pipeline in scikit-learn?
Eine Verkettung von Vorverarbeitungsschritten und Modell zu einem Objekt. Sie lernt alles nur aus den Trainingsdaten, verhindert so Data Leakage und wird im Betrieb identisch angewendet.
Mehr im Kapitel „Pipelines“Wie vergleicht man Modelle fair?
Mit Kreuzvalidierung auf den Trainingsdaten, gegen eine Baseline wie den DummyClassifier und mit der Kennzahl, die für das Geschäft zählt. Das Siegermodell wird zum Schluss auf den Testdaten bestätigt.
Mehr im Kapitel „Modelle vergleichen und speichern“Woraus besteht ein KI-System?
Aus Datenquellen, Datenpipeline, Modell und Modellservice, Schnittstellen zur Anwendung, Modellregister, Monitoring und Menschen, die Ergebnisse prüfen und Feedback geben.
Mehr im Kapitel „Architektur eines KI-Systems“Was ist eine REST-API?
Eine Schnittstelle, über die Programme per HTTP-Anfrage, meist mit JSON, mit einem Dienst kommunizieren. Für ML-Modelle liefert sie zu den gesendeten Merkmalen die Vorhersage zurück.
Mehr im Kapitel „Schnittstellen und REST-API“Was muss man bei KI versionieren?
Code mit Git, Datenstände, Experimente mit Parametern und Kennzahlen sowie Modelle in einem Modellregister. Nur so sind Ergebnisse und Entscheidungen später nachvollziehbar.
Mehr im Kapitel „Versionierung“Was ist MLOps?
Methoden und Werkzeuge, um ML-Modelle automatisiert zu testen, auszurollen, zu überwachen und neu zu trainieren – vergleichbar mit DevOps in der Softwareentwicklung.
Mehr im Kapitel „MLOps“Wie rollt man ein neues Modell risikoarm aus?
Zum Beispiel im Schattenbetrieb, als Canary-Release mit einem kleinen Teil der Anfragen oder im A/B-Test – mit Monitoring und der Möglichkeit, schnell zur vorigen Version zurückzukehren.
Mehr im Kapitel „MLOps“Wie baut man eine Anwendung mit einem Sprachmodell?
Über die API eines Anbieters oder ein eigenes Modell, mit Systemprompt und Vorlagen, klar abgegrenzten Nutzereingaben, strukturierten Ausgaben, gegebenenfalls RAG und Werkzeugaufrufen, einem Testsatz zur Evaluation und Kostenkontrolle.
Mehr im Kapitel „LLM-Anwendungen bauen“Wie sichert man ein KI-System ab?
Mit Tests, Code-Reviews, Secrets außerhalb des Codes, minimalen Zugriffsrechten, getrennten Umgebungen, Prüfung der Abhängigkeiten, Protokollierung und Dokumentation.
Mehr im Kapitel „Qualität und Sicherheit“Modul 8: Prozessmanagement
Welche Prozessarten gibt es?
Kernprozesse schaffen direkt Wert für den Kunden, Unterstützungsprozesse ermöglichen sie, Managementprozesse steuern das Unternehmen. Eine Prozesslandkarte zeigt alle auf einen Blick.
Mehr im Kapitel „Prozessarten und Prozesslandkarte“Was gehört zum Prozessmanagement in der Bachelor-Prüfung?
§ 5 Nr. 1 nennt das Festlegen KI-relevanter Prozessziele, das Identifizieren, Analysieren und Dokumentieren von Prozessen, das Disponieren von Ressourcen sowie Prozessüberwachung, -prüfung und -bewertung.
Mehr im Kapitel „Einführung“Was ist ein Geschäftsprozess?
Eine wiederkehrende Folge von Tätigkeiten mit definiertem Auslöser und Ergebnis, die einen Input in einen Output mit Wert für einen internen oder externen Kunden umwandelt.
Mehr im Kapitel „Was ist ein Prozess?“Wie formuliert man ein gutes Prozessziel für ein KI-Projekt?
SMART: spezifisch, messbar, attraktiv, realistisch und terminiert, mit Kennzahl, Ausgangswert und Zielwert – zum Beispiel Durchlaufzeit von 6 auf 2 Tage bis zu einem Datum bei höchstens 1 % Fehlern.
Mehr im Kapitel „Prozessziele und Kennzahlen“Wie erhebt man einen Ist-Prozess?
Durch eine Kombination aus Interviews, Workshops, Beobachtung vor Ort, Dokumentenanalyse und Datenauswertung, etwa Process Mining. Interviews erklären das Warum, Beobachtung und Daten zeigen das tatsächliche Wie.
Mehr im Kapitel „Prozesse erheben“Was ist ein SIPOC?
Eine einseitige Prozessübersicht in fünf Spalten: Suppliers, Inputs, Process, Outputs und Customers. Sie grenzt einen Prozess vor der detaillierten Modellierung ab.
Mehr im Kapitel „SIPOC und Wertstrom“Was ist BPMN 2.0?
Die international verbreitete Standardnotation für Geschäftsprozesse. Ereignisse sind Kreise, Aktivitäten abgerundete Rechtecke, Gateways Rauten und Zuständigkeiten Pools und Lanes.
Mehr im Kapitel „Modellieren mit BPMN 2.0“Was ist der Unterschied zwischen exklusivem und parallelem Gateway?
Beim exklusiven Gateway (Raute mit X) wird genau ein Weg gewählt. Beim parallelen Gateway (Raute mit +) werden alle Wege gleichzeitig durchlaufen.
Mehr im Kapitel „Modellieren mit BPMN 2.0“Was ist eine EPK?
Die ereignisgesteuerte Prozesskette aus dem ARIS-Konzept. Ereignisse und Funktionen wechseln sich ab, verknüpft mit UND, ODER und XOR; Ereignisse dürfen keine Entscheidungen auslösen.
Mehr im Kapitel „EPK im Vergleich“Wie berechnet man die Durchlaufzeit?
Durchlaufzeit gleich Bearbeitungszeit plus Warte- oder Liegezeit plus Transportzeit. Die Prozesseffizienz ist das Verhältnis von Bearbeitungszeit zu Durchlaufzeit.
Mehr im Kapitel „Prozesse analysieren“Wo liegen typische Schwachstellen in Prozessen?
In Wartezeiten, Engpässen, Medienbrüchen, Schleifen und Nacharbeit, Suchzeiten und vielen Übergaben zwischen Abteilungen.
Mehr im Kapitel „Prozesse analysieren“Welche Rollen kann KI in einem Prozess übernehmen?
Sie kann Schritte automatisieren, Entscheidungen unterstützen, Vorhersagen für die Planung liefern, Vorgänge priorisieren oder Auffälligkeiten prüfen. Ausnahmen sollten bewusst an Menschen gehen.
Mehr im Kapitel „Wo passt KI in den Prozess?“Wie berechnet man den Personalbedarf eines Prozesses?
Fallzahl mal Bearbeitungszeit je Fall ergibt die benötigte Arbeitszeit; geteilt durch die verfügbare Zeit je Person ergibt die Personenzahl, aufgerundet und mit Puffer für Spitzen.
Mehr im Kapitel „Prozessressourcen disponieren“Welche Prozesskennzahlen sind wichtig?
Zum Beispiel Durchlaufzeit, Termintreue, Fehlerquote, Erstlösungsquote, Kosten je Fall, Durchsatz und bei KI die Automatisierungsquote. Kennzahlen sollten im Paar aus Zeit und Qualität gemessen werden.
Mehr im Kapitel „Prozesskennzahlen“Wie überwacht man Prozesse?
Mit einem Regelkreis aus Messen, Vergleichen mit Sollwerten und Eingreifen, unterstützt durch Dashboards, Regelkarten, interne Audits und Management-Reviews; bei KI zusätzlich mit Modell-Monitoring.
Mehr im Kapitel „Prozessüberwachung“Was ist der PDCA-Zyklus?
Ein Kreislauf der kontinuierlichen Verbesserung: Plan, Do, Check, Act. Verbesserungen werden im Kleinen erprobt, geprüft und dann als neuer Standard festgeschrieben.
Mehr im Kapitel „PDCA, KVP und Six Sigma“Was bedeutet DMAIC?
Das Vorgehen von Six Sigma: Define, Measure, Analyze, Improve, Control. Es eignet sich für datengetriebene Verbesserungsprojekte, auch mit KI.
Mehr im Kapitel „PDCA, KVP und Six Sigma“Was ist Process Mining?
Die Rekonstruktion tatsächlicher Prozessabläufe aus Ereignisprotokollen mit Fall-ID, Aktivität und Zeitstempel. Es zeigt Varianten, Schleifen, Wartezeiten und Abweichungen vom Soll.
Mehr im Kapitel „Process Mining“Was macht ein Prozesseigner?
