Quelltext der Seite Datenflüsse in KI-Systemen verstehen

{{T}}
{{BR}}
= Datenflüsse in KI-Systemen verstehen =

{{BR}}
= Einleitung =
Wenn ein [[Künstliche Intelligenz|KI-System]] ein Bild erkennt, eine Empfehlung abgibt oder eine Vorhersage macht, entsteht das Ergebnis nicht „einfach aus der KI“. Daten werden ausgewählt, erfasst, aufbereitet, dargestellt, manchmal mit [[Label|Labels]] versehen, zum Lernen verwendet, getestet und später als neue Eingaben verarbeitet. An mehreren Stellen greifen Menschen ein. Genau deshalb ist es wichtig, den '''Datenfluss''' zu verstehen: Nur dann kannst Du beurteilen, wo Fehler, Verzerrungen oder Missverständnisse entstehen können und welche Entscheidungen besser bei Menschen bleiben.

Dieser aiMOOC richtet sich besonders an '''Klasse 8''' und ist für etwa '''1–2 Unterrichtsstunden''' ausgelegt. Du arbeitest mit kleinen, überschaubaren Datensätzen, Tabellen, einfachen Visualisierungen und realistischen Anwendungssituationen. Im Mittelpunkt stehen [[Datenqualität]], [[Repräsentativität]], [[Maschinelles Lernen]], Labels, Fehlerquellen, mögliche [[Bias|Verzerrungen]] sowie eine sinnvolle [[Mensch-Computer-Interaktion|Mensch-KI-Arbeitsteilung]].

Am Ende sollst Du die Grundidee eines Datenflusses in einem KI-System sicher erklären, an einem neuen Beispiel wiedererkennen, einen kleinen Datensatz kritisch prüfen und typische Fehlvorstellungen korrigieren können. Dabei geht es nicht darum, möglichst schnell eine fertige KI-Lösung zu erzeugen. Es geht darum, '''selbstständig zu denken, Daten und Quellen zu prüfen, Werkzeuge passend auszuwählen und Verantwortung nicht an ein System abzugeben'''.

[[Datei:Machine learning workflow de.svg|500px|rahmenlos|center]]

{{BR}}
== Lernziele ==
Nach dem Kurs kannst Du erklären, wie Daten von einer Fragestellung über Sammlung, Aufbereitung, Training und Test bis zur Anwendung eines Modells fließen. Du kannst zwischen '''Trainingsdaten''', '''Testdaten''' und '''neuen Eingabedaten''' unterscheiden. Du erkennst, dass ein Label von Menschen festgelegt oder geprüft werden kann und deshalb nicht automatisch „die Wahrheit“ ist. Du kannst Datenqualität mit Kriterien wie Vollständigkeit, Messgenauigkeit, Aktualität, Vielfalt und Repräsentativität untersuchen. Außerdem kannst Du einfache Fehlerzahlen auswerten und begründen, warum eine gute Gesamtquote allein noch keine faire oder verantwortbare Anwendung garantiert.

Du lernst auch, für eine Aufgabe bewusst zwischen Papier und Stift, Tabellenkalkulation, Diagrammen, einem einfachen ML-Werkzeug und einem KI-Assistenzsystem zu wählen. Du begründest, welche Arbeit Menschen übernehmen müssen und an welchen Stellen ein Werkzeug sinnvoll unterstützen kann.

{{BR}}
== Unterrichtsfahrplan für 1–2 Stunden ==
{| class="wikitable"
! Phase
! Richtzeit
! Tätigkeit
! Ergebnis
|-
| Aktivierung und Diagnose
| 5–8 Minuten
| Vier Aussagen bewerten und Vermutungen begründen
| Vorwissen und Fehlvorstellungen sichtbar machen
|-
| Verständliche Einführung
| 10–15 Minuten
| Datenfluss an einem einfachen Klassifikationsbeispiel untersuchen
| Gemeinsames Datenfluss-Modell
|-
| Datenlabor
| 15–20 Minuten
| Kleinen Datensatz prüfen, Labels vergleichen und Visualisierung erstellen
| Qualitätscheck mit Belegen
|-
| PISA-nahe Anwendung
| 15–20 Minuten
| Vorhersagen und echte Ergebnisse vergleichen, Fehlerfolgen bewerten
| Entscheidung mit Datenbegründung
|-
| Mensch-KI-Arbeitsteilung und Transfer
| 10–15 Minuten
| Werkzeugwahl, Rollen und Kontrollpunkte festlegen
| Verantwortlicher Projektplan
|-
| Selbstkontrolle und Reflexion
| 10–15 Minuten
| Quiz, Transferfrage oder Exit-Ticket
| Eigene Erklärung und Korrektur von Fehlvorstellungen
|}

{{BR}}
= Aktivierung und Diagnose =
Lies die vier Aussagen. Entscheide zunächst allein: '''stimmt''', '''stimmt teilweise''' oder '''stimmt nicht'''. Notiere zu jeder Entscheidung einen kurzen Grund. Vergleiche danach mit einer anderen Person.

