12:55 Cisco AI Technical Practitioner Geben Sie Ihren Namen und Ihre E-Mail-Adresse bitte korrekt ein, damit wir Ihnen Ihr Quiz-Ergebnis bequem per E-Mail zusenden können. Name E-Mail Ergebnis per E-Mail Nur mit den richtigen Angaben können wir Ihnen Ihr persönliches Ergebnis schnell und zuverlässig zusenden. ✨ Viel Erfolg und schauen Sie danach in Ihr E-Mail-Postfach! Name Email 1. Was beschreibt ein Large Language Model (LLM) am besten? Ein Modell, das ausschließlich Bilder erzeugt Ein Modell, das Muster in Sprache verarbeitet und generiert Ein Datenbankserver für Logdateien Ein Verschlüsselungsalgorithmus None 2. Welcher Anwendungsfall passt typischerweise gut zu einem LLM? Paketweiterleitung auf Layer 3 Textzusammenfassung Festplattenformatierung VLAN-Tagging None 3. Wofür sind Diffusionsmodelle besonders bekannt? Für tabellarische Buchhaltung Für Bildgenerierung Für DHCP-Lease-Verwaltung Für Routingtabellen None 4. Was ist ein typischer Vorteil eines cloud-gehosteten Modells? Es benötigt grundsätzlich keine Internetverbindung Es bietet oft schnelle Skalierbarkeit Es ist immer günstiger als jede lokale Lösung Es verhindert alle Datenschutzrisiken None 5. Was ist ein typischer Vorteil eines lokal gehosteten Modells? Es braucht nie Hardware-Ressourcen Es kann mehr Kontrolle über sensible Daten ermöglichen Es ist automatisch leistungsfähiger als Cloud-Modelle Es skaliert ohne Infrastrukturaufwand None 6. Was ist eine typische Trade-off-Frage bei der Modellwahl? Schriftart gegen Monitorhelligkeit Kosten, Latenz, Datenschutz und Skalierbarkeit DHCP gegen DNS Druckertreiber gegen USB-Version None 7. Was beschreibt ein Kontextfenster am besten? Die Größe des Browserfensters Die Menge an Eingabe- und Gesprächskontext, die das Modell gleichzeitig berücksichtigen kann Die Bildschirmauflösung beim Prompten Die Größe eines PDF-Exports None 8. Was kann passieren, wenn ein Prompt mit Anhängen die Token-Grenze überschreitet? Das Modell wird schneller Teile des Kontexts müssen gekürzt oder ignoriert werden Das Betriebssystem startet neu Die Ausgabe wird automatisch genauer None 9. Was ist mit „Token“ im Kontext generativer KI gemeint? Ein physischer Sicherheitsschlüssel Eine Verarbeitungseinheit von Text bzw. Daten für das Modell Eine Art VPN-Paket Ein BIOS-Passwort None 10. Warum ist Modellselektion wichtig? Weil jedes Modell für jede Aufgabe gleich gut ist Weil unterschiedliche Modelle auf unterschiedliche Use Cases optimiert sein können Weil dadurch Passwörter ersetzt werden Weil nur große Modelle multimodal sein können None 11. Was bedeutet „multimodal“ bei einem KI-Modell? Es kann nur Text ausgeben Es kann mehrere Datentypen wie Text und Bild verarbeiten Es funktioniert nur in mehreren Rechenzentren Es braucht zwingend fünf Datenbanken None 12. Was beschreibt ein Modell-Hub am besten? Ein physischer Netzwerkswitch Eine Plattform oder Sammlung, über die Modelle gefunden und verglichen werden können Ein Dateiformat für Prompts Ein Antivirus-Dienst None 13. Wofür wird RAG typischerweise eingesetzt? Zum Reduzieren von Routerkosten Zum Ergänzen von Modellantworten mit externem, relevantem Wissen Zum Komprimieren von Bildern Zum Erstellen von VLANs None 14. Welche Rolle haben Embeddings in