Verantwortungsvoller KI-Einsatz an der USTP
Richtlinien, Datenklassifizierung, KI-Glossar
Generative KI-Tools wie ChatGPT oder Copilot können im Arbeits- und Studienkontext hilfreich sein – etwa zur Ideengenerierung, Strukturierung von Inhalten oder zur Effizienzsteigerung.
Ihr Einsatz erfordert jedoch besondere Sorgfalt: Sensible oder personenbezogene Informationen sollten nicht eingegeben werden, da diese Tools keine Vertraulichkeit garantieren.
Für den verantwortungsvollen Umgang sind Informationssicherheit, Datenschutz, rechtliche Vorgaben, Urheberrecht und akademische Integrität zu beachten.
Der Datenklassifizierungsleitfaden der USTP – University of Applied Sciences St. Pölten – hilft dabei, Risiken zu beurteilen und geeignete Schutzmaßnahmen auszuwählen.
Direkt zum Thema springen:
Datenklassifizierung für KI-Tools – Leitfaden | KI-Glossar | Richtlinien für den Umgang mit generativen KI-Anwendungen (PDF)
Datenklassifizierung für KI-Tools – Leitfaden
Datenklassifizierung ist ein systematischer Ansatz zur Einstufung von Informationen nach ihrem Sensibilitätsgrad und potenziellen Risiken bei Offenlegung. Sie hilft dabei, den verantwortungsvollen Einsatz von KI-Tools gemäß den KI-Richtlinien der USTP und den Vorgaben des EU AI Acts sicherzustellen.
Die folgende Einteilung bietet Orientierung, welche Informationen für KI-gestützte Anwendungen geeignet sind – und welche nicht.
Überblick:
- Level 1 – Hochsensible Informationen
- Level 2 – Sensible Informationen
- Level 3 – Sicherheitsrelevante Informationen
- Level 4 – Nichtsensible Informationen
Level 1 – Hochsensible Informationen
Stärkste Einschränkungen | Höchste Sicherheitsanforderungen
Beispiele:
- Gesundheitsdaten
- Biometrische Merkmale
- Finanzkennzahlen
Nicht erlaubt:
- Biometrische Identifikation und Kategorisierung
- Emotionserkennung (außer für medizinische oder Sicherheitszwecke)
- Automatisiertes Sammeln biometrischer Daten aus dem Netz
- Verarbeitung besonderer Kategorien personenbezogener Daten ohne Pseudonymisierung und klare Zweckbindung
Level 2 – Sensible Informationen
Vertraulich | Gesetzlich geschützt
Beispiele:
- Mitarbeitenden- und Studierendendaten
- Prüfungsleistungen, Bewerbungen
- Unveröffentlichte Forschungsdaten
Nicht erlaubt:
- Social Scoring durch KI
- Manipulative Systeme oder solche, die Schwächen ausnutzen
- Emotionserkennung in Bildungskontexten
- Ausschließlich profilbasierte Risikobewertungen
Level 3 – Sicherheitsrelevante Informationen
Interne Nutzung | Potenzielle Sicherheitsauswirkungen
Beispiele:
- Administrative und operative Daten
- Infrastruktur- und Sicherheitsinformationen
- Nicht veröffentlichte akademische Inhalte
Erforderlich:
- Transparenz über KI-Nutzung
- Einhaltung der DSGVO
- Vermeidung manipulativer Anwendungen
- Menschliche Kontrolle bei Risikobewertungen
Level 4 – Nicht-sensible Informationen
Öffentlich oder für Veröffentlichung bestimmt
Beispiele:
- Allgemeine Geschäftsinformationen
- Forschungs- und Lehrmaterialien, die veröffentlicht wurden
- Öffentlich zugängliche Daten
Auch hier gilt:
- Nutzer*innen müssen über KI-Nutzung informiert werden
- Irreführende Anwendungen sind unzulässig
- Datenschutzprinzipien wie Datenminimierung sind zu beachten
- Der Einsatz von KI muss dokumentiert werden
KI-Glossar
Eine Übersicht zentraler Begriffe rund um das Thema Künstliche Intelligenz zur schnellen Orientierung ist hier zu finden:
| Fachbegriff | Definition |
|---|---|
| Artificial Intelligence (AI) | Die Simulation menschlicher Intelligenz in Maschinen, die Aufgaben wie Lernen, Schlussfolgern und Problemlösung ausführen können |
| Artificial General Intelligence (AGI) | Ein theoretisches KI-System, das jede intellektuelle Aufgabe ausführen kann, die ein Mensch kann, mit Schlussfolgern, Lernen und Anpassungsfähigkeit |
| Artificial Narrow Intelligence (ANI) |
Auch als schwache KI bekannt, ist sie darauf ausgelegt, eine einzige Aufgabe auszuführen (z. B. Spracherkennung, Empfehlungsalgorithmen) |
| Artificial Super Intelligence (ASI) | Eine hypothetische KI, die die menschliche Intelligenz in allen Aspekten übertrifft, einschließlich Kreativität und emotionaler Intelligenz |
