pencil2: Fix rest syntax

Author: veit

docs/4gen_ai/abschluss.rst

@@ -1,31 +1,30 @@
 Abschluss
-==================================
-
-**Ethische Fragestellungen in der KI**
-
-Mit der rasanten Entwicklung der KI gehen auch bedeutende ethische Fragen einher:
-
-- **Bias und Diskriminierung:** KI-Modelle können bestehende Vorurteile aus Trainingsdaten übernehmen.
-
-- **Arbeitsplatzverdrängung:** Automatisierung kann menschliche Arbeitsplätze gefährden.
-
-- **Transparenz und Erklärbarkeit:** Viele KI-Modelle, insbesondere Deep Learning, sind schwer zu interpretieren.
-
-- **Verantwortung und Haftung:** Wer ist verantwortlich, wenn eine KI fehlerhafte oder schädliche Entscheidungen trifft?
-
-- **Datenschutz:** KI-Anwendungen erfordern oft große Datenmengen, was Datenschutzprobleme aufwirft.
-
-
-
+=========
+
+Ethische Fragestellungen in der KI
+----------------------------------
+
+Mit der rasanten Entwicklung der KI gehen auch bedeutende ethische Fragen
+einher:
+
+Bias und Diskriminierung
+    KI-Modelle können bestehende Vorurteile aus Trainingsdaten übernehmen.
+Arbeitsplatzverdrängung
+    Automatisierung kann menschliche Arbeitsplätze gefährden.
+Transparenz und Erklärbarkeit
+    Viele KI-Modelle, insbesondere Deep Learning, sind schwer zu interpretieren.
+Verantwortung und Haftung
+    Wer ist verantwortlich, wenn eine KI fehlerhafte oder schädliche
+    Entscheidungen trifft?
+Datenschutz
+    KI-Anwendungen erfordern oft große Datenmengen, was Datenschutzprobleme
+    aufwirft.
 
 Weitere Referenzen
--------------------
-
-??????????
-===========
+------------------
 
-Die Cusy hat bereits ein Neural Network Tutorial aufbereitet als Teil einer Reihe von Tutorials zur Datenanalyse
-und -visualisierung:
+cusy hat bereits ein Neural Network Tutorial aufbereitet als Teil einer Reihe
+von Tutorials zur Datenanalyse und -visualisierung:
 
 * `Python Basics <https://python-basics-tutorial.readthedocs.io/de/latest/>`_
 * `Jupyter-Tutorial <https://jupyter-tutorial.readthedocs.io/de/latest/>`_

docs/4gen_ai/genai_infrastructure.rst

@@ -23,33 +23,50 @@ Software-Frameworks
 Die Software-Frameworks sind essenziell, um die Hardware optimal zu nutzen und komplexe KI-Modelle effizient zu implementieren und zu trainieren. 
 Zwei der wichtigsten Frameworks in diesem Kontext sind:
 
-- **TensorFlow:** 
-Ein von Google entwickeltes Framework, das umfangreiche Tools und Bibliotheken für das maschinelle Lernen bereitstellt. 
-TensorFlow unterstützt sowohl das Training als auch das Deployment von Modellen in unterschiedlichen Umgebungen und bietet eine starke Integration in Cloud-Dienste.
-  
-- **PyTorch:** 
-Ein Framework von Facebook, das sich durch seine dynamische Berechnungsgrafik und intuitive Bedienung auszeichnet. 
-PyTorch wird vor allem in der Forschung bevorzugt, da es flexible Modellierung und eine einfache Fehlersuche ermöglicht.
-
-Darüber hinaus gibt es spezialisierte Bibliotheken wie **Huggingface Transformers**, die den Umgang mit vortrainierten Transformer-Modellen erheblich vereinfachen. 
-Diese Bibliothek bietet eine Vielzahl von vortrainierten Modellen und Tools, die den Prozess des Fine-Tunings und der Anpassung an spezifische Aufgaben vereinfachen. 
-Sie ermöglicht es, komplexe Modelle schnell und effizient in eigene Projekte zu integrieren.
+TensorFlow
+    Ein von Google entwickeltes Framework, das umfangreiche Tools und
+    Bibliotheken für das maschinelle Lernen bereitstellt.  TensorFlow
+    unterstützt sowohl das Training als auch das Deployment von Modellen in
+    unterschiedlichen Umgebungen und bietet eine starke Integration in
+    Cloud-Dienste.
+PyTorch
+    Ein Framework von Facebook, das sich durch seine dynamische
+    Berechnungsgrafik und intuitive Bedienung auszeichnet. PyTorch wird vor
+    allem in der Forschung bevorzugt, da es flexible Modellierung und eine
+    einfache Fehlersuche ermöglicht.
+
+Darüber hinaus gibt es spezialisierte Bibliotheken wie **Huggingface
+Transformers**, die den Umgang mit vortrainierten Transformer-Modellen erheblich
+vereinfachen.  Diese Bibliothek bietet eine Vielzahl von vortrainierten Modellen
+und Tools, die den Prozess des Fine-Tunings und der Anpassung an spezifische
+Aufgaben vereinfachen. Sie ermöglicht es, komplexe Modelle schnell und effizient
+in eigene Projekte zu integrieren.
 