RAG-Systemen? Sie verschlüsseln Benutzerdaten Sie repräsentieren Inhalte numerisch für Ähnlichkeitssuche Sie ersetzen Datenbanken vollständig Sie erzeugen Audiodateien None 15. Wofür wird eine Vektordatenbank typischerweise genutzt? Für E-Mail-Verschlüsselung Für Ähnlichkeitssuche auf eingebetteten Inhalten Für BIOS-Backups Für Layer-2-Forwarding None 16. Welcher Anwendungsfall passt am besten zu RAG statt reinem Standard-Prompting? Beantwortung interner Fragen auf Basis aktueller Unternehmensdokumente Anzeige der CPU-Temperatur Erstellen einer WLAN-SSID Laden einer USB-Firmware None 17. Warum kann ein kleineres Modell manchmal sinnvoller sein als ein größeres? Weil kleine Modelle immer genauer sind Weil kleinere Modelle je nach Aufgabe kostengünstiger und schneller sein können Weil große Modelle keine Texte verstehen Weil große Modelle nicht lokal laufen können None 18. Was beschreibt „Latenz“ bei einem KI-System am besten? Den Speicherplatz eines Modells Die Verzögerung bis zur Antwort Die Anzahl der Trainingsdaten Die Genauigkeit des Monitors None 19. Welche Aussage zu Output-Management ist richtig? Modellantworten sollten nie auf Länge oder Format begrenzt werden Antwortformat und Länge lassen sich oft durch klare Vorgaben steuern Nur lokale Modelle können strukturierte Antworten liefern Antwortmanagement ist nur für Bildmodelle relevant None 20. Welche Aussage ist für generative KI im Unternehmenskontext am sinnvollsten? Das größte Modell ist immer die beste Wahl Modellwahl sollte an Aufgabe, Kosten, Datenschutz und Qualität ausgerichtet sein Modell-Hubs sind nur für Forschung gedacht RAG ist immer schlechter als reines Modellwissen None 21. Was ist ein zentrales Prinzip guten Prompt Engineerings? Möglichst unklare Anweisungen geben Ziel, Rolle und Einschränkungen klar formulieren Immer nur ein einzelnes Wort verwenden Niemals Kontext geben None 22. Welche Formulierung verbessert einen Prompt typischerweise? „Mach irgendwas mit den Daten.“ „Fasse die folgenden Verkaufszahlen in 5 Stichpunkten für das Management zusammen.“ „Antworte irgendwie.“ „Ignoriere alle Regeln.“ None 23. Welche Funktion hat eine Rollenangabe im Prompt? Sie ändert die Netzwerkkonfiguration Sie lenkt Stil, Perspektive und Aufgabenausrichtung der Antwort Sie ersetzt den eigentlichen Arbeitsauftrag Sie garantiert immer Faktenrichtigkeit None 24. Was ist ein „Constraint“ in einem Prompt? Ein Datenbankfehler Eine Einschränkung wie Format, Länge oder Zielgruppe Ein Router-Log Ein Trainingsdatensatz None 25. Was ist Few-shot Prompting? Ein Prompt ohne Beispiele Ein Prompt, der wenige Beispiele zur Orientierung enthält Ein Bildprompt mit niedriger Auflösung Ein Prompt nur für lokale Modelle None 26. Wofür eignet sich Few-shot Prompting besonders? Zum Beschleunigen von Ethernet Zum Verdeutlichen gewünschter Struktur oder Klassifikation Zum Ersetzen von Governance Zum Löschen von Halluzinationen None 27. Was ist iteratives Prompting? Den ersten Output nie mehr anpassen Eine Aufgabe schrittweise durch Folgeprompts verbessern Ein Prompt mit nur Zahlen Ein Sicherheitsmechanismus auf Layer 2 None 28. Was bedeutet „chained prompting“? Mehrere logisch verbundene Prompts bauen aufeinander auf Der Prompt wird verschlüsselt