Künstliche Intelligenz verstehen: Maschinenlernen
Kompetenzen der Digitalen Grundbildung
- Orientierung
Kerngebiete
- Computational Thinking
- Informations-, Daten- und Medienkompetenz
Ressourcen
- PDF Katzenkarten - ausgedruckt oder digital
- PDF Miezhaus - Information für Lehrende
- Pinnwand oder Tafel mit Magneten
- Beamer oder digitales Whiteboard
Kontext
Das Thema Künstliche Intelligenz ist längst in unserem Alltag angekommen. Hinter jedem Google-Suchergebnis, hinter jedem Musikvorschlag von Siri oder Alexa steckt eine KI, die wir mit meist unwissentlich von uns zur Verfügung gestellten Daten trainiert haben. Darum ist das Thema von großer gesellschaftlicher Bedeutung: Welche Werbung in sozialen Netzwerken angezeigt wird, welcher Preis für ein Produkt im Online-Shop erscheint, ob jemand einen Kredit, eine Versicherung oder eine Arbeitsstelle bekommt - hinter all diesen Entscheidungen steckt eine Künstliche Intelligenz.
In dieser Praxisidee beschäftigen sich die Schüler:innen mit Mustererkennung, der Grundlage der meisten heutigen KI-Systeme.
Einstieg
Plenum
Diskussion mit den Schüler:innen:
- Was stellt ihr euch unter "Künstliche Intelligenz" vor?
- Kennt ihr Anwendungen von KI?
- Ist euch KI, denkt ihr, im Alltag schon untergekommen?
Das Spiel Quickdraw wird am digitalen Whiteboard oder über den Beamer geöffnet. Hier müssen in wenigen Sekunden vorgegebene Begriffe gezeichnet werden, ein KI-System versucht, sie zu erkennen. Ein/e Schüler/:in, der/die gerne zeichnen möchte, spielt eine Runde. Es können auch die digitalen Geräte der Schüler:innen genutzt werden, diese werden allerdings für den Rest der Aktivität nicht mehr benötigt.
Die Schüler:innen sprechen dann über das Thema Bilderkennung: Wie ist es möglich, dass das Programm aus wenigen Strichen erkennen kann, was gezeichnet wird?
Erklärung:
Ein KI-System klassifiziert Daten anhand von Mustern, die zunächst aus einer Menge von Trainingsdaten ausgelesen werden. Im Fall von Quickdraw sind das alle Bilder, die bereits in der Datenbank liegen, denn Quickdraw wurde mithilfe der Zeichnungen der Nutzer:innen trainiert. Anhand dieser Muster bzw. Kombinationen von Merkmalen werden neue Daten gemäß der vorgegebenen Klassifikationen eingeteilt. Die KI erkennt aber nur Muster, die auch in den Trainingsdaten vorhanden sind und für die es eine Kategorie gibt: Wird eine KI etwa nur mit Bildern von Katzen und Hunden trainiert, ist sie nicht in der Lage, Mäuse zu erkennen. Quickdraw erkennt keine Bilder, die nicht in der Liste der Beispiel-Objekte (https://quickdraw.withgoogle.com/data) vorkommen.
Je nach Einsatzbereich verarbeiten KI-Systeme viele verschiedene Datentypen: Bilder, Texte, Geräusche, Wetterdaten, Suchmaschinen-Eingaben, Profile in sozialen Netzwerken etc.
In der Weiterentwicklung Autodraw versucht das Programm aus wenigen Strichen zu erkennen, was die Nutzer:innen darstellen wollen, und macht Vorschläge dazu.
AKTIVITÄT | Denken wie eine KI
Gruppenarbeit
Nun können die Schüler:innen selbst die Rolle einer KI einnehmen und ein Modell zur Entscheidungsfindung entwickeln. Sie lernen dabei, was eine KI kann und "denkt". Aus einem Satz von Trainingsdaten wird ein Modell entwickelt, mit dessen Hilfe neue Daten möglichst korrekt kategorisiert werden sollen.
Die Schüler:innen spielen die Rolle von Pfleger:innen in der Katzenpension "Miezhaus". Aufgrund von Informationen über Katzen, die sich bereits im Miezhaus befinden, sollen sie eine Methode entwickeln, um die Freidfertigkeit von neu hinzukommenden Katzen einzuschätzen.