 Architekturüberblick
---------------------------
+--------------------
 
 Der Architekturüberblick befasst sich mit dem ganzheitlichen Aufbau von KI-Systemen, insbesondere von Large Language Models (LLMs). Wichtige Bestandteile dieser Architektur sind:
 
-- **Modellaufbau und Feintuning:** 
-Häufig wird ein vortrainiertes Modell als Ausgangspunkt verwendet, das dann mittels Feintuning an spezifische Anwendungsfälle angepasst wird. 
-Dieser Ansatz reduziert den Trainingsaufwand erheblich und ermöglicht es, umfangreiche, generische Modelle für spezifische Domänen zu verfeinern.
-  
-- **Datenpipelines:** 
-Eine robuste Datenpipeline ist entscheidend für die Vorbereitung und Aufbereitung großer Datenmengen. 
-Sie umfasst Schritte wie das Sammeln, Bereinigen und Transformieren der Rohdaten, sodass diese in einem für das Training geeigneten Format vorliegen. 
-Datenaugmentation und Vorverarbeitungstechniken tragen zusätzlich dazu bei, die Vielfalt und Qualität der Trainingsdaten zu verbessern.
-  
-- **Skalierungstechniken:** Angesichts der oft enormen Daten- und Modellgrößen werden Techniken wie verteiltes Training, Modellparallelismus und Pipeline-Parallelismus eingesetzt. 
-Diese Methoden ermöglichen es, das Training auf mehreren GPUs oder TPUs gleichzeitig durchzuführen, wodurch die Trainingszeiten erheblich verkürzt und die Effizienz gesteigert wird.
-
-Das Zusammenspiel von leistungsfähiger Hardware, robusten Software-Frameworks und einer durchdachten Architektur bildet die Grundlage, um skalierbare und leistungsfähige KI-Systeme zu entwickeln und erfolgreich in produktive Umgebungen zu überführen.
+Modellaufbau und Feintuning
+    Häufig wird ein vortrainiertes Modell als Ausgangspunkt verwendet, das dann
+    mittels Feintuning an spezifische Anwendungsfälle angepasst wird. Dieser
+    Ansatz reduziert den Trainingsaufwand erheblich und ermöglicht es,
+    umfangreiche, generische Modelle für spezifische Domänen zu verfeinern.
+Datenpipelines
+    Eine robuste Datenpipeline ist entscheidend für die Vorbereitung und
+    Aufbereitung großer Datenmengen. Sie umfasst Schritte wie das Sammeln,
+    Bereinigen und Transformieren der Rohdaten, sodass diese in einem für das
+    Training geeigneten Format vorliegen. Datenaugmentation und
+    Vorverarbeitungstechniken tragen zusätzlich dazu bei, die Vielfalt und
+    Qualität der Trainingsdaten zu verbessern.
+Skalierungstechniken
+    Angesichts der oft enormen Daten- und Modellgrößen werden Techniken wie
+    verteiltes Training, Modellparallelismus und Pipeline-Parallelismus
+    eingesetzt. Diese Methoden ermöglichen es, das Training auf mehreren GPUs
+    oder TPUs gleichzeitig durchzuführen, wodurch die Trainingszeiten erheblich
+    verkürzt und die Effizienz gesteigert wird.
+
+Das Zusammenspiel von leistungsfähiger Hardware, robusten Software-Frameworks
+und einer durchdachten Architektur bildet die Grundlage, um skalierbare und
+leistungsfähige KI-Systeme zu entwickeln und erfolgreich in produktive
+Umgebungen zu überführen.

docs/4gen_ai/genai_intro.rst

@@ -16,29 +16,45 @@ Anwendungsbeispiele
 
 Generative KI findet in zahlreichen Anwendungsbereichen Einsatz, was ihre enorme Vielseitigkeit unterstreicht. Beispiele hierfür sind:
 