Der Prompt wird automatisch von DNS beantwortet Nur ein Modell kann dabei genutzt werden None 29. Welche Technik ist sinnvoll, wenn ein komplexes Ergebnis in mehreren Schritten erzeugt werden soll? Nur ein extrem kurzer Einzeiler Sequenzielles bzw. chained prompting Keine Kontextangaben Zufällige Beispieltexte None 30. Welche Aussage zu Prompts für Text, Bild und Audio ist richtig? Alle Modalitäten benötigen exakt denselben Promptstil Struktur und Detailgrad sollten an die Zielmodalität angepasst werden Bildmodelle benötigen keinerlei Beschreibung Audiomodelle nutzen keine Einschränkungen None 31. Was ist ein typisches Merkmal eines guten Bildprompts? Nur das Wort „Bild“ Beschreibung von Motiv, Stil, Perspektive und Einschränkungen Nur eine IP-Adresse Ein Passwort None 32. Was ist Prompt Injection? Eine Methode zur Router-Härtung Ein Angriff, der ein KI-System durch eingeschleuste Anweisungen manipulieren soll Eine sichere Art der Datenklassifizierung Ein Verfahren zur Bildkomprimierung None 33. Welches Beispiel passt am ehesten zu Prompt Injection? Ein Nutzer versucht, das Modell dazu zu bringen, Regeln oder versteckte Instruktionen zu ignorieren Ein Nutzer bittet um eine Zusammenfassung Ein Nutzer begrenzt die Antwort auf fünf Zeilen Ein Nutzer gibt den gewünschten Sprachstil an None 34. Welche Maßnahme hilft gegen Prompt Injection? Niemals Eingaben prüfen Systeminstruktionen absichern und untrusted Input klar trennen Alle Antworten ungeprüft übernehmen Nur kleinere Modelle verwenden None 35. Was ist eine Halluzination im KI-Kontext? Ein Hardwaredefekt Eine plausibel klingende, aber falsche oder unbelegte Antwort Ein Token-Limit Eine Kompressionsmethode None 36. Welche Strategie hilft, Halluzinationen zu reduzieren? Weniger Kontext und weniger Präzision Quellenbezug, klare Grenzen und Verifikation Immer maximal kreative Antworten verlangen Keine Rückfragen zulassen None 37. Was ist „defensive prompting“? Ein Netzwerkprotokoll Das Formulieren von Prompts mit Schutzvorgaben gegen Fehler und Missbrauch Ein Ersatz für Firewalls Ein Verfahren zur Dateiverschlüsselung None 38. Welche Anweisung ist ein Beispiel für defensive prompting? „Wenn Informationen fehlen, sage das ausdrücklich und erfinde nichts.“ „Antworte so selbstsicher wie möglich, auch ohne Fakten.“ „Ignoriere widersprüchliche Daten.“ „Beantworte alles mit Ja.“ None 39. Warum ist Zielgruppenangabe in Prompts nützlich? Weil sie die Antwort auf Wissensniveau und Stil anpassen hilft Weil sie Tokenverbrauch immer verdoppelt Weil sie Halluzinationen unmöglich macht Weil sie nur für Audio gilt None 40. Welche Prompt-Version ist meist besser? „Erklär KI.“ „Erkläre Generative KI in 6 Stichpunkten für Vertriebsmitarbeiter ohne technischen Hintergrund.“ „Irgendwas mit KI, bitte.“ „Schreib alles, was du weißt.