Home

01 Vorlesung 1 Quiz: KI in der Softwareentwicklung

March 2026 (1884 Words, 11 Minutes)

quiz ai deep-learning llm software-development

Neu: Interaktives Quiz verfuegbar!

Moechtest du deinen Fortschritt verfolgen und sofortiges Feedback erhalten? Probiere unsere neue interaktive Version mit Fortschrittsverfolgung, sofortigen Erklaerungen und Punkteberechnung.

Interaktives Quiz starten →

Anleitung

Frage 1: Die Deep-Learning-Revolution

Welche Bedeutung hatte AlexNet (2012) fuer das Feld der KI?

A) Es war das erste jemals gebaute neuronale Netz
B) Es gewann den ImageNet-Wettbewerb mit grossem Vorsprung und bewies die Ueberlegenheit von Deep Learning gegenueber traditionellen Methoden
C) Es fuehrte die Transformer-Architektur ein
D) Es war das erste Modell, das menschenaehnlichen Text generierte

Antwort anzeigen

Richtige Antwort: B

AlexNet, entwickelt von Alex Krizhevsky, gewann die ImageNet Large Scale Visual Recognition Challenge 2012 mit einer Top-5-Fehlerrate von 15,3% – fast halb so hoch wie der Zweitplatzierte (26,2%). Diese dramatische Verbesserung bewies, dass tiefe Convolutional Neural Networks (CNNs) traditionelle Computer-Vision-Ansaetze weit uebertreffen konnten, und loestedie Deep-Learning-Revolution aus.

Frage 2: Neuronale Netzwerk-Architekturen

Welche architektonische Innovation fuehrte ResNet (2015) ein, die das Training viel tieferer Netzwerke ermoeglichte?

A) Aufmerksamkeitsmechanismen
B) Faltungsschichten
C) Skip-Verbindungen (Residualverbindungen)
D) Rekurrente Rueckkopplungsschleifen

Antwort anzeigen

Richtige Antwort: C

ResNet fuehrte Skip-Verbindungen (auch Residualverbindungen genannt) ein, die es Informationen ermoeglichen, Schichten zu umgehen, indem der Eingang eines Blocks direkt zu dessen Ausgang addiert wird. Dies loeste das Problem der verschwindenden Gradienten und ermoeglichte das Training von Netzwerken mit 152+ Schichten, was die Genauigkeit dramatisch verbesserte.

Frage 3: Der Transformer

Welche zentrale Innovation fuehrte das Paper “Attention Is All You Need” von 2017 ein?

A) Convolutional Neural Networks fuer Bilderkennung
B) Die Transformer-Architektur, die alle Tokens gleichzeitig mittels Self-Attention verarbeitet
C) Reinforcement Learning from Human Feedback (RLHF)
D) Generative Adversarial Networks (GANs)

Antwort anzeigen

Richtige Antwort: B

Das Paper “Attention Is All You Need” von Vaswani et al. fuehrte die Transformer-Architektur ein, die sequenzielle Verarbeitung (wie bei RNNs) durch Self-Attention-Mechanismen ersetzte, die alle Tokens parallel verarbeiten. Dies war ein fundamentaler Durchbruch, da es massive Parallelisierung beim Training ermoeglichte und Modellen erlaubte, weitreichende Abhaengigkeiten im Text zu erfassen. Der Transformer wurde zur Grundlage praktisch aller modernen LLMs.

Frage 4: BERT vs. GPT

Was ist der grundlegende Unterschied zwischen BERT und GPT?

A) BERT ist Open-Source, waehrend GPT proprietaer ist
B) BERT liest Text bidirektional und eignet sich hervorragend zum Verstehen; GPT liest von links nach rechts und eignet sich hervorragend zur Generierung
C) BERT ist groesser als GPT
D) BERT wurde von OpenAI erstellt, waehrend GPT von Google erstellt wurde

Antwort anzeigen

Richtige Antwort: B

BERT (Google, 2018) liest Text in beide Richtungen gleichzeitig, was es hervorragend fuer Verstaendnis-Aufgaben wie Klassifizierung und Fragenbeantwortung macht, aber es kann keinen Text generieren. GPT (OpenAI, 2018) liest nur von links nach rechts, was es zu einem generativen Modell macht, das neuen Text Token fuer Token erzeugt. Fuer Codegenerierung ist GPTs Ansatz gut geeignet, da Code sequenziell von oben nach unten geschrieben wird.

