1 / 8

E-Learning · Praktische Vorarbeiten

Von Spielerdaten zur
Schlägerempfehlung

Wie ein neuro-symbolisches Empfehlungssystem funktioniert, am Beispiel von Bördie, einem digitalen Golf-Caddie. Klick dich in ~15 Minuten durch und verstehe, wie aus deinen Daten eine begründete Schlägerempfehlung wird.

  • Dauer ca. 15 Min
  • Niveau SAE-Diploma-Einstieg
  • Stand Prototyp V1
Was du hier siehst, ist ein Zwischenstand. Der Kurs zeigt die praktischen Vorarbeiten zum Major Project, nicht ein fertiges Produkt. Die Regel-Engine läuft als Version 1: Sie rechnet bereits mit Distanz, Streuung, Handicap und Schwierigkeitsgrad des Lochs. Faktoren wie Wind, Boden oder Hindernisse sind im Code angelegt, aber noch nicht mit Daten versorgt. Der Ausbau gehört ins eigentliche Major Project. Genau dieser Zwischenstand ist der Lerngegenstand.

Was du danach kannst

  1. 01

    den Unterschied zwischen regelbasierten Systemen, Machine-Learning-Modellen und Sprachmodell-Ansätzen benennen.

  2. 02

    erklären, warum ein neuro-symbolischer Aufbau aus Regel-Engine und Sprachmodell die Stärken beider Welten verbindet.

  3. 03

    nachvollziehen, wie aus Spielerdaten (Schlägerreichweiten, Handicap) und Lochdaten eine konkrete Schlägerempfehlung entsteht.

  4. 04

    die eigene Lernerfahrung mit Kolbs Erfahrungslernzyklus strukturiert reflektieren.

Roter Faden: Der Kurs folgt Kolbs Erfahrungslernzyklus (1984) und ist nach Constructive Alignment (Biggs & Tang, 2011) aufgebaut: Lernziele, Übungen und Selbstcheck greifen ineinander.

Das Problem

Ein personalisiertes Empfehlungssystem schlägt jeder Person das vor, was zu ihr passt: Netflix Filme, Spotify Songs. Der Schlüssel ist immer derselbe: Personalisierung braucht persönliche Daten. Ohne sie bleibt jede Empfehlung ein Durchschnittswert.

Bördie überträgt dieses Prinzip auf den Golfplatz. Zwei Spieler·innen am selben Loch brauchen nicht denselben Schläger: Die eine schlägt den Driver 215 m, die andere 180 m. Eine sinnvolle Empfehlung muss also die eigenen Schlägerreichweiten, das Handicap und die Lochdaten kennen und daraus den passenden Schläger ableiten.

Genau das leistet Bördie: aus Spielerdaten und Platzwissen wird pro Loch eine konkrete, begründete Empfehlung. Wie das technisch funktioniert, zeigt das nächste Kapitel.

Wo Bördie ansetzt

Zwei etablierte Apps zeigen, was es schon gibt, und wo Bördie eine andere Frage stellt:

18Birdies

GPS & Scorekarte

Misst Distanzen, führt den Score, starke Community. Die KI-Tipps bleiben aber generisch, sie kennen dein Bag nicht.

Arccos

Sensoren & Statistik

Sensoren an den Schlägern erfassen jeden Schlag und liefern Statistik. Der Blick geht rückwärts: „was war".

Bördie

Entscheidung vorher

Setzt davor an: eine begründete Empfehlung für den nächsten Schlag, ohne Zusatz-Hardware, mit nachvollziehbarer Logik.

Kapitel 2 · Architektur

Architektur:
Neuro-symbolisch

„Neuro-symbolisch" heisst, dass zwei Arten von KI zusammenarbeiten: Der symbolische Teil sind feste Regeln (die Golflogik), der neuronale Teil ist ein Sprachmodell. Warum beides? Ein Blick auf die drei gängigen Ansätze zeigt es.

