Projekte – Alexander Becker

01WORKSHOP · KÜNSTLICHE INTELLIGENZ

KI im Schulalltag – ein Workshop für Lehrkräfte

Wie funktionieren Sprachmodelle, wie lassen sie sich sinnvoll im Unterricht einsetzen – und wie gehen Schulen damit um, dass Schülerinnen und Schüler KI längst nutzen? Ein praxisnaher Präsenz-Workshop für das Kollegium eines Gymnasiums.

Ziele

1

Verstehen

Grundprinzipien von KI und Sprachmodellen – ohne technisches Vorwissen.

2

Anwenden

Kostenlose KI-Tools für Vorbereitung und Materialerstellung nutzen.

3

Einordnen

Chancen und Risiken der Schülernutzung kritisch reflektieren.

Aufbau

01
Grundlagen von KIBegriffe, Geschichte, neuronale Netze, Stärken, Schwächen und Datenschutz
02
KI im LehrerberufEinsatzfelder, Beispiele nach Fach, Tool-Überblick und Live-Demo
03
Praxisübung: Selbst ausprobierenEigenes Unterrichtsmaterial in Kleingruppen erstellen und prüfen
04
Schüler und KINutzungsverhalten, Grenzen von KI-Detektoren, rechtlicher Rahmen, Elternkommunikation
05
Praxisübung: Aufgaben KI-resistent gestaltenBestehende Aufgaben umbauen – oder KI bewusst einbinden
06
Erste schulinterne LeitlinienEckpunkte für einen schulweiten Umgang mit KI

02PODCAST · TESTMANAGEMENT

Test Data Management meets Data Science

Im Podcast von Qytera spreche ich darüber, wie Methoden der Data Science das Testdatenmanagement verbessern – von der Wahl zwischen synthetischen Daten und Livedaten bis zur gezielten Reduktion großer Datenbestände.

Worum es geht

Synthetische Daten und Produktionsdaten haben je nach Testart und Testphase ihre eigenen Stärken. Entscheidend ist, die testrelevanten Datenkonstellationen zu kennen – statt blind komplette Produktionskopien zu verwenden.

Dafür ordne ich Testdaten in drei Kategorien von Datenregeln ein und zeige, wie Data Science hilft, sie aus realen Daten abzuleiten:

1

Technische Regeln

Formate, Schlüssel und Strukturen, die Daten erfüllen müssen.

2

Datenqualität

Vollständigkeit, Plausibilität und Konsistenz der Daten.

3

„Realitätsregeln“

Wie Daten tatsächlich verwendet werden – Basis für risikobasiertes Testen.

Methoden im Gespräch

01
Verwendungsanalyse realer DatenRegressionsanalysen, um Zusammenhänge und Häufigkeiten sichtbar zu machen
02
Testdatenreduktion mit ClusteringRepräsentative Datensätze identifizieren, statt Millionen Fälle zu testen
03
Maschinelles Lernen in der PraxisAufwand, eingesetzte Algorithmen und Zeitgewinn bei großen Datenmengen

03WORKSHOP & STRATEGIEBERATUNG · KÜNSTLICHE INTELLIGENZ

Von der KI-Einführung zum eigenen Unternehmens-RAG

Ein Workshop mit kompakter Strategieberatung für mittelständische Unternehmen: Was kann KI für die Wissensarbeit im eigenen Haus leisten – und wie lässt sich eine KI-Lösung mit internen Daten aufbauen, ohne die Kontrolle darüber abzugeben?

Was KI für die Wissensarbeit leistet

KI ist eine Querschnittstechnologie – wie Elektrizität oder das Internet entfaltet sie ihren Wert erst in der Anwendung. Für Unternehmen zählen drei Fähigkeiten:

1

Transformieren

Wissen aus Meetings, Dokumenten oder Bildern in neue Formate überführen – implizites Wissen wird explizit.

2

Verknüpfen

Interne und externe Quellen über semantische Ähnlichkeit statt exakter Treffer verbinden.

3

Automatisieren

Prozesse mit Workflow-Werkzeugen deutlich einfacher automatisieren als bisher.

Inhalte

01
Beispiel-WorkflowVom aufgezeichneten Meeting über Transkript und Zusammenfassung bis zu Aufgaben, Protokoll und Wissensdatenbank
02
Daten als GrundsatzfrageWelche Daten will ich mit wem teilen – zwischen Datenschutz, Datenautonomie und Mehrwert
03
ArchitekturbausteineOberfläche, Modelle, Workflow-Automation, Embedding, Vektordatenbank und Anbindung bestehender Dienste
04
Open-Source-StackZ. B. Open WebUI, Ollama mit lokalen Modellen, n8n und PostgreSQL als Vektordatenbank
05
RAG-PipelineWie Retrieval-Augmented Generation unternehmenseigenes Wissen für Sprachmodelle nutzbar macht

Wissen weitergeben