Lassen Sie uns die gesamte Post-ChatGPT-Geschichte gemeinsam erkunden:

Von AlexNet (2012) bis zu autonomen KI-Agenten (2026) — jedes Modell, jeder Durchbruch, jede Trainingskosten.

• Filterbar nach Kategorie
• Detaillierte Beschreibungen und Paper-Links
• Vergleich der Trainingskosten

KI-Meilensteine Timeline öffnen

Finden Sie den Meilenstein, der Sie am meisten überrascht. Seien Sie bereit, ihn zu teilen!

Weitere: Microsoft (Azure OpenAI), Amazon (Bedrock, Q Developer), xAI (Grok)

8+ Anbieter × mehrere Modelle × unterschiedliche Preise = Entscheidungslähmung

Sie brauchen eine systematische Bewertung basierend auf:

• Aufgabentyp — Generierung, Review, Dokumentation, Testing?
• Datenschutz — DSGVO, On-Premises-Anforderungen?
• Budget — API-Kosten skalieren schnell
• Reproduzierbarkeit — Open vs. proprietäre Trade-offs
• Integrationen — IDE, CI/CD, Code-Review-Toolchain?

Diskussion: Welches KI-Coding-Tool haben Sie bereits ausprobiert? Wie war Ihre Erfahrung?

1. Kostenlos für Studierende — GitHub Education Programm
2. Beste IDE-Integration — speziell für VS Code entwickelt
3. Industriestandard — 70% der Entwickler nutzen VS Code, beliebtestes KI-Tool
4. Modellagnostisch — unterstützt Claude, Gemini als Backends (seit 2025)
5. Volles Spektrum — Inline-Vervollständigung → Chat → Agent-Modus

Wir werden auch erkunden: direkter API-Zugang (Woche 6), Claude Code (Woche 9), Cursor und mehrere Modelle zum Vergleich (Woche 7).

Schritt für Schritt:

1. GitHub Education — Anmelden bei education.github.com mit Ihrer @studmail.htw-aalen.de E-Mail
2. VS Code installieren — Download von code.visualstudio.com
3. Extensions installieren — "GitHub Copilot" + "GitHub Copilot Chat"
4. Anmelden — Mit GitHub-Account (Education Pack wird automatisch aktiviert)
5. Überprüfen — Erstellen Sie eine .py-Datei und achten Sie auf Ghost-Text-Vorschläge
6. Python Extension — Microsoft Python Extension installieren

Warum? Einheitliche API, tausende Modelle, nicht an einen einzelnen Anbieter gebunden.

1. Account erstellen bei huggingface.co → Studierenden-Vorteile nutzen
2. API-Token generieren (read-only) bei huggingface.co/settings/tokens
3. Starter-Repo klonen:
   git clone https://github.com/L3GJ0N/hf-llm-uv-starter
4. .env-Datei erstellen mit HF_TOKEN=hf_...
5. Ausprobieren:
   • uv run hf-llm list-models
   • uv run hf-llm ask --model [name] --prompt "Erkläre Rekursion"
   • uv run hf-llm chat --model [name]

Ihre Mission: Den Stack Overflow Plot mit Python + KI-Tools nachbilden.

• Daten programmatisch finden (Stack Overflow Data Explorer, Stack Exchange API, ...)
• Diagramm reproduzieren: monatliche Fragenanzahl + gleitender Durchschnitt
• Erweitern: Marker für wichtige KI-Durchbrüche aus der Timeline überlagern

Zwei Beobachtungen, die Sie machen werden:

1. Das ist überraschend machbar mit KI-Unterstützung
2. Sie werden auf echte Hindernisse stoßen (Datenzugang, Parsing, Bugs)

Bevor Sie beginnen — antworten Sie ehrlich:

• Wie schwierig schätzen Sie das ein? (1-5)
• Zeitschätzung nur für das Skript?
• Zeitschätzung für den gesamten SW-Entwicklungszyklus (Struktur, Tests, CI/CD, Doku)?
• Konfidenz-Level? (1-5)

Jetzt die Umfrage ausfüllen:
https://forms.gle/XqmQDD1KvqYXfWFs5

Die Lücke zwischen Ihren Schätzungen und der Realität = eine zentrale Lektion dieses Kurses.

• Teams: 2-3 Personen
• Tools: Ein KI-Coding-Assistent muss verwendet werden (Copilot empfohlen)
• Abgabe: GitHub-Repository mit:
  • Python-Code zur Reproduktion des Diagramms + KI-Meilenstein-Marker
  • Aufzeichnung jedes einzelnen Prompts

Warum Prompts aufzeichnen?
Prompts sind Design-Entscheidungen. Sie verdienen Versionskontrolle wie Code.

Erfassen Sie bei jeder KI-Interaktion:

Finden Sie vorerst Ihren eigenen natürlichen Ansatz. Wir formalisieren das später.