{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# DS 34 – Halluzination, n-Gramm-Modelle vs. moderne LLMs & Berufsorientierung\n",
    "**Informatik 10 – MINT-Zweig | Künstliche Intelligenz**\n",
    "\n",
    "## Lernziel\n",
    "Ich erkläre das Phänomen der Halluzination anhand von n-Gramm-Modellen, beschreibe Unterschiede zwischen n-Gramm-Modellen und modernen LLMs und recherchiere Auswirkungen generativer KI-Systeme auf Berufe."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {
    "tags": [
     "sprachhilfe"
    ]
   },
   "source": [
    "## 🗣️ Sprachhilfe\n",
    "- „Auf den Kontext … folgt mit der Häufigkeit/Wahrscheinlichkeit … das Wort …“\n",
    "- „Der erzeugte Text verändert sich, weil …“\n",
    "- „Im Vergleich zum n-Gramm-Modell kann das LLM …, jedoch …“"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 📌 Merksätze\n",
    "\n",
    "- **Halluzination** bezeichnet das Phänomen, dass ein Sprachmodell Text erzeugt, der **grammatikalisch bzw. statistisch plausibel**, aber **inhaltlich falsch oder unsinnig** ist.\n",
    "- Bei n-Gramm-Modellen entsteht Halluzination, weil das Modell **keinerlei \"Verständnis\"** der Bedeutung hat – es reiht Wörter nur nach **statistischer Wahrscheinlichkeit** aneinander, unabhängig davon, ob der entstehende Satz sachlich korrekt ist.\n",
    "- Moderne **LLMs** unterscheiden sich von einfachen n-Gramm-Modellen u. a. in:\n",
    "  - **Sprachqualität:** LLMs erzeugen deutlich flüssigeren, grammatikalisch korrekteren Text.\n",
    "  - **Kontextberücksichtigung:** LLMs können sehr viel längere Kontexte einbeziehen (nicht nur 1–2 vorherige Wörter).\n",
    "  - **Korrektheit:** LLMs erzeugen häufig zuverlässigere Antworten, können aber weiterhin halluzinieren. Das n-Gramm-Modell dient hierfür als **vereinfachte Analogie**; die Ursachen bei modernen LLMs sind wesentlich komplexer und nicht mit dem einfachen Modell gleichzusetzen.\n",
    "  - **Vielseitigkeit:** LLMs können unterschiedlichste Aufgaben (Übersetzen, Zusammenfassen, Programmieren ...) bewältigen, während ein einfaches n-Gramm-Modell nur Text im Stil seines Trainingskorpus fortsetzt."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 💡 Beispiel: Halluzination provozieren\n",
    "Mit einem sehr kleinen, unpassenden Trainingskorpus erzeugt unser n-Gramm-Modell aus DS 33 leicht unsinnige, aber grammatikalisch klingende Sätze – das ist eine vereinfachte Analogie zur Halluzination bei LLMs."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "import random\n",
    "\n",
    "korpus = \"\"\"\n",
    "der hund läuft im park der hund spielt mit dem ball\n",
    "die katze sitzt auf dem baum die katze beobachtet den hund\n",
    "der hund bellt laut der hund läuft zur katze\n",
    "die katze springt vom baum die katze rennt weg\n",
    "der hund läuft ihr hinterher der hund ist müde\n",
    "\"\"\"\n",
    "\n",
    "def erstelle_bigramm_tabelle(text):\n",
    "    woerter = text.split()\n",
    "    tabelle = {}\n",
    "    for i in range(len(woerter) - 1):\n",
    "        a, b = woerter[i], woerter[i + 1]\n",
    "        tabelle.setdefault(a, {})\n",
    "        tabelle[a][b] = tabelle[a].get(b, 0) + 1\n",
    "    return tabelle\n",
    "\n",
    "def naechstes_wort_random(tabelle, wort):\n",
    "    folgewoerter = tabelle.get(wort)\n",
    "    if not folgewoerter:\n",
    "        return None\n",
    "    woerter = list(folgewoerter.keys())\n",
    "    gewichte = list(folgewoerter.values())\n",
    "    return random.choices(woerter, weights=gewichte, k=1)[0]\n",
    "\n",
    "def generiere_text(tabelle, startwort, laenge, strategie):\n",