# '''„Je mehr Daten, desto besser ist eine KI.“''' Prüfe, ob Menge allein für gute Ergebnisse ausreicht.
# '''„Ein Label ist die richtige Antwort.“''' Überlege, wer das Label festlegt und ob Menschen unterschiedlicher Meinung sein können.
# '''„Wenn ein Modell 90 Prozent richtig liegt, ist es automatisch fair.“''' Denke darüber nach, für wen die zehn Prozent Fehler auftreten könnten.
# '''„Wenn KI etwas ausgibt, kann man am Ergebnis erkennen, woher alle Daten kamen.“''' Überlege, welche Informationen über Quellen und Verarbeitung zusätzlich dokumentiert werden müssten.

Bewahre Deine Antworten auf. Am Ende des Kurses überprüfst Du sie erneut.

{{BR}}
= Die Grundidee: Daten fließen durch mehrere Stationen =
Ein typischer Datenfluss bei überwachtem [[Maschinelles Lernen|maschinellem Lernen]] lässt sich vereinfacht so darstellen:

'''Fragestellung → Datenquellen → Datenauswahl → Erfassung → Bereinigung und Darstellung → Labels → Trainingsdaten → Modelltraining → Testdaten → Auswertung → neue Eingabe → Ausgabe → menschliche Prüfung und Rückmeldung'''

Nicht jedes KI-System folgt exakt derselben Reihenfolge. Generative Systeme, Empfehlungssysteme oder Systeme mit Such- und Datenbankzugriff können zusätzliche Schritte enthalten. Für das Lernen ist die Kette trotzdem hilfreich, weil sie sichtbar macht, '''an welcher Stelle welche Entscheidung getroffen wird'''.

[[Datei:EVA Lernen Training.svg|500px|rahmenlos|center]]

{{#ev:youtube|   https://www.youtube.com/watch?v=UU4rJ-WQ7nc   |500|center}}

{{BR}}
== Training und Anwendung sind nicht dasselbe ==
Beim '''Training''' verarbeitet ein Lernverfahren viele Beispiele und passt interne Parameter so an, dass Muster in den Trainingsdaten möglichst gut erfasst werden. Das Ergebnis ist ein '''Modell'''. Bei der späteren '''Anwendung''' erhält das Modell neue Eingaben und erzeugt daraus eine Vorhersage, Einordnung oder andere Ausgabe.

Ein häufiges Missverständnis lautet: „Die KI schaut bei jeder Antwort einfach in den Trainingsdaten nach.“ Das stimmt für typische gelernte Modelle nicht. Das Modell nutzt gelernte Muster. Manche Systeme können zusätzlich auf Suchmaschinen, Datenbanken oder andere Werkzeuge zugreifen. Deshalb muss man immer klären, '''welche Systemart gerade betrachtet wird'''.

{{BR}}
== Datenquellen und Datenauswahl ==
Daten können aus Messgeräten, Sensoren, Formularen, Bildern, Texten, Beobachtungen, historischen Aufzeichnungen oder offenen Datensätzen stammen. Schon vor dem eigentlichen Training fallen wichtige Entscheidungen: Welche Fälle werden erfasst? Welche fehlen? In welchem Zeitraum wird gesammelt? Wer darf teilnehmen? Welche Merkmale werden gespeichert?

Wenn ein Schulbus-System nur Daten aus dem Sommer kennt, sind diese Daten vielleicht ungeeignet, um Verspätungen bei Schnee einzuschätzen. Wenn eine Bilderkennung fast nur helle Aufnahmen sieht, kann sie bei dunkler Beleuchtung schlechter funktionieren. Ein Datensatz kann also '''korrekt erfasst''' und trotzdem '''nicht repräsentativ für die spätere Anwendung''' sein.

{{BR}}
== Labels: Namen für gewünschte Ergebnisse ==
Beim überwachten Lernen bekommen Beispiele häufig ein '''Label'''. Das kann eine Kategorie wie „reif“, „unreif“, „Spam“, „kein Spam“ oder „Verspätung“, „pünktlich“ sein. Labels können aus Messwerten entstehen, automatisch erzeugt oder von Menschen vergeben werden.

[[Datei:Machine learning nutshell -- Gather labeled observations.svg|500px|rahmenlos|center]]

Ein Label ist nicht automatisch objektiv. Bei einer klar messbaren Frage wie „Ist die Temperatur höher als 30 °C?“ lässt es sich meist eindeutig bestimmen. Bei einer Einschätzung wie „Ist dieser Text überzeugend?“ können Menschen unterschiedlich urteilen. Deshalb helfen '''klare Kriterien, mehrere Prüfende und dokumentierte Streitfälle'''.

{{BR}}
= Datenlabor 1: Wie zuverlässig sind Labels? =
Stell Dir vor, eine Lerngruppe möchte ein einfaches System trainieren, das Obstfotos in „reif“ und „unreif“ einordnet. Zwei Personen vergeben unabhängig voneinander Labels. Die Tabelle ist fiktiv und dient nur zum Lernen.