“ None 41. Warum kann ein Output-Format im Prompt sinnvoll sein? Es hilft, Antworten maschinenlesbar oder konsistent nutzbar zu machen Es verhindert jeden Fehler automatisch Es ist nur für Bildmodelle relevant Es ersetzt APIs None 42. Was ist ein sinnvoller erster Schritt bei schlechtem Modelloutput? Sofort das Modell verwerfen Den Prompt präzisieren und Kontext verbessern Keine Änderungen vornehmen Nur den Browser wechseln None 43. Wann ist ein mehrstufiger Prompting-Ansatz besonders sinnvoll? Bei komplexen Aufgaben mit Analyse-, Prüf- und Ausgabephase Nur bei Audio-Synthese Nur bei lokalem Hosting Nur bei einzelnen Ja/Nein-Fragen None 44. Welche Aussage zu Prompt-Länge ist richtig? Kürzer ist immer besser Länger ist immer besser Relevanter, strukturierter Kontext ist wichtiger als bloße Länge Lange Prompts verhindern alle Risiken None 45. Welche Technik hilft, eine strukturierte Entscheidungsmatrix zu erhalten? Ohne Kriterien fragen Kriterien und Tabellenformat explizit vorgeben Nur eine Datei hochladen, ohne Anweisung Das Modell ohne Zielgruppe arbeiten lassen None 46. Was beschreibt „Responsible AI“ am besten? KI ohne Regeln Der verantwortungsvolle Einsatz von KI unter Berücksichtigung von Fairness, Transparenz und Sicherheit Nur schnelle Modellantworten Ein bestimmtes Hardwareprodukt None 47. Welcher Begriff gehört typischerweise zu Responsible AI? Bias-Mitigation VLAN-Trunking SMTP-Relay RAID-Spiegelung None 48. Was bedeutet Fairness im KI-Kontext? Alle Antworten müssen gleich lang sein Modelle sollen Personen oder Gruppen nicht unangemessen benachteiligen Modelle dürfen keine Rückfragen stellen Nur Cloud-Modelle können fair sein None 49. Was ist Bias in einem KI-System? Eine neutrale Antwortstruktur Eine systematische Verzerrung in Daten oder Modellergebnissen Eine GPU-Temperatur Eine sichere Authentifizierungsmethode None 50. Warum ist Transparenz in KI-Anwendungen wichtig? Damit Nutzer besser verstehen, wie Ergebnisse zustande kommen oder genutzt werden Damit Modelle schneller rechnen Damit keine Governance mehr nötig ist Damit alle Trainingsdaten öffentlich werden None 51. Was bedeutet Accountability im KI-Kontext? Niemand ist verantwortlich Zuständigkeiten und Verantwortung für KI-Einsatz sind klar definiert Nur das Modell trägt Verantwortung Nur externe Anbieter entscheiden None 52. Welche Maßnahme schützt Unternehmensdaten in KI-Systemen am besten? Vertrauliche Inhalte ungefiltert in öffentliche Tools kopieren Datenklassifizierung, Zugriffskontrollen und sichere Nutzungsrichtlinien Alle Daten per Default veröffentlichen Nur kürzere Prompts verwenden None 53. Was ist ein typisches Datenschutzrisiko bei KI-Tools? Zu wenig Bildschirmhelligkeit Eingabe sensibler Daten in nicht freigegebene Systeme Lokale Textverarbeitung Nutzung von Tabellenformaten None 54. Warum ist Datenminimierung sinnvoll? Weil das Modell sonst nicht antworten kann Weil nur notwendige Daten verarbeitet werden sollten Weil mehr Daten immer schlechtere Ergebnisse liefern Weil Governance dadurch unnötig wird None 55. Was ist Misinformation im KI-Kontext? Eine sichere RAG-Antwort Falsche oder irreführende Information, die verbreitet wird Ein Tokenfehler Eine Datenbankabfrage None 56. Warum ist Desinformation besonders kritisch? Weil sie absichtlich irreführend verbreitet wird Weil sie immer zufällig entsteht Weil sie nur Bilder betrifft Weil sie nur im Offline-Betrieb vorkommt None 57. Welche Aussage zu Compliance ist richtig? Compliance ist für KI-Anwendungen irrelevant KI-Nutzung muss relevante gesetzliche und interne Vorgaben einhalten Compliance ersetzt Security Compliance betrifft nur Finanzabteilungen None 58. Was ist