Er verantwortet Ziele, Kennzahlen und Weiterentwicklung eines Prozesses über Abteilungsgrenzen hinweg. Bei KI-gestützten Prozessen braucht es zusätzlich einen Verantwortlichen für das Modell.
Mehr im Kapitel „Rollen im Prozessmanagement“Modul 9: Projektmanagement klassisch und agil
Was gehört zum Projektmanagement in der Bachelor-Prüfung?
§ 5 Nr. 2 nennt das Initiieren, Planen, Steuern und Überwachen von KI-Projekten, das Bewerten von Risiken, das Zusammenstellen von Teams, Berichte unter technischen, organisatorischen und betriebswirtschaftlichen Gesichtspunkten sowie die Skalierung von KI-Projekten.
Mehr im Kapitel „Einführung“Was ist ein Projekt nach DIN 69901?
Ein Vorhaben, das im Wesentlichen durch die Einmaligkeit der Bedingungen in ihrer Gesamtheit gekennzeichnet ist: klares Ziel, zeitliche Begrenzung, begrenzte Ressourcen, eigene Organisation, Komplexität und Risiko.
Mehr im Kapitel „Was ist ein Projekt?“Was ist das magische Dreieck?
Das Spannungsfeld aus Leistung und Qualität, Zeit und Kosten. Wer eine Größe verändert, muss mindestens eine andere anpassen.
Mehr im Kapitel „Was ist ein Projekt?“Was steht in einem Projektauftrag?
Ausgangslage, SMART-Ziele und Nicht-Ziele, Umfang und Abgrenzung, Termine und Meilensteine, Budget und Ressourcen, Rollen, Risiken und Annahmen sowie Abnahmekriterien.
Mehr im Kapitel „Projektauftrag und Ziele“Wie führt man eine Stakeholderanalyse durch?
Man sammelt alle Beteiligten und Betroffenen, bewertet Einfluss und Interesse und leitet Strategien ab: eng einbinden, zufriedenstellen, informieren oder beobachten.
Mehr im Kapitel „Stakeholder und Umfeld“Was ist ein Projektstrukturplan?
Die hierarchische Zerlegung des Projekts in Teilaufgaben bis zu Arbeitspaketen, gegliedert nach Objekten, Funktionen oder Phasen. Er ist die Grundlage für Termin-, Kosten- und Ressourcenplanung.
Mehr im Kapitel „Projektstrukturplan“Wie berechnet man einen Netzplan?
Vorwärts ergeben sich frühester Anfang und frühestes Ende, wobei man bei mehreren Vorgängern das größte FEZ nimmt. Rückwärts ergeben sich späteste Zeiten mit dem kleinsten SAZ der Nachfolger. Der Gesamtpuffer ist SAZ minus FAZ.
Mehr im Kapitel „Netzplan und kritischer Pfad“Was ist der kritische Pfad?
Die Kette der Vorgänge ohne Gesamtpuffer. Jede Verzögerung eines dieser Vorgänge verschiebt das Projektende.
Mehr im Kapitel „Netzplan und kritischer Pfad“Wofür nutzt man ein Gantt-Diagramm?
Es zeigt Vorgänge als Balken auf einer Zeitachse mit Meilensteinen und eignet sich gut, um Termine, Überlappungen und Fortschritt zu kommunizieren.
Mehr im Kapitel „Termine und Ressourcen“Was ist der Unterschied zwischen Aufwand und Dauer?
Aufwand ist die benötigte Arbeitszeit in Personentagen, Dauer die Kalenderzeit. 20 Personentage dauern bei zwei voll verfügbaren Personen 10 Arbeitstage.
Mehr im Kapitel „Termine und Ressourcen“Was ist die Earned-Value-Analyse?
Sie vergleicht Planwert, Fertigstellungswert und Istkosten. Der CPI ist EV durch AC, der SPI EV durch PV; Werte unter 1 zeigen Kostenüberschreitung bzw. Terminverzug.
Mehr im Kapitel „Kosten und Earned Value“Wie prognostiziert man die Gesamtkosten?
Mit EAC gleich Gesamtbudget durch CPI. Bei einem CPI von 0,8 werden aus 100 T€ Budget voraussichtlich 125 T€.
Mehr im Kapitel „Kosten und Earned Value“Wie bewertet man Projektrisiken?
Nach Wahrscheinlichkeit und Auswirkung, etwa in einer Risikomatrix oder als Erwartungswert in Euro. Daraus folgen Maßnahmen: vermeiden, vermindern, übertragen oder akzeptieren.
Mehr im Kapitel „Risikomanagement“Welche Risiken sind typisch für KI-Projekte?
Unzureichende Datenqualität, zu geringe Modellgüte, fehlende Akzeptanz, rechtliche Fragen wie Hochrisiko-Einstufung oder Datenschutz, Anbieterabhängigkeit, hohe Betriebskosten und Ausfall von Schlüsselpersonen.
Mehr im Kapitel „Risikomanagement“Was ist eine RACI-Matrix?
Eine Tabelle, die je Aufgabe festlegt, wer ausführt (Responsible), wer verantwortet (Accountable, genau eine Person), wer gefragt wird (Consulted) und wer informiert wird (Informed).
Mehr im Kapitel „Projektteam und Rollen“Welche Rollen braucht ein KI-Projekt?
Auftraggeber, Lenkungsausschuss, Projektleitung, Fachexperten, Data Scientists, Data Engineers, Softwareentwicklung und IT-Betrieb sowie Datenschutz, Recht und Betriebsrat.
Mehr im Kapitel „Projektteam und Rollen“Wie steuert man ein Projekt?
Durch regelmäßigen Soll-Ist-Vergleich von Terminen, Kosten und Ergebnissen, Ampelstatus, Analyse der Abweichungen und Steuerungsmaßnahmen. Änderungen laufen über Change Requests.
Mehr im Kapitel „Projektsteuerung“Welche Projektberichte gibt es?
Den regelmäßigen Statusbericht, den Zwischenbericht an Meilensteinen und den Abschlussbericht mit Zielerreichung, Kosten- und Terminbilanz, Übergabe und Lessons Learned.
Mehr im Kapitel „Berichte und Abschluss“Was gehört bei KI-Projekten zusätzlich in einen Bericht?
Modellgüte gegenüber der Baseline, Betriebskosten, rechtliche Einordnung nach EU-KI-Verordnung und Datenschutz, Energiebedarf und Auswirkungen auf Beschäftigte.
Mehr im Kapitel „Berichte und Abschluss“Was steht im Agilen Manifest?
Vier Werte: Individuen und Interaktionen mehr als Prozesse und Werkzeuge, funktionierende Software mehr als umfassende Dokumentation, Zusammenarbeit mit dem Kunden mehr als Vertragsverhandlung, Reagieren auf Veränderung mehr als das Befolgen eines Plans.
Mehr im Kapitel „Agiles Manifest“Wie ist Scrum aufgebaut?
Drei Verantwortlichkeiten (Product Owner, Scrum Master, Developers), fünf Ereignisse (Sprint, Sprint Planning, Daily Scrum, Sprint Review, Sprint Retrospective) und drei Artefakte (Product Backlog, Sprint Backlog, Increment).
Mehr im Kapitel „Scrum“Wie passt Scrum zu KI-Projekten?
Backlog-Einträge sind oft Experimente, und die Definition of Done umfasst Tests, Dokumentation, Bewertung gegen die Baseline und die Datenschutzprüfung.
Mehr im Kapitel „Scrum“Was ist Kanban?
Eine Methode, die Arbeit auf einem Board sichtbar macht, die gleichzeitig bearbeiteten Aufgaben mit WIP-Limits begrenzt und den Fluss über Durchlaufzeit und Durchsatz verbessert. Sie eignet sich gut für Betrieb und Wartung.
Mehr im Kapitel „Kanban“Was ist hybrides Projektmanagement?
Eine Kombination aus klassischer Rahmenplanung mit Phasen, Meilensteinen und Budget und agiler Umsetzung in Sprints. In Unternehmen ist das der Normalfall.
Mehr im Kapitel „Hybride Vorgehen und CRISP-DM“Was ist CRISP-DM?
Ein Vorgehensmodell für Datenprojekte mit sechs Phasen: Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation und Deployment, mit Rücksprüngen zwischen den Phasen.
Mehr im Kapitel „Hybride Vorgehen und CRISP-DM“Warum bleiben viele KI-Projekte im Pilot stecken?
Häufig fehlen Datenplattform, MLOps, klare Zuständigkeiten im Betrieb und Budget für laufende Kosten; Integration und Akzeptanz werden unterschätzt und rechtliche Fragen zu spät geklärt.
Mehr im Kapitel „Skalierung von KI-Projekten“Was sind SAFe, LeSS und Nexus?
