# Session 2: AI verstehen & wirksam nutzen – Artificial Intelligence für Prozesstechnik HF

Allgemeine Gewerbeschule Basel · Höhere Fachschule Prozesstechnik. Herbstsemester 2026/27, Samstag, 08:00–11:15 Uhr. Quelle: https://ki-lernen.app.

## Session 2: AI verstehen & wirksam nutzen

- Datum: 05.09.2026 (2026-09-05), 08:00–11:15
- Status auf der Roadmap: naechstes
- Leitfrage: Wie funktioniert moderne AI – und wie bekomme ich bessere Ergebnisse?
- Nutzen: Ich habe ein verständliches Modell davon, wie AI arbeitet, und eine einfache Methode, mit der meine Ergebnisse deutlich besser werden.
- Danach kannst du: Nach diesem Block kannst du AI, Machine Learning, Deep Learning und Generative AI einordnen, erklären, warum Halluzinationen entstehen, und mit einer Methode systematisch bessere Ergebnisse erzielen.
- Lernziele: Ich erkläre in eigenen Worten, wie ein Sprachmodell zu seiner Antwort kommt. | Ich bringe für eine Aufgabe die richtige Quellenbasis in ein Notebook. | Ich erkenne typische Halluzinationen und weiss, wie sie entstehen. | Ich verbessere ein Ergebnis gezielt in mehreren Durchgängen statt durch Neuformulieren auf gut Glück.
- Ergebnisse: Ein verständliches eigenes Erklärmodell für moderne AI und LLMs. | Ein Notebook mit kuratierter Quellenbasis aus mehreren Wegen. | Eine Liste typischer Fehlerquellen mit selbst erzeugten Beispielen. | Eine erprobte Methode für bessere AI-Ergebnisse.
- Mindestprodukt: Eine eigene Erklärung der Funktionsweise plus ein datenbasiertes Management Summary.
- Werkzeuge: Microsoft Copilot, ChatGPT, NotebookLM
- Hinweis zu Daten: Übe mit allgemeinen Fachthemen. Keine internen Unterlagen, solange die Freigabe nicht geklärt ist.
- Seite: https://ki-lernen.app/block/block-2

### Lektion 1: KI-gestützte Recherche: Wie funktioniert generative AI?

URL: https://ki-lernen.app/block/block-2/lektion/b2-l1
Dauer: 45 Minuten
Nutzen: Verstehen, wie ein Large Language Model vom Training bis zur Antwort auf einen Prompt funktioniert.
Forschungsfrage: Wie funktioniert ein Large Language Model (LLM) – vom Training bis zur Antwort auf einen Prompt?
Szenario: Ihr erarbeitet euch die Antwort selbst. Es gibt keine Vorlesung dazu – ihr recherchiert in Teams und erklärt anschliessend, was ihr herausgefunden habt.
Hauptwerkzeug: Freie Wahl

Lernziele:
- Das Grundprinzip eines Large Language Models in eigenen Worten erklären.
- Mit KI gezielt Informationen recherchieren.
- Zentrale Aussagen kritisch prüfen.
- Quellen und Gegenprüfungen einsetzen.
- Unsicherheiten und mögliche Fehler in KI-Antworten erkennen.

Voraussetzungen:
- Block 1 abgeschlossen

Ablauf:
1. Team und Werkzeug festlegen: Zu zweit oder zu dritt zusammensitzen und entscheiden, mit welchem KI-Tool ihr startet.
2. Recherchieren: Fragt nach, hakt nach, lasst euch Begriffe erklären, die ihr nicht kennt.
3. Gegenprüfen: Zentrale Aussagen mit einer zweiten Quelle oder einem zweiten Tool vergleichen.
4. Erklärung bauen: Formuliert den Weg vom Training bis zur Antwort so, dass ihn jemand ohne Vorwissen versteht.
5. Unsicherheiten markieren: Haltet fest, was ihr nicht sicher belegen könnt – das gehört in die Präsentation.

Phasen:
- Recherchieren: In Teams mit KI und weiteren Quellen der Forschungsfrage nachgehen.
- Verstehen: Zentrale Aussagen prüfen und in eigene Worte bringen.
- Präsentieren: In maximal drei Minuten erklären – verständlich und begründet.

Übungsauftrag (20 min): Recherchiert, wie generative AI und insbesondere Large Language Models funktionieren. Erstellt anschliessend eine kurze Erklärung, mit der ein anderer HF-Student ohne KI-Vorwissen versteht, was grundsätzlich passiert.
- Eure Erklärung soll den Weg von der Entstehung eines LLM bis zur Antwort auf einen Prompt nachvollziehbar machen.
- Ihr dürft KI intensiv einsetzen. Entscheidet selbst, wie ihr recherchiert.
- Wichtig: Übernehmt nicht einfach die erste KI-Antwort. Prüft die zentralen Aussagen.
Mindestprodukt: Selbst erarbeitete Erklärung eines LLM plus Rechercheweg und offene Fragen.