ein Beispiel für AI Governance? Klare Richtlinien, Freigabeprozesse und Risikobewertungen für KI-Nutzung Nur ein neues WLAN-Passwort Ein einzelner Bildprompt Ein Monitor-Upgrade None 59. Warum sind Policies für KI-Nutzung im Unternehmen wichtig? Weil Mitarbeitende dadurch wissen, was erlaubt, sensibel oder meldepflichtig ist Weil dann keine Schulung mehr nötig ist Weil Policies Outputqualität garantieren Weil Policies Modelle trainieren None 60. Welche Aussage zu Sicherheitsbedrohungen durch KI ist zutreffend? KI schafft keine neuen Risiken KI kann für Phishing, Fakes oder Datenabfluss missbraucht werden KI bedroht nur Bildverarbeitung KI-Risiken sind ausschließlich theoretisch None 61. Was bedeutet EDA im Datenkontext? Encrypted Data Access Exploratory Data Analysis External Device Authentication Embedded Database Archive None 62. Was ist ein Ziel von EDA? Router-Betriebssysteme zu aktualisieren Muster, Ausreißer und Datenqualität früh zu verstehen VLANs automatisch zu erzeugen Backups zu verschlüsseln None 63. Wie kann KI bei EDA unterstützen? Durch Vorschläge zu Mustern, Trends und ersten Hypothesen Nur durch Druck von Tabellen Ausschließlich durch Firewall-Regeln Gar nicht, KI ist dafür ungeeignet None 64. Welche Aufgabe gehört typischerweise zur Datenbereinigung? Unklare oder fehlende Werte identifizieren Monitorauflösung erhöhen DNS-Einträge löschen Geräte inventarisieren None 65. Was ist ein Beispiel für Datenformatierung? Spalten mit Datumswerten in ein einheitliches Format bringen Ein WLAN umbenennen Einen Laptop neu starten Eine IP-Adresse pingen None 66. Warum sind Qualitätsprüfungen vor Analyse wichtig? Weil Modelle schlechte Datenqualität ungefragt perfekt korrigieren Weil fehlerhafte oder inkonsistente Daten zu schlechten Ergebnissen führen können Weil saubere Daten nur bei Bildern wichtig sind Weil Qualität die Kosten nie beeinflusst None 67. Was ist eine sinnvolle KI-gestützte Forschungsaufgabe? Ideen und Quellenansätze für ein Thema strukturieren Physische Kabel testen BIOS aktualisieren DHCP-Server ersetzen None 68. Welche Aussage zu KI-gestützter Ideation ist richtig? KI kann hilfreich Vorschläge erzeugen, die fachlich geprüft werden sollten KI-Ideen sind immer sofort umsetzbar KI-Ideation ersetzt jede menschliche Bewertung KI darf nicht für Brainstorming genutzt werden None 69. Was ist bei KI-gestütztem Content Drafting wichtig? Den Entwurf ungeprüft veröffentlichen Fakten, Tonalität und Vertraulichkeit prüfen Immer personenbezogene Daten einfügen Keine Zielgruppe definieren None 70. Welche ethische Frage ist bei KI-gestützter Datenanalyse besonders relevant? Ob die Schriftgröße klein genug ist Ob sensible Daten geschützt und zulässig verwendet werden Ob der Laptop geladen ist Ob der Browser im Dark Mode läuft None 71. Welche Kontrolle hilft, Datenexposition in Analyse-Workflows zu reduzieren? Rollenbasierte Zugriffe und Freigaben Öffentliche Freigabe für alle Ungeschützte Tabellenlinks Gemeinsame Passwörter im Team None 72. Was ist bei automatisch vorgeschlagenen Daten-Transformationen wichtig? Sie immer blind übernehmen Sie fachlich prüfen und dokumentieren Nur manuell alles neu tippen Den Datensatz löschen None 73. Welche Aussage über KI-gestützte Recherche