Rahmenwerke, um agiles Arbeiten auf viele Teams zu skalieren: SAFe mit Agile Release Trains und Portfolioebene, LeSS mit einem Product Owner und einem Backlog für mehrere Teams, Nexus für drei bis neun Scrum-Teams an einem Produkt.
Mehr im Kapitel „Skalierung von KI-Projekten“Wie kann KI die Projektarbeit unterstützen?
Beim Protokollieren, bei Entwürfen für Pläne und Berichte, bei der Auswertung von Kennzahlen und bei Präsentationen. Die Inhalte müssen geprüft werden, und vertrauliche Unterlagen gehören nur in freigegebene Werkzeuge.
Mehr im Kapitel „Projektarbeit mit KI unterstützen“Modul 10: Innovation und digitale Transformation
Was gehört zu Innovation und Transformation in der Bachelor-Prüfung?
§ 5 Nr. 3 verlangt, Innovationsprozesse zu steuern und Methoden des Innovationsmanagements anzuwenden. § 5 Nr. 4 verlangt, ein digitales Zielbild mit Geschäftsmodell und Strategie zu entwickeln und den Wandel zu einer digitalen Denkweise zu gestalten.
Mehr im Kapitel „Einführung“Was ist eine Innovation?
Eine neue Idee, die erfolgreich am Markt oder im Betrieb umgesetzt wird. Eine Erfindung allein ist eine Invention, noch keine Innovation.
Mehr im Kapitel „Innovation: Arten und Grade“Was ist der Unterschied zwischen inkrementeller und disruptiver Innovation?
Inkrementelle Innovation verbessert Bestehendes schrittweise, etwa eine genauere Prognose. Disruptive Innovation startet einfacher und billiger in einer Nische und verdrängt später etablierte Lösungen.
Mehr im Kapitel „Innovation: Arten und Grade“Was ist das Stage-Gate-Modell?
Ein Innovationsprozess nach Robert Cooper, bei dem zwischen den Phasen Entscheidungstore liegen. Dort wird nach festen Kriterien über Go, Kill, Hold oder Recycle entschieden.
Mehr im Kapitel „Innovationsprozess und Stage-Gate“Welche Kreativitätstechniken gibt es?
Zum Beispiel Brainstorming, Brainwriting mit der Methode 6-3-5, Mindmap, morphologischer Kasten, SCAMPER und die Kopfstandmethode. Auch ein Sprachmodell kann Varianten und Analogien liefern.
Mehr im Kapitel „Ideen finden“Was ist Open Innovation?
Die gezielte Öffnung des Innovationsprozesses für Externe wie Kunden, Lieferanten, Hochschulen und Start-ups, etwa über Hackathons oder Kooperationen.
Mehr im Kapitel „Ideen finden“Wie bewertet man Ideen?
Mit einem Scoring-Modell aus gewichteten Kriterien wie Nutzen, Machbarkeit, strategischem Fit und Risiko oder mit einem Portfolio, das Ideen in einer Matrix aus zwei Dimensionen darstellt.
Mehr im Kapitel „Ideen bewerten und auswählen“Was ist Design Thinking?
Ein nutzerzentrierter, iterativer Innovationsansatz mit interdisziplinären Teams. Die Phasen sind Verstehen, Beobachten, Sichtweise definieren, Ideen finden, Prototyp entwickeln und Testen.
Mehr im Kapitel „Design Thinking“Was ist Lean Startup?
Ein Ansatz, der Geschäftsideen als Hypothesen behandelt und sie im Kreislauf Bauen, Messen, Lernen mit einem Minimum Viable Product prüft. Danach wird weitergemacht, die Richtung geändert oder gestoppt.
Mehr im Kapitel „Lean Startup und MVP“Was gehört zu einem Innovationsmanagementsystem?
Innovationsstrategie, Rollen, ein definierter Prozess, ein Budget und Kennzahlen. Die Normen ISO 56001 und ISO 56002 beschreiben solche Systeme.
Mehr im Kapitel „Innovationsmanagement als System“Was ist der Unterschied zwischen Digitalisierung und digitaler Transformation?
Digitalisierung macht Informationen oder Prozesse digital. Digitale Transformation verändert darüber hinaus Geschäftsmodell, Organisation und Kultur.
Mehr im Kapitel „Digitale Transformation“Wie entwickelt man ein digitales Zielbild?
Man bestimmt den Ist-Reifegrad in Dimensionen wie Strategie, Daten, Technik, Kompetenzen, Kultur und Governance, legt Vision, Ziele und Ziel-Reifegrad für drei bis fünf Jahre fest und leitet aus der Lücke Maßnahmen ab.
Mehr im Kapitel „Reifegrad und Zielbild“Welche digitalen Geschäftsmodelle gibt es?
Zum Beispiel Plattformen, Abonnements, Freemium, Pay-per-Use, datengetriebene Modelle und Product as a Service.
Mehr im Kapitel „Digitale Geschäftsmodelle“Was ist das Business Model Canvas?
Eine Vorlage von Osterwalder, die ein Geschäftsmodell auf einer Seite in neun Feldern beschreibt: Kundensegmente, Wertangebot, Kanäle, Kundenbeziehungen, Einnahmequellen, Schlüsselressourcen, Schlüsselaktivitäten, Schlüsselpartner und Kostenstruktur.
Mehr im Kapitel „Digitale Geschäftsmodelle“Was gehört zu einer Datenstrategie?
Welche Daten für die Ziele gebraucht werden, wie sie erhoben, gespeichert, geschützt und genutzt werden, eine Datenplattform, Data Governance mit Rollen und Qualitätsregeln sowie Datenkompetenz.
Mehr im Kapitel „Daten- und KI-Strategie“Was ist eine KI-Roadmap?
Ein zeitlicher Plan, der aus der Unternehmensstrategie abgeleitete KI-Use-Cases, Voraussetzungen wie Plattform und Kompetenzen, Make-or-buy-Entscheidungen und Regeln in Wellen anordnet.
Mehr im Kapitel „Daten- und KI-Strategie“Wie priorisiert man KI-Use-Cases?
Nach Nutzen und Machbarkeit. Machbarkeit umfasst Datenlage, technische Reife, Kompetenzen sowie Risiko und rechtliche Zulässigkeit. Zuerst kommen Use Cases mit hohem Nutzen und hoher Machbarkeit.
Mehr im Kapitel „Use Cases priorisieren“Was sagen die Modelle von Lewin und Kotter?
Lewin beschreibt Wandel in drei Phasen: Auftauen, Verändern, Einfrieren. Kotter beschreibt acht Schritte von Dringlichkeit erzeugen bis Veränderung in der Kultur verankern.
Mehr im Kapitel „Change Management“Wie geht man mit Widerstand gegen KI um?
Ursachen ernst nehmen und gezielt begegnen: offene Kommunikation und Qualifizierung bei Angst um den Arbeitsplatz, Schulung bei fehlendem Wissen, Erklärbarkeit und Pilotprojekte bei Misstrauen, frühe Beteiligung von Nutzern und Betriebsrat.
Mehr im Kapitel „Change Management“Was ist eine digitale Denkweise?
Eine Haltung mit Kundenorientierung, Offenheit für Neues, datenbasierten Entscheidungen, Lernbereitschaft, Zusammenarbeit über Abteilungsgrenzen und einem konstruktiven Umgang mit Fehlern.
Mehr im Kapitel „Digitale Denkweise und Kultur“Wie setzt man eine digitale Transformation um?
Mit einer Roadmap in Wellen, klarer Governance mit Verantwortlichen und Richtlinien, ausreichenden Ressourcen, Kennzahlen für Wirkung und Nutzung sowie regelmäßiger Kommunikation.
Mehr im Kapitel „Transformation umsetzen“Modul 11: Recht I: Rechtsformen, Verträge, Steuern
Wie unterscheiden sich OHG und KG?
In der OHG haften alle Gesellschafter unbeschränkt persönlich. In der KG haftet mindestens ein Komplementär unbeschränkt, die Kommanditisten nur bis zur Höhe ihrer Einlage.
Mehr im Kapitel „Personengesellschaften“Wie viel Kapital brauchen GmbH, UG und AG?
Die GmbH braucht 25.000 € Stammkapital, davon mindestens 12.500 € bei der Anmeldung. Die UG kann ab 1 € gegründet werden, muss aber 25 % des Jahresüberschusses in eine Rücklage einstellen. Die AG braucht 50.000 € Grundkapital.
Mehr im Kapitel „Kapitalgesellschaften“Nach welchen Kriterien wählt man eine Rechtsform?
Nach Haftung, Kapitalbedarf, Gründungsaufwand und Kosten, Buchführungspflichten, Steuern, Mitspracherechten, Möglichkeiten für Kapitalgeber und Außenwirkung.
Mehr im Kapitel „Rechtsform wählen“Wie kommt ein Vertrag zustande?