Regelbasiert

Feste Wenn-dann-Logik

Nachvollziehbar und immer reproduzierbar, weil jemand die Regeln bewusst formuliert hat. Dafür starr: Was nicht als Regel existiert, kann das System nicht.

In bördie im Einsatz
Aus Daten gelernt

Muster statt Regeln

Ein Modell wertet tausende aufgezeichnete Schläge aus und leitet daraus ab, welche Wahl sich statistisch bewährt hat. Die Logik steckt dann in den Daten, nicht in formulierten Regeln.

Für bördie nicht gewählt
Sprachmodell · LLM

Versteht & erklärt Sprache

Flexibel und erklärend, formuliert natürliche Begründungen. Kann aber Fakten „halluzinieren", also frei erfinden.

In bördie im Einsatz
Worauf bördie setzt: auf die Regel-Engine, und zwar aus drei Gründen. Sie liefert ab dem ersten Tag Empfehlungen, ohne dass erst Trainingsdaten gesammelt werden müssen. Sie kann jede Entscheidung Schritt für Schritt begründen, was in einer wissenschaftlichen Arbeit den Unterschied macht. Und sie ist reproduzierbar: Dieselbe Ausgangslage führt garantiert zum selben Ergebnis. Das Sprachmodell kommt danach dazu, für genau das, was Regeln schlecht können: verständlich sprechen.

Bördie kombiniert den regelbasierten Ansatz mit einem Sprachmodell. Die Daten fliessen dabei durch drei Schichten, wobei die mittlere das Herzstück ist:

So rechnet die Engine — in vier Schritten

  1. Strategie wählen

    Aus dem Handicap entsteht ein Mut-Faktor: 1 − Handicap/54. Ein tiefes Handicap spielt aggressiver, ein hohes konservativer.

  2. Ziel-Landezone bestimmen

    Bei Par 3 die volle Lochlänge (das Grün muss erreicht werden). Bei Par 4 dagegen Länge − 120 m, denn 120 m sind die ideale Annäherungsdistanz, nicht das Loch selbst.

  3. Carry korrigieren

    Carry × Lie-Faktor + Wind + Höhe. Gegenwind kostet rund 4 m pro 10 km/h, Rough dämpft auf 88 %, Sand auf 82 %.

  4. Jeden Schläger bewerten

    Ein Score von 0–100 pro Schläger. Der beste wird zur Empfehlung, der zweitbeste zur Alternative.

So entsteht der Score pro Schläger
Distanz-Scorewie genau passt die Weite −Streuungs-Strafezu ungenau fürs Fairway −Tendenz-StrafeSlice oder Hook im Weg +Grün-Bonustrifft das Grün direkt
×Mut-Faktoraus dem Handicap ×Schwierigkeits-Faktoraus dem Stroke-Index
Score von 0 bis 100

Beispiel 1: Das Grün direkt treffen

OtelfingenLoch 9Par 3145 mHandicap 18

Ein kurzes Loch: Der Abschlag soll direkt aufs Grün. Die Engine bewertet den ganzen Bag, hier die drei besten Schläger:

Eisen 7 gewinnt: 148 m Carry treffen die 145 m fast exakt, plus Bonus, weil der Schlag das Grün auch wirklich hält. Eisen 6 wäre zu lang und verfehlt das Grün, deshalb fällt es trotz guter Distanz-Nähe zurück.

Beispiel 2: Warum nicht der weiteste Schläger?

OtelfingenLoch 1Par 4324 mHandicap 18

Ein langes Loch: Ziel ist nicht das Loch selbst, sondern die Landezone bei 204 m. Jetzt zeigt sich, warum Distanz allein nicht reicht:

Der Driver landet nur auf Platz 4, obwohl er mit Abstand am weitesten fliegt. Seine Streuung von 28 m (Slice) ist zu gross für ein 35 m breites Fairway und kostet 30 Punkte. Ausserdem überfliegt er die ideale Landezone. Genau das ist der Wert eines mehrfaktoriellen Systems: weit ist nicht gut.