-- **Textgenerierung:** Automatisches Verfassen von Artikeln, Zusammenfassungen oder kreativen Geschichten. 
-Chatbots und virtuelle Assistenten nutzen generative Modelle, um menschenähnliche Konversationen zu führen.
-
-- **Bildgenerierung:** Erzeugung von realistischen oder künstlerischen Bildern, die beispielsweise in der Werbung, im Design oder in der Kunst Anwendung finden. 
-Tools wie DALL-E oder Stable Diffusion illustrieren diesen Einsatz.
-
-- **Musik- und Soundkomposition:** Erstellung neuer Musikstücke oder Klanglandschaften, die sowohl in der Unterhaltungsindustrie als auch in der Filmproduktion genutzt werden.
-
-- **Weitere kreative Anwendungen:** Dazu zählen die Generierung von Videos, Code-Snippets oder auch die Simulation komplexer Szenarien in wissenschaftlichen Modellen.
-
-Diese Beispiele zeigen, dass generative Modelle weit über die rein analytische Datenverarbeitung hinausgehen und kreativitätsfördernde Prozesse unterstützen können.
+Textgenerierung
+    Automatisches Verfassen von Artikeln, Zusammenfassungen oder kreativen
+    Geschichten. Chatbots und virtuelle Assistenten nutzen generative Modelle,
+    um menschenähnliche Konversationen zu führen.
+Bildgenerierung
+    Erzeugung von realistischen oder künstlerischen Bildern, die beispielsweise
+    in der Werbung, im Design oder in der Kunst Anwendung finden. Tools wie
+    DALL-E oder Stable Diffusion illustrieren diesen Einsatz.
+Musik- und Soundkomposition
+    Erstellung neuer Musikstücke oder Klanglandschaften, die sowohl in der
+    Unterhaltungsindustrie als auch in der Filmproduktion genutzt werden.
+Weitere kreative Anwendungen
+    Dazu zählen die Generierung von Videos, Code-Snippets oder auch die
+    Simulation komplexer Szenarien in wissenschaftlichen Modellen.
+
+Diese Beispiele zeigen, dass generative Modelle weit über die rein analytische
+Datenverarbeitung hinausgehen und kreativitätsfördernde Prozesse unterstützen
+können.
 
 Unterschiede zu diskriminativen Ansätzen
----------------------------------------------
+----------------------------------------
 
-Der Hauptunterschied zwischen generativen und diskriminativen Ansätzen liegt in ihrer Zielsetzung und Methodik:
+Der Hauptunterschied zwischen generativen und diskriminativen Ansätzen liegt in
+ihrer Zielsetzung und Methodik:
 
-- **Generative Modelle** lernen die vollständige Wahrscheinlichkeitsverteilung der Eingabedaten. 
-Sie können dadurch nicht nur Muster erkennen, sondern auch neue Datenpunkte generieren, die in das erlernte Schema passen. 
-Dies ermöglicht kreative Anwendungen, bei denen neue Inhalte aus dem Gelernten abgeleitet werden.
-
-- **Diskriminative Modelle** hingegen konzentrieren sich darauf, zwischen vorgegebenen Klassen oder Kategorien zu unterscheiden. 
-Sie sind darauf trainiert, direkt aus den Eingabedaten Entscheidungen zu treffen, beispielsweise ob ein Bild eine Katze oder einen Hund zeigt. 
-Dabei steht die Klassifikation im Vordergrund, ohne dass ein tiefergehendes Verständnis der zugrunde liegenden Datenverteilung erforderlich ist.
-
-Während also diskriminative Ansätze primär in der Erkennung und Kategorisierung von Mustern eingesetzt werden, ermöglichen generative Modelle die Erzeugung von neuen, bisher nicht existierenden Inhalten – was sie zu einem zentralen Baustein moderner kreativer und innovativer KI-Anwendungen macht.
+Generative Modelle
+    lernen die vollständige Wahrscheinlichkeitsverteilung der Eingabedaten. Sie
+    können dadurch nicht nur Muster erkennen, sondern auch neue Datenpunkte
+    generieren, die in das erlernte Schema passen. Dies ermöglicht kreative
+    Anwendungen, bei denen neue Inhalte aus dem Gelernten abgeleitet werden.
+Diskriminative Modelle
+    hingegen konzentrieren sich darauf, zwischen vorgegebenen Klassen oder
+    Kategorien zu unterscheiden. Sie sind darauf trainiert, direkt aus den
+    Eingabedaten Entscheidungen zu treffen, beispielsweise ob ein Bild eine
+    Katze oder einen Hund zeigt. Dabei steht die Klassifikation im Vordergrund,
+    ohne dass ein tiefergehendes Verständnis der zugrunde liegenden
+    Datenverteilung erforderlich ist.
+
+Während also diskriminative Ansätze primär in der Erkennung und Kategorisierung
+von Mustern eingesetzt werden, ermöglichen generative Modelle die Erzeugung von
+neuen, bisher nicht existierenden Inhalten – was sie zu einem zentralen
+Baustein moderner kreativer und innovativer KI-Anwendungen macht.