Qualitätschecks:
- Wir können erklären, was wirklich passiert – nicht nur Begriffe nennen.
- Wir können begründen, warum wir unserer Erklärung vertrauen.
- Wir benennen offen, was unklar oder unsicher geblieben ist.
Typischer Fehler: Die erste KI-Antwort wird übernommen und mit Fachbegriffen vorgetragen.
Korrektur: Jede zentrale Aussage gegenprüfen und in eigenen Worten formulieren.

### Lektion 2: Gemini Notebook / NotebookLM: Fünf Wege zur richtigen Wissensbasis

URL: https://ki-lernen.app/block/block-2/lektion/b2-l2
Dauer: 45 Minuten
Nutzen: Ich weiss, wie ich für eine konkrete Aufgabe die richtige Quellenbasis in mein Notebook bekomme – und entscheide bewusst, welcher Weg passt.
Forschungsfrage: Wie bekomme ich das richtige Wissen in mein Notebook?
Szenario: Du willst ein Thema wirklich beherrschen. Das Wissen liegt verstreut: teils im Web, teils in deinen Unterlagen, teils in einem Erklärvideo, teils in einem Fachbuch im Regal. Die Frage ist nicht, was NotebookLM kann – sondern welche Quellen du ihm gibst.
Hauptwerkzeug: NotebookLM
Weitere Werkzeuge: YouTube, Smartphone-Scan

Lernziele:
- Ich kenne fünf Wege, Wissen in ein Notebook zu bringen.
- Ich wähle den Weg passend zu meiner Ausgangslage.
- Ich beurteile Quellen und Videos, bevor ich sie übernehme.
- Ich baue aus meinen Quellen ein Lernsystem mit Struktur, Test und Wiederholung.

Voraussetzungen:
- NotebookLM eingerichtet (Block 1)

Ablauf:
1. Ausgangslage klären: Wo liegt das beste Wissen für deine Aufgabe – im Web, bei dir, in einem Video oder auf Papier?
2. Drei Wege praktisch durchführen: Challenge 1 bis 3 sind Pflicht: KI-Recherche, eigene Quelle, eigene Datei.
3. Quellen prüfen statt sammeln: Jede Quelle kurz beurteilen: Autor, Aktualität, Absicht, Passung zur Frage.
4. Wissensstruktur erzeugen: Zentrale Konzepte, Zusammenhänge, Widersprüche und Lücken aus den eigenen Quellen herausarbeiten.
5. Testen und lernen: Tutor-Prompt, Quiz mit 10 Fragen, danach mindestens zwei Lernartefakte erzeugen.

Was möchtest du mit deinem Notebook machen?:
- KI findet Quellen für mich: Ich kenne das Thema, aber habe noch keine Quellen. – NotebookLM sucht und schlägt geeignete Quellen zu deinem Thema vor. Du wählst aus. Ziel: Ausgehend von einem Thema eine erste Quellenbasis aufbauen.
- Ich gebe meine Quellen vor: Ich weiss bereits, welchen Quellen ich vertraue. – Du fügst gezielt hinzu, was du kennst: Fachwebsite, Fachartikel, Norm, Herstellerdokumentation, andere vertrauenswürdige Webquelle. Ziel: Den Unterschied zwischen KI-kuratierter und selbst kuratierter Quellenbasis verstehen.
- Ich arbeite mit meinen Dateien: Das Wissen liegt bereits bei mir. – Unterrichtsfolien, Skripte, PDF, Präsentationen, eigene Notizen, Projektdokumentation hochladen und daraus das Notebook bauen. Ziel: NotebookLM als persönliches Wissenssystem über eigene Dokumente erleben.
- Ich lerne mit YouTube: Zu meinem Thema gibt es gute Erklärvideos. – Suche gezielt nach Videos zu einer konkreten Frage und übernimm nur geeignete Videos als Quelle – nicht einfach das erste Ergebnis. Ziel: YouTube wird von einer Videoplattform zu einer durchsuchbaren Lernquelle.
- Mein physisches Buch wird zur KI-Quelle: Mein bestes Wissen steht nicht digital zur Verfügung. – Buch → relevante Seiten auswählen → scannen oder fotografieren → als Datei aufbereiten → ins Notebook aufnehmen → Inhalte analysieren → damit lernen. Ziel: Auch Wissen ausserhalb digitaler Quellen wird Teil deines persönlichen KI-Lernsystems.