Der Ablauf dieser Übung wird im PDF "Das Miezhaus - Information für Lehrende" beschrieben.
RECHERCHE | KI im Alltag
Einzelarbeit
Die Katzen wurden hier rein nach äußeren Merkmalen in die Gruppen "friedlich" und "kratzbürstig" eingeteilt. Wie sieht das in der Realität aus? Die Schülerinnen und Schüler recherchieren online:
- In sozialen Netzwerken, aber auch bei Versicherungen, im Gesundheitssystem oder in polizeilichen Datenbanken werden Menschen mithilfe von KI-Systemen nach Kriterien eingeteilt. Welche könnten das sein bzw. wie werden Kriterien gebildet?
Beispiele: Alter, Beruf, Familienstand, Geschlecht, Hautfarbe, Wohnort, Smartphone-Marke, Eingaben in die Suchmaschine, Musikgeschmack, Sportart, mit wem wird interagiert, was wird geliked, was wird kommentiert, Inhalte der hochgeladenen Bilder ….
REFLEXION
Plenum
Reflektieren Sie gemeinsam mit ihren Schüler:innen:
- Wie ist es euch in der Stunde ergangen?
- Wie seid ihr vorgegangen, um bei der Modellbildung brauchbare Kriterien zu finden?
- Was passiert, wenn Menschen nach verschiedenen Kriterien in Kategorien eingeteilt werden? Was wird damit in Sozialen Medien gemacht? Was für Probleme können im Alltag entstehen?
- Wie kann es in solchen Systemen zu Fehlentscheidungen kommen?
Sachinformationen
Der Begriff "Künstliche Intelligenz" (KI) ist nicht einfach zu definieren. Eine Schwierigkeit ergibt sich schon durch die unterschiedliche Bedeutung in verschiedenen Sprachen. Im Englischen bedeutet "intelligence" auch so viel wie "Datensammlung und -verarbeitung". Darum tragen Geheimdienste wie die CIA das Wort im Namen. Im Deutschen hingegen ist Intelligenz die Fähigkeit zum Verstehen und zur Problemlösung. Dieser Unterschied hat großen Einfluss auf die Diskussion über KI und die Erwartungen an diese Technologie.
In den Bereich der KI fallen mehrere informatische Subdisziplinen: Maschinenlernen, Bildanalyse, Robotik, Sprachverarbeitung etc. Die theoretischen Grundlagen für solche Systeme sind schon lange bekannt, aber erst heute sind sie umsetzbar, weil die technischen Voraussetzungen erst seit einigen Jahren gegeben sind: Schnelle Datenverarbeitung und großes Speichervolumen, Sensoren und Mechanismen zur Datensammlung, und schließlich eine große Menge an Datenmaterial.
Von "traditionellen" Algorithmen unterscheiden sich KI-Systeme dadurch, dass sie auf Grundlage von Daten Entscheidungen treffen können, also in begrenztem Umfang autonom handeln. Dafür müssen sie mit großen Mengen entsprechend aufbereiteter Daten trainiert werden. Echte autonome "starke" KI-Systeme, die selbständig lernen, auf dem Niveau des Menschen Probleme verstehen und Entscheidungen treffen können, gibt es heute noch nicht. Heute ist vorwiegend "schwache KI" im Einsatz. Diese KI-Systeme sind beschränkt auf einen eng begrenzten Einsatzbereich, die Qualität der Entscheidungen ist abhängig von der Qualität der Daten, mit denen sie trainiert worden sind.
Daher liefern KI-Systeme aufgrund lückenhafter Trainingsdaten oft verzerrte Ergebnisse (Bias). Dieser Verzerrung müssen sich Nutzer:innen bewusst sein. Beispielsweise werden in den USA schwarze Menschen wesentlich öfter aufgrund eines falschen Verdachts inhaftiert als Weiße. Das liegt unter anderem daran, dass Gesichtserkennungs-Systeme vorwiegend mit Fotos weißer Menschen trainiert wurden und daher bei Schwarzen oft falsche Ergebnisse liefern.
Weiterführende Links
Diese Praxisidee beruht auf der Aktivität "Klassifikation mit Entscheidungsbäumen" von AI unplugged, CC BY-NC Annabel Lindner und Stefan Seegerer. In diesem Heft sind noch weitere Übungen zu finden, um Künstliche Intelligenz im Unterricht zu thematisieren.