{| class="wikitable"
! Foto-ID
! sichtbare Farbe
! Eindruck beim Drucktest
! Label Person A
! Label Person B
|-
| A
| rot
| weich
| reif
| reif
|-
| B
| grün
| hart
| unreif
| unreif
|-
| C
| gelb
| weich
| reif
| reif
|-
| D
| rot
| hart
| unreif
| unreif
|-
| E
| grün
| weich
| reif
| unreif
|-
| F
| gelb
| hart
| unreif
| unreif
|-
| G
| rot
| weich
| reif
| reif
|-
| H
| gelb
| mittel
| reif
| unreif
|}

Die beiden Personen stimmen bei sechs von acht Fällen überein. Das sind 75 Prozent. Zwei Fälle sind strittig. Das zeigt: '''Labelqualität ist Teil der Datenqualität'''.

Arbeitsauftrag: Markiere die beiden Streitfälle. Formuliere anschließend eine kurze Label-Regel, die beide Personen beim nächsten Durchgang verwenden könnten. Prüfe auch, ob Farbe allein ein sinnvolles Merkmal ist. Verschiedene Obstsorten können unterschiedlich aussehen, obwohl sie gleich reif sind.

{{BR}}
== Werkzeugwahl im Datenlabor ==
Für acht Zeilen brauchst Du keine komplizierte KI. Papier, eine Tabelle oder eine einfache Tabellenkalkulation reichen. Ein gutes Werkzeug ist nicht das technisch beeindruckendste, sondern das, das '''zum Ziel, zur Datenmenge, zum Risiko und zur benötigten Transparenz''' passt.

{| class="wikitable"
! Ziel
! passendes Werkzeug
! Warum?
! Aufgabe des Menschen
|-
| wenige Werte ordnen
| Papier oder Tabelle
| schnell und nachvollziehbar
| Kategorien prüfen
|-
| Häufigkeiten und Prozentwerte berechnen
| Tabellenkalkulation
| Rechenfehler reduzieren, Diagramme möglich
| Formel und Bedeutung kontrollieren
|-
| Muster in einem kleinen Lehrdatensatz ausprobieren
| einfaches ML-Lernwerkzeug
| Training und Test werden sichtbar
| Datensatz und Grenzen erklären
|-
| Ideen für Prüfregeln sammeln
| KI-Assistenzsystem als Sparringspartner
| kann Varianten vorschlagen
| Vorschläge prüfen und Quellen kontrollieren
|-
| Entscheidung mit möglichen Folgen für Menschen
| menschliche Verantwortung mit überprüfbaren Hilfswerkzeugen
| Folgen lassen sich nicht allein an einer Kennzahl entscheiden
| Ziel, Fairness, Freigabe und Widerspruchsmöglichkeiten verantworten
|}

'''Sicherheitsregel:''' Verwende für Unterrichtsexperimente möglichst fiktive, öffentliche oder anonymisierte Daten. Gib keine vertraulichen personenbezogenen Daten in frei zugängliche KI-Dienste ein. Prüfe schulische Regeln, Nutzungsbedingungen und Datenschutzvorgaben.

{{BR}}
= Datenqualität: Fünf Fragen vor dem Training =
Datenqualität bedeutet mehr als „keine Tippfehler“. Prüfe mindestens diese fünf Punkte:

# [[Vollständigkeit]]: Fehlen Werte, Fälle oder wichtige Zeiträume?
# [[Genauigkeit]]: Wurden Werte richtig gemessen, übertragen und beschriftet?
# [[Aktualität]]: Passen ältere Daten noch zur heutigen Situation?
# [[Repräsentativität]]: Bildet die Auswahl die spätere Anwendung ausreichend ab?
# [[Konsistenz]]: Wurden Einheiten, Kategorien und Regeln überall gleich verwendet?

Ein Datensatz kann in einer Hinsicht gut und in einer anderen problematisch sein. Ein sauber gemessener, aber sehr einseitiger Datensatz bleibt für manche Anwendungen ungeeignet.

{{BR}}
== Auswahl und Repräsentativität ==
Eine '''Stichprobe''' ist eine Auswahl aus einer größeren Menge. Sie ist repräsentativ, wenn sie wichtige Eigenschaften der Zielgruppe oder Zielsituation angemessen abbildet. Perfekte Repräsentativität ist in der Praxis schwer zu erreichen. Deshalb ist es wichtig, die Grenzen einer Stichprobe offen zu dokumentieren.

Beispiel: Ein System soll erkennen, wann Fahrradständer an einer Schule voll werden. Die Daten wurden nur an zwei sonnigen Septemberwochen gesammelt. Selbst wenn alle Zählungen korrekt sind, fehlen Regentage, Wintertage, Prüfungszeiten und besondere Veranstaltungen. Die Daten sagen dann weniger über ein ganzes Schuljahr aus.

{{BR}}
= Datenlabor 2: Ein kleiner Datensatz wird sichtbar =
Die Schule möchte abschätzen, wann der Fahrradständer voll ist. Die folgenden zwölf Beobachtungen sind fiktiv.

