KI am Scheideweg: die zwei KI-Winter, der Arbeitsmarkt 2026 für junge Ingenieure und eine Methode, um darin zu arbeiten

Die zwei KI-Winter und der Mechanismus, den sie teilen

Schon zweimal wurden für die KI Versprechen gemacht, die weit über ihr Können hinausgingen, die Geldgeber stellten die Zahlungen ein, und das Fachgebiet kehrte später durch eine andere Tür zurück.

Die Geschichte beginnt 1943 mit einem Modell des Neurons von McCulloch und Pitts, mit Turings Imitationsspiel von 1950 und dem Workshop in Dartmouth 1956, auf dem John McCarthy dem Fachgebiet seinen Namen gab. 1958 lernte Frank Rosenblatts Perzeptron, einfache Formen zu erkennen, und die New York Times berichtete, die Navy erwarte eine Maschine, die gehen, sprechen und sich selbst reproduzieren werde. 1969 bewiesen Minsky und Papert, dass ein einschichtiges Perzeptron die XOR-Funktion nicht trennen kann. Das Ergebnis war richtig und eng gefasst, doch die Finanzierung neuronaler Netze versiegte für rund ein Jahrzehnt.

Der erste KI-Winter (AI winter), etwa 1974 bis 1980, war eher eine Vertrauenskrise der Geldgeber als ein technischer Zusammenbruch. 1973 erklärte der Mathematiker James Lighthill dem britischen Science Research Council, die kombinatorische Explosion halte die Programme jener Zeit bei Spielzeugproblemen fest; das Vereinigte Königreich stellte die KI-Förderung an fast allen seinen Universitäten ein. In den USA hatte das Mansfield Amendment von 1969 die DARPA bereits zur angewandten Forschung gedrängt, und 1974 kündigte sie den Vertrag mit Carnegie Mellon zum Sprachverstehen, rund drei Millionen Dollar pro Jahr.

Expertensysteme (expert systems) brachten einen zweiten Frühling. XCON, an der Carnegie Mellon für Digital Equipment geschrieben, konfigurierte VAX-Bestellungen mit rund 2.500 von Hand geschriebenen Regeln; DEC bezifferte die Ersparnis 1986 auf 25 Millionen Dollar pro Jahr. Japan startete 1982 sein Projekt der fünften Computergeneration. Der zweite Winter (1987 bis 1993) kam von den Wartungskosten: Jede Änderung im Geschäft bedeutete, Regeln neu zu schreiben, und 1987 vernichteten günstige Workstations von Sun, Apple und IBM binnen eines Jahres den Markt für spezielle Lisp-Maschinen, während die DARPA ihr Programm kürzte. Der Ausweg war statistisch: die Regeln aus Daten schätzen, statt sie zu schreiben.

Zurück zum Inhalt.

Die Bausteine des Machine Learning, vor jeder Herleitung

Ein Neuron ist eine gewichtete Summe, die durch einen Knick geschickt wird, Lernen heißt, auf der Fehlerfläche bergab zu gehen, und einem Modell traut man erst, wenn es sich auf Daten bewährt hat, die es nie gesehen hat.

Das formale Neuron übernimmt den Aufbau des biologischen (das Gehirn hat etwa 86 Milliarden davon, Herculano-Houzel 2009): Die Eingaben werden gewichtet, summiert, um einen Bias verschoben und durch eine Aktivierungsfunktion (activation function) geschickt. Ohne diese Funktion ist das Stapeln von Schichten sinnlos, denn eine Verkettung linearer Abbildungen bleibt linear. Sigmoid und tanh sättigen in tiefen Netzen; die ReLU, die Nair und Hinton 2010 für Netze vorschlugen, sättigt bei positiven Eingaben nicht und ist neben Grafikprozessoren und Daten einer der drei Gründe, warum tiefe Netze um 2012 zu funktionieren begannen.

Verborgene Schichten lösen das XOR-Problem, und die Fehlerrückführung (Backpropagation), 1986 von Rumelhart, Hinton und Williams bekannt gemacht, berechnet, wie sich der Fehler mit jedem Gewicht ändert. Das Lernen folgt dann Cauchys Rezept von 1847, dem Gradientenabstieg (gradient descent): ein Schritt entgegen dem Gradienten der Verlustfunktion. Ein zu großer Schritt divergiert, ein zu kleiner kommt nie an, und ein langgezogenes Tal lässt den Weg im Zickzack verlaufen. Der Kurs widmet dem Thema einen halben Tag in der Sitzung Konvexe Optimierung und Regularisierung.

