Bereich 1: Grundlagen generativer KI

1.1 Core gen AI concepts and use cases

Exam Guide §1.1 Defining core gen AI concepts (AI, NLP, ML, generative AI, foundation models, multimodal foundation models, diffusion models, prompt tuning, prompt engineering, LLMs) · ML approaches (supervised, unsupervised, reinforcement) · ML lifecycle stages and Google Cloud tools · choosing a foundation model · business use cases (create, summarize, discover, automate).

Begriffshierarchie: AI → ML → Deep Learning → Gen AI

• Artificial intelligence (AI) ist das Oberfeld: Maschinen bauen, die Aufgaben erledigen, für die normalerweise menschliche Intelligenz nötig ist (Lernen, Problemlösen, Entscheiden).
• Machine learning (ML) ist ein Teilgebiet der AI: Maschinen lernen aus Daten, statt explizit programmiert zu werden, und erfüllen damit bestimmte Aufgaben. Folge daraus: Andere Trainingsdaten ergeben ein anderes Modell.

Foundation models, LLMs, multimodal und diffusion models

• Foundation models sind große, vortrainierte ML-Modelle, die auf riesigen (überwiegend unlabeled) Datenmengen trainiert wurden, dadurch ein breites „Weltverständnis“ entwickeln und sich an viele Aufgaben anpassen lassen. Sie sind die Basis von gen AI.
• Drei Key features laut Study Guide:
  • Trained on diverse data: lernen allgemeine Muster und Beziehungen.
  • Flexible: ein Modell, viele Use Cases.
  • Adaptable: lassen sich durch zusätzliches, gezieltes Training (Tuning/Fine-tuning) auf Fachdomänen spezialisieren.

Prompting, prompt engineering, prompt tuning

• Prompt / Prompting: Prompting ist die Art, mit foundation models zu interagieren und sie zu steuern: Man gibt Anweisungen oder Eingaben, um gewünschte Ausgaben zu erhalten. Ein Prompt ist diese Eingabe (Anweisung, Frage, Datei, Beispiel); sein Zweck ist, dem Modell Input zu liefern und eine Ausgabe auszulösen.
• Prompt engineering ist laut Study Guide die „art and science“, effektive Prompts zu formulieren, um den Wert von gen-AI-Modellen zu maximieren und Antworten auf konkrete Bedürfnisse zuzuschneiden. Prompt engineering verändert das Modell nicht. Details zu den Techniken stehen in → 3.2.

ML approaches: supervised, unsupervised, reinforcement

• Supervised learning trainiert auf labeled data (Eingabe + bekannte richtige Ausgabe) und sagt Ausgaben für neue Eingaben voraus. Typische Aufgaben: Klassifikation (Spam / kein Spam), Regression (Preis), Vorhersage (Ausfall einer Maschine).
• Unsupervised learning nutzt unlabeled data, um natürliche Gruppierungen und Muster zu finden. Typische Aufgaben: explorative Analyse, Clustering, Anomalie-Erkennung, Topic Modeling.

ML lifecycle und Google-Cloud-Tools je Phase

• Exam-Guide-Formulierung der Phasen: data ingestion → data preparation → model training → model deployment → model management. Der Study Guide fasst die ersten beiden Phasen zu „Data ingestion and preparation“ zusammen.
• Data ingestion: Daten passend zum gewünschten Ergebnis sammeln und in die Plattform holen (Batch oder Streaming). Typische Google-Cloud-Tools:
  • Pub/Sub: Messaging-Dienst für Echtzeit-Streaming nach dem Publish/Subscribe-Prinzip
  • Cloud Storage: Objektspeicher, v. a. für unstrukturierte Daten wie Bilder, PDFs, Audio, Video
  • Cloud SQL und Spanner: relationale Datenbanken für strukturierte Daten; Spanner zusätzlich global skalierbar

Choosing the right foundation model

• Exam-Guide-Faktoren: modality, context window, security, availability and reliability, cost, performance, fine-tuning and customization. Der Study Guide erläutert modality, context window, performance sowie availability and reliability. Diese Wissensbasis ergänzt ease of integration.
• Token = Texteinheit (Wort oder Wortteil), Maßeinheit für Kontextfenster, Traffic und Abrechnung. Bei Gemini entspricht ein Token etwa 4 Zeichen; 100 Tokens sind etwa 60–80 englische Wörter. → 3.3 token count

Business use cases: create, summarize, discover, automate

• Die vier Hauptnutzungsarten von gen AI (Beispiele eigen):
  • Create: neue Inhalte erzeugen; z. B. ein Verlag lässt Klappentexte und Social-Media-Teaser entwerfen, ein Handwerksbetrieb Angebotstexte, ein Entwicklerteam Code
  • Summarize: Informationen zu knappen Zusammenfassungen verdichten; z. B. ein Pharmaunternehmen fasst lange Studienberichte zusammen, eine Hochschule Protokolle von Gremiensitzungen
  • Discover: Informationen zur richtigen Zeit finden; z. B. ein Logistiker durchsucht Tausende Frachtdokumente nach Klauseln, ein Energieversorger erkennt Muster in Störungsmeldungen
  • Automate: bisher manuelle Aufgaben automatisieren; z. B. eine Versicherung überträgt Angaben aus Schadensformularen automatisch ins Bestandssystem, Benachrichtigungen werden automatisch ausgelöst
• Exam-Guide-Beispielkategorien: text generation, image generation, code generation, video generation, data analysis, personalized user experience.