| Algorithm | Eine Reihe von schrittweisen Anweisungen, denen ein Computer folgt, um eine bestimmte Aufgabe zu erfüllen |
| Bias | Systematische Fehler oder unfaire Präferenzen in KI-Ausgaben aufgrund voreingenommener Trainingsdaten oder fehlerhafter Algorithmen |
| Burstiness | Das unregelmäßige Auftreten von hochwertigen KI-generierten Inhalten gefolgt von weniger kohärenten Ausgaben |
| Business Value of AI | Die wirtschaftlichen und strategischen Vorteile von KI in verschiedenen Branchen, einschließlich Automatisierung und Effizienzsteigerungen |
| Chatbot | Eine Softwareanwendung, die menschliche Konversation durch Text- oder Sprachschnittstellen nachahmt |
| ChatGPT | Ein generativer Chatbot, entwickelt von OpenAI, der menschenähnlichen Text basierend auf Kontext generiert |
| Computer Vision | Ein Bereich der KI, der es Maschinen ermöglicht, visuelle Informationen aus der Welt zu interpretieren und zu verstehen |
| Conversational AI | KI-Systeme, die darauf ausgelegt sind, menschenähnliche Gespräche zu simulieren, wie Chatbots und virtuelle Assistenten |
| Data Augmentation | Techniken zur Erhöhung der Vielfalt von Trainingsdaten durch Modifikation vorhandener Datenproben |
| Data Mining | Der Prozess der Analyse großer Datensätze, um Muster, Beziehungen und nützliche Erkenntnisse zu finden. |
| Data Science | Das interdisziplinäre Feld, das Statistik, KI und Computing verwendet, um komplexe Daten zu analysieren und zu interpretieren |
| Deep Learning | Eine Teilmenge des maschinellen Lernens, die neuronale Netzwerke mit mehreren Schichten verwendet, um Muster in Daten zu erlernen |
| Embeddings | Darstellungen von Wörtern, Bildern oder anderen Daten als numerische Vektoren in KI-Modellen |
| Ethical AI | Die Untersuchung und Implementierung von KI-Systemen, die fair, unvoreingenommen und mit menschlichen Werten im Einklang sind |
| Explainability (XAI) | Die Fähigkeit eines KI-Systems, seinen Entscheidungsfindungsprozess auf eine Weise zu erklären, die Menschen verstehen können |
| Few Shot Learning | Eine maschinelle Lerntechnik, bei der ein Modell aus einer sehr kleinen Anzahl von beschrifteten Daten lernt |
| Fine-Tuning | Die Anpassung eines vortrainierten KI-Modells mit zusätzlichen Trainingsdaten, um es für eine bestimmte Aufgabe zu spezialisieren |
| Foundation Model | Ein großskaliges KI-Modell, das auf verschiedenen Datensätzen trainiert wurde und für verschiedene Aufgaben angepasst werden kann (z. B. GPT, BERT) |
| Generative AI | KI, die neue Inhalte erstellt, wie Text, Bilder, Musik und Code |
| Generative Adversarial Network (GAN) | Ein Typ von KI-Modell, bei dem zwei Netzwerke konkurrieren, um die Qualität der generierten Daten zu verbessern |
| Generative Pre-trained Transformer (GPT) | Ein Typ von KI-Modell, das Text vorhersagt, indem es Deep Learning und eine Transformer-Architektur verwendet |
| Hallucination | Wenn ein KI-Modell falsche, irreführende oder völlig fiktive Informationen generiert |
| Heat Map | Ein Visualisierungstool, das in der KI verwendet wird, um problematische Bereiche in einem Datensatz oder die Entscheidungsfindung eines Modells hervorzuheben |
| Hyperparameters | Einstellbare Einstellungen in einem KI-Modell, die das Lernen beeinflussen, wie Lernrate und Anzahl der Schichten |
| Inference | Der Prozess der Verwendung eines trainierten KI-Modells, um Vorhersagen für neue Daten zu treffen |
| Internet of Things (IoT) | Ein Netzwerk verbundener physischer Geräte, die Daten sammeln und austauschen |
| Knowledge Graph | Eine strukturierte Darstellung von Informationen, die Beziehungen zwischen verschiedenen Entitäten zeigt |
| Language Model (LM) | Ein KI-System, das darauf ausgelegt ist, menschliche Sprache zu verstehen, zu interpretieren und zu verarbeiten |
| Large Language Model (LLM) | Ein leistungsstarkes KI-Modell, das auf riesigen Textmengen trainiert wurde, um menschenähnlichen Text zu generieren (z. B. GPT-4) |
| Latent Space | Der abstrakte Raum, in dem KI-Modelle komplexe Datenrepräsentationen organisieren und verarbeiten |
