IT & Künstliche Intelligenz

Das Interesse an Technologie mag mit einer attraktiven App oder einem cleveren Gerät beginnen, doch eine gute universitäre Ausbildung fragt nach den tieferliegenden Aspekten: Wie sind Daten organisiert? Wie funktioniert das System? Wie testen wir es? Und wer ist von seinen Entscheidungen betroffen? Dieses Studienfeld vereint die Grundlagen der Informatik, der Software- und Systementwicklung sowie der Datenanalyse mit Spezialisierungen in Künstlicher Intelligenz oder anderen Bereichen, je nach Studiengang.

Ähnliche Namen, unterschiedliche Ansätze

Informatik, Informationstechnologie, Softwareentwicklung, Data Science und Künstliche Intelligenz sind nicht identisch. Sie mögen zwar gemeinsame Kurse anbieten, unterscheiden sich aber in ihrem Fokus, der von theoretischen Grundlagen bis hin zu Systemen, Anwendungen, Daten und Konstruktion reicht. Daher sollten Sie den Studienplan genau lesen und nicht einen Studiengang nur deshalb wählen, weil sein Name einen gemeinsamen Begriff enthält. [1]

Das CS2023-Rahmenwerk von ACM, IEEE-CS und AAAI hilft, die Breite der Informatikausbildung zu verstehen, aber es macht nicht jeden Technologiestudiengang zu einem einheitlichen Modell. Der tatsächliche Universitätslehrplan ist nach wie vor die beste Orientierungshilfe, was Studierende lernen und wie sich die Inhalte auf theoretische Grundlagen, Anwendungen und Projekte verteilen. [1]

Programmieren als Werkzeug zur Förderung des Denkvermögens

Durch Programmieren lernen Studierende, Probleme in Teilprobleme zu zerlegen, klare Schritte zu formulieren, Annahmen zu überprüfen und Fehler zu analysieren. Der Fortschritt bemisst sich nicht an der Anzahl der Programmiersprachen, die sie beherrschen, sondern an ihrer Fähigkeit, ein Problem zu verstehen und eine Lösung zu entwickeln, die lesbar, testbar und verbesserungsfähig ist.

Sie können mit einem kleinen Projekt beginnen, das einem konkreten Bedarf dient: die Organisation persönlicher Termine, die Analyse öffentlich zugänglicher Daten oder die Gestaltung einer einfachen Benutzeroberfläche. Es ist sinnvoller, ein begrenztes Projekt mit Dokumentation und Tests abzuschließen, als ein umfangreiches Projekt zu beginnen, dessen Komponenten sie weder erklären noch warten können.

Künstliche Intelligenz braucht ein Fundament, nicht nur einen Titel

Das Studium der künstlichen Intelligenz ist eng mit Mathematik, Statistik, Datenanalyse und Algorithmen sowie mit Modellentwicklung, -bewertung und dem Verständnis ihrer Grenzen verbunden. Die Verwendung eines fertigen Tools kann ein hilfreicher Ausgangspunkt sein, ersetzt aber nicht das Verständnis dafür, wie Ergebnisse gemessen werden, auf welchen Daten das System basiert und wo Fehler auftreten können. [1]

In einem Bildungsprojekt sollten Studierende den Unterschied zwischen Training und Evaluation verstehen und vermeiden, ein beeindruckendes Ergebnis zu präsentieren, ohne dessen Messmethode zu erläutern. Es ist außerdem ratsam, die Eignung des Einsatzes künstlicher Intelligenz grundsätzlich zu hinterfragen. Eine einfachere Lösung kann für ein bestimmtes Problem klarer und effizienter sein. Diese Fähigkeit zur Wahl ist ein Zeichen technischer Reife.

Sicherheit und Datenschutz sind Teil des Designs

Bei der Entwicklung jeder Anwendung müssen Studierende berücksichtigen, welche Daten sie sammeln, wer darauf zugreifen kann, wie sie gespeichert und gelöscht werden und welche Berechtigungen erforderlich sind. Dies ist keine Aufgabe, die bis zum Projektende aufgeschoben wird, sondern von Anfang an Teil der Projektdefinition. Echte personenbezogene Daten dürfen in einem Bildungsprojekt niemals ohne Rechtsgrundlage, Einwilligung und entsprechende Berechtigungen verwendet werden.

Synthetische oder lizenzierte öffentliche Daten können verwendet werden, und die Projektgrenzen sollten klar dokumentiert werden. Lizenzen für Code, Bibliotheken und Bilder müssen beachtet werden, und die Arbeit anderer darf nicht als eigene ausgegeben werden. Vertrauen in ein Produkt beginnt mit Vertrauen in dessen Entstehungsprozess.

Wie vergleicht man Universitäten?

Betrachten Sie die mathematischen und programmiertechnischen Grundlagen, die Kurse zu Systemen und Daten, die Art der Projekte, die Laborausstattung sowie die Betreuungs- und Bewertungsmechanismen. Fragen Sie nach, wie Studierende Teamarbeit, Versionskontrolle, Testen und Dokumentation erlernen und welche Praktikums- oder Forschungsmöglichkeiten angeboten werden, einschließlich der Teilnahmevoraussetzungen.

Bei der Erwähnung technischer oder ingenieurwissenschaftlicher Akkreditierungen sollten das jeweilige Programm und sein Umfang geprüft werden. ABET stellt klar, dass sich die Akkreditierung auf einzelne Programme und nicht auf die gesamte Universität bezieht und keine Rangfolge darstellt. Daher reicht ein Logo auf einer öffentlichen Webseite nicht aus, um den Status der einzelnen Fachrichtungen oder Abteilungen zu belegen. [2]

Nachweisbares Portfolio

Das Portfolio kann ein aussagekräftiges Projekt, eine Problemstellung, eine Arbeitsmethode, Tests, bekannte Einschränkungen und die Lernerfolge des Studierenden enthalten. Diese Elemente liefern dem Leser einen Nachweis der Kompetenz und gehen über ein Profilbild oder eine Kursliste hinaus. In Gruppenprojekten sollte die Rolle jedes Einzelnen klar definiert sein, ohne die gesamte Teamleistung einer einzelnen Person zuzuschreiben.

Die Interessen können sich je nach Programm und Erfahrung in Richtung Software, Daten, Systeme, Sicherheit oder Forschung entwickeln. Kein Titel garantiert ein Gehalt oder eine Anstellung, und rasante Werkzeugwechsel ersetzen keine solide wissenschaftliche Grundlage. Der bleibende Wert liegt in der Fähigkeit, verantwortungsbewusst zu lernen, zu analysieren und zu entwickeln und das Erstellte anschließend denjenigen verständlich zu erklären, die es nutzen oder weiterentwickeln werden.