Durch zwei übereinstimmende Willenserklärungen, Angebot und Annahme. Werbung und Webshop-Darstellungen sind nur Aufforderungen zur Abgabe eines Angebots; Schweigen gilt grundsätzlich nicht als Annahme.
Mehr im Kapitel „Vertragsschluss und AGB“Wann gelten AGB?
Wenn bei Vertragsschluss auf sie hingewiesen wird und man sie zur Kenntnis nehmen kann. Überraschende und unangemessen benachteiligende Klauseln sind unwirksam.
Mehr im Kapitel „Vertragsschluss und AGB“Was ist der Unterschied zwischen Werk- und Dienstvertrag?
Beim Werkvertrag wird ein Erfolg geschuldet, der abgenommen wird. Beim Dienstvertrag wird nur die Tätigkeit geschuldet, kein bestimmtes Ergebnis.
Mehr im Kapitel „Vertragsarten“Was gehört in einen Vertrag mit einem KI-Anbieter?
Leistungsbeschreibung, Verfügbarkeit und Support, Auftragsverarbeitung und Speicherort der Daten, Regeln zur Nutzung der Eingaben für das Training, Rechte an Modell und Output, Haftung, Exit und Datenrückgabe.
Mehr im Kapitel „Verträge für KI und Software“Welche Rechte hat man bei einem Mangel?
Zuerst die Nacherfüllung, also Nachbesserung oder Neulieferung. Scheitert sie, kommen Rücktritt, Minderung, Schadensersatz und beim Werkvertrag auch die Selbstvornahme in Betracht.
Mehr im Kapitel „Leistungsstörungen und Haftung“Wann ist ein Schuldner im Verzug?
Wenn er trotz Fälligkeit und Mahnung nicht leistet. Bei einem kalendermäßig bestimmten Termin braucht es keine Mahnung, bei Geldforderungen tritt Verzug spätestens 30 Tage nach Rechnung ein.
Mehr im Kapitel „Leistungsstörungen und Haftung“Welche Steuern zahlen Unternehmen?
Auf Gewinne Einkommen- oder Körperschaftsteuer und Gewerbesteuer, auf Umsätze die Umsatzsteuer, die sie vom Kunden erheben und abführen. Dazu kommen etwa Lohnsteuer für Beschäftigte und Grundsteuer.
Mehr im Kapitel „Steuerarten im Überblick“Was ist die Vorsteuer?
Die Umsatzsteuer, die ein Unternehmen in Eingangsrechnungen bezahlt. Sie wird von der eigenen Umsatzsteuer abgezogen; die Differenz ist die Zahllast an das Finanzamt.
Mehr im Kapitel „Umsatzsteuer“Wer ist Kleinunternehmer?
Seit 2025 gilt: Umsatz im Vorjahr höchstens 25.000 € und im laufenden Jahr höchstens 100.000 €. Kleinunternehmer weisen keine Umsatzsteuer aus, dürfen aber auch keine Vorsteuer abziehen.
Mehr im Kapitel „Umsatzsteuer“Was ist Reverse Charge?
Bei bestimmten Leistungen, etwa Dienstleistungen ausländischer Unternehmen an deutsche Unternehmen, schuldet der Empfänger die Umsatzsteuer. Mit vollem Vorsteuerabzug entsteht keine Belastung, die Meldung ist aber Pflicht.
Mehr im Kapitel „Reverse Charge“Wie vergleicht man Angebote richtig?
Mit Vorsteuerabzug zählt der Nettopreis, ohne Vorsteuerabzug der Bruttopreis. Zusätzlich gehören Rabatte, Skonto, Einrichtung, Schulung, laufende Kosten und Wechselkosten in den Gesamtkostenvergleich.
Mehr im Kapitel „Angebote vergleichen“Welche Rechtsthemen gehören in der Bachelor-Prüfung zu Rechtsformen, Verträgen und Steuern?
§ 6 verlangt, Unternehmensrechtsformen und Vertragsarten mit ihren Anwendungsbereichen zu unterscheiden und die für die Angebotsauswahl von Dienstleistungen relevanten Steuerarten und Steuerberechnungen zu berücksichtigen.
Mehr im Kapitel „Einführung“Was ist der Unterschied zwischen Privatrecht und öffentlichem Recht?
Das Privatrecht regelt Beziehungen zwischen Gleichgestellten, etwa Verträge nach BGB und HGB. Das öffentliche Recht regelt das Verhältnis zum Staat, etwa Steuern, Verwaltung und Aufsicht.
Mehr im Kapitel „Rechtsordnung im Überblick“Wer ist Kaufmann nach dem HGB?
Wer ein Handelsgewerbe betreibt (Istkaufmann), wer sich als Kleingewerbetreibender freiwillig eintragen lässt (Kannkaufmann) und Kapitalgesellschaften kraft Rechtsform (Formkaufmann). Freie Berufe sind keine Kaufleute.
Mehr im Kapitel „Kaufmann und Handelsregister“Was hat sich 2024 bei der GbR geändert?
Die GbR ist nun gesetzlich als rechtsfähig anerkannt, wenn sie am Rechtsverkehr teilnimmt, und kann sich in das neue Gesellschaftsregister eintragen lassen. Die Gesellschafter haften weiterhin persönlich und unbeschränkt.
Mehr im Kapitel „Einzelunternehmen und GbR“Wie hoch ist die Steuerbelastung einer GmbH?
Körperschaftsteuer 15 % plus 5,5 % Solidaritätszuschlag darauf plus Gewerbesteuer. Bei einem Hebesatz von 400 % sind das rund 30 % des Gewinns. Ab 2028 sinkt die Körperschaftsteuer schrittweise auf 10 % im Jahr 2032.
Mehr im Kapitel „Ertragsteuern je Rechtsform“Wie wird die Gewerbesteuer berechnet?
Gewerbeertrag, bei Einzelunternehmen und Personengesellschaften abzüglich 24.500 € Freibetrag, mal 3,5 % Steuermesszahl mal Hebesatz der Gemeinde. Einzelunternehmer können das Vierfache des Messbetrags auf die Einkommensteuer anrechnen.
Mehr im Kapitel „Ertragsteuern je Rechtsform“Modul 12: Recht II: Datenschutz, Urheberrecht, EU-KI-Recht
Welche Rechtsthemen aus Datenschutz, Urheberrecht und KI-Recht gehören zur Bachelor-Prüfung?
§ 6 nennt Datenschutz und Datensicherheit eines KI-Projekts, auch abhängig von der Rechtsform, Urheber- und Patentrecht sowie die EU-Regeln für KI, insbesondere die EU-KI-Verordnung.
Mehr im Kapitel „Einführung“Was sind personenbezogene Daten?
Alle Informationen, die sich auf eine identifizierte oder identifizierbare natürliche Person beziehen, etwa Name, Kundennummer, IP-Adresse, Standort, Stimme oder Bild. Auch pseudonymisierte Daten gehören dazu.
Mehr im Kapitel „DSGVO-Grundbegriffe“Welche Grundsätze nennt Art. 5 DSGVO?
Rechtmäßigkeit, Treu und Glauben und Transparenz; Zweckbindung; Datenminimierung; Richtigkeit; Speicherbegrenzung; Integrität und Vertraulichkeit; Rechenschaftspflicht.
Mehr im Kapitel „Grundsätze und Rechtsgrundlagen“Welche Rechtsgrundlagen gibt es nach Art. 6 DSGVO?
Einwilligung, Vertrag, rechtliche Verpflichtung, lebenswichtige Interessen, öffentliche Aufgabe und berechtigtes Interesse nach Abwägung.
Mehr im Kapitel „Grundsätze und Rechtsgrundlagen“Was sind besondere Kategorien personenbezogener Daten?
Gesundheitsdaten, genetische und biometrische Daten zur Identifizierung, ethnische Herkunft, politische Meinungen, religiöse Überzeugungen, Gewerkschaftszugehörigkeit sowie Daten zum Sexualleben. Ihre Verarbeitung ist grundsätzlich verboten, außer eine Ausnahme greift.
Mehr im Kapitel „Besondere Kategorien und Art. 22“Darf eine KI allein über Menschen entscheiden?
Nach Art. 22 DSGVO grundsätzlich nicht, wenn die Entscheidung rechtliche oder ähnlich erhebliche Wirkung hat. Ausnahmen gelten für Vertrag, Gesetz oder ausdrückliche Einwilligung, dann mit Recht auf menschliches Eingreifen und Anfechtung.
Mehr im Kapitel „Besondere Kategorien und Art. 22“Welche Rechte haben Betroffene?
Information, Auskunft, Berichtigung, Löschung, Einschränkung, Datenübertragbarkeit und Widerspruch. Das Unternehmen muss grundsätzlich innerhalb eines Monats antworten.
Mehr im Kapitel „Betroffenenrechte“Was muss man bei Cloud-KI-Diensten datenschutzrechtlich beachten?