| Machine Learning (ML) | Ein Zweig der KI, bei dem Algorithmen aus Daten lernen und die Leistung ohne explizite Programmierung verbessern |
| Model Drift | Das Phänomen, bei dem die Genauigkeit eines KI-Modells im Laufe der Zeit aufgrund sich ändernder Datenmuster abnimmt |
| Multimodal AI | KI, die mehrere Arten von Dateneingaben verarbeitet, wie Text, Bilder und Audio |
| Natural Language Processing (NLP) | KI, die es Computern ermöglicht, menschliche Sprache zu verstehen, zu interpretieren und zu generieren |
| Neural Network | Ein Computersystem, das dem menschlichen Gehirn nachempfunden ist und Informationen durch Schichten von Knoten verarbeitet |
| Neuro-Symbolic AI | Ein hybrider KI-Ansatz, der neuronale Netzwerke und symbolisches Schlussfolgern kombiniert |
| Output | Das von einem KI-System generierte Ergebnis, wie Text, Bilder oder Vorhersagen |
| Overfitting | Wenn ein KI-Modell Muster zu spezifisch für Trainingsdaten lernt und seine Fähigkeit zur Verallgemeinerung reduziert |
| Parameter | Variable in einem KI-Modell, die während des Trainings angepasst werden, um Vorhersagen zu verbessern |
| Perplexity | Eine Metrik zur Messung der Unsicherheit – geringere Perplexität zeigt bessere Modellleistung an |
| Positional Encoding | Eine Technik, die KI-Modellen hilft, die Wortreihenfolge in Textdaten zu verstehen |
| Predictive Analytics | Die Verwendung von KI und Statistik zur Vorhersage zukünftiger Ergebnisse basierend auf historischen Daten |
| Probabilistic AI | KI, die Wahrscheinlichkeiten in die Entscheidungsfindung einbezieht, um Unsicherheit zu handhaben |
| Prompt | Der Eingabetext, der einem KI-System gegeben wird, um eine Antwort zu generieren |
| Prompt Engineering | Die Praxis, effektive Prompts zu entwerfen, um KI-Modelle zu gewünschten Ausgaben zu führen |
| Quantum AI | Die Anwendung von Quantencomputing zur Verbesserung von KI-Algorithmen und Verarbeitungsfähigkeiten |
| Reinforcement Learning (RL) | Ein Typ von ML, bei dem KI durch das Erhalten von Belohnungen oder Strafen für durchgeführte Aktionen lernt |
| Self-Supervised Learning | Ein maschineller Lernansatz, bei dem KI ihre eigenen Labels aus Rohdaten generiert |
| Semi-Supervised Learning | Eine Mischung aus überwachtem und unüberwachtem Lernen, bei der KI sowohl aus beschrifteten als auch unbeschrifteten Daten lernt |
| Sentient AI | Eine hypothetische KI, die zu Bewusstsein, Emotionen und Selbstwahrnehmung fähig ist |
| Supervised Learning | Ein maschineller Lernansatz, bei dem KI aus beschrifteten Trainingsdaten lernt |
| Synthetic Data | Künstlich generierte Daten zur Schulung von KI-Modellen, wenn echte Daten knapp oder sensibel sind |
| Temperature (in AI) | Ein Parameter, der die Zufälligkeit in KI-generiertem Text steuert; höhere Werte führen zu kreativeren Antworten |
| Text Classification | Die Kategorisierung von Text in vordefinierte Labels (z. B. Spam-Erkennung, Sentimentanalyse) |
| Tokens | Die grundlegenden Einheiten (Wörter, Teilwörter oder Zeichen), die KI-Modelle in NLP-Aufgaben verarbeiten |
| Transfer Learning | Die Verwendung eines vortrainierten KI-Modells für eine neue, aber verwandte Aufgabe zur Effizienzsteigerung |
| Transformer Model | Eine KI-Modellarchitektur, die sich bei der Verarbeitung sequenzieller Daten wie Text auszeichnet (z. B. GPT, BERT) |
| Turing Test | Ein von Alan Turing vorgeschlagener Test zur Bestimmung, ob eine KI menschenähnliche Intelligenz zeigen kann |
| Underfitting | Wenn ein KI-Modell zu einfach ist, um bedeutungsvolle Muster aus Trainingsdaten zu lernen |
| Unsupervised Learning | Ein Typ von ML, bei dem KI Muster in Daten ohne beschriftete Beispiele findet |
| Zero-Shot Learning | Die Fähigkeit der KI, Aufgaben ohne vorherige Exposition gegenüber ähnlichen Beispielen auszuführen |
Mehr zum Thema KI an der USTP lesen
- Offizielle Empfehlungen der USTP zum Umgang mit generativer KI für Studierende (mit einer kleinen Sektion für Lehrende)
KI im Studium nutzen: Was du wissen solltest - Wir gestalten mit, wie KI unsere Welt verändert. Mehr erfahren über KI an der USTP
- Download PDF: Richtlinien für den Umgang mit generativen KI-Anwendungen