Prompt-Vorlagen:
- Wissensstruktur erzeugen: Analysiere meine ausgewählten Quellen. Welche 5–8 zentralen Konzepte muss ich verstehen, um dieses Thema wirklich zu beherrschen? Zeige mir zusätzlich: - wie diese Konzepte zusammenhängen; - welche meiner Quellen für welches Konzept besonders relevant ist; - ob sich meine Quellen an wichtigen Stellen widersprechen; - wo meine Quellenbasis erkennbare Lücken hat. Verwende ausschliesslich meine Quellen.
- Persönlicher Tutor: Du bist mein persönlicher Tutor. Arbeite ausschliesslich mit den Quellen dieses Notebooks. Erkläre mir [KONZEPT] auf HF-Niveau. Verwende ein praktisches Beispiel aus einem Produktions- oder Prozessumfeld. Stelle mir danach drei Verständnisfragen. Zeige mir die Lösungen erst, nachdem ich selbst geantwortet habe.

Übungsauftrag (25 min): Bringe Wissen auf drei verschiedenen Wegen in dein Notebook und baue daraus ein Lernsystem.
- Challenge 1 bis 3 durchführen: KI-Recherche, eigene Quelle, eigene Datei.
- Wissensstruktur-Prompt anwenden und die 5–8 zentralen Konzepte festhalten.
- Tutor-Prompt nutzen, Quiz mit 10 Fragen durchführen und zwei Lernartefakte erzeugen.
Mindestprodukt: Notebook mit kuratierter Quellenbasis aus drei Wegen plus zwei Lernartefakten.

Qualitätschecks:
- Ich kann zu jeder Quelle sagen, warum sie drin ist.
- Meine Quellen stammen aus mindestens drei verschiedenen Wegen.
- Ich habe mein Wissen getestet, nicht nur zusammengefasst.
Typischer Fehler: Möglichst viele Quellen hochladen und hoffen, dass die KI das Richtige daraus macht.
Korrektur: Erst die Ausgangslage klären, dann wenige passende Quellen bewusst auswählen und begründen.
Hinweis zu Daten: Lade nur Unterlagen hoch, die du verwenden darfst. Bei Buchseiten gilt: einzelne Ausschnitte zur persönlichen Nutzung, keine Weitergabe.
Kernaussage: NotebookLM ist nicht die Wissensquelle. NotebookLM arbeitet mit der Wissensbasis, die du ihm zur Verfügung stellst.

### Lektion 3: Data Research Challenge: War der Hitzesommer 2026 wirklich aussergewöhnlich?

URL: https://ki-lernen.app/block/block-2/lektion/b2-l4
Dauer: 90 Minuten
Nutzen: Von der Frage zur belastbaren Aussage: Finde reale Daten, analysiere sie mit KI und zeige visuell, ob der Hitzesommer 2026 tatsächlich aussergewöhnlich war.
Einstieg: Findet die Daten. Analysiert sie mit KI. Visualisiert die Unterschiede. Beweist eure Aussage. Der Sommer 2026 fühlte sich aussergewöhnlich heiss an – aber stimmt dieser Eindruck auch, wenn wir die Daten betrachten?
Forschungsfrage: War der Hitzesommer 2026 wirklich aussergewöhnlich?
Auftrag: Eure Aufgabe: Untersucht mit KI und geeigneten Datenquellen, ob der Sommer 2026 tatsächlich aussergewöhnlich war – und zeigt das Ergebnis so, dass man es innerhalb von 30 Sekunden versteht.
Szenario: Ihr arbeitet in Teams zu zwei bis drei Personen und beantwortet eine reale Frage mit realen Daten: War der Sommer 2026 in der Schweiz aussergewöhnlich heiss?
Hauptwerkzeug: ChatGPT
Weitere Werkzeuge: Google Gemini, Microsoft Copilot, NotebookLM

Lernziele:
- Ich recherchiere mit KI geeignete Datenquellen und prüfe, ob sie wirklich existieren.
- Ich definiere sinnvolle Vergleichsgrössen, bevor ich Daten sammle.
- Ich setze KI für die Analyse ein und verifiziere zentrale Aussagen an den Originaldaten.
- Ich unterscheide in meiner Schlussaussage Fakt und Interpretation.