{| class="wikitable"
! Tag
! Wetter
! Temperatur
! Veranstaltung
! Fahrradständer voll?
|-
| Mo 1
| trocken
| 21 °C
| nein
| ja
|-
| Di 1
| trocken
| 22 °C
| nein
| ja
|-
| Mi 1
| Regen
| 18 °C
| nein
| nein
|-
| Do 1
| trocken
| 23 °C
| ja
| ja
|-
| Fr 1
| trocken
| 20 °C
| nein
| nein
|-
| Mo 2
| trocken
| 19 °C
| nein
| ja
|-
| Di 2
| Regen
| 17 °C
| nein
| nein
|-
| Mi 2
| trocken
| 20 °C
| nein
| ja
|-
| Do 2
| trocken
| 24 °C
| ja
| ja
|-
| Fr 2
| Regen
| 16 °C
| nein
| nein
|-
| Mo 3
| trocken
| 18 °C
| nein
| ja
|-
| Di 3
| trocken
| 21 °C
| nein
| ja
|}

Eine einfache Häufigkeitsdarstellung ergibt:

{| class="wikitable"
! Label
! Anzahl
! Visualisierung
|-
| voll
| 8
| ████████
|-
| nicht voll
| 4
| ████
|}

Die Tabelle zeigt ein Muster, aber sie beantwortet noch nicht die Frage, '''ob das Muster verlässlich ist'''. Die Stichprobe ist klein. Es gibt nur drei Regentage. Winter und Ferien fehlen. Außerdem wurden nur wenige Wochen betrachtet. Genau hier beginnt Datenkritik.

Arbeitsauftrag: Formuliere zwei Aussagen, die durch die Daten gestützt werden, und zwei Aussagen, die mit diesen Daten noch nicht sicher begründet werden können. Entwirf anschließend einen besseren Sammelplan für vier Wochen.

{{BR}}
== Visualisierungen sind Modelle der Daten ==
Eine Visualisierung macht Muster leichter sichtbar, aber sie zeigt nie „die ganze Wirklichkeit“. Auswahl, Achsen, Farben, Gruppierungen und Auslassungen beeinflussen, was auffällt. Deshalb gehört zu guter Datenkompetenz immer die Frage: '''Was sehe ich – und was sehe ich nicht?'''

[[Datei:Data flock (digits) by Philipp Schmitt.jpg|500px|rahmenlos|center]]

Das Bild visualisiert einen Datensatz mit handschriftlichen Ziffern als räumliche Gruppen. Solche Darstellungen helfen beim Erkunden, sind aber selbst Vereinfachungen.

[[Datei:MnistExamplesModified.png|500px|rahmenlos|center]]

Bei handschriftlichen Ziffern wird außerdem deutlich: Selbst scheinbar einfache Klassen wie „3“ oder „8“ können sehr unterschiedlich geschrieben werden. Ein gutes Trainingsset braucht deshalb genügend Variation.

{{BR}}
= Trainingsdaten und Testdaten trennen =
Wenn ein Modell nur an Beispielen geprüft wird, die es beim Training schon gesehen hat, kann die Bewertung zu optimistisch sein. Deshalb wird ein Datensatz oft in '''Trainingsdaten''' und '''Testdaten''' geteilt. Das Modell lernt mit dem Trainingsteil. Der Testteil bleibt zunächst zurück und wird erst zur Bewertung genutzt.

[[Datei:Machine learning nutshell -- Split into train-test set.svg|500px|rahmenlos|center]]

Ein guter Testdatensatz soll möglichst gut zu den Situationen passen, in denen das Modell später eingesetzt wird. Auch hier kann Repräsentativität fehlen. Ein Test nur an sonnigen Tagen sagt wenig über die Leistung bei Schnee.

{{BR}}
== Überanpassung einfach erklärt ==
Ein Modell kann sich zu stark an Besonderheiten seiner Trainingsdaten anpassen. Dann ist es bei bekannten Beispielen sehr gut, aber bei neuen Beispielen deutlich schlechter. Dieses Problem heißt [[Overfitting|Überanpassung]]. Mehr Daten können helfen, aber nur dann, wenn sie relevant, vielfältig und ausreichend sauber sind. „Mehr“ ersetzt also nicht „passend“.

{{BR}}
= Fehler verstehen statt nur eine Prozentzahl ansehen =
Bei einer Ja-Nein-Vorhersage gibt es vier Grundfälle: richtiges Ja, richtiges Nein, falsches Ja und falsches Nein. Die Art des Fehlers kann wichtig sein. Bei einer Warnung vor einer Busverspätung ist ein falscher Alarm lästig. Eine übersehene echte Verspätung kann dagegen dazu führen, dass jemand einen Anschluss verpasst.

[[Datei:Machine learning nutshell -- Test the machine learning model.svg|500px|rahmenlos|center]]

{{BR}}
= PISA-nahe Anwendungssituation: Soll der Schulbus-Check eingesetzt werden? =
Eine Schule testet ein System, das vor Unterrichtsbeginn vorhersagt, ob ein Bus mehr als fünf Minuten Verspätung haben wird. Das System soll nur informieren, nicht automatisch über Fehlzeiten entscheiden. Acht Testfälle liefern folgende Ergebnisse:

{| class="wikitable"
! Fall
! Vorhersage
! tatsächlich
! Bewertung
|-
| 1
| Verspätung
| Verspätung
| richtig
|-
| 2
| Verspätung
| pünktlich
| falscher Alarm
|-
| 3
| pünktlich
| pünktlich
| richtig
|-
| 4
| pünktlich
| Verspätung
| Verspätung übersehen
|-
| 5
| Verspätung
| Verspätung
| richtig
|-
| 6
| pünktlich
| pünktlich
| richtig
|-
| 7
| pünktlich
| pünktlich
| richtig
|-
| 8
| Verspätung
| Verspätung
| richtig
|}

Sechs von acht Vorhersagen sind richtig. Das entspricht 75 Prozent. Diese Zahl ist nützlich, aber für eine Entscheidung reicht sie nicht.