Warum hybrid? Die Regel-Engine liefert korrekte, nachvollziehbare Fakten, das Sprachmodell macht sie flexibel und verständlich. Entscheidend: Das Modell entscheidet nicht selbst über den Schläger, sondern wird auf die harten Fakten der Engine „geerdet". So kann es keine Distanzen erfinden, die Empfehlung bleibt begründbar.

So spricht die KI

Das Sprachmodell (Claude Haiku 4.5, bewusst das günstige Modell, weil es nur umformulieren muss) bekommt die fertige Empfehlung als JSON. Der System-Prompt lässt ihm bewusst keinen Spielraum:

Wo der Aufruf passiert: Nicht in der App, sondern im eigenen Backend. Die App fragt das Backend, das Backend fragt die Anthropic-Schnittstelle. Der Grund ist Sicherheit: Der API-Schlüssel liegt nur auf dem Server. Würde die App das Modell direkt ansprechen, steckte der Schlüssel im ausgelieferten App-Paket und wäre auslesbar. Abgerechnet wird pro verarbeitetem Text, was die Wahl des günstigen Modells erklärt.
System-Prompt (Auszug, wörtlich aus dem Code) 
Deine Aufgabe ist es NICHT, eine eigene Empfehlung zu
berechnen, sondern die vorhandene Empfehlung in eine
natürliche, gesprochene Caddie-Ansage zu übersetzen.

STRENGE REGELN:
- Nutze AUSSCHLIESSLICH die Zahlen, Schläger und Fakten
  aus dem JSON. Erfinde oder verändere niemals Distanzen,
  Schläger, Scores oder Bedingungen.
- Der empfohlene Schläger ist gesetzt, widersprich ihm nicht.
- Wenn eine Information nicht im JSON steht, erwähne sie nicht.
Die Fakten, die das Modell erhält 
{ "loch": { "nummer": 9, "par": 3, "laengeMeter": 145 },
  "spieler": { "handicap": 18 },
  "empfohlenerSchlaeger": "IRON_7",
  "alternative": "IRON_8",
  "topSchlaeger": [{ "schlaeger": "IRON_7", "score": 94.7,
    "angepassterCarryMeter": 148 }, …] }
Was der Caddie daraus macht

„Nimm das Eisen 7 hier. 145 Meter aufs Grün, dein Sieben trägt 148, das passt perfekt. Wenn du zwischen den Längen stehst, lieber die Acht nehmen und voll durchschwingen, aber die Sieben ist die sicherste Wahl."

Jede Zahl in diesem Satz stammt aus der Engine. Das Modell hat nichts gerechnet, es hat übersetzt. Dieser Teil funktioniert bereits zuverlässig. Der Dialog mit Rückfragen ist zwar angebunden, aber noch nicht ausgereift, mehr dazu im nächsten Kapitel.

Stand der Engine: Version 1. Was heute wirklich rechnet, sind vier Faktoren: Distanz, Streuung, Handicap und Schwierigkeitsgrad des Lochs. Die Formel kennt zwar auch Wind, Lie, Hindernisse, Dogleg-Form und Höhenunterschiede, doch diese Felder sind bislang nur angelegt und werden von der App noch nicht mit Daten versorgt. Wind und Lie lassen sich derzeit nur über den Caddie-Chat manuell mitgeben. Hindernisse fehlen sogar im Datenmodell komplett. Das ist die ehrliche Bilanz eines Zwischenstands: Das Prinzip steht und ist nachweisbar, der Ausbau folgt im Major Project.

Übung Welche Schicht entscheidet, welche Schläger überhaupt in Frage kommen?

Die Regel-Engine bildet aus Distanz und Reichweiten die Kandidaten. Das Sprachmodell wählt daraus und begründet, erfindet aber keine eigenen Schläger.

Kapitel 3 · Entstehung

Wie der Prototyp entstand

Die Reihenfolge war kein Zufall, sie lässt sich an den Datenbank-Migrationen ablesen: zuerst das Fundament, dann die Logik, erst zuletzt die KI.