Einen Auftragsverarbeitungsvertrag nach Art. 28 abschließen, den Drittlandtransfer absichern, etwa über das Data Privacy Framework oder Standardvertragsklauseln, und vertraglich ausschließen, dass Eingaben zum Training genutzt werden.
Mehr im Kapitel „Auftragsverarbeitung und Drittland“Wann braucht man eine Datenschutz-Folgenabschätzung?
Wenn eine Verarbeitung voraussichtlich ein hohes Risiko für Betroffene hat, etwa bei Profiling, Scoring, umfangreicher Verarbeitung sensibler Daten oder systematischer Überwachung – bei KI-Anwendungen häufig.
Mehr im Kapitel „DSFA und Privacy by Design“Wie hoch sind DSGVO-Bußgelder?
Bis 10 Mio. € oder 2 % des weltweiten Jahresumsatzes, bei schweren Verstößen bis 20 Mio. € oder 4 %, jeweils der höhere Betrag. Dazu kommen Schadensersatzansprüche Betroffener.
Mehr im Kapitel „Datenschutzbeauftragter, Haftung, Rechtsform“Welche Rolle spielt die Rechtsform beim Datenschutz?
Verantwortlich ist das Unternehmen. Bei GmbH und AG treffen Bußgelder die Gesellschaft; bei Einzelunternehmen und GbR haften Inhaber und Gesellschafter persönlich, auch mit dem Privatvermögen.
Mehr im Kapitel „Datenschutzbeauftragter, Haftung, Rechtsform“Welche technischen und organisatorischen Maßnahmen braucht eine KI-Anwendung?
Zum Beispiel Verschlüsselung, Rollen- und Rechtekonzept, Zwei-Faktor-Anmeldung, Protokollierung, Backups, Pseudonymisierung, Schulung und Schutz gegen KI-spezifische Angriffe wie Prompt Injection und Data Poisoning.
Mehr im Kapitel „Datensicherheit“Was schützt das Urheberrecht?
Persönliche geistige Schöpfungen wie Texte, Bilder, Musik und Computerprogramme. Der Schutz entsteht automatisch und endet 70 Jahre nach dem Tod des Urhebers.
Mehr im Kapitel „Urheberrecht“Darf man urheberrechtlich geschützte Werke für KI-Training nutzen?
Text- und Data-Mining ist nach § 44b UrhG erlaubt, wenn die Inhalte rechtmäßig zugänglich sind und kein maschinenlesbarer Nutzungsvorbehalt erklärt wurde. Werden Werke im Modell gespeichert und wiedergegeben, kann das eine Verletzung sein.
Mehr im Kapitel „KI und Urheberrecht“Sind KI-generierte Inhalte geschützt?
Rein KI-erzeugte Inhalte ohne prägende menschliche Gestaltung sind nach herrschender Auffassung nicht urheberrechtlich geschützt. Ein menschlicher schöpferischer Beitrag kann dagegen geschützt sein.
Mehr im Kapitel „KI und Urheberrecht“Kann man KI patentieren?
Software als solche nicht, wohl aber computerimplementierte Erfindungen mit technischem Beitrag, die neu, erfinderisch und gewerblich anwendbar sind. Erfinder muss ein Mensch sein.
Mehr im Kapitel „Patentrecht“Was muss man bei Open-Source-Lizenzen beachten?
Freizügige Lizenzen wie MIT oder Apache verlangen vor allem Lizenzhinweise. Copyleft-Lizenzen wie die GPL verlangen, abgeleitete Werke bei Weitergabe unter derselben Lizenz mit Quellcode weiterzugeben. Modell-Lizenzen haben oft eigene Beschränkungen.
Mehr im Kapitel „Marken, Geheimnisse, Open Source“Welche Risikoklassen kennt die EU-KI-Verordnung?
Verbotene Praktiken, Hochrisiko-KI mit strengen Pflichten, KI mit Transparenzpflichten und KI mit minimalem Risiko. Daneben gibt es eigene Pflichten für KI-Modelle mit allgemeinem Verwendungszweck.
Mehr im Kapitel „EU-KI-Verordnung: Risikoklassen“Was ist der Unterschied zwischen Anbieter und Betreiber?
Der Anbieter entwickelt ein KI-System oder bringt es unter eigenem Namen in Verkehr. Der Betreiber setzt es in eigener Verantwortung beruflich ein. Beide haben unterschiedliche Pflichten.
Mehr im Kapitel „EU-KI-Verordnung: Risikoklassen“Welche Fristen gelten nach der EU-KI-Verordnung?
In Kraft seit 1.8.2024, Verbote und KI-Kompetenz seit 2.2.2025, Pflichten für KI-Modelle mit allgemeinem Verwendungszweck seit 2.8.2025, Transparenzpflichten ab 2.8.2026. Nach dem Digital Omnibus gelten die Hochrisiko-Pflichten nach Anhang III ab 2.12.2027 und für Produkte nach Anhang I ab 2.8.2028.
Mehr im Kapitel „EU-KI-Verordnung: Fristen und Sanktionen“Wie hoch sind die Bußgelder nach der KI-Verordnung?
Bei verbotenen Praktiken bis 35 Mio. € oder 7 % des weltweiten Jahresumsatzes, bei anderen Pflichtverstößen bis 15 Mio. € oder 3 %, bei falschen Angaben bis 7,5 Mio. € oder 1 %; für KMU gilt jeweils der niedrigere Betrag.
Mehr im Kapitel „EU-KI-Verordnung: Fristen und Sanktionen“Welche weiteren EU-Regeln betreffen KI-Projekte?
Unter anderem der Data Act zum Datenzugang und Cloud-Wechsel, die NIS-2-Richtlinie zur Cybersicherheit, der Cyber Resilience Act für Produkte mit digitalen Elementen und die neue Produkthaftungsrichtlinie, die Software und KI als Produkt erfasst.
Mehr im Kapitel „Weitere EU-Regeln“Modul 13: Abwägungsmethoden
Was verlangt die Bachelor-Prüfung zu Abwägungsmethoden?
§ 7 Nr. 1 verlangt, Einsatzmöglichkeiten und Grenzen von Kosten-Nutzen-Analysen zu kennen, geeignete Verfahren auszuwählen, Einflussfaktoren und Entscheidungsparameter zu bestimmen, Kosten-Nutzen- und Qualitätsanalysen durchzuführen und die Ergebnisse auch bei sich ändernden Rahmenbedingungen zu interpretieren.
Mehr im Kapitel „Einführung“Woraus besteht ein Entscheidungsproblem?
Aus Zielen, Alternativen einschließlich des Status quo, Kriterien zur Bewertung, unsicheren Umweltzuständen und den daraus folgenden Ergebnissen.
Mehr im Kapitel „Entscheiden unter Unsicherheit“Was ist eine Kosten-Nutzen-Analyse?
Ein Verfahren, das alle Kosten und Nutzen eines Vorhabens in Geld bewertet und daraus Nettonutzen oder Nutzen-Kosten-Verhältnis berechnet. Seine Grenze liegt bei Wirkungen, die sich nicht sinnvoll in Euro ausdrücken lassen.
Mehr im Kapitel „Kosten-Nutzen-Analyse“Was gehört zur TCO eines KI-Systems?
Lizenzen und API-Kosten, Rechenleistung, Datenaufbereitung, Entwicklung, Integration, Schulung, Betrieb, Monitoring, Neutraining, Compliance und die Kosten eines späteren Ausstiegs.
Mehr im Kapitel „Kosten erfassen (TCO)“Wie bewertet man den Nutzen einer KI-Lösung?
Zuerst in Kennzahlen wie gesparter Zeit, Fehlerquote oder Durchlaufzeit, dann so weit seriös möglich in Euro. Qualitative Vorteile wie Zufriedenheit werden beschrieben oder in einer Nutzwertanalyse bewertet.
Mehr im Kapitel „Nutzen erfassen“Welches Bewertungsverfahren passt wann?
Kostenvergleich bei gleichem Nutzen, Kosten-Nutzen-Analyse bei Bewertung in Euro, Kosten-Wirksamkeits-Analyse bei messbarer Wirkung ohne Euro-Wert, Nutzwertanalyse bei mehreren auch qualitativen Kriterien und Investitionsrechnung bei Zahlungen über mehrere Jahre.
Mehr im Kapitel „Verfahren im Vergleich“Wie läuft eine Nutzwertanalyse ab?
K.-o.-Kriterien prüfen, Kriterien festlegen, gewichten, jede Alternative je Kriterium mit Punkten bewerten, Teilnutzen als Gewicht mal Punkte berechnen, zum Nutzwert addieren und die Sensitivität prüfen.
Mehr im Kapitel „Nutzwertanalyse“Wie funktioniert der Paarvergleich?