ist am sinnvollsten? Sie kann Recherche beschleunigen, ersetzt aber keine Quellenprüfung Sie macht Quellen unnötig Sie darf nur für Bilder verwendet werden Sie funktioniert nie bei internen Themen None 74. Was ist ein Hinweis auf schlechte Datenqualität? Konsistente Formate und vollständige Werte Doppelte, fehlende oder widersprüchliche Einträge Klare Datendefinitionen Dokumentierte Herkunft None 75. Warum ist Datenherkunft bzw. Provenance wichtig? Weil nachvollziehbar bleiben sollte, woher Daten stammen und wie sie verarbeitet wurden Weil sie nur für Audiosysteme relevant ist Weil sie Tokenverbrauch reduziert Weil sie Governance ersetzt None 76. In welcher Phase des Software-Lebenszyklus kann KI sinnvoll unterstützen? Nur beim Deployment In mehreren Phasen wie Anforderungen, Prototyping, Implementierung, Test und Dokumentation Nur in der Budgetplanung Nur bei Hardwaretausch None 77. Was ist ein realistischer Nutzen von KI bei der Anforderungsanalyse? Anforderungen automatisch rechtlich genehmigen Erste Strukturierung, Formulierung und Lückenanalyse unterstützen Code direkt produktiv ausrollen Firewalls konfigurieren None 78. Was beschreibt Rapid Prototyping mit KI am besten? Ausschließlich langwierige manuelle Entwicklung Schnelles Erstellen erster Entwürfe, Mockups oder Codeideen Nur Hardware-Simulation Vollständiger Ersatz für Tests None 79. Welche Aussage zu KI-gestützter Codegenerierung ist richtig? Generierter Code sollte überprüft und getestet werden Generierter Code ist immer fehlerfrei KI kann nur Pseudocode erzeugen KI-Code darf nicht dokumentiert werden None 80. Wie kann KI die Codequalität verbessern? Durch Vorschläge zu Fehlersuche, Refactoring und Dokumentation Nur durch längere Variablennamen Nur durch mehr Kommentare ohne Inhalt Durch das Entfernen aller Tests None 81. Welche Aufgabe passt gut zu KI-gestützter Debugging-Hilfe? Analyse möglicher Ursachen einer Fehlermeldung Austausch eines Akkus Verkabelung eines Switches Erstellen eines Patchpanels None 82. Warum bleibt menschliche Review bei KI-generiertem Code wichtig? Weil KI keine Syntax erzeugen kann Weil Logik-, Sicherheits- oder Kontextfehler geprüft werden müssen Weil nur Menschen Code formatieren können Weil KI nur mit Bildern arbeitet None 83. Was beschreibt Workflow-Automation im KI-Kontext am besten? Nur das Starten eines Timers Das Automatisieren mehrstufiger Aufgaben mit KI-Unterstützung Nur die Erstellung von WLAN-Passwörtern Nur Datenkompression None 84. Warum ist Monitoring in KI-Workflows wichtig? Weil Workflows nach Inbetriebnahme nie beobachtet werden müssen Weil Qualität, Kosten, Latenz und Fehlverhalten überwacht werden sollten Weil Monitoring nur für Netzwerke gilt Weil es ausschließlich die CPU-Auslastung misst None 85. Was ist ein typischer Kostenfaktor bei KI-Prototyping? Nur die Monitorgröße Tokenverbrauch und Modellnutzung Nur die Anzahl an Mausbewegungen Nur die Anzahl lokaler Dateien None 86. Wie beeinflussen Kontextfenster Prototyping-Kosten? Gar nicht Größere Kontexte können Antwortqualität verbessern, aber Kosten und Latenz erhöhen Sie senken immer automatisch die Kosten Sie sind nur für Audio relevant None 87. Welche Maßnahme hilft, KI-Workflow-Kosten zu kontrollieren? Unnötig