Die andere Familie kommt ohne Neuronen und ohne Gradienten aus: Entscheidungsbäume (CART, 1984), Random Forests, in denen viele dekorrelierte Bäume abstimmen (Breiman, 2001), und Gradient Boosting, bei dem jeder neue Baum an die Residuen der bisherigen Summe angepasst wird (Friedman, 2001). XGBoost (Chen und Guestrin, 2016) steckte in 17 der 29 siegreichen Kaggle-Lösungen von 2015. Auf tabellarischen Daten schlägt ein gut abgestimmtes Boosting sehr oft ein neuronales Netz.

Zwei Regeln halten alles zusammen. Erstens wird ein Modell nur an Zeilen gemessen, die es nie gesehen hat: vor dem Start aufteilen, auf dem Validierungsdatensatz abstimmen, den Testdatensatz ein einziges Mal öffnen. Stone formalisierte die Kreuzvalidierung (cross-validation) 1974. Zweitens zerfällt der erwartete Fehler in quadrierten Bias, Varianz und Rauschen (Geman, Bienenstock und Doursat, 1992), das Bias-Varianz-Dilemma (bias-variance trade-off): Ein zu einfaches Modell verfehlt die Form, ein zu flexibles lernt das Rauschen.

Die Modellleiter, die den ganzen Kurs begleitet

1. Naiv. Ein Mittelwert, eine Mehrheitsklasse oder eine kleine logistische Regression, innerhalb weniger Tage geliefert. So muss die Pipeline von Anfang an existieren, und das Referenzmodell steht fest.
2. Besser. Dieselben Daten, besser aufbereitet, ein regularisiertes Modell und Kreuzvalidierung. Man misst den Abstand zum Referenzmodell.
3. Schwer. Boosting oder ein neuronales Netz, nur behalten, wenn der Gewinn die Mehrkosten für Erklärung, Rechenleistung und Wartung aufwiegt.

Das Modell ist nur eines von sechs Feldern in CRISP-DM (1999): Geschäftsverständnis, Datenverständnis, Datenaufbereitung, Modellierung, Evaluation, Bereitstellung. Die Umfrage von Anaconda aus dem Jahr 2020 bezifferte die Datenaufbereitung auf rund 45 % der Zeit eines Data Scientists. Sitzung 1 beginnt genau dort, mit der Methode der kleinsten Quadrate.

Zurück zum Inhalt.

Junge Entwickler und Data Scientists im Jahr 2026: was die Zahlen sagen

Die Nachfrage nach Daten- und KI-Kompetenzen steigt weiter, doch die Unternehmen stellen kaum noch Berufseinsteiger ein, deshalb ist der erste Job jetzt die schwerste Hürde.

Der Mechanismus ist ein Einstellungsstopp, keine Entlassungswelle: In den Berufen, die der KI am stärksten ausgesetzt sind, stellen Unternehmen weniger junge Menschen ein, während die Beschäftigung erfahrener Kräfte stabil bleibt. In Frankreich zeigt die Analyse der Banque de France und des LIFT, dass auch die Vertragsbeendigungen zurückgehen: wenige Einstellungen, wenige Abgänge. Indeed Hiring Lab nennt das seniority-biased technological change (Juli 2026): 71 % des Anstiegs der Stellenanzeigen für Softwareentwicklung in den USA zwischen Mai 2025 und Mai 2026 entfielen auf Senior-Positionen.

Die Tabelle ist eher als Paradox denn als Urteil zu lesen. Die Zehnjahresprognosen bleiben für Data Scientists günstig, doch das BLS hat das Wachstum für Softwareentwickler gegenüber rund 15 % in seiner vorherigen Reihe nach unten korrigiert. Die französische Analyse vom 8. Oktober 2026 war zwei Tage alt, als der Foliensatz geschrieben wurde, und die Zahlen der New York Fed nach Studienfach haben breite Konfidenzintervalle; der Foliensatz weist auf beides hin. Die praktische Schlussfolgerung ist die, auf der der Kurs aufbaut: Am stärksten gefährdet ist ein austauschbarer Junior, der nur Code produziert; wer ein Modell herleiten, prüfen und vor einem Kunden verteidigen kann, ist es nicht.