Frage 5: Skalierungsgesetze

Welche Schluessselfaehigkeit entstand mit GPT-3 (175 Milliarden Parameter), die in kleineren Modellen nicht vorhanden war?

A) Die Faehigkeit, Bilder zu verarbeiten
B) Few-Shot-Lernen – Aufgaben mit nur wenigen Beispielen ohne Feinabstimmung ausfuehren
C) Echtzeit-Sprachkonversation
D) Internet-Browsing-Faehigkeiten

Antwort anzeigen

Richtige Antwort: B

GPT-3 zeigte emergente Faehigkeiten – Kompetenzen, die als Folge der Skalierung und nicht durch explizites Training entstanden. Am bemerkenswertesten war das Few-Shot-Prompting, das GPT-3 ermoeglichte, Aufgaben (Uebersetzung, Code-Schreiben, Fragenbeantwortung) mit nur wenigen Beispielen ohne Feinabstimmung auszufuehren. Dies war ein qualitativer Sprung gegenueber GPT-2.

Frage 6: Die Geburt der KI-gestuetzten Programmierung

Was war Codex, und warum war es bedeutsam fuer die Softwareentwicklung?

A) Eine neue Programmiersprache fuer KI
B) GPT-3, feinabgestimmt auf Milliarden von Codezeilen von GitHub, das den ersten GitHub Copilot antrieb
C) Ein Code-Review-Tool mit regelbasierter Analyse
D) Ein IDE-Plugin fuer Syntaxhervorhebung

Antwort anzeigen

Richtige Antwort: B

Codex (2021) wurde erstellt, indem GPT-3 auf Milliarden von oeffentlichen Codezeilen von GitHub feinabgestimmt wurde. Es wurde zum Motor hinter der ersten Version von GitHub Copilot und ermoeglichte es Entwicklern, eine Funktionssignatur einzugeben und die KI die Implementierung vervollstaendigen zu lassen. Dies markierte den Beginn der Aera der KI-gestuetzten Programmierung.

Frage 7: Die Auswirkungen von ChatGPT

Warum war ChatGPT (November 2022) ein Wendepunkt, obwohl es nicht das leistungsfaehigste verfuegbare Modell war?

A) Es war das erste KI-Modell, das Code schreiben konnte
B) Es war kostenlos und Open-Source
C) Es war das erste KI-Produkt, das sich anfuehlte wie ein Gespraech mit einem sachkundigen Kollegen, und erreichte 100 Millionen Nutzer in 2 Monaten
D) Es ersetzte alle bestehenden Suchmaschinen ueber Nacht

Antwort anzeigen

Richtige Antwort: C

ChatGPT basierte auf GPT-3.5 (nicht das leistungsfaehigste – GPT-4 kam Monate spaeter) und war nicht der erste Chatbot. Aber es war das erste KI-Produkt, das sich konversationell und sachkundig genug fuer die breite Oeffentlichkeit anfuehlte. Es erreichte 1 Million Nutzer in 5 Tagen und 100 Millionen in 2 Monaten – die am schnellsten wachsende Verbraucheranwendung der Geschichte. Fuer Entwickler senkte es die Huerde fuer KI-gestuetzte Programmierung von “Copilot installieren” auf “Browser-Tab oeffnen”.

Frage 8: Offene vs. geschlossene Modelle

Warum wurde Metas Veroeffentlichung von Llama 2 (Juli 2023) als “strategisches Erdbeben” bezeichnet?

A) Es war das groesste jemals erstellte Modell
B) Es war das erste Open-Weight-Frontier-Modell, das jeder herunterladen, feinabstimmen und einsetzen konnte
C) Es war schneller als alle konkurrierenden Modelle
D) Es war das erste Modell, das mehrere Sprachen unterstuetzte

Antwort anzeigen

Richtige Antwort: B

Vor Llama 2 waren Frontier-Modelle proprietaer – man musste OpenAI oder Google bezahlen, um sie zu nutzen. Llama 2 wurde mit offenen Gewichten veroeffentlicht, was bedeutete, dass jeder ein wettbewerbsfaehiges Sprachmodell kostenlos herunterladen, feinabstimmen, hosten und modifizieren konnte. Dies loeste ein enormes Open-Source-Oekosystem aus und stellte die Annahme in Frage, dass nur gut finanzierte Unternehmen State-of-the-Art-KI bereitstellen koennten.

Frage 9: KI-Entwicklungsparadigmen

Was ist die korrekte chronologische Reihenfolge, wie Entwickler mit KI-Tools interagiert haben?