Jedes Kriterium wird mit jedem anderen verglichen und erhält 2, 1 oder 0 Punkte. Die Zeilensumme geteilt durch die Gesamtpunktzahl n mal n minus 1 ergibt das Gewicht.
Mehr im Kapitel „Paarvergleich“Wie berechnet man die Amortisationszeit?
Investition geteilt durch den jährlichen Rückfluss, also Einsparung oder Mehrerlös minus laufende Kosten. Der ROI ist die Summe der Rückflüsse minus Investition, geteilt durch die Investition.
Mehr im Kapitel „ROI und Amortisation“Wann sollte man KI selbst entwickeln?
Wenn es um eine Kernkompetenz geht, eigene Daten den Vorteil bringen, hohe Mengen anfallen und Fachkräfte vorhanden sind. Für Standardaufgaben mit geringen Mengen ist Kaufen oder Mieten meist besser.
Mehr im Kapitel „Make or Buy“Was ist eine FMEA?
Eine vorbeugende Analyse möglicher Fehler. Jeder Fehler wird nach Auftreten, Bedeutung und Entdeckung von 1 bis 10 bewertet; das Produkt ist die Risikoprioritätszahl. Fehler mit sehr hoher Bedeutung werden immer behandelt.
Mehr im Kapitel „Qualitätsanalysen und FMEA“Was ist ein kritischer Wert?
Der Wert einer unsicheren Annahme, bei dem sich die Empfehlung umkehrt. Liegt er weit vom angenommenen Wert entfernt, ist das Ergebnis robust.
Mehr im Kapitel „Sensitivitätsanalyse“Wozu dienen Szenarien?
Sie verändern mehrere Annahmen stimmig gemeinsam und zeigen die Bandbreite möglicher Ergebnisse vom Best Case über den Base Case bis zum Worst Case.
Mehr im Kapitel „Szenarien“Wie nutzt man einen Entscheidungsbaum?
Man zeichnet Entscheidungen, Zufallsereignisse mit Wahrscheinlichkeiten und Ergebnisse, berechnet von rechts nach links die Erwartungswerte und wählt die beste Alternative unter Beachtung der Risikotragfähigkeit.
Mehr im Kapitel „Entscheidungsbaum und Erwartungswert“Wie ist eine gute Entscheidungsvorlage aufgebaut?
Empfehlung zuerst, dann Ausgangslage, Alternativen und Verfahren, Ergebnis mit Kennzahlen, offen gelegte Annahmen mit Sensitivität und Szenarien, Risiken und der konkrete Entscheidungsbedarf.
Mehr im Kapitel „Ergebnisse aufbereiten“Welche Fehler passieren bei Abwägungen häufig?
Scheingenauigkeit, vergessene Kosten, Wunschdenken bei Nutzenannahmen, nachträgliches Anpassen der Gewichte, doppelt gezählte Kriterien und das Vergessen des Status quo.
Mehr im Kapitel „Typische Fehler“Modul 14: Ökonomische Aspekte
Was gehört zu den ökonomischen Aspekten in der Bachelor-Prüfung?
§ 7 Nr. 2 nennt Grundzüge von Controlling und Kosten- und Leistungsrechnung, Branchenspezifika, die statische und dynamische Beurteilung von Investitionen unter Nachhaltigkeitsaspekten sowie Finanzierungsarten.
Mehr im Kapitel „Einführung“Was macht das Controlling?
Es koordiniert Planung, Steuerung und Kontrolle und versorgt die Unternehmensführung mit Informationen: Budgets, Soll-Ist-Vergleiche, Abweichungsanalysen, Kennzahlen und Berichte.
Mehr im Kapitel „Controlling“Was ist der Unterschied zwischen Aufwand und Kosten?
Aufwand ist der gesamte Werteverbrauch in der Finanzbuchhaltung. Kosten sind nur der betrieblich bedingte, bewertete Verbrauch. Neutraler Aufwand ist keine Kosten, Zusatzkosten sind Kosten ohne Aufwand.
Mehr im Kapitel „Grundbegriffe der KLR“Was sind Einzel- und Gemeinkosten?
Einzelkosten lassen sich einem Produkt oder Auftrag direkt zurechnen, Gemeinkosten nur über Schlüssel. Davon zu unterscheiden ist die Einteilung in fixe und variable Kosten nach der Abhängigkeit von der Menge.
Mehr im Kapitel „Kostenartenrechnung“Was ist ein Betriebsabrechnungsbogen?
Eine Tabelle, in der Gemeinkosten mit Schlüsseln auf Kostenstellen verteilt werden. Daraus ergeben sich Zuschlagssätze wie Gemeinkosten der Fertigung geteilt durch Fertigungslöhne.
Mehr im Kapitel „Kostenstellenrechnung und BAB“Wie funktioniert die Zuschlagskalkulation?
Auf Material- und Fertigungseinzelkosten werden Gemeinkostenzuschläge gerechnet; das ergibt die Herstellkosten. Mit Verwaltungs- und Vertriebsgemeinkosten entstehen die Selbstkosten, mit Gewinnzuschlag der Barverkaufspreis.
Mehr im Kapitel „Kostenträgerrechnung und Kalkulation“Wie berechnet man den Break-even?
Break-even-Menge gleich Fixkosten geteilt durch Deckungsbeitrag je Stück; der Deckungsbeitrag ist Preis minus variable Stückkosten.
Mehr im Kapitel „Deckungsbeitrag und Break-even“Wie analysiert man Budgetabweichungen?
Man zerlegt die Gesamtabweichung in die Mengenabweichung, also Mengendifferenz mal Planpreis, und die Preisabweichung, also Preisdifferenz mal Istmenge, und leitet daraus Maßnahmen ab.
Mehr im Kapitel „Budget und Abweichungsanalyse“Warum spielen Branchenspezifika eine Rolle?
Margen, Regulierung, Haftung, Datenarten und Investitionszyklen unterscheiden sich je Branche und verändern Nutzen, Kosten und Risiken einer KI-Lösung.
Mehr im Kapitel „Branchenspezifika“Welche statischen Investitionsrechnungen gibt es?
Kostenvergleich, Gewinnvergleich, Rentabilitätsvergleich und Amortisationsrechnung. Sie sind einfach, berücksichtigen aber den Zeitpunkt der Zahlungen nicht.
Mehr im Kapitel „Statische Investitionsrechnung“Was ist der Kapitalwert?
Die Summe aller auf heute abgezinsten Rückflüsse minus der Investition. Ist er positiv, verzinst sich die Investition besser als mit dem Kalkulationszins.
Mehr im Kapitel „Kapitalwertmethode“Was sind interner Zinsfuß und Annuität?
Der interne Zinsfuß ist der Zins, bei dem der Kapitalwert null ist, also die Rendite der Investition. Die Annuität verteilt den Kapitalwert gleichmäßig auf die Jahre der Nutzung.
Mehr im Kapitel „Interner Zinsfuß und Annuität“Wer muss nach der CSRD berichten?
Nach dem Omnibus-I-Paket von 2026 Unternehmen mit mehr als 1.000 Beschäftigten und mehr als 450 Mio. € Umsatz. Kleinere Unternehmen werden aber oft von Kunden, Banken oder Investoren nach Nachhaltigkeitsdaten gefragt.
Mehr im Kapitel „Nachhaltigkeit und Energie“Wie berechnet man den Energiebedarf einer KI-Anwendung?
Leistungsaufnahme mal Betriebsstunden ergibt den IT-Verbrauch; multipliziert mit der PUE des Rechenzentrums den Gesamtverbrauch. Mit Strompreis und Emissionsfaktor ergeben sich Kosten und CO₂.
Mehr im Kapitel „Nachhaltigkeit und Energie“Welche Finanzierungsarten gibt es?
Nach der Herkunft Innen- und Außenfinanzierung, nach der Rechtsstellung Eigen- und Fremdfinanzierung. Beispiele sind Selbstfinanzierung aus Gewinnen, Finanzierung aus Abschreibungen, Beteiligungen und Kredite.
Mehr im Kapitel „Finanzierungsarten“Wann lohnt sich Leasing?
Wenn Liquidität geschont und Technik regelmäßig erneuert werden soll, etwa bei schnell alternder Hardware. Leasing ist über die Laufzeit meist teurer als ein Kauf und bindet vertraglich.
Mehr im Kapitel „Kredit, Leasing, Förderung“Welche Finanzkennzahlen sind wichtig?
Eigenkapitalquote für die Stabilität, Liquidität ersten bis dritten Grades für die Zahlungsfähigkeit sowie Eigenkapital-, Gesamtkapital- und Umsatzrentabilität für die Ertragskraft.
Mehr im Kapitel „Finanzkennzahlen“Modul 15: Personalmanagement und Führung
Was verlangt die Bachelor-Prüfung zu Personal und Führung?