Zurück zum Inhalt.

Der Ingenieur, der Projektleiter und der Agenten-Manager

Code zu schreiben wird billig, also verlagert sich die knappe Arbeit darauf, den Rahmen des Problems abzustecken, zu prüfen, was die Maschine erzeugt hat, und zu entscheiden.

Für den Ingenieur hat sich der Engpass vom Schreiben zur Prüfung verschoben. Sundar Pichai sagte im April 2026, dass 75 % des neuen Codes bei Google von KI erzeugt werden. In der Stack-Overflow-Umfrage vom Oktober 2026 vertrauen 48 % der Entwickler KI-Ergebnissen nur, wenn sie diese überprüfen können. Die randomisierte Studie von METR vom Juli 2025 ergab, dass erfahrene Open-Source-Entwickler mit KI-Werkzeugen 19 % langsamer waren, während sie glaubten, 20 % Zeit gespart zu haben; die Folgestudie vom Februar 2026 fand keinen signifikanten Effekt, weder in die eine noch in die andere Richtung. Faros AI (2026) berichtet, dass Teams mit hoher Nutzung größere Pull Requests öffnen, die 441 % länger auf ein Review warten.

Projekte scheitern weiterhin im gleichen Maß, und deshalb wird der Projektleiter nicht wegautomatisiert. Die PMI-Studie von 2024 unter 10.000 Fachleuten stufte 48 % der Projekte als erfolgreich ein; die Standish-CHAOS-Daten für 2024 ergeben rund 31 % bei IT-Projekten, unverändert seit 2015; McKinsey und Oxford stellten fest, dass große IT-Projekte ihr Budget im Schnitt um 45 % überschreiten. Dieselbe PMI-Studie zeigt, dass Projekte, die ihre Erfolgskriterien zu Beginn festlegen, doppelt so gut abschneiden, und genau deshalb beginnt Sitzung 1 damit, den Rahmen abzustecken.

Die dritte Rolle ist neu. Microsofts Work Trend Index vom April 2025 beschrieb den agent boss, der Aufgaben an KI-Agenten delegiert; die Ausgabe vom Mai 2026 stellte fest, dass die Organisation etwa zwei Drittel der berichteten Wirkung erklärt und der Einzelne ein Drittel. Agenten zu führen ist daher eher ein Management- als ein Prompting-Problem. Gartner erwartet, dass bis 2028 15 % der alltäglichen Arbeitsentscheidungen autonom getroffen werden, gegenüber keiner im Jahr 2024.

Zurück zum Inhalt.

Die Wette: vom Pilotprojekt in den Produktivbetrieb, oder eine Blase

Die Technik entwickelt sich schneller, als Unternehmen sie übernehmen können, und schließt sich diese Lücke nicht, könnten Investoren wie 1973 und 1987 das Vertrauen verlieren.

• Pilotprojekte ohne Rendite. MIT NANDA (Juli 2025) fand bei 95 % der Organisationen sechs Monate nach einem Pilotprojekt mit generativer KI keine messbare Wirkung auf die Gewinn- und Verlustrechnung, bei einer Stichprobe von 52 Organisationen, die laut dem Bericht selbst den Markt womöglich nicht abbildet.
• Nutzung ohne Gewinn. McKinseys State of AI 2026 (veröffentlicht am 25. August 2026): Fast neun von zehn Organisationen nutzen KI, aber nur 37 % berichten von einer positiven Wirkung auf das Ergebnis.
• Agentenprojekte in Gefahr. Gartner (25. Juni 2025) erwartet, dass bis Ende 2027 über 40 % der Projekte mit agentischer KI eingestellt werden, wegen der Kosten, eines unklaren Nutzens oder einer schwachen Risikokontrolle.
• Beschaffung. Ein Vertriebszyklus im Firmenkundengeschäft dauert 90 bis 180 Tage (Optifai, 2025-2026), hinzu kommen Sicherheitsprüfungen; im Finanzsektor verlangt DORA seit dem 17. Januar 2025 ein Register der IKT-Verträge, und die Pflichten aus der KI-Verordnung (AI Act) greifen schrittweise von 2025 bis 2028.
• Die Rechnung. Die vier Hyperscaler investierten 2025 rund 410 Milliarden Dollar und stellten für 2026 rund 730 Milliarden in Aussicht; Bain (September 2025) schätzt, dass bis 2030 jährliche Umsätze von 2.000 Milliarden Dollar nötig sind, um die KI-Rechenleistung zu bezahlen, wovon 800 Milliarden fehlen. Im Oktober 2025 warnte die Bank of England, das Risiko einer scharfen Marktkorrektur sei gestiegen.