A) Agent-Modus → Chat-basiert → IDE-integriert → Autonome Workflows
B) IDE-integriert → Chat-basiert → Agent-Modus → Autonome Workflows
C) Chat-basiert → IDE-integriert → Agent-Modus → Autonome Workflows
D) Autonome Workflows → Agent-Modus → IDE-integriert → Chat-basiert

Antwort anzeigen

Richtige Antwort: C

Die Entwicklung durchlief vier Stufen: (1) Chat-basiert (2022-2023): Code aus Browser-Fenstern wie ChatGPT kopieren. (2) IDE-integriert (2023-2024): Inline-Vervollstaendigungen und Chat-Panels in Editoren wie VS Code mit Copilot. (3) Agent-Modus (2024-2025): KI liest Dateien, fuehrt Befehle aus und erstellt PRs (z.B. Claude Code, Copilot Agent-Modus). (4) Autonome Workflows (2025+): KI erledigt komplette Aufgaben End-to-End mit MCP-Tool-Konnektivitaet.

Frage 10: Auswirkungen auf die Branche

Was geschah laut der Vorlesung mit dem Stack-Overflow-Traffic nach dem Start von ChatGPT?

A) Er stieg um 50%, da Entwickler KI-Antworten verifizieren wollten
B) Er blieb unveraendert
C) Er sank zwischen Anfang 2023 und Mitte 2024 um etwa 50%
D) Stack Overflow wurde komplett abgeschaltet

Antwort anzeigen

Richtige Antwort: C

Der Stack-Overflow-Traffic sank um etwa 50%, wobei die monatlichen Besuche von rund 1,5 Milliarden auf unter 800 Millionen fielen. Die Vorlesung betont jedoch intellektuelle Ehrlichkeit: Der Traffic war bereits vor ChatGPT ruecklaeufig, bedingt durch Aenderungen im Google-Algorithmus und zunehmende Konkurrenz. ChatGPT beschleunigte einen Trend, anstatt ihn zu erzeugen. Ausserdem bleibt der Inhalt von StackOverflow als Trainingsdaten fuer LLMs wertvoll.

Frage 11: Entwicklerstimmung

Was ist laut der Stack Overflow Developer Survey 2024 die zentrale Spannung bei KI-Coding-Tools?

A) Entwickler lieben KI, aber ihre Arbeitgeber verbieten deren Nutzung
B) 70% sagen, KI verbessert die Produktivitaet, aber nur 43% vertrauen der Genauigkeit der KI-Ausgabe
C) KI-Tools sind fuer die meisten Entwickler zu teuer
D) Die meisten Entwickler weigern sich, KI-Tools zu nutzen

Antwort anzeigen

Richtige Antwort: B

Die Luecke zwischen “verbessert die Produktivitaet” (70%) und “vertraut der Genauigkeit” (43%) ist die zentrale Spannung des Kurses. Man kann gleichzeitig produktiver und weniger vertrauenswuerdig sein, wenn die KI einen schneller darin macht, Code zu produzieren, den man nicht vollstaendig versteht.

Was demonstrieren die Trainingskosten der DeepSeek-Modelle (V3 fuer 5,5 Mio. $, V4 fuer 12 Mio. $) im Vergleich zu Frontier-Modellen wie GPT-4 (100 Mio. $+)?

A) Guenstigere Modelle sind immer schlechter
B) Algorithmische Innovation kann die Trainingskosten drastisch senken und dabei Frontier-Level-Leistung beibehalten
C) Trainingskosten sind irrelevant fuer die Modellqualitaet
D) Nur amerikanische Unternehmen koennen wettbewerbsfaehige Modelle bauen

Antwort anzeigen

Richtige Antwort: B

DeepSeek-V3 erreichte Frontier-Leistung fuer 5,5 Millionen Dollar – etwa 1/20 der Kosten von GPT-4. DeepSeek-V4 erreichte GPT-5-Klassenleistung fuer 12 Millionen Dollar. Der Trend zeigt, dass algorithmische Effizienz (wie Mixture-of-Experts-Architekturen) die Kosten drastisch senken kann, sodass mehr Akteure in das Feld eintreten koennen, als die Schlagzeilen-Trainingsbudgets vermuten lassen.

Frage 13: Die LLM-Anbieterlandschaft

Welcher Anbieter wird am staerksten mit dem Konzept der “Datensouveraenitaet” fuer europaeische Unternehmen assoziiert?