Voraussetzungen:
- Ein Gerät mit Internetzugang
- Ein KI-Werkzeug mit Datei-Upload

Ablauf:
1. 01 Find – geeignete Daten finden: Mindestens zwei Datenquellen mit Organisation, Link, Inhalt, Vertrauenswürdigkeit und Grenzen.
2. 02 Compare – sinnvollen Vergleich bauen: 2026 gegen mindestens fünf frühere Jahre. Zuerst definieren, was „aussergewöhnlich“ heisst.
3. 03 Analyze – mit KI auswerten: Systematisch nach Auffälligkeiten suchen, mindestens drei KI-Aussagen an den Originaldaten prüfen.
4. 04 Visualize – Antwort sichtbar machen: Eine Darstellung, die in 30 Sekunden zeigt, was 2026 von anderen Jahren unterscheidet.
5. 05 Conclude – Frage beantworten: Maximal fünf Kernaussagen, sauber getrennt in Fakt und Interpretation.

Challenge-Prozess:
- 01 Find – Findet geeignete Daten: Recherchiert Daten zur Temperaturentwicklung in der Schweiz oder einer ausgewählten Schweizer Region.
  · Tagesmitteltemperatur
  · Tageshöchsttemperatur
  · Monatsmittel
  · Anzahl Hitzetage ≥ 30 °C
  · Dauer von Hitzeperioden
  · Temperaturabweichung vom langjährigen Mittel
- 02 Compare – Baut einen sinnvollen Vergleich: Vergleicht 2026 mit mindestens fünf früheren Jahren. Welche Vergleichsjahre sinnvoll sind, entscheidet ihr selbst.
- 03 Analyze – Analysiert die Daten mit KI: Sucht systematisch nach Auffälligkeiten – und setzt dafür ausdrücklich KI ein.
  · Höchste Temperaturen
  · Anzahl Hitzetage
  · Länge von Hitzeperioden
  · Zeitpunkt der Hitze
  · Monatsmittel
  · Abweichungen vom langjährigen Mittel
  · Unterschiede zwischen den Jahren
- 04 Visualize – Macht die Antwort sichtbar: Ziel: Jemand erkennt innerhalb von 30 Sekunden, was 2026 von anderen Jahren unterscheidet.
  · Temperaturverlauf als Liniendiagramm
  · Hitzetage pro Jahr als Balkendiagramm
  · Monatsmittel Juni–August
  · Abweichung vom langjährigen Mittel
  · Heatmap
  · Kleines Dashboard
  · Andere geeignete Darstellung
- 05 Conclude – Beantwortet die Frage: Am Ende steht eine klare Aussage: War der Sommer 2026 aussergewöhnlich? Formuliert maximal fünf Kernaussagen, jede belegbar durch Daten oder eine seriöse Quelle.

Übungsauftrag (60 min): Beantwortet in Teams die Frage mit Daten – von der Quelle bis zur belastbaren Aussage.
- Zwei Datenquellen finden und prüfen.
- Vergleichsjahre und Kennzahl festlegen und begründen.
- Daten mit KI analysieren, drei Aussagen verifizieren.
- Mindestens zwei aussagekräftige Visualisierungen erstellen.
- Management Summary auf einer Seite mit klarem Verdikt abgeben.
Mindestprodukt: Ein einseitiges Management Summary mit Quellen, Visualisierungen, Erkenntnissen und Verdikt.
Abgabe: Eure Abgabe
- Data: Verwendete Datenquellen
- Compare: Vergleichszeitraum und Begründung
- Visualize: Mindestens zwei aussagekräftige Visualisierungen
- Insights: 3–5 zentrale Erkenntnisse
- Verdict: Klare Antwort: War 2026 aussergewöhnlich – ja, nein oder nur unter bestimmten Gesichtspunkten?
- AI Process: Welches KI-Tool wurde verwendet?; Wofür?; Was war der wichtigste Prompt?; Welche KI-Aussagen wurden überprüft?; Was musste verbessert oder korrigiert werden?

Qualitätschecks:
- Jede verwendete Quelle habe ich selbst geöffnet und geprüft.
- Mindestens drei KI-Aussagen habe ich an den Originaldaten verifiziert.
- Fakt und Interpretation sind in meiner Abgabe klar getrennt.
Typischer Fehler: Die von der KI genannte Quelle wird übernommen, ohne sie zu öffnen.
Korrektur: Jede Quelle aufrufen, den Datensatz ansehen und die behaupteten Zahlen stichprobenweise nachzählen.
Hinweis zu Daten: Nur öffentlich zugängliche Daten verwenden. Keine internen oder personenbezogenen Datensätze hochladen.

## Weiteres

- Übersicht aller Sessions: https://ki-lernen.app/llms.txt
- Volltext des ganzen Kurses: https://ki-lernen.app/llms-full.txt