Bearbeite die Situation wie eine reale Entscheidung:

# Berechne die Quote richtiger Vorhersagen und erkläre in einem Satz, was sie bedeutet.
# Vergleiche die beiden Fehlerarten. Welche könnte für Lernende stärker ins Gewicht fallen? Begründe.
# Die acht Testfälle stammen nur aus einer trockenen Herbstwoche. Erkläre, warum das die Aussagekraft einschränkt.
# Schlage mindestens zwei zusätzliche Testbedingungen vor, zum Beispiel Winterwetter oder Baustellen.
# Entscheide, ob das System sofort, nur als Hinweis oder noch gar nicht eingesetzt werden sollte. Begründe mit Daten und Folgen.
# Formuliere eine Regel für menschliche Kontrolle: Wer prüft Beschwerden, korrigiert Fehler und entscheidet bei Streitfällen?

Die Aufgabe ist PISA-nah, weil Du Informationen aus einer realistischen Situation verknüpfen, Zahlen interpretieren, Grenzen erkennen und eine begründete Entscheidung treffen musst. Es gibt nicht nur eine einzelne Zahl, die automatisch die beste Handlung vorgibt.

{{BR}}
= Verzerrungen: Wenn Fehler nicht zufällig verteilt sind =
Ein [[Bias]] ist eine systematische Verzerrung. Sie kann an unterschiedlichen Stellen entstehen: bei der Auswahl von Daten, beim Messen, beim Labeln, beim Design des Systems oder durch bestehende gesellschaftliche Muster, die in historischen Daten stecken.

{{#ev:youtube|   https://www.youtube.com/watch?v=SFViQgo6wvg   |500|center}}

Ein Beispiel: Ein historischer Datensatz über frühere Einstellungen in einem Beruf kann alte Ungleichheiten widerspiegeln. Ein Modell könnte diese Muster übernehmen, obwohl sie für eine faire heutige Auswahl ungeeignet sind. Selbst das Entfernen eines offensichtlichen Merkmals löst das Problem nicht immer, weil andere Merkmale als Stellvertreter wirken können. Deshalb braucht Fairness '''Datenprüfung, Wirkungstests, nachvollziehbare Kriterien und menschliche Verantwortung'''.

{{BR}}
== Fairness ist mehr als gleiche Gesamtgenauigkeit ==
Zwei Gruppen können zusammen eine hohe Trefferquote ergeben, obwohl eine Gruppe deutlich häufiger falsch eingeordnet wird. Eine einzige Gesamtzahl kann solche Unterschiede verdecken. Für sensible Anwendungen sollte deshalb geprüft werden, '''wer von Fehlern betroffen ist, welche Folgen sie haben und ob Menschen die Entscheidung anfechten können'''.

Für Klasse 8 ist eine einfache Leitfrage hilfreich: '''„Wer könnte durch diesen Fehler einen Nachteil haben – und wer kann ihn bemerken und korrigieren?“'''

{{BR}}
= Mensch-KI-Arbeitsteilung =
Verantwortlicher KI-Einsatz bedeutet nicht „Mensch oder KI“, sondern eine begründete Aufgabenteilung. Manche Arbeiten eignen sich gut für automatisierte Unterstützung, andere verlangen menschliche Ziele, Werteabwägungen und Verantwortung.

{| class="wikitable"
! Arbeitsschritt
! Werkzeug kann unterstützen
! Mensch muss besonders verantworten
|-
| Fragestellung formulieren
| Ideen sortieren
| Zweck und Grenzen festlegen
|-
| Daten sammeln
| Messwerte übernehmen
| Auswahl, Datenschutz und Einwilligung prüfen
|-
| Daten bereinigen
| Duplikate oder Ausreißer markieren
| entscheiden, ob ein Wert wirklich falsch ist
|-
| Labels vergeben
| Vorschläge machen
| Kriterien festlegen und Streitfälle klären
|-
| Modell trainieren
| Muster berechnen
| geeignete Daten und Teststrategie wählen
|-
| Ergebnisse auswerten
| Kennzahlen berechnen
| Bedeutung, Folgen und Fairness beurteilen
|-
| Entscheidung treffen
| Hinweise geben
| bei wichtigen Folgen Verantwortung übernehmen und Widerspruch ermöglichen
|-
| System beobachten
| Auffälligkeiten melden
| Änderungen, neue Risiken und Abschaltung entscheiden
|}

'''Human Agency''' bedeutet hier: Menschen behalten die Fähigkeit, Ziele zu setzen, Entscheidungen zu hinterfragen, einzugreifen und das System bei Bedarf nicht zu verwenden.