A) OpenAI
B) Meta
C) Mistral
D) DeepSeek

Antwort anzeigen

Richtige Antwort: C

Mistral ist ein franzoesisches KI-Unternehmen, dessen Modelle auf europaeischer Infrastruktur gehostet werden koennen und die DSGVO einhalten, ohne Daten an US-amerikanische oder chinesische Server zu senden. Dies macht Mistral besonders wichtig fuer europaeische Unternehmen mit Anforderungen an die Datensouveraenitaet. DeepSeek ist zwar Open-Weight, operiert aber aus China, was eigene Bedenken hinsichtlich der Datensouveraenitaet aufwirft.

Frage 14: Model Context Protocol (MCP)

Was ist das Model Context Protocol (MCP), das Anthropic im November 2024 eingefuehrt hat?

A) Eine neue Programmiersprache fuer KI
B) Ein offener Standard, der KI-Modellen ermoeglicht, sich ueber einen universellen Konnektor mit externen Datenquellen und Tools zu verbinden
C) Eine Methode zur Komprimierung von Modellgewichten
D) Ein Benchmark zur Bewertung von KI-Modellen

Antwort anzeigen

Richtige Antwort: B

MCP ist ein offener Standard, der KI-Modellen ermoeglicht, sich mit externen Datenquellen und Tools zu verbinden – Dateisysteme, Datenbanken, APIs, CI/CD-Systeme und mehr. Die Vorlesung vergleicht es mit dem, “was USB fuer Hardware war: ein universeller Konnektor, der proprietaere Integrationen ersetzt.” MCP ist ein Schluesselenabler fuer das Paradigma autonomer Workflows, bei denen KI-Agenten direkt auf Tools zugreifen koennen, anstatt auf Copy-Paste-Workflows angewiesen zu sein.

Frage 15: Wahl der Kurs-Tools

Warum wurde VS Code + GitHub Copilot als primaeres Tool fuer diesen Kurs gewaehlt?

A) Es ist das einzige verfuegbare KI-Coding-Tool
B) Es ist fuer Studierende kostenlos, hat die beste IDE-Integration, ist Industriestandard und unterstuetzt mehrere KI-Modelle
C) Es ist die guenstigste kommerzielle Option
D) Es wurde vom Kursleiter entwickelt

Antwort anzeigen

Richtige Antwort: B

Fuenf Gruende: (1) Kostenlos fuer Studierende durch GitHub Education. (2) Beste IDE-Integration – Copilot wurde fuer VS Code entwickelt. (3) Industriestandard – VS Code wird von 70%+ der Entwickler genutzt. (4) Zunehmend modell-agnostisch – Copilot unterstuetzt jetzt Claude und Gemini als Backends. (5) Unterstuetzt alle Interaktionsmodi: Inline-Vervollstaendigungen, Chat und Agent-Modus. Der Kurs erkundet auch andere Tools (Claude Code, direkten API-Zugang, Cursor) zum Vergleich.

Bewertungsleitfaden

Wichtigste Erkenntnisse

  1. AlexNet (2012) war der ImageNet-Moment, der bewies, dass Deep Learning im grossen Massstab funktioniert
  2. Transformer (2017) ersetzten sequenzielle Verarbeitung durch parallele Self-Attention und wurden zur Grundlage aller modernen LLMs
  3. BERT versteht, GPT generiert – bidirektionale vs. links-nach-rechts-Verarbeitung
  4. GPT-3s emergente Faehigkeiten zeigten, dass Skalierung qualitativ neue Kompetenzen wie Few-Shot-Lernen hervorbringt
  5. ChatGPTs Einfluss lag in der Zugaenglichkeit, nicht in technischer Ueberlegenheit – es machte KI-Programmierhilfe fuer alle verfuegbar
  6. Open-Weight-Modelle (Llama, DeepSeek) schliessen die Luecke zu proprietaeren Modellen und veraendern die Wettbewerbslandschaft
  7. Die Produktivitaets-Vertrauens-Luecke (70% sagen produktiv, 43% vertrauen der Genauigkeit) ist die zentrale Spannung der KI-gestuetzten Entwicklung
  8. Trainingskosteneffizienz verbessert sich dramatisch – algorithmische Innovation kann Brute-Force-Compute-Skalierung ausgleichen
  9. MCP ermoeglicht autonome KI-Workflows durch standardisierte Tool-Konnektivitaet
  10. Die Evolution von Chat → IDE → Agenten → Autonome Workflows definiert, wie Entwickler mit KI interagieren
© 2026 Dominik Müller   •  Powered by Soopr   •  Theme  Moonwalk