§ 8 Nr. 1 und 2 verlangen, Personalstrategien unter Berücksichtigung von Talentmanagement und dynamischer Problemlösekompetenz zu wählen, Organisationen zu analysieren, Führungsmethoden anzuwenden, Leistungsbereitschaft und Zusammenarbeit zu fördern, Konflikte zu lösen und sich als Führungskraft selbst zu organisieren.
Mehr im Kapitel „Einführung“Welche Aufgaben hat das Personalmanagement?
Personal planen, beschaffen und auswählen, einsetzen, entwickeln, führen und binden sowie freisetzen – ausgerichtet an der Unternehmensstrategie.
Mehr im Kapitel „Personalmanagement im Überblick“Wie ermittelt man den Personalbedarf?
Der Bruttobedarf ergibt sich aus benötigten Arbeitsstunden geteilt durch die verfügbaren Stunden je Vollzeitkraft. Der Nettobedarf ist Bruttobedarf minus aktueller Bestand plus Abgänge minus feststehende Zugänge.
Mehr im Kapitel „Personalbedarf planen“Welche Personalstrategien gibt es für KI-Kompetenz?
Make durch Weiterbildung, Buy durch Einstellung, Borrow durch externe Fachleute und Bot durch Automatisierung. Meist ist ein Mix sinnvoll, ergänzt durch Talentmanagement und Employer Branding.
Mehr im Kapitel „Personalstrategien“Welche Rollen braucht ein KI-Team?
Data Engineers für Daten und Pipelines, Data Scientists für Modelle, ML Engineers für den Betrieb, Product Owner oder Business Analysts für Nutzen und Anforderungen sowie Fachleute für Governance, Recht und Datenschutz.
Mehr im Kapitel „Kompetenzen für KI-Teams“Was ist bei der Personalauswahl mit KI zu beachten?
KI-Vorauswahl ist Hochrisiko-KI. Sie darf nicht nach AGG-Merkmalen benachteiligen, auch nicht mittelbar über gelernte Muster; es braucht menschliche Prüfung, Bias-Kontrollen und die Beteiligung des Betriebsrats.
Mehr im Kapitel „Personalauswahl“Wie entwickelt man Personal wirksam?
Bedarf aus Soll-Ist-Profilen ermitteln, passende Maßnahmen on, near, off oder along the job planen, den Transfer in die Arbeit sichern und den Erfolg an Anwendung und Qualität messen.
Mehr im Kapitel „Personaleinsatz und -entwicklung“Was ist der Unterschied zwischen Aufbau- und Ablauforganisation?
Die Aufbauorganisation regelt Zuständigkeiten, Stellen und Leitungsbeziehungen. Die Ablauforganisation regelt, wie Prozesse in Reihenfolge, Zeit und Ort ablaufen.
Mehr im Kapitel „Organisationsanalyse“Was ist das 7-S-Modell?
Ein Modell von McKinsey mit den harten Faktoren Strategie, Struktur und Systeme und den weichen Faktoren Stil, Stammpersonal, Spezialkenntnisse und gemeinsame Werte, die alle zusammenpassen müssen.
Mehr im Kapitel „Organisationsmodelle und 7-S“Welche Führungsstile unterscheidet Lewin?
Autoritär, kooperativ bzw. demokratisch und laissez-faire. Welcher passt, hängt von Aufgabe, Personen und Situation ab.
Mehr im Kapitel „Führungsstile und -theorien“Was ist situatives Führen?
Ein Modell von Hersey und Blanchard: Der Führungsstil richtet sich nach dem Reifegrad der Mitarbeitenden für eine Aufgabe – unterweisen, verkaufen, beteiligen oder delegieren.
Mehr im Kapitel „Situatives Führen“Was sagt die Zwei-Faktoren-Theorie von Herzberg?
Hygienefaktoren wie Gehalt und Arbeitsbedingungen verhindern Unzufriedenheit, schaffen aber keine Motivation. Motivatoren wie Anerkennung, Verantwortung und Arbeitsinhalt erzeugen Zufriedenheit.
Mehr im Kapitel „Motivation“Was sind OKR?
Objectives and Key Results: ein qualitatives, motivierendes Ziel mit zwei bis fünf messbaren Schlüsselergebnissen, meist für ein Quartal und transparent für alle.
Mehr im Kapitel „Agile Führung und OKR“Wie gibt man gutes Feedback?
Zeitnah, konkret und beschreibend in Ich-Botschaften, etwa nach dem Muster Situation, Verhalten, Wirkung, ergänzt um einen Wunsch für die Zukunft.
Mehr im Kapitel „Feedback und Mitarbeitergespräche“Was beschreibt das Modell von Glasl?
Neun Eskalationsstufen eines Konflikts in drei Ebenen: win-win, win-lose und lose-lose. Je höher die Stufe, desto stärker muss von außen eingegriffen werden.
Mehr im Kapitel „Konflikte erkennen“Was ist das Harvard-Konzept?
Eine Methode für sachbezogenes Verhandeln: Menschen und Probleme getrennt behandeln, Interessen statt Positionen in den Mittelpunkt stellen, Optionen zum beiderseitigen Vorteil entwickeln und neutrale Beurteilungskriterien nutzen.
Mehr im Kapitel „Konflikte lösen“Welche Methoden helfen beim Selbstmanagement?
Die Eisenhower-Matrix für Prioritäten, die ALPEN-Methode für die Tagesplanung, das Pareto-Prinzip, feste Zeitblöcke und bewusster Umgang mit der eigenen Energie.
Mehr im Kapitel „Selbstmanagement“Modul 16: Arbeits- und Betriebsverfassungsrecht
Was verlangt die Bachelor-Prüfung zum Arbeitsrecht?
§ 6 und § 8 Nr. 3 verlangen, Arten von Arbeitsverhältnissen zu unterscheiden und passende Formen zu wählen, Rechte und Pflichten sowie Beendigungsmöglichkeiten zu kennen und Veränderungsprozesse unter Beachtung der Beteiligungsrechte des Betriebsrats zu gestalten.
Mehr im Kapitel „Einführung“Was ist der Unterschied zwischen Individual- und Kollektivarbeitsrecht?
Das Individualarbeitsrecht regelt das Verhältnis zwischen Arbeitgeber und einzelnen Beschäftigten, das Kollektivarbeitsrecht die Beziehungen zu Betriebsrat und Gewerkschaften mit Tarifverträgen und Betriebsvereinbarungen.
Mehr im Kapitel „Arbeitsrecht im Überblick“Muss ein Arbeitsvertrag schriftlich sein?
Der Vertrag selbst ist formfrei, eine Befristung braucht aber die Schriftform. Die wesentlichen Bedingungen müssen nach dem Nachweisgesetz dokumentiert werden, seit 2025 in vielen Fällen auch in Textform.
Mehr im Kapitel „Arbeitsvertrag und Probezeit“Wann ist eine Befristung ohne Sachgrund zulässig?
Bei einer Neueinstellung für höchstens zwei Jahre mit bis zu drei Verlängerungen, schriftlich vor Beginn. Bei Vorbeschäftigung beim selben Arbeitgeber ist sie in der Regel unzulässig.
Mehr im Kapitel „Arten von Arbeitsverhältnissen“Woran erkennt man Scheinselbstständigkeit?
An Weisungsgebundenheit in Zeit, Ort und Inhalt, an der Eingliederung in die Organisation, an nur einem Auftraggeber und fehlendem Unternehmerrisiko. Klärung bringt das Statusfeststellungsverfahren der Deutschen Rentenversicherung.
Mehr im Kapitel „Leiharbeit und freie Mitarbeit“Welche Pflichten haben Arbeitnehmer und Arbeitgeber?
Arbeitnehmer schulden Arbeitsleistung nach Weisung und Treue, etwa Verschwiegenheit. Arbeitgeber schulden Vergütung, Beschäftigung und Fürsorge, etwa Arbeitsschutz, Schutz der Daten und Gleichbehandlung.
Mehr im Kapitel „Rechte und Pflichten“Wie lange darf man täglich arbeiten?
Werktäglich acht Stunden, bis zu zehn, wenn im Schnitt von sechs Monaten acht Stunden erreicht werden. Dazu kommen Pausen und eine Ruhezeit von elf Stunden; die Arbeitszeit ist zu erfassen.
Mehr im Kapitel „Arbeitszeit, Urlaub, Entgelt“Was gilt beim mobilen Arbeiten?
Arbeitszeitgesetz, Arbeitsschutz und Datenschutz gelten weiter. Einen allgemeinen gesetzlichen Anspruch gibt es nicht; die Ausgestaltung ist mitbestimmungspflichtig, die Gefährdungsbeurteilung umfasst auch psychische Belastungen.
Mehr im Kapitel „Mobiles Arbeiten und Arbeitsschutz“Wie kann ein Arbeitsverhältnis enden?