{{BR}}
= Projektsteuerung: Ein KI-Projekt mit Kontrollpunkten =
Ein gutes Projekt springt nicht direkt von „Wir haben Daten“ zu „Wir bauen KI“. Nutze Kontrollpunkte:

{| class="wikitable"
! Phase
! Leitfrage
! Stop-oder-Go-Kriterium
! Produkt
|-
| Problem klären
| Welche Entscheidung soll besser werden?
| Zweck ist sinnvoll und verständlich
| Fragestellung
|-
| Datenplan
| Welche Daten brauchen wir wirklich?
| Daten sind zulässig und relevant
| Datenschema
|-
| Qualitätscheck
| Was fehlt oder ist verzerrt?
| bekannte Grenzen sind dokumentiert
| Datensteckbrief
|-
| Label-Regeln
| Was bedeutet die Zielkategorie?
| Kriterien sind nachvollziehbar
| Label-Leitfaden
|-
| Training und Test
| Wird getrennt gelernt und geprüft?
| Testfälle sind neu und passend
| Testbericht
|-
| Folgencheck
| Welche Fehlerarten gibt es?
| Risiken und Betroffene wurden betrachtet
| Folgenmatrix
|-
| Einsatzentscheidung
| Brauchen wir KI überhaupt?
| Nutzen überwiegt Risiken und Kontrolle ist möglich
| begründete Entscheidung
|-
| Beobachtung
| Verändert sich die Situation?
| Fehler können gemeldet und behoben werden
| Monitoring-Plan
|}

Die wichtigste Projektsteuerungsfrage kann deshalb auch lauten: '''„Brauchen wir für dieses Problem überhaupt ein KI-System?“''' Für manche Aufgaben ist eine einfache Regel, Tabelle oder menschliche Entscheidung besser.

{{BR}}
= Quellenkritik und Transparenz =
Ein Datensatz oder eine KI-Ausgabe ist nur dann gut einschätzbar, wenn wichtige Informationen über Herkunft und Verarbeitung bekannt sind. Frage deshalb:

# Wer hat die Daten erstellt oder gesammelt?
# Für welchen ursprünglichen Zweck wurden sie erhoben?
# Welche Zeit, Region oder Gruppe wird abgebildet?
# Welche Fälle fehlen möglicherweise?
# Wie wurden Labels vergeben?
# Welche Bearbeitungsschritte wurden durchgeführt?
# Welche Lizenz oder Nutzungsbedingung gilt?
# Welche Unsicherheiten und bekannten Fehler sind dokumentiert?

Bei KI-Ausgaben gilt zusätzlich: Eine plausibel formulierte Antwort ist noch kein Beleg. Prüfe zentrale Tatsachen an geeigneten Quellen. Nutze KI eher als Werkzeug zum Strukturieren, Vergleichen oder Formulieren von Fragen als als alleinige Wahrheitsquelle.

{{BR}}
= Fächerübergreifende Bezüge =
{| class="wikitable"
! Fach
! Verbindung zum Thema
! mögliche Lernhandlung
|-
| [[Informatik]]
| Datenfluss, Training, Test, Modell, Fehleranalyse
| Pipeline zeichnen und Kontrollpunkte markieren
|-
| [[Mathematik]]
| Häufigkeiten, Prozente, Stichproben, Diagramme
| Trefferquoten berechnen und Aussagekraft begrenzen
|-
| [[Deutsch]]
| Begriffe präzisieren, Quellen prüfen, Argumente formulieren
| Entscheidungstext mit Belegen und Gegenargument schreiben
|-
| [[Technik]]
| Sensoren, Messketten, Messfehler, Automatisierung
| untersuchen, wo Messwerte entstehen und verfälscht werden können
|-
| [[Geschichte]]
| historische Daten spiegeln frühere Normen und Machtverhältnisse
| prüfen, ob alte Daten für heutige Entscheidungen geeignet sind
|-
| [[Kunst]]
| visuelle Darstellung beeinflusst Wahrnehmung
| zwei Diagramme zum gleichen Datensatz vergleichen
|-
| [[Ethik]]
| Fairness, Verantwortung, Datenschutz, Folgen
| Betroffene und mögliche Nachteile analysieren
|-
| [[Gemeinschaftskunde]]
| Transparenz, Teilhabe, Widerspruch, öffentliche Entscheidungen
| Regeln für nachvollziehbaren KI-Einsatz entwerfen
|-
| [[Wirtschaft]]
| Prognosen, Empfehlungen, Personaleinsatz, Kosten von Fehlern
| Nutzen und Risiken eines Systems abwägen
|}

{{BR}}
= Typische Fehlvorstellungen korrigieren =
{| class="wikitable"
! Fehlvorstellung
! Korrektur
|-
| Mehr Daten sind immer besser.
| Mehr Daten helfen nur, wenn sie relevant, ausreichend vielfältig, rechtmäßig nutzbar und hinreichend zuverlässig sind.
|-
| Labels sind objektive Wahrheit.
| Labels können messbar, regelbasiert oder subjektiv sein. Ihre Entstehung muss dokumentiert werden.
|-
| Ein Modell mit hoher Genauigkeit ist automatisch fair.
| Gesamtwerte können Unterschiede zwischen Situationen oder Gruppen verdecken.
|-
| Testdaten dürfen beim Training bekannt sein.
| Für eine faire Prüfung sollten Testdaten getrennt bleiben.
|-
| KI ersetzt menschliche Verantwortung.
| Werkzeuge können unterstützen, aber Ziele, Folgenabwägung und wichtige Entscheidungen brauchen menschliche Verantwortung.
|-
| Eine schöne Visualisierung beweist eine Aussage.
| Visualisierungen vereinfachen Daten und können durch Auswahl und Darstellung täuschen oder wichtige Aspekte ausblenden.
|}

