Aufgabe 1

• (a) Welche Methoden gibt es, um durch Prompting den Lernfortschritt von Schülern individuell zu unterstützen?
• (b) Wie kann Prompting im Bereich des maschinellen Übersetzens die Genauigkeit und Natürlichkeit der Übersetzungen erhöhen?
• (c) Besuche die Lern-Fabrik-App und navigiere zum Themenkomplex Bigdata → Prompting! Beantworte die Fragen in der App.

Hinweis: Alle Ergebnisse und Zwischenergebnisse nach Moodle hochladen ist obligatorisch.

Aufgabe 2

• (a) Wie kann gezieltes Prompting die Leistung von Chatbots und virtuellen Assistenten verbessern?
• (b) Welche Rolle spielt Prompting bei der Entwicklung von KI-gestützten Kreativtools (z. B. für das Schreiben oder Design)?
• (c) Wie wird Prompting in der medizinischen Diagnostik eingesetzt, um präzisere Ergebnisse zu erzielen?

Hinweis: Alle Ergebnisse und Zwischenergebnisse nach Moodle hochladen ist obligatorisch.

Aufgabe 3 – Praxisbeispiel: KI-gestützte medizinische Diagnose

• Prompting-Beispiel: Ein medizinisches KI-System erhält den Prompt: „Analysiere die Symptome und schlage mögliche Diagnosen vor.“
• (a) Wie kann der Prompt erweitert werden, um seltene oder komplexe Krankheitsbilder gezielter zu berücksichtigen?
• (b) Welche patientenspezifischen Daten (z. B. Alter, Vorerkrankungen, Medikamente) sollten in den Prompt integriert werden, um die Diagnosequalität zu steigern?
• (c) Wie können Ärzte durch strukturiertes Feedback-Prompting die KI dabei unterstützen, aus Fehldiagnosen zu lernen?
• (d) Welche ethischen und datenschutzrechtlichen Aspekte müssen beim Prompting mit sensiblen Gesundheitsdaten berücksichtigt werden?

🔍 Empfohlene Rechercheplattformen (Medizin):

• Consensus (consensus.app) – evidenzbasierte Suchmaschine auf Basis peer-reviewter Studien, Antworten mit Quellenangaben
• Perplexity (perplexity.ai) – KI-gestützte Dialogsuche mit automatischer Quellenangabe, kostenlose Version nutzbar
• Elicit (elicit.org) – KI-Forschungsassistent, extrahiert Kernaussagen aus wissenschaftlichen Arbeiten
• Semantic Scholar (semanticscholar.org) – KI-basierte Suche in wissenschaftlicher Literatur
• PubMed AI / Open Evidence – KI-gestützte Werkzeuge auf Basis biomedizinischer Fachliteratur
• Lyna / Google Scholar – allgemeine wissenschaftliche Suche, gut für den Einstieg

💡 Hinweis: Bei der Nutzung von KI-Tools müssen die Originalquellen stets gegengeprüft werden – KI kann „halluzinieren“ oder falsche Informationen liefern.

Hinweis: Alle Ergebnisse und Zwischenergebnisse nach Moodle hochladen ist obligatorisch.

Aufgabe 4 – Praxisbeispiel: KI im Bankwesen

• Prompting-Beispiel: Ein KI-System zur Kreditprüfung erhält den Prompt: „Bewerte die Kreditwürdigkeit anhand der vorliegenden Finanzdaten.“
• (a) Wie kann der Prompt verfeinert werden, um verschiedene Risikoprofile (z. B. Selbstständige, junge Kunden) differenzierter zu bewerten?
• (b) Welche zusätzlichen wirtschaftlichen Indikatoren (z. B. Branchenentwicklung, Zinsniveau) sollten im Prompt berücksichtigt werden?
• (c) Wie kann Prompting eingesetzt werden, um Betrugsversuche frühzeitig zu erkennen und zu melden?
• (d) Welche Strategien gibt es, um die Erklärbarkeit der KI-Entscheidungen durch gezielte Prompts zu verbessern (Stichwort: XAI)?

🔍 Empfohlene Rechercheplattformen (Banken & Finanzwesen):

• ChatGPT for Financial Services – Spezialisierte Version von OpenAI für Investmentbanking und Research, mit integrierten Finanzdaten von LSEG, PitchBook, Daloopa und Crunchbase; unterstützt bei Bewertungen, Modellen und Pitchbooks [citation:2][citation:4][citation:7]
• Gemini Enterprise for Financial Services – Google-Produkt für Banken und Kapitalmärkte mit Financial-Research-Agent, 13 Datenkonnektoren (FactSet, LSEG, Moody's, MSCI, PitchBook, S&P Global u. a.) und über 50 spezialisierten Skills [citation:6][citation:12]
• Perplexity Computer – KI-Agent für Finanzteams mit Zugriff auf lizenzierte Datenquellen wie Dun & Bradstreet, Guidepoint und IBISWorld; jede Zahl ist bis zur Quellaufzeichnung zurückverfolgbar [citation:11]
• LSEG Workspace / Deep Research – Finanzdaten und Analysen von LSEG (London Stock Exchange Group) mit MCP-Konnektor für ChatGPT; nutzt lizenzierte, KI-bereite Daten [citation:1]
• ALFIN (GFTN) – KI-gestützte Research-Engine speziell für die Fintech-Branche, mit verifizierbaren und nachvollziehbaren Analyse-Ergebnissen [citation:16]
• GENIOS Rechercheassistent PLUS – Dialogbasierte wissenschaftliche Recherche in der wiso-Datenbank für Wirtschaftswissenschaften; bezieht Handelsregisterdaten und Jahresabschlüsse ein [citation:18]

💡 Hinweis: Bei der Nutzung von KI-Tools im Finanzbereich müssen die Originalquellen stets gegengeprüft werden – KI kann „halluzinieren“ oder falsche Finanzkennzahlen liefern. Besonders bei regulierten Finanzinstituten sind Governance, Auditierbarkeit und Datenherkunft entscheidend.