Durch ordentliche oder außerordentliche Kündigung, durch Aufhebungsvertrag, durch Ablauf einer wirksamen Befristung oder durch Tod. Kündigung und Aufhebungsvertrag brauchen die Schriftform.
Mehr im Kapitel „Beendigung des Arbeitsverhältnisses“Wann ist eine Kündigung sozial gerechtfertigt?
Wenn das Kündigungsschutzgesetz gilt, braucht sie einen personen-, verhaltens- oder betriebsbedingten Grund. Bei betriebsbedingten Kündigungen ist eine Sozialauswahl durchzuführen.
Mehr im Kapitel „Kündigungsfristen und Kündigungsschutz“Welche Kündigungsfristen gelten?
Grundsätzlich vier Wochen zum 15. oder zum Monatsende. Für Kündigungen des Arbeitgebers verlängern sie sich nach zwei bis zwanzig Jahren Betriebszugehörigkeit stufenweise auf einen bis sieben Monate zum Monatsende.
Mehr im Kapitel „Kündigungsfristen und Kündigungsschutz“Was muss in einem Arbeitszeugnis stehen?
Das einfache Zeugnis nennt Art und Dauer der Tätigkeit, das qualifizierte zusätzlich Leistung und Verhalten. Es muss wahr und wohlwollend sein.
Mehr im Kapitel „Zeugnis und nachvertragliche Pflichten“Wann gibt es einen Betriebsrat?
In Betrieben mit mindestens fünf ständigen wahlberechtigten Arbeitnehmern, von denen drei wählbar sind, kann ein Betriebsrat gewählt werden. Die regelmäßigen Wahlen finden alle vier Jahre statt.
Mehr im Kapitel „Betriebsverfassungsgesetz“Welche Beteiligungsrechte hat der Betriebsrat?
Von Information und Anhörung über Beratung bis zu Widerspruch, Zustimmungsverweigerung und echter Mitbestimmung. Bei echter Mitbestimmung entscheidet ohne Einigung die Einigungsstelle.
Mehr im Kapitel „Beteiligungsrechte“Welche Rechte hat der Betriebsrat bei KI?
Unterrichtung und Beratung nach § 90, einen Sachverständigen nach § 80 Abs. 3, Mitbestimmung bei Systemen mit Überwachungseignung nach § 87 Abs. 1 Nr. 6 und Zustimmung zu Auswahlrichtlinien auch bei KI-Einsatz nach § 95 Abs. 2a.
Mehr im Kapitel „KI im Betrieb und Betriebsrat“Was regelt eine KI-Betriebsvereinbarung?
Geltungsbereich und Zwecke, verarbeitete Daten und Auswertungen, das Verbot individueller Leistungskontrolle, menschliche Entscheidung bei Personalmaßnahmen, Qualifizierung, Beschäftigungssicherung und Evaluation.
Mehr im Kapitel „Betriebsvereinbarung zur KI“Wann ist eine KI-Einführung eine Betriebsänderung?
Wenn sie in einem Unternehmen mit mehr als 20 wahlberechtigten Arbeitnehmern grundlegend neue Arbeitsmethoden einführt oder zu erheblichem Personalabbau führt. Dann sind ein Interessenausgleich zu versuchen und ein Sozialplan zu verhandeln.
Mehr im Kapitel „Veränderungen rechtssicher gestalten“Modul 17: Zukunftskompetenzen
Was sind Zukunftskompetenzen in der Bachelor-Prüfung?
§ 9 nennt Selbstorganisation, Resilienz, kritisches Denken und Reflexion; kollaboratives Arbeiten, interdisziplinäre Teams, Problemlöse- und Kommunikationsmethoden sowie interkulturelle Zusammenarbeit, Zeitmanagement und Interdisziplinarität.
Mehr im Kapitel „Einführung“Warum werden Zukunftskompetenzen durch KI wichtiger?
Wenn KI Routinen übernimmt, verschiebt sich die Arbeit zu Fragen stellen, Ergebnisse prüfen und verantworten, mit Menschen abstimmen, Unsicherheit aushalten und ständig dazulernen.
Mehr im Kapitel „Warum Zukunftskompetenzen?“Wie organisiert man sich selbst gut?
Mit klaren Zielen, einem zentralen System für alle Aufgaben, Prioritäten, festen Zeitblöcken für konzentrierte Arbeit und einem regelmäßigen Wochenrückblick.
Mehr im Kapitel „Selbstorganisation“Was ist Resilienz?
Die Fähigkeit, Belastungen und Krisen zu bewältigen und daran zu wachsen. Häufig genannte Faktoren sind Optimismus, Akzeptanz, Lösungsorientierung, Selbstwirksamkeit, Verantwortung, Netzwerk und Zukunftsplanung.
Mehr im Kapitel „Resilienz“Welche Denkfehler sind typisch?
Bestätigungsfehler, Ankereffekt, Verfügbarkeitsheuristik, Überlebenden-Fehler und die Verwechslung von Korrelation und Kausalität.
Mehr im Kapitel „Kritisches Denken“Wie denkt man kritisch mit KI?
KI-Ergebnisse als Entwürfe behandeln, wichtige Aussagen gegen Primärquellen prüfen, angegebene Quellen öffnen, nach Gegenargumenten fragen und Automation Bias durch Begründungspflicht, Stichproben und Schulung vermeiden.
Mehr im Kapitel „Kritisch denken mit KI“Was ist das Johari-Fenster?
Ein Modell mit vier Feldern: öffentlich, blinder Fleck, verborgen und unbekannt. Feedback verkleinert den blinden Fleck, Selbstoffenbarung den verborgenen Bereich.
Mehr im Kapitel „Selbstreflexion“Was macht hybride Zusammenarbeit erfolgreich?
Wenige, klar geregelte Werkzeuge, Kommunikationsregeln, gut vorbereitete Besprechungen mit festgehaltenen Ergebnissen und gleiche Chancen für Anwesende und Zugeschaltete.
Mehr im Kapitel „Kollaboratives Arbeiten“Welche Phasen durchläuft ein Team nach Tuckman?
Forming, Storming, Norming, Performing und Adjourning. Die Führung passt sich an: orientieren, Konflikte moderieren, Regeln stärken, delegieren.
Mehr im Kapitel „Teams entwickeln“Wie fördert man interdisziplinäre Teams?
Mit einem gemeinsamen Ziel, einem Glossar für Fachbegriffe, Übersetzer-Rollen wie Product Owner, gemeinsamen Workshops und Wertschätzung aller Beiträge.
Mehr im Kapitel „Interdisziplinäre Teams“Welche Problemlösemethoden gibt es?
Zum Beispiel 5-Why für die Grundursache, das Ishikawa-Diagramm mit den 6 M für die Breite der Ursachen, Design Thinking für nutzerzentrierte Lösungen und den A3-Report für die Darstellung auf einer Seite.
Mehr im Kapitel „Problemlösemethoden“Was ist das Vier-Seiten-Modell?
Nach Schulz von Thun hat jede Nachricht einen Sachinhalt, eine Selbstkundgabe, einen Beziehungshinweis und einen Appell. Missverständnisse entstehen, wenn der Empfänger eine andere Seite hört als gemeint.
Mehr im Kapitel „Kommunikationsmodelle“Was ist gewaltfreie Kommunikation?
Eine Methode nach Marshall Rosenberg mit vier Schritten: Beobachtung ohne Bewertung, Gefühl, Bedürfnis und eine konkrete, erfüllbare Bitte.
Mehr im Kapitel „Kommunikationsmethoden“Wie überzeugt man in der Präsentation vor dem Prüfungsausschuss?
Mit einer klaren Kernaussage, einem logischen Aufbau von Problem bis Ergebnis, belegten Zahlen, offen benannten Grenzen, Bezug zu den Handlungsbereichen und sicherem Umgang mit Rückfragen im Fachgespräch.
Mehr im Kapitel „Präsentieren und überzeugen“Welche Kulturdimensionen beschreibt Hofstede?
Machtdistanz, Individualismus und Kollektivismus, Maskulinität und Femininität, Unsicherheitsvermeidung, Langzeitorientierung sowie Nachgiebigkeit und Beherrschung.
Mehr im Kapitel „Interkulturelle Zusammenarbeit“Welche Zeitmanagement-Methoden gibt es?
Unter anderem die Eisenhower-Matrix, die ALPEN-Methode, das Pareto-Prinzip, Pomodoro, Timeboxing und Getting Things Done. Am besten wirken sie kombiniert.
Mehr im Kapitel „Zeitmanagement“Wie arbeitet man im Alltag agil?
Aufgaben sichtbar machen, Zeit begrenzen, in kleinen Schritten liefern, Feedback holen und regelmäßig in Retrospektiven fragen, was gut lief, was nicht und was man als Nächstes ausprobiert.
Mehr im Kapitel „Agiles Arbeiten im Alltag“