Der Foliensatz schließt den Teil mit zwei Szenarien. Im ersten bestehen die Werkzeuge die Prüfungen, die Daten sind bereit, und der Anteil der Unternehmen, die eine Wirkung sehen, steigt; es gewinnen diejenigen, die ein Modell aus einer Demo in eine Organisation bringen und unter Kontrolle halten können. Im zweiten bleiben Pilotprojekte Pilotprojekte, und ein dritter, teurerer Winter folgt; es gewinnen diejenigen, die gelernt haben, was die ersten beiden Winter überstanden hat: die Methode der kleinsten Quadrate (Gauß und Legendre), die Likelihood (Fisher), der Gradientenabstieg (Cauchy). In beiden Fällen ist die Kompetenz dieselbe, und genau sie trainiert die Sitzung Entscheidungsschwelle und reproduzierbares ML.

Zurück zum Inhalt.

Zuerst die Methode: Descartes und Pascal

Zwei französische Gelehrte des 17. Jahrhunderts haben die Regeln eines guten Datenprojekts schon aufgeschrieben: beweisen, bevor man annimmt, die Arbeit aufteilen, einfach anfangen, alles prüfen.

Die vier Regeln von Descartes (Abhandlung über die Methode, 1637), als Projektregel gelesen

1. Evidenz. Nichts annehmen, was man nicht begründen kann: weder die Zielvariable noch die Daten. Im Projekt heißt das, den Rahmen abzustecken.
2. Zerlegung. Jede Schwierigkeit in so viele Teile zerlegen wie nötig: Das Projekt wird zu einer Aufgabenliste.
3. Ordnung. Mit den einfachsten Gegenständen beginnen und aufsteigen: das naive Modell vor dem besseren und dem schweren.
4. Aufzählung. So vollständig prüfen, dass nichts ausgelassen wird: Tests, gegenseitige Reviews und ein Entscheidungsprotokoll.

Pascal liefert die andere Hälfte. 1642, mit neunzehn Jahren, baute er die Pascaline, eine Rechenmaschine für die Steuerarbeit seines Vaters. 1654 begründete sein Briefwechsel mit Fermat darüber, wie man die Einsätze eines abgebrochenen Spiels aufteilt, die Wahrscheinlichkeitstheorie. In den Pensées unterschied er den Geist der Geometrie, der aus klaren Prinzipien richtig schließt, vom Geist des Feinsinns, der erfasst, was die Prinzipien auslassen. Ein Data Engineer braucht beides: strenges Rechnen und Urteilsvermögen darüber, was die Ergebnisse bedeuten.

Zurück zum Inhalt.

Ringelmanns Seil, der Trittbrettfahrer und die Condorcet-Wahl

Menschen ziehen weniger kräftig an einem Seil, wenn sie gemeinsam ziehen, und eine Gruppenentscheidung ist gerechter, wenn jede Option mit jeder anderen verglichen wird.

Maximilien Ringelmann, ein Agraringenieur, der in Paris eine Prüfstation für Maschinen leitete, ließ Studierende an einem Seil ziehen, das an einem Dynamometer befestigt war, erst allein, dann in Gruppen, und veröffentlichte die Ergebnisse 1913. Die Gruppe zog weniger als die Summe ihrer Mitglieder, und der Abstand wuchs mit ihrer Größe. Die kursierenden Prozentzahlen berichtete Moede 1927; Kravitz und Martin spürten 1986 den Originalartikel auf und stellten fest, dass Ringelmann zuerst die Koordination verantwortlich machte, aber auch den Motivationsanteil sah, den Psychologen später soziales Faulenzen (social loafing) nannten.

