Dates
| weekly | Monday | 15:00 - 15:55 | 12.10.2026 - 29.01.2027 | C 12.013 Seminarraum | Bitte Raum zuweisen |
Curriculum context
Assignments (15%)
Schriftlicher Test (50%)
Resit date: No resit date will be offered to this assessment, because it is didactically inseparably connected with one of the associated courses. A resit will only be possible, if the module is available again.
Organizational information
Registration
Die Anmeldung beginnt erst am 02.10.2026 um 08:00 Uhr. Sie endet am 12.10.2026 um 23:59 Uhr
Persons
Content
Diese Übung findet begleitend zur Vorlesung AI-Literacy statt und dient der Vertiefung und Anwendung ausgewählter Vorlesungsinhalte.
In der Übung entwickeln Sie anhand praktischer Aufgaben ein grundlegendes Verständnis von KI-Modellen (bspw. Klassifikation, Empfehlungssysteme oder Textgenerierung), wenden die verschiedenen Modelle an und evaluieren sie. Zusätzlich bekommen Sie eine Einführung in die Programmierung mit Python und Prompting-Strategien. Im Verlauf des Semesters entwerfen Sie in Kleingruppen ein eigenes kleines KI-gestütztes Programm. Dabei vertiefen Sie Ihr Wissen im Entwurf und in der Evaluation von KI-Systemen weiter – sowohl mit Blick auf technische als auch gesellschaftliche Implikationen. Parallel zu den Übungen stehen von Oktober bis Januar erfahrene und engagierte Tutor:innen (Teaching Assistants) zur Verfügung, um die Studierenden auf dem Campus im gesamten Lernprozess zu unterstützen.
Die Lernziele dieser Übung sind wie folgt:
• Grundlegendes Verständnis der Funktionsweise verschiedener KI-Modelle
• Evaluation von KI-Systemen auf technischer und gesellschaftlicher Ebene
• Effektiver und reflektierter Umgang mit Large Language Models (LLMs)
• Ausführen und Modifizieren von Python-Code sowie die effektive Nutzung von LLMs zum Generieren von Code
Wir empfehlen, einen internetfähigen Laptop mitzubringen, um an diesem Format teilzunehmen. Ein Tablet mit Internetverbindung ist aber ebenfalls ausreichend.
KI-Nutzung in diesem Kurs
Dieser Kurs hat KI-Systeme selbst zum Gegenstand — es geht darum, sie zu verstehen, zu bewerten und mit ihnen zu arbeiten. Die Kompetenz, die Sie hier aufbauen sollen, umfasst die Entscheidung, wann, wie und warum Sie KI-Werkzeuge einsetzen.
Kennzeichnung von KI-Nutzung
Maschinell erzeugte Arbeit ohne Kennzeichnung als eigene auszugeben, verletzt die wissenschaftliche Integrität in gleicher Weise wie Plagiate. In allen Aufgaben tragen Sie die Verantwortung für jede Aussage, jede Codezeile, jede Quellenangabe und jede Interpretation, die Sie einreichen.
Welche Tools — und wofür
Über die Academic Cloud steht Ihnen ChatAI kostenfrei zur Verfügung — ein DSGVO-konformer Dienst, der Zugriff auf verschiedene Open-Weights-Modelle ermöglicht. Neben diesen Modellen sind auch kommerzielle Modelle wählbar, deren Anfragen jedoch an externe Anbieter weitergeleitet werden und entsprechend gekennzeichnet sind. Wenn Sie LLMs nutzen möchten, ist in diesem Kurs die Nutzung der Modelle von ChatAI verpflichtend. Verpflichtet zur LLM-Nutzung ist niemand: Wo der Einsatz erlaubt ist, ist er ein Angebot, keine Anforderung.
Zu jedem Prüfungselement, das in der Übung erbracht wird, erhalten Sie im Laufe des Semesters konkrete Hinweise dazu, ob und wofür Sie LLMs einsetzen dürfen — bei manchen Aufgaben ist KI-Nutzung optional mit Dokumentationspflicht, bei anderen ausgeschlossen.
Zum Ersetzen von Lektüre und Denkarbeit
Wir raten davon ab, die eigene Lektüre der Kursmaterialien durch KI-Zusammenfassungen zu ersetzen. Wenn Sie ein Werkzeug nutzen, um sich einen Text oder Vorlesungsfolien zu erschließen, behandeln Sie die Zusammenfassung als Ausgangspunkt, den Sie anschließend am Original prüfen. KI neigt zu Halluzinationen und zu plausibel klingenden Verallgemeinerungen. Wenn Sie noch nicht erkennen können, welcher Satz falsch ist, können Sie sich auch nicht sicher auf den Output verlassen.
KI ist vor allem für diejenigen nützlich, die genug wissen, um schlechte Antworten als solche zu erkennen. Wer diese Grundlage nicht hat, erhält flüssig formulierte Selbstsicherheit ohne Kompetenz. Bitte fragen Sie sich regelmäßig: Kann ich diesen Teil selbst bearbeiten — und was geht mir verloren, wenn ich es nicht tue?
Evaluation
Further information on teaching evaluation: https://www.leuphana.de/en/teaching/quality-management/evaluation/course-evaluation.html