lange Prompts und mehrfach gleiche Anfragen senden Modell passend wählen und Kontext gezielt begrenzen Immer das teuerste Modell nehmen Monitoring deaktivieren None 88. Was ist ein sinnvoller Einsatz von KI für Dokumentation? Rohentwürfe für README, Kommentare oder Zusammenfassungen erstellen Jede Fachprüfung überspringen Geheimdaten in öffentliche Prompts kopieren Unit-Tests löschen None 89. Was ist ein Risiko bei ungeprüfter KI-Automatisierung? Fehlentscheidungen oder fehlerhafte Outputs können skaliert werden Es gibt kein Risiko Nur die Tastatur wird langsamer Automatisierung betrifft nie reale Prozesse None 90. Welche Aussage zu Testen in KI-unterstützten Entwicklungsprozessen ist richtig? Tests sind weniger wichtig, weil KI beteiligt ist Funktionale und sicherheitsrelevante Tests bleiben zentral Nur manuelle Tests sind erlaubt Nur UI-Tests sind nötig None 91. Was ist ein guter Anwendungsfall für KI in Workflow-Optimierung? Wiederkehrende Text- und Analyseaufgaben vorstrukturieren Stromkabel verlegen Router physisch montieren SSDs spiegeln None 92. Wann sollte ein KI-Workflow einen Human-in-the-loop enthalten? Nie Bei kritischen Entscheidungen, Freigaben oder unsicheren Ergebnissen Nur bei Bildbearbeitung Nur wenn keine Logs existieren None 93. Welche Aussage zu Prototypen ist sinnvoll? Ein Prototyp muss sofort produktionsreif sein Ein Prototyp dient oft zum schnellen Testen von Ideen und Annahmen Prototypen benötigen keine Ziele Prototypen dürfen nicht verändert werden None 94. Welche Kennzahl ist für KI-Workflows neben Qualität oft relevant? Lackfarbe des Gehäuses Antwortlatenz Bildschirmdiagonale Kabellänge des Monitors None 95. Warum ist Fehlermanagement in KI-Workflows wichtig? Weil KI-Ausgaben fehlschlagen, unvollständig oder unbrauchbar sein können Weil Fehler nur in Datenbanken auftreten Weil Fehlermanagement nur für Hardware gilt Weil Workflows nie Ausnahmen erzeugen None 96. Was unterscheidet Agentic AI am ehesten von klassischer generativer KI? Agentic AI kann mehrstufige Ziele mit Werkzeugnutzung und Entscheidungen verfolgen Agentic AI erzeugt nie Text Agentic AI funktioniert nur offline Agentic AI ersetzt jede Governance None 97. Was ist ein typisches Merkmal eines KI-Agenten? Er reagiert nur passiv auf einen einzigen Prompt ohne weitere Schritte Er kann Aufgaben planen, Tools aufrufen und Ergebnisse iterativ nutzen Er hat keine Eingaben Er ist nur ein Datenbankserver None 98. Was bedeutet Orchestrierung bei Agentic AI? Nur die grafische Gestaltung des Dashboards Das Koordinieren von Modellen, Tools und Schritten in einem Ablauf Das Löschen alter Chatverläufe Das Umbenennen von Dateien None 99. Warum ist Human-in-the-loop bei Agentic AI besonders wichtig? Weil Agenten nie autonom arbeiten können Weil Freigaben und Kontrolle bei sensiblen oder risikoreichen Aktionen nötig sein können Weil Agenten keine Tools verwenden Weil HITL nur für Audiodateien gilt None 100. Welche Aussage zum Model Context Protocol (MCP) passt am besten? Es beschreibt Primitiven bzw. Bausteine, mit denen Modelle auf Tools und Kontext zugreifen können Es ist ein Ersatz für JSON Es ist ein WLAN-Verschlüsselungsstandard Es ist nur für Switch-Management gedacht None Time's upTime is Up!Time is Up!