    "    text = [startwort]\n",
    "    aktuelles_wort = startwort\n",
    "    for _ in range(laenge - 1):\n",
    "        naechstes = strategie(tabelle, aktuelles_wort)\n",
    "        if naechstes is None:\n",
    "            break\n",
    "        text.append(naechstes)\n",
    "        aktuelles_wort = naechstes\n",
    "    return \" \".join(text)\n",
    "\n",
    "tabelle = erstelle_bigramm_tabelle(korpus)\n",
    "for _ in range(5):\n",
    "    print(generiere_text(tabelle, \"die\", 8, naechstes_wort_random))\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 📝 Übung 1 – Halluzinationen einordnen\n",
    "Führt die Zelle oben mehrfach aus und sucht einen erzeugten Satz heraus, der **grammatikalisch plausibel, aber inhaltlich seltsam oder unsinnig** ist. Erklärt in eigenen Worten, **warum** genau dieser Fehler entsteht (Bezug zur Funktionsweise des n-Gramm-Modells)."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "*(Euer Beispielsatz und eure Erklärung hier)*"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## 📝 Übung 2 – Vergleichstabelle\n",
    "Erstellt eine Tabelle, die n-Gramm-Modelle und moderne LLMs bezüglich Sprachqualität, Korrektheit, Kontextberücksichtigung und Vielseitigkeit gegenüberstellt (Doppelklick zum Bearbeiten):\n",
    "\n",
    "| Kriterium | n-Gramm-Modell | Modernes LLM |\n",
    "|---|---|---|\n",
    "| Sprachqualität |  |  |\n",
    "| Korrektheit |  |  |\n",
    "| Kontextberücksichtigung |  |  |\n",
    "| Vielseitigkeit |  |  |"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "---\n",
    "## 🧭 Berufliche Orientierung: Auswirkungen generativer KI auf Berufe\n",
    "\n",
    "Recherchiert in Partner- oder Kleingruppenarbeit (ca. 20–25 Minuten) die Auswirkungen generativer KI-Systeme auf **ein** Berufsfeld eurer Wahl, z. B.:\n",
    "- Journalismus / Content-Erstellung\n",
    "- Softwareentwicklung\n",
    "- Grafikdesign / Illustration\n",
    "- Kundenservice / Support\n",
    "- Übersetzung\n",
    "\n",
    "### Leitfragen für eure Recherche\n",
    "1. Welche Tätigkeiten dieses Berufsfelds werden bereits heute durch generative KI unterstützt oder verändert?\n",
    "2. Entstehen durch generative KI **neue** Aufgaben oder sogar neue Berufsbilder in diesem Bereich (z. B. \"Prompt Engineering\")?\n",
    "3. Welche Tätigkeiten lassen sich (aus heutiger Sicht) **nicht** oder nur schwer durch KI ersetzen – und warum?\n",
    "4. Wie bewertet ihr diese Entwicklung – welche Chancen und welche Risiken seht ihr?\n",
    "\n",
    "Haltet eure Ergebnisse in Stichpunkten fest und bereitet einen kurzen mündlichen Beitrag (ca. 1 Minute) für das Plenum vor.\n",
    "5. Findet (falls möglich) eine **reale Person** mit Bezug zu diesem Berufsfeld und recherchiert ihre Berufsbiografie (Werdegang: Ausbildung, erste Stelle, heutige Position) – z. B. über eine Unternehmens-Website, ein Interview oder ein Karriereportal.\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "*(Platz für eure Rechercheergebnisse)*\n",
    "\n",
    "**Berufsfeld:**\n",
    "\n",
    "**Bereits veränderte/unterstützte Tätigkeiten:**\n",
    "\n",
    "**Neue Aufgaben/Berufsbilder:**\n",
    "\n",
    "**(Noch) nicht ersetzbare Tätigkeiten:**\n",
    "\n",
    "**Chancen und Risiken – unsere Einschätzung:**\n"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "name": "python",
   "version": "3.11"
  },
  "v3_revision": {
   "basis": "MINT-Lehrplan Informatik 10 (2026)",
   "didaktik": "fragend-entwickelnder Kern, kurzer Transfer, flexible Reserve",
   "lerngruppe": "11 SuS"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}