{{BR}}
= Experiment: Eine Datenpipeline mit Karten simulieren =
Dieses Experiment funktioniert ohne Computer. Eine Gruppe übernimmt die Rolle „Datenquelle“, eine zweite „Datenprüfung“, eine dritte „Label-Team“, eine vierte „Modell“, eine fünfte „Test und Folgencheck“.

Verwendet zwölf Karten mit fiktiven Beobachtungen. Jede Karte enthält zwei Merkmale und ein vorgesehenes Label. Baut absichtlich drei Probleme ein: einen fehlenden Wert, ein widersprüchliches Label und eine einseitige Auswahl. Gebt die Karten von Station zu Station weiter. Jede Gruppe darf Änderungen nur dokumentiert vornehmen.

Am Ende rekonstruiert Ihr den Datenfluss. Beantwortet gemeinsam: Wo wurde ein Fehler entdeckt? Wo hätte er unbemerkt weiterfließen können? Welche Station brauchte menschliches Urteil? Welche Information hätte ein späteres Team ohne Dokumentation nicht mehr nachvollziehen können?

Dieses Experiment zeigt: '''Fehler „wandern“ mit den Daten mit''', wenn sie nicht erkannt oder dokumentiert werden.

{{BR}}
= Transfer: Ein neues Beispiel erkennen =
Stell Dir vor, ein Museum möchte Besucherströme vorhersagen. Sensoren zählen Personen an Eingängen. Ein System soll daraus für die nächste Stunde die Auslastung schätzen.

Übertrage das gelernte Datenfluss-Modell: Welche Datenquellen gibt es? Welche Messfehler sind möglich? Welche Zeiträume müssen vertreten sein? Welches Label oder Ziel soll vorhergesagt werden? Wie teilst Du Training und Test? Welche Fehlerart wäre besonders problematisch? Wo muss ein Mensch eingreifen?

Wenn Du diese Fragen auf ein neues Beispiel übertragen kannst, hast Du die Grundidee verstanden.

{{BR}}
= Reflexion =
Nimm Deine vier Aussagen aus der Aktivierung wieder hervor. Ändere Deine Bewertung, wenn nötig. Ergänze zu jeder Aussage jetzt einen Satz mit einem Fachbegriff aus dem Kurs.

Schreibe anschließend ein Exit-Ticket mit drei Teilen: '''Eine Idee, die ich sicher erklären kann – eine Stelle, an der Daten verzerrt werden können – eine Frage, die ich bei einem neuen KI-System zuerst stellen würde.'''

{{BR}}
= Interaktive Aufgaben =

{{BR}}
== Quiz: Teste Dein Wissen ==
{{MC}}

'''Warum trennt man Trainingsdaten und Testdaten?'''
(Damit das Modell an neuen Beispielen geprüft werden kann)
(!Damit alle Testdaten automatisch korrekt werden)
(!Damit keine Labels mehr nötig sind)
(!Damit das Modell keine Eingaben mehr braucht)

{{E}}
<br>

{{MC}}

'''Was beschreibt Repräsentativität am besten?'''
(Die Daten bilden wichtige Eigenschaften der späteren Anwendung angemessen ab)
(!Alle Daten haben exakt denselben Wert)
(!Der Datensatz enthält besonders viele Zeilen)
(!Jede Messung wurde von einer KI erstellt)

{{E}}
<br>

{{MC}}

'''Was ist ein Label beim überwachten Lernen?'''
(Eine Zielangabe oder Kategorie zu einem Beispiel)
(!Eine Garantie für eine faire Entscheidung)
(!Ein Speicherort für das Modell)
(!Eine zufällige Zahl ohne Bedeutung)

{{E}}
<br>

{{MC}}

'''Welche Aussage über Datenqualität ist richtig?'''
(Ein Datensatz kann sauber gemessen und trotzdem einseitig ausgewählt sein)
(!Viele Daten sind automatisch repräsentativ)
(!Aktuelle Daten enthalten nie Fehler)
(!Eine Tabelle braucht keine Quellenangabe)

{{E}}
<br>

{{MC}}

'''Was ist ein mögliches Zeichen für Überanpassung?'''
(Das Modell ist bei Trainingsdaten gut und bei neuen Daten deutlich schlechter)
(!Das Modell wurde mit Testdaten geprüft)
(!Die Daten wurden visualisiert)
(!Menschen dokumentieren die Labels)

{{E}}
<br>

{{MC}}

'''Warum reicht eine hohe Gesamtgenauigkeit für Fairness nicht aus?'''
(Fehler können ungleich auf Situationen oder Gruppen verteilt sein)
(!Weil Genauigkeit grundsätzlich bedeutungslos ist)
(!Weil jedes Modell immer genau die Hälfte falsch macht)
(!Weil Fairness nur von der Dateigröße abhängt)