Die Ökonomie kommt über Anreize zum selben Ergebnis. Olson (1965) zeigte, dass jedes Mitglied umso mehr davon hat, die anderen arbeiten zu lassen, je größer die Gruppe ist: der Trittbrettfahrer (free rider). Holmström (1982) bewies, dass keine Regel zur Aufteilung des gemeinsamen Ergebnisses eines Teams allen den richtigen Anreiz gibt, wenn nur dieses gemeinsame Ergebnis beobachtbar ist; ein Prinzipal muss beobachten und nachsteuern. Kerr und Bruun (1983) fanden, dass die Anstrengung sinkt, wenn sich Mitglieder entbehrlich fühlen, und Brooks und Ammons (2003), dass eine frühe, häufige und an präzisen Kriterien ausgerichtete Bewertung studentischer Teams den Effekt verringert. Daraus folgen kleine Teams und die Einzelbefragung jedes Mitglieds.

Um Optionen zu ordnen, verwendet der Foliensatz die Methode von Condorcet (1785): Optionen paarweise vergleichen, wie in einer Liga; eine Option, die jedes Duell gewinnt, ist der Condorcet-Sieger (Condorcet winner). Es kann sein, dass es keinen gibt, denn schon drei Wähler können einen Zyklus erzeugen, in dem A gegen B gewinnt, B gegen C und C gegen A. Als Ausweg dient die Summe der Punkte, die Borda-Wahl (Borda count) (Borda, 1784). Das veranschaulichende Beispiel des Foliensatzes, in dem fünf Wähler drei Kategorien mit 1 bis 5 Punkten bewerten, zeigt, dass die beiden Regeln voneinander abweichen können.

So liest man das Beispiel

1. Finanzen gegen Daten. Wähler 1, 4 und 5 bewerten Finanzen höher, Wähler 2 und 3 bevorzugen Daten: 3 zu 2 für Finanzen.
2. Finanzen gegen Bauwesen. Wähler 1, 3 und 5 bevorzugen Finanzen, Wähler 2 und 4 Bauwesen: 3 zu 2 für Finanzen; die Kategorie gewinnt damit beide Duelle.
3. Daten gegen Bauwesen. Wähler 2, 3 und 5 bevorzugen Daten: 3 zu 2, die paarweise Rangfolge lautet also Finanzen, Daten, Bauwesen.
4. Die Summe widerspricht. Borda setzt Daten mit 15 Punkten an die Spitze, weil zwei Wähler die Höchstpunktzahl vergaben. Jedes Duell zu gewinnen ist das robustere Kriterium.

Zurück zum Inhalt.

Das Wichtigste in Kürze

1. Die beiden KI-Winter (etwa 1974-1980 und 1987-1993) folgten demselben Muster: eine echte Fähigkeit, ein Versprechen ohne Bezug dazu, wachsende versteckte Kosten und ein Geldgeber, der nicht mehr daran glaubte.
2. Der Ausweg aus dem zweiten Winter war statistisch: die Regeln aus Daten schätzen, statt sie von Hand zu schreiben, und genau das tun die Methode der kleinsten Quadrate, die Likelihood und der Gradientenabstieg.
3. Ein Modell zählt nur, wenn es an Daten gemessen wird, die es nie gesehen hat, und ein Projekt steigt nur dann vom naiven zum schweren Modell auf, wenn der Test jeden Schritt rechtfertigt.
4. Die Zahlen von 2026 zeigen eine steigende Nachfrage nach Datenkompetenzen, während Berufseinsteiger seltener eingestellt werden, in den USA (Stanford, August 2026) wie in Frankreich (Banque de France und LIFT, Oktober 2026).
5. Da Code immer billiger zu schreiben ist, sind die knappen Kompetenzen das Abstecken des Rahmens, die Überprüfung und die Fähigkeit, ein Modell durch die Prüfungen bis in den Produktivbetrieb zu bringen.
6. Die vier Regeln von Descartes und Pascals Verbindung von Strenge und Urteilskraft beschreiben noch immer ein solides Datenprojekt; Ringelmann und der Trittbrettfahrer erklären, warum Teams klein bleiben sollten.

Glossar

KI-Winter (AI winter)

Eine Phase, in der Finanzierung und Interesse an KI nach überzogenen Versprechen einbrechen; die beiden wichtigsten dauerten etwa von 1974 bis 1980 und von 1987 bis 1993.

Perzeptron

Rosenblatts lernende Maschine von 1958: eine gewichtete Summe und ein Schwellenwert, die nur trennen kann, was eine Hyperebene trennen kann.

