KI-Berufs-Puzzle · Arbeitsblatt · Lösung für Lehrkräfte
Data Science
Der Studiengang, der die eigene Automatisierung mitentwickelt – mit interessanten Folgen für sich selbst.
1. Sortieren
Wer kann diese Aufgabe heute übernehmen? Setze für jede Aufgabe ein Kreuz: beim Menschen oder bei der KI. Du musst dich entscheiden – aber du darfst unsicher sein.
| Aufgabe | Mensch | KI | Modell |
|---|---|---|---|
| Standardmodell trainieren und evaluierenRoutine · im StudiumGängiges Machine-Learning-Modell auf einen Datensatz anwenden.Für bekannte Aufgabentypen schlägt KI-gestützte Software heute passende Modelle samt Code weitgehend selbstständig vor. | ☐ | ☒ | Eindeutig bei der KI |
| Daten bereinigen und aufbereitenRoutine · im Beruf danachRohdaten von Fehlern und Lücken befreien.Typische Datenqualitätsprobleme erkennt und behebt KI-gestützte Software inzwischen weitgehend automatisch. | ☐ | ☒ | Eindeutig bei der KI |
| Die richtige Fragestellung an die Daten findenKreativ · im Beruf danachKlären, welches Problem mit den Daten eigentlich gelöst werden soll.Zu erkennen, welche Frage für ein Unternehmen oder eine Forschungsfrage wirklich relevant ist, bleibt menschliches Urteil. | ☒ | ☐ | Eher beim Menschen, aber diskutierbar |
| Modellergebnis für Entscheider:innen einordnenSozial · im Beruf danachErklären, was ein Modell tatsächlich aussagt – und was nicht.Verzerrungen, Grenzen und Unsicherheit eines Modells verständlich zu kommunizieren ist Vermittlungsarbeit mit Verantwortung. | ☒ | ☐ | Eindeutig beim Menschen |
| Datenpipeline und Infrastruktur aufsetzenRoutine · im Beruf danachTechnische Grundlage für laufende Datenverarbeitung bauen.Für Standard-Infrastruktur nach bekanntem Muster liefert KI-gestützte Entwicklung heute brauchbaren Code. | ☐ | ☒ | Eindeutig bei der KI |
| Verzerrungen und ethische Risiken eines Modells prüfenAnalytisch · im Beruf danachModell auf unfaire oder schädliche Effekte untersuchen.Ob ein Modell bestimmte Gruppen benachteiligt und was das gesellschaftlich bedeutet, erfordert menschliche Verantwortung, kein Modell prüft sich selbst hinreichend kritisch. | ☐ | ☐ | Echter Grenzfall – hier widersprechen sich auch die Studien |
| Ergebnisse mit Fachabteilung diskutierenSozial · im Beruf danachAnalyseergebnisse gemeinsam mit Praktiker:innen einordnen.Ob eine statistische Auffälligkeit fachlich überhaupt sinnvoll ist, klärt sich im Gespräch mit Menschen vor Ort. | ☒ | ☐ | Eindeutig beim Menschen |
2. Besprechen
- Bei „Verzerrungen und ethische Risiken eines Modells prüfen“ sind sich sogar die Studien uneins. Wie würdet ihr entscheiden – und woran macht ihr das fest?
- Wenn KI „Standardmodell trainieren und evaluieren“ übernimmt: Was könnte die Person mit der gewonnenen Zeit anfangen – und wer profitiert davon?
- „Ergebnisse mit Fachabteilung diskutieren“ bleibt beim Menschen. Wäre das auch so, wenn es billiger wäre, es der KI zu überlassen? Und wenn niemand dafür haften müsste?
- Als Stärke bleibt: „Kritisches Hinterfragen von Daten, Modellen und ihren Grenzen trainieren“. Wie könnte man das in der Ausbildung oder im Studium gezielt üben?
- Welche Aufgaben fallen schon im Studium an, welche erst im Beruf danach? Verändert KI beides gleich stark?
- Nennt eine Aufgabe, die KI heute könnte, die ihr aber trotzdem nicht automatisieren würdet. Warum nicht?