Ziel dieser Phase war nicht die fertige App. In den praktischen Vorarbeiten geht es darum, den Kern zu beweisen: Entsteht aus Spielerdaten und Lochdaten eine nachvollziehbare Empfehlung? Alles andere ist bewusst nur so weit gebaut, dass dieser Nachweis möglich wird. Deshalb findest du unten überall den tatsächlichen Reifegrad.

  1. Datenmodell & Platzdaten

    Schema für Plätze, Löcher und Abschläge. Importiert sind die Stammdaten von 118 Schweizer Golfplätzen, doch nur bei 3 davon sind auch die Lochdaten hinterlegt (Otelfingen, Augwil, Lenzerheide). Nur dort kann die Engine überhaupt rechnen, die übrigen melden fehlende Daten. Für das Major Project sind zunächst 10 vollständig bespielbare Plätze das Ziel.

  2. Spielerprofil

    Handicap und Bag pro Spieler: für jeden Schläger Carry, Gesamtlänge, Streuung und Miss-Tendenz. Das ist die personalisierte Seite der Gleichung.

  3. Regel-Engine

    Der deterministische Kern samt Bewertungslogik, und eine Schnittstelle, die pro Loch eine begründete Empfehlung zurückgibt. Das ist das eigentliche Ergebnis der Vorarbeiten.

  4. KI-Caddie angebunden

    Die Verbindung zum Sprachmodell steht und liefert Antworten. Ausgereift ist sie noch nicht (siehe unten).

  5. Login & App-Oberfläche

    Bewusst zuletzt und bewusst schlank, weil das Herzstück vorher stehen musste. Die Oberfläche zeigt, dass die Engine erreichbar ist, sie ist kein fertiges Produkt.

KI-Caddie: Stand der drei Ausbaustufen

Der Caddie ist in drei Stufen gedacht. Angebunden sind alle, unterschiedlich weit gereift:

Stufe 1

Erklären

Das Modell bekommt die fertige Empfehlung und übersetzt sie in zwei bis vier Sätze Caddie-Ansage. Diese Stufe erfüllt ihren Zweck.

Funktioniert
Stufe 2

Dialog

Rückfragen wie „warum nicht Eisen 6?". Technisch angebunden, die Antworten bleiben aber noch generisch und wenig caddie-typisch.

Angebunden, noch nicht ausgereift
Stufe 3

Freitext

„4. Loch Otelfingen, weiss, leichter Gegenwind". Die Felderkennung steht, ist aber noch nicht robust genug für den Platz.

Erste Anbindung
  • Backend Node.js · TypeScript · Express
  • Daten PostgreSQL · Prisma · Supabase
  • App React Native · Expo
  • Plätze 118 importiert · 3 mit Lochdaten
Wie wurde geprüft? Ehrlich gesagt: bislang manuell. Die Empfehlungen wurden an echten Löchern der hinterlegten Plätze auf Plausibilität geprüft, dazu ein strenger Typ-Check im Build. Automatisierte Tests gibt es noch keine, und gerade die deterministische Engine wäre dafür der ideale Kandidat, weil ihr Ergebnis exakt vorhersagbar ist. Ein klarer nächster Schritt im Major Project.

Kapitel 4 · Learnings

Zentrale Learnings

Vier übertragbare Lektionen aus dem Bau des Empfehlungssystems, gültig weit über Golf hinaus.

Grundprinzip

Deterministik zuerst, Sprachmodell zweitens

Die harte Golflogik rechnet die Regel-Engine, erst danach formuliert das Sprachmodell. So wird das Modell auf Fakten „geerdet" und erfindet keine Distanzen oder Schläger.

Fundament

Das Datenmodell trägt alles

Ohne saubere Schlägerreichweiten, Handicaps und Lochdaten keine gute Empfehlung. Sichtbar an der Datenlage: 118 Plätze sind importiert, aber nur 3 haben vollständige Lochdaten. Nur dort funktionieren Empfehlungen.

