Verzeichnis der Abschlussarbeiten

Die Verbreitung von Fake News stellt eine zunehmende Herausforderung dar, da diese gezielt gestreuten Falschinformationen gesellschaftliche Spannungen verstärken und das Vertrauen in Medien untergraben können. Künstliche Intelligenz (KI) bietet wirksame Ansätze zur automatischen Erkennung solcher Nachrichten, doch erfordert das Training oft spezialisierte, kostenintensive Hardware. Diese Arbeit untersucht daher, ob ein transformerbasiertes KI-Modell (DistilBERT) auch auf einem handelsüblichen Heim-PC mit beschränkten Ressourcen (AMD Ryzen 7 5800X, NVIDIA GTX 1080, 32 GB RAM) erfolgreich trainiert werden kann, um mindestens 85 % Genauigkeit zu erreichen. Mittels PyTorch, Batch-Optimierung, Mixed Precision und Early Stopping wurde das Modell auf dem LIAR-Datensatz trainiert und validiert. Obwohl die angestrebte Genauigkeit nicht vollständig erreicht wurde, zeigt die Analyse, dass ressourcenschonende KI-Systeme für den privaten und kostengünstigen Einsatz machbar und relevant sind, auch wenn dabei gewisse Kompromisse eingegangen werden müssen.

The proliferation of fake news presents a growing societal challenge, intensifying conflicts and undermining trust in the media. Artificial intelligence (AI) provides effective approaches for automated fake news detection; however, training such models typically requires specialized and expensive hardware. This thesis explores whether a transformer-based AI model (DistilBERT) can be successfully trained on a standard home PC with limited resources (AMD Ryzen 7 5800X, NVIDIA GTX 1080, 32 GB RAM), aiming to achieve at least 85% accuracy. Utilizing PyTorch, batch-size optimization, mixed precision, and early stopping, the model was trained and validated on the LIAR dataset. Although the targeted accuracy was not fully achieved, the findings demonstrate that resource-efficient AI systems are feasible and relevant for private, cost-effective applications, despite certain necessary trade-offs.