Künstliche Intelligenz (Artificial Intelligence)

Künstliche Intelligenz (KI) als Studienfach ist eine vergleichsweise junge, eigenständige Ausprägung innerhalb der Informatik, die sich mit Methoden zur Automatisierung intelligenten Verhaltens befasst. Inhaltlich integriert das Fach Informatik, Mathematik und Logik, Statistik sowie Bezüge zu Linguistik, Neurowissenschaften und Philosophie. Bis vor wenigen Jahren wurde KI vor allem als Master- oder Vertiefungsrichtung der Informatik gelehrt; seit dem starken Schub durch Deep Learning und große Sprachmodelle bieten zahlreiche deutsche Hochschulen eigenständige Bachelor- und Masterstudiengänge in „Künstlicher Intelligenz“, „Artificial Intelligence“ oder „Angewandter KI“ an. Das Bachelorstudium (B.Sc., sechs bis sieben Semester) baut auf klassischen Informatikgrundlagen auf: Programmierung (oft Python), Algorithmen und Datenstrukturen, Datenbanken, Software Engineering, Mathematik (Lineare Algebra, Analysis, Stochastik) und Theoretische Informatik. Darauf setzen KI-spezifische Module auf: Maschinelles Lernen, Deep Learning und neuronale Netze, Wissensrepräsentation und logische Programmierung, Planen und Schlussfolgern, Natural Language Processing, Computer Vision, Robotik sowie zunehmend KI-Ethik, Fairness und Sicherheit. An vielen Fachhochschulen ist ein Praxissemester integriert. Der Master (M.Sc., meist viersemestrig) vertieft Bereiche wie Reinforcement Learning, generative Modelle, probabilistische Methoden, KI-Sicherheit oder anwendungsnahe Felder wie Medizin-KI, autonome Systeme und Industrie 4.0. Berufsfelder liegen in Softwarehäusern und KI-Startups, in den Forschungs- und Datenabteilungen von Industrieunternehmen (insbesondere Automobil, Pharma, Finanzdienstleistung, Handel), in der akademischen und außeruniversitären Forschung (z. B. Max-Planck-Institute, DFKI, Fraunhofer) sowie in Beratung und Behörden. Gegenüber der allgemeinen Informatik ist der KI-Studiengang stärker auf datengetriebene Methoden und mathematisch-statistische Grundlagen zugeschnitten und arbeitet weniger an Systemen, Netzwerken oder klassischer Softwarearchitektur. Gegenüber Data Science liegt der Akzent stärker auf Modellen, Lernverfahren und Inferenz als auf Datenpipelines, Analyse und Visualisierung; gegenüber Robotik oder Mechatronik fehlt der ingenieurwissenschaftliche Hardware-Anteil.