Kosten

Das grösste Modell ist selten nötig

Der Caddie läuft bewusst auf dem kleinen Haiku-Modell, rund fünfmal günstiger. Die Aufgabe ist Umformulieren, nicht schweres Nachdenken. Das Modell zur Aufgabe wählen, nicht umgekehrt.

Robustheit

KI-Schleifen brauchen eine Notbremse

Im Dialog darf das Modell die Engine als Werkzeug aufrufen, theoretisch endlos ohne Grenze. Ein Limit von fünf Runden, und in der letzten wird eine Textantwort erzwungen. Ohne solche Grenzen dreht sich ein Agent im Kreis.

Das wichtigste Prinzip ist die Reihenfolge: erst die harte Logik, dann die Sprache. Man sieht es an der Empfehlungs-Pipeline, die Fakten stehen fest, bevor das Sprachmodell überhaupt ins Spiel kommt:

Die Empfehlungs-Pipeline

Der Unterschied in der Praxis

Dieselbe Frage, „welcher Schläger für 145 m?", einmal an ein Sprachmodell ohne Erdung, einmal an Bördie:

Ohne Erdung

Reines Sprachmodell

„Für 145 Meter nimmst du typischerweise ein Eisen 8."

  • Kennt dein Bag nicht, rät anhand von Durchschnittswerten
  • Weiss nicht, dass deine Sieben genau 148 m trägt
  • Nicht überprüfbar, nicht reproduzierbar
Geerdet

Bördie

„Nimm den Eisen 7, dein Sieben trägt 148 m, das passt auf die 145."

  • Rechnet mit deinen hinterlegten Reichweiten
  • Score 94.7, die Entscheidung ist nachrechenbar
  • Gleiche Eingabe ergibt immer dasselbe Ergebnis
Technisch dahinter: Das Modell hat gar keine Rechenfähigkeit. Es darf die Engine nur als Werkzeug aufrufen, die Antwort kommt also aus dem Algorithmus, nicht aus dem Modell. In der Fachsprache ist das Tool-Use-Grounding. Wichtig: Das ist das Zielbild. Der Rückfrage-Dialog ist erst angebunden, und Faktoren wie Wind kennt Version 1 der Engine noch nicht. Das Prinzip steht, der Ausbau kommt im Major Project.

Übung Wodurch „halluziniert" das Sprachmodell bei Bördie deutlich seltener?

Deterministik zuerst, Sprachmodell zweitens. Weil die Engine die Fakten liefert, muss das Modell nichts erfinden, es formuliert nur.

Kapitel 5 · Reflexion

Reflexion nach Kolb

Kolb (1984) beschreibt Lernen als Kreislauf aus vier Phasen. Erfahrung allein genügt nicht, sie muss reflektiert, verallgemeinert und wieder erprobt werden. Hier der Zyklus am Bau des Empfehlungssystems gespiegelt.

1 2 3 4 Erfahrungs- lernen Kolb, 1984
  1. 1

    Konkrete Erfahrung

    Das System real gebaut: Datenmodell, Regel-Engine, Schnittstelle und die Anbindung des Sprachmodells.

  2. 2

    Reflektierendes Beobachten

    Der Prompt musste Runde um Runde strenger werden. Aus einer freundlichen Caddie-Rolle wurden harte Verbote.

  3. 3

    Abstraktes Begreifen

    Daraus wurde ein Prinzip: das Modell auf harte Fakten erden und ihm das Rechnen ganz entziehen.

  4. 4

    Aktives Erproben

    Das Prinzip fliesst ins Major Project zurück, und in diesen Kurs, der dich die Engine selbst anwenden lässt.

Der Zyklus dreht sich mehrfach

Kolb meint keinen geschlossenen Kreis, sondern eine Spirale: Jeder Durchlauf endet in einer neuen Erfahrung, die den nächsten startet. Im Projekt lässt sich das an zwei Runden ablesen.