Hinweis: Alle Ergebnisse und Zwischenergebnisse nach Moodle hochladen ist obligatorisch.

Aufgabe 5 – Praxisbeispiel: Autonomes Fahren

• Prompting-Beispiel: Ein autonomes Fahrzeug erhält den Prompt: „Fahre sicher ans Ziel und beachte dabei alle Verkehrsregeln.“
• (a) Wie kann der Prompt gestaltet werden, um unvorhergesehene Situationen (z. B. Baustellen, Unfälle) besser zu berücksichtigen?
• (b) Welche Umgebungsdaten (Wetter, Tageszeit, Verkehrsdichte) sollten in Echtzeit in das Prompting einfließen?
• (c) Wie können Insassen durch natürliche Sprach-Prompts ihre Präferenzen (z. B. „Fahre bitte defensiv“) an das Fahrzeug übermitteln?
• (d) Welche Feedback-Mechanismen (z. B. nach einer Fahrt) könnten genutzt werden, um das Fahrverhalten durch Prompt-Optimierung zu verbessern?

🔍 Empfohlene Rechercheplattformen (Autonomes Fahren):

• CARLA Simulator (carla.org) – Open-Source-Simulator für autonomes Fahren, unterstützt multimodale Sensorik und KI-basierte Szenariengenerierung [citation:1][citation:2]
• NVIDIA AlpaSim – Vollständig Open-Source-Simulationsframework für hochpräzise Entwicklung, mit realistischer Sensormodellierung und konfigurierbaren Verkehrsdynamiken [citation:5][citation:8]
• SUMO (sumo.dlr.de) – Open-Source-Verkehrssimulator für mikroskopische Verkehrsflusssimulation und Szenarioforschung [citation:2][citation:17]
• Waymo Open Motion Dataset – Umfangreiche Trajektoriendaten aus realen Fahrten, mit Sprachannotationen für Interaktionsintentionen [citation:2]
• AirSim (Microsoft) – Open-Source-Plattform für autonomes Fahren und Drohnen, basierend auf Unreal Engine [citation:1][citation:2]
• nuPlan / Argoverse – Benchmark-Datensätze für Planung und Bewegung von autonomen Fahrzeugen [citation:13]

💡 Hinweis: Bei der Nutzung von KI-Tools müssen die Originalquellen stets gegengeprüft werden – KI kann „halluzinieren“ oder falsche Informationen liefern. Besonders bei sicherheitskritischen Systemen wie autonomem Fahren sind Validierung und Quellenprüfung entscheidend.

Hinweis: Alle Ergebnisse und Zwischenergebnisse nach Moodle hochladen ist obligatorisch.

Aufgabe 6 – Praxisbeispiel: KI-Unterstützung im Flugverkehr

• Prompting-Beispiel: Ein KI-Copilot erhält den Prompt: „Unterstütze den Piloten bei der Flugplanung und achte auf optimale Treibstoffeffizienz.“
• (a) Wie kann der Prompt angepasst werden, um Wetterphänomene wie Turbulenzen oder Stürme frühzeitig zu berücksichtigen?
• (b) Welche zusätzlichen Informationen (z. B. Flugzeugtyp, Beladung, Luftraumbelegung) sollten im Prompt enthalten sein, um die Sicherheit zu erhöhen?
• (c) Wie kann Prompting eingesetzt werden, um die Kommunikation zwischen Pilot und KI-Assistent klarer und effizienter zu gestalten?
• (d) Welche Feedback-Mechanismen könnten nach jedem Flug genutzt werden, um die Prompt-Qualität für zukünftige Flüge zu optimieren?

🔍 Empfohlene Rechercheplattformen (Luftfahrt & Flugsimulation):

• BlueSky Air Traffic Simulator – 100 % Open Source (GitHub/TUDelft-CNS-ATM), mit offenen Flugleistungsdaten und Szenarien für die ATM-Forschung [citation:19]
• FlightGear (flightgear.org) – Open-Source-Flugsimulator, wird für synthetische Flugdaten und Strömungsanalyse genutzt [citation:7][citation:15]
• NASA FACET – Open-Source-Plattform für UAS-Forschung, mit Wetterdaten, Luftraumdaten und Flugmodellen [citation:4]
• Open-Source Aviation (GitHub) – Kuratierte Liste mit ADS-B-Daten, Flughafendaten, Wetterdaten und Tools [citation:15]
• Luminary Cloud Shift-Wing – KI-Tool für transsonische Flügeldesigns, mit RANS-Simulationsdatensatz [citation:18]
• OpenAP / WRAP – Open-Source-Flugleistungsmodelle auf Basis von ADS-B-Daten, integrierbar in BlueSky [citation:19]

💡 Hinweis: Bei der Nutzung von KI-Tools müssen die Originalquellen stets gegengeprüft werden – KI kann „halluzinieren“ oder falsche Informationen liefern. In der Luftfahrt sind Sicherheitsstandards und Zulassungsvorschriften besonders streng – Forschungsergebnisse müssen stets validiert werden.

Hinweis: Alle Ergebnisse und Zwischenergebnisse nach Moodle hochladen ist obligatorisch.