1.2 How data types are used in gen AI and the business implications

Exam Guide §1.2 Characteristics and importance of data quality and data accessibility (completeness, consistency, relevance, availability, cost, format) · structured vs. unstructured data with real-world examples · labeled vs. unlabeled data.

Data quality

• ML-Modelle analysieren Daten, erkennen Muster und berechnen daraus Wahrscheinlichkeiten für neue Fälle. Deshalb bestimmen Datenqualität und -zugänglichkeit direkt die Güte der Ergebnisse; die Leistung von foundation models hängt stark von den Daten ab.
• Quality data ist laut Study Guide accurate, complete, consistent, relevant. Der Exam Guide nennt completeness, consistency, relevance. Diese Wissensbasis lernt fünf Dimensionen, ergänzt um Repräsentativität:
  • Accuracy: Daten sind sachlich korrekt. Fehlerhafte Daten führen zu falschen Mustern und Vorhersagen.
  • Completeness: Größe des Datensatzes und Abdeckung darin; genug Daten ohne Lücken für eine belastbare Vorhersage.
  • Representativeness: Die Daten bilden die Zielgruppe bzw. Zielsituation fair und inklusiv ab; sonst verzerrte Stichproben und Bias.
  • Consistency: einheitliche Formate, Einheiten und Labels über alle Quellen; Inkonsistenz verwirrt das Modell.
  • Relevance: Die Daten passen zur Aufgabe, die das Modell erfüllen soll.

Data accessibility

• Accessible data: Daten für das Training müssen leicht verfügbar, nutzbar und im passenden Format sein. Drei Dimensionen laut Exam Guide (Erläuterung):
  • Availability: Ohne verfügbare Daten kein Training und keine Vorhersage, und zwar im Training und in Produktion.
  • Cost: Hochwertige Daten zu beschaffen, zu bereinigen und zu labeln kann eine erhebliche Hürde sein.
  • Format: Daten müssen in einem für das Modell verarbeitbaren Format vorliegen. Neuronale Netze rechnen letztlich nur mit Zahlen; Text, Bild und Audio werden daher in numerische Repräsentationen (z. B. Embeddings) übersetzt.
• Zugänglichkeit ist technisch (Schnittstellen, Speicherort, Format) und nicht-technisch (Berechtigungen, Lizenzen, Datenschutz).

Structured vs. unstructured data

• Structured data: organisiert, leicht durchsuchbar, oft in relationalen Datenbanken/Tabellen gespeichert. Beispiele: Kunden-ID, Name, Kaufdatum, Bestellwert, Sternebewertung 1–5, Transaktionen, Sensormesswerte in Tabellen.
• Unstructured data: keine vordefinierte Struktur, braucht anspruchsvolle Analyseverfahren. Beispiele: Freitext-Feedback, E-Mail-Inhalte, Produktbilder, Audio, Video, PDFs, Social-Media-Posts.

Labeled vs. unlabeled data

• Labeled data: Daten mit zugeordneten Tags (Name, Typ, Zahl), die ihnen Bedeutung geben, z. B. „Spam / kein Spam“ oder „Verkaufspreis“. Ermöglichen supervised learning. Labeling ist teuer und aufwendig.
• Unlabeled data: rohe, nicht getaggte Information, die für sich genommen keine Bedeutung/„richtige Antwort“ trägt, z. B. unsortierte Fotos oder Audioaufnahmen. Basis für unsupervised learning. Foundation models werden überwiegend auf unlabeled Daten vortrainiert.

1.3 Core layers of the gen AI landscape and business implications

Exam Guide §1.3 Infrastructure · Models · Platforms · Agents · Applications

Der Fünf-Schichten-Stack

• Applications: Die Anwendung liefert Benutzeroberfläche und Gesamtzweck; Agents sind intelligente Komponenten innerhalb einer Anwendung. Agents definieren die Fähigkeiten (suchen, buchen, empfehlen), die Anwendung stellt sie dem Nutzer bereit (Website/App).
• Agents: Ein gen AI agent ist eine Anwendung, die ein Ziel zu erreichen versucht, indem sie die Welt beobachtet und mit den verfügbaren Tools auf sie einwirkt.

1.4 Use cases and strengths of Google's foundation models

Exam Guide §1.4 Gemini · Gemma · Imagen · Veo

Weitere Google-Modelle aus Study Guide und Doku (nicht im EG gelistet)

• Gemini Nano: Googles effizientestes, kompaktestes Modell, speziell für die Ausführung auf Geräten (on-device/Edge). Vorteile: Privacy (Daten bleiben auf dem Gerät), Speed (kein Cloud-Roundtrip), Offline-Nutzung. Auf Android läuft es im Systemdienst AICore; Entwickler nutzen es über die ML Kit GenAI APIs (z. B. Zusammenfassen, Umformulieren, Bildbeschreibung).
• Gemini-Varianten Pro vs. Flash/Flash-Lite: Pro für komplexe Aufgaben und anspruchsvolles Reasoning (höhere Latenz, deutlich teurer), Flash/Flash-Lite für schnelle, günstige Antworten bei hoher Last (Chat).

Gemini app vs. Gemini model

• Gemini (Modell) ist ein gen-AI-Modell von Google, das viele verschiedene Lösungen antreibt. Das Gemini app ist Googles gen-AI-Chatbot (eine Anwendung) für Schreiben, Zusammenfassen, Übersetzen und Bilderzeugung. Gemini steckt auch in Google Workspace with Gemini, Gemini for Google Cloud (inkl. Datenanalyse in BigQuery) usw.