Runde 1 · Das Sprachmodell

Prompt zu freundlich formuliert→Antworten wichen von den Engine-Zahlen ab→Prinzip: auf Fakten erden

Runde 2 · Die Datenlage

118 Plätze importiert→nur 3 liefern Empfehlungen, der Rest hat keine Lochdaten→Prinzip: das Datenmodell trägt alles

Beide Male derselbe Ablauf: etwas bauen, beobachten was nicht stimmt, daraus eine Regel ableiten, sie anwenden. Der entscheidende Schritt ist Phase 2. Ohne bewusstes Hinschauen bleibt Erfahrung folgenlos, man hat dann viel gemacht, aber wenig gelernt.

Kapitel 6 · Caddie-Spiel

Spiele den Caddie

Jetzt wendest du die Regel-Engine selbst an: drei Löcher, drei Entscheidungen. Wähle den Schläger, den die Engine empfehlen würde, und sieh die Begründung.

Spielerprofil Männlich HCP 18
Zum Mitdenken: Die drei Situationen bringen bewusst auch Wind und Wasser ins Spiel, also genau die Faktoren, die Version 1 der Engine noch nicht automatisch verarbeitet. Sie zeigen, wohin die Reise geht, und machen greifbar, welche Golflogik im Major Project noch in Regeln übersetzt werden muss.
5
Loch 5 Par 3 150 m zur Fahne

Situation 1 Leichter Rückenwind, offenes Grün. Welchen Schläger empfiehlt die Engine?

Eisen 7. Eisen 7 deckt die 150 m Carry eines HCP-18-Spielers. Der leichte Rückenwind trägt nur minimal. Kein Grund für deutlich mehr Schläger.

8
Loch 8 Par 4 210 m zur Fahne

Situation 2 Wasserhindernis links, enge Landezone. Sicherheit vor Risiko. Welchen Schläger empfiehlt die Engine?

Hybrid. Der Hybrid ist kontrollierbarer als der Driver und trägt weiter als das lange Eisen. Die sichere Wahl, wenn links Wasser lauert.

12
Loch 12 Par 4 95 m zur Fahne

Situation 3 Spürbarer Gegenwind, Fahne hinten im Grün. Welchen Schläger empfiehlt die Engine?

Eisen 8. Gegenwind frisst Länge. Statt vollem Wedge lieber ein längerer Schläger kontrolliert gespielt. So bleibt die Distanz trotz Wind stabil.

Kapitel 7 · Quellen

Kommentierte Quellen

Acht Fachquellen mit Zweck und Nutzen für die Zielgruppe (Harvard-Stil). Online-Quellen zuletzt abgerufen am 06.08.2026.

  1. Aggarwal, C. C. (2016) Recommender Systems: The Textbook. Cham: Springer.

    Standardwerk zu Empfehlungssystemen. Liefert der Zielgruppe die theoretische Grundlage (kollaboratives Filtern, inhaltsbasierte und hybride Ansätze) und ordnet ein, wo ein neuro-symbolischer Algorithmus im Feld steht.

  2. Garcez, A. d'A. und Lamb, L. C. (2023) „Neurosymbolic AI: The 3rd Wave", Artificial Intelligence Review, 56(11), S. 12387–12406.

    doi.org/10.1007/s10462-023-10448-w

    Ordnet den neuro-symbolischen Ansatz wissenschaftlich ein: die Verbindung von symbolischer Logik und neuronalen Netzen als „dritte Welle" der KI. Zeigt der Zielgruppe, dass bördies Aufbau kein Einzelfall, sondern ein aktives Forschungsfeld ist.

  3. White, J. et al. (2023) „A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT", arXiv:2302.11382.

    arxiv.org/abs/2302.11382

    Hauptreferenz für das Design strukturierter Prompts. Zeigt der Zielgruppe konkrete, wiederverwendbare Muster, um die Kommunikation zwischen Regel-Engine und Sprachmodell systematisch zu gestalten.

  4. Lewis, P. et al. (2020) „Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks", Advances in Neural Information Processing Systems, 33, S. 9459–9474.

    arxiv.org/abs/2005.11401

    Begründet das übergeordnete Prinzip, ein Sprachmodell mit externem, faktischem Wissen zu „erden". bördie nutzt dafür nicht Dokumenten-Retrieval, sondern Werkzeug-Aufrufe an die Regel-Engine. Der Grundgedanke, Fakten von aussen zuzuführen statt sie das Modell erfinden zu lassen, ist derselbe.

  5. Ji, Z. et al. (2023) „Survey of Hallucination in Natural Language Generation", ACM Computing Surveys, 55(12), Artikel 248, S. 1–38.

    arxiv.org/abs/2202.03629

    Systematischer Überblick, warum und wann Sprachmodelle Fakten erfinden. Belegt für die Zielgruppe, dass das „Erden" auf harte Daten kein Nice-to-have ist, sondern die zentrale Gegenmassnahme gegen Halluzination.

  6. Kleppmann, M. (2017) Designing Data-Intensive Applications. Sebastopol, CA: O'Reilly Media.

    Referenz für die Architekturprinzipien hinter Datenmodell, ETL und API. Vermittelt der Zielgruppe, worauf es bei einem produktionsreifen, datengetriebenen Backend ankommt.

  7. Broadie, M. (2014) Every Shot Counts. New York: Gotham Books.

    Begründet Golf-Strategie datenbasiert (Strokes Gained). Liefert die fachliche Grundlage dafür, welche Schlägerwahl statistisch am besten ist: die Logik, die in der Regel-Engine steckt.

  8. 18Birdies (2024) 18Birdies Golf GPS App.

    www.18birdies.com

    Marktführende Referenz-App. Dient als Vergleichsmassstab für Empfehlungsqualität und UX und macht der Zielgruppe die Differenzierungsmerkmale von bördie greifbar.

Didaktische Referenzen

  1. Kolb, D. A. (1984) Experiential Learning: Experience as the Source of Learning and Development. Englewood Cliffs: Prentice Hall.

    Didaktische Grundlage: der Erfahrungslernzyklus ist der rote Faden dieses Kurses.

  2. Biggs, J. und Tang, C. (2011) Teaching for Quality Learning at University. 4. Aufl. Maidenhead: Open University Press.

    Constructive Alignment: Lernziele, Aktivitäten und Selbstüberprüfung greifen bewusst ineinander.

Kapitel 8 · Fazit

Drei Sätze zum Mitnehmen

  • Ein neuro-symbolisches System verbindet zwei Welten: Regeln liefern korrekte Fakten, das Sprachmodell macht sie verständlich.
  • Deterministik zuerst, Sprachmodell zweitens, so bleibt jede Empfehlung begründbar statt erfunden.
  • Personalisierung beginnt bei den Daten: ohne eigene Reichweiten und Lochdaten keine passende Empfehlung.

Wie es weitergeht

Dieser Kurs zeigt einen Zwischenstand, keine fertige App. Version 1 der Regel-Engine beweist das Prinzip: Eine Empfehlung entsteht deterministisch und bleibt begründbar. Was heute läuft, ist ein technischer Durchstich auf einem echten iPhone, von der Anmeldung über das Onboarding bis zur Basis-Empfehlung pro Loch.

Das Major Project folgt einem iterativen Wasserfall: fünf Phasen mit festen Meilensteinen, nach jeder Phase wird ausgewertet und bei Bedarf nachgebessert. Der Grossteil der Arbeit liegt noch vor mir:

  • Breite Lochdaten, damit statt drei zunächst zehn Plätze vollständig bespielbar sind.
  • Der KI-Caddie-Dialog, der Rückfragen wirklich caddie-typisch beantwortet.
  • Wind und Lie als echte Eingaben statt nur als vorbereitete Felder.
  • GPS-Distanzmessung direkt auf dem Platz.
  • Runden-Historie, später Ball-Foto und Green-Reader als Kann-Ziele.

Dazu kommt der Punkt, der bisher komplett fehlt: eine Validierung mit echten Golferinnen und Golfern. Bislang wurde nur manuell auf Plausibilität geprüft. Ob die Empfehlungen auf dem Platz wirklich taugen, muss sich erst zeigen.

Danke fürs Durchklicken. 🐦