Expertensysteme (expert systems)

Programme aus von Hand geschriebenen Wenn-dann-Regeln, die bei Fachleuten erfragt wurden, etwa XCON bei DEC; teuer in der Pflege, wenn sich das Geschäft ändert.

Aktivierungsfunktion (activation function)

Die nichtlineare Funktion, die nach der gewichteten Summe eines Neurons angewandt wird (Sigmoid, tanh, ReLU); ohne sie ist ein tiefes Netz linear.

Gradientenabstieg (gradient descent)

Die Parameter immer wieder um einen kleinen Schritt entgegen dem Gradienten der Verlustfunktion verschieben, damit der Fehler sinkt.

Kreuzvalidierung (cross-validation)

Den Validierungsdatensatz reihum wechseln, sodass jede Zeile einmal zurückgehalten wird, und dann die Ergebnisse mitteln (Stone, 1974).

Bias-Varianz-Dilemma (bias-variance trade-off)

Die Zerlegung des erwarteten Fehlers in quadrierten Bias, Varianz und Rauschen; einfache Modelle haben einen hohen Bias, flexible eine hohe Varianz.

Tal der Enttäuschungen (trough of disillusionment)

Die Phase in Gartners Hype-Zyklus nach dem Gipfel, wenn die Ergebnisse hinter den Erwartungen zurückbleiben; generative KI wurde im August 2025 dort eingeordnet.

soziales Faulenzen (social loafing)

Der Rückgang der individuellen Anstrengung bei der Arbeit in der Gruppe, zuerst von Ringelmann mit einem Seil und einem Dynamometer gemessen.

Trittbrettfahrer (free rider)

Ein Mitglied, das von der gemeinsamen Arbeit profitiert, ohne dazu beizutragen (Olson, 1965; Holmström, 1982).

Condorcet-Sieger (Condorcet winner)

Eine Option, die jede andere Option im direkten Mehrheitsvergleich schlägt; es gibt sie nicht immer.

Borda-Wahl (Borda count)

Eine Rangfolge nach der Summe der von den Wählern vergebenen Punkte oder Ränge; sie kann vom Condorcet-Sieger abweichen.

Die anderen Notizen des Kurses

Eine öffentliche Zusammenfassung pro Foliensatz, in der Reihenfolge des Kurses.

Weiter: Kaggle, GitHub, Python: die Werkzeuge

1. EinführungKI-Winter, Arbeitsmarkt und Methode
2. WerkzeugeKaggle, GitHub, Python: die Werkzeuge
3. Sitzung 1Projektrahmen und kleinste Quadrate
4. Sitzung 2Maximum Likelihood und logistische Regression
5. Sitzung 3Gradientenabstieg, Ridge und Lasso
6. Sitzung 4Entscheidungsschwelle und reproduzierbares ML
7. HausaufgabeML-Projekt abstecken: der Projektsteckbrief
8. Sitzung 5Kernel, SVM und Entscheidungsbäume
9. Sitzung 6Random Forests, Boosting, ehrlicher Vergleich
10. Sitzung 7SHAP, Fairness, PCA und Clustering
11. HausaufgabeEin einfaches Modell mit vollständiger Methode
12. Sitzung 8Neuronale Netze, Drift, konforme Vorhersage
13. HausaufgabeEin ausgeliefertes Machine-Learning-Projekt
14. Sitzung 9Ein Machine-Learning-Projekt verteidigen
15. ReferenzProjekt zum Kreditausfallscore
16. ReferenzAktienrenditen: XGBoost und Sentiment
17. ReferenzPython-Code für jedes ML-Modell
18. ReferenzDeep Learning, das Wesentliche
19. ReferenzML-Projekte mit offenen Daten nach Branche
20. ReferenzHandbuch für Daten- und KI-Fachleute
21. ReferenzData Engineering, SRE und Cloud
22. ReferenzPanorama der Machine-Learning-Modelle

Alle Notizen als Leseliste

Aufmerksamkeit und Transformer, Schritt für Schritt

Über diese Notizen

Vom Dozenten auf Grundlage der Folien verfasst, als öffentliche Zusammenfassung: die Kernideen, die Formeln und ein durchgerechnetes Beispiel. Die Übungen, ihre Lösungen, die Tests und die Bewertung bleiben im Foliensatz, für die Studierenden des Kurses.

Stand: 16. Oktober 2026.