{{E}}
<br>

{{MC}}

'''Welche Aufgabe sollte bei folgenreichen Entscheidungen besonders beim Menschen bleiben?'''
(Folgen abwägen und Verantwortung für die Entscheidung übernehmen)
(!Alle Tabellenzellen automatisch sortieren)
(!Jeden Messwert ohne Prüfung löschen)
(!Zufällige Labels erzeugen)

{{E}}
<br>

{{MC}}

'''Was ist ein sinnvoller erster Schritt vor dem Training?'''
(Fragestellung und Zweck des Systems klären)
(!Das Ergebnis veröffentlichen)
(!Testdaten mit den Trainingsdaten vermischen)
(!Alle Fehlerhinweise ignorieren)

{{E}}
<br>

{{MC}}

'''Was bedeutet Bias in diesem Zusammenhang?'''
(Eine systematische Verzerrung in Daten oder Systemverhalten)
(!Ein beliebiger einzelner Tippfehler)
(!Eine sichere Methode zur Anonymisierung)
(!Ein Diagramm ohne Achsen)

{{E}}
<br>

{{MC}}

'''Welche Aussage beschreibt einen verantwortlichen KI-Einsatz am besten?'''
(Werkzeuge unterstützen, Menschen prüfen Ziele, Daten, Folgen und Grenzen)
(!KI-Ausgaben werden ohne Prüfung übernommen)
(!Persönliche Daten werden immer in öffentliche Dienste eingegeben)
(!Nur die technische Leistung zählt)

{{E}}
<br>

{{BR}}
== Memory ==
<div class="memo-quiz">
{|
|-
| Trainingsdaten || Beispiele zum Lernen eines Modells
|-
| Testdaten || zurückgehaltene Beispiele zur Bewertung
|-
| Label || Zielangabe zu einem Datenbeispiel
|-
| Repräsentativität || angemessene Abbildung der späteren Anwendung
|-
| Datenqualität || Eignung und Verlässlichkeit von Daten
|-
| Bias || systematische Verzerrung
|-
| Modell || beim Training gelernte Struktur
|-
| Human Agency || menschliche Fähigkeit zum Prüfen und Eingreifen
|}
{{E}}
<br>

{{BR}}
== Drag and Drop ==
<div class="lueckentext-quiz">

{| class="wikitable" 
! Ordne die richtigen Begriffe zu.
! Thema
|-
| '''Fragestellung'''
| Zweck und Ziel klären
|-
| '''Datenauswahl'''
| passende und vielfältige Fälle bestimmen
|-
| '''Labeln'''
| Zielangaben nach nachvollziehbaren Regeln vergeben
|-
| '''Testen'''
| Modell an neuen Beispielen prüfen
|-
| '''Monitoring'''
| Verhalten nach dem Einsatz weiter beobachten
|}
{{E}}

<br>
...
<br />

{{BR}}
== Kreuzworträtsel ==
<div class="kreuzwort-quiz">
{|
|-
| Datenfluss || Wie heißt die Abfolge, in der Daten durch Quellen, Verarbeitung, Modell und Anwendung wandern?
|-
| Stichprobe || Wie heißt eine Auswahl aus einer größeren Menge?
|-
| Trainingsdaten || Wie heißen die Beispiele, mit denen ein Modell lernt?
|-
| Repräsentativität || Welcher Begriff beschreibt, ob eine Auswahl die Ziel-Situation angemessen abbildet?
|-
| Verzerrung || Deutsches Wort für einen systematischen Bias?
|-
| Modell || Was entsteht beim maschinellen Lernen aus dem Training?
|}
{{E}}
<br>

{{BR}}
== LearningApps ==
<iframe> https://learningapps.org/index.php?s=Datenflüsse+in+KI-Systemen+verstehen </iframe>

{{BR}}
== Lückentext ==
<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
Ein KI-Projekt beginnt mit einer klaren { Fragestellung }.
Beispiele, mit denen ein Modell lernt, heißen { Trainingsdaten }.
Zur unabhängigen Bewertung verwendet man getrennte { Testdaten }.
Eine Zielangabe zu einem Beispiel nennt man { Label }.
Ob eine Auswahl die spätere Anwendung angemessen abbildet, beschreibt die { Repräsentativität }.
Eine systematische Verzerrung wird häufig als { Bias } bezeichnet.
Wenn ein Modell bekannte Beispiele sehr gut, neue Beispiele aber deutlich schlechter verarbeitet, kann { Überanpassung } vorliegen.
Eine gute Datenprüfung betrachtet auch Vollständigkeit, Genauigkeit und { Aktualität }.
Bei folgenreichen Entscheidungen muss menschliche { Verantwortung } erhalten bleiben.
Nach dem Einsatz eines Systems hilft fortlaufendes { Monitoring }, neue Fehler und Veränderungen zu erkennen.
</quiz>

<br>

{{BR}}
= Offene Aufgaben =

{{BR}}
=== Leicht ===
# [[Datenfluss-Skizze]]: Zeichne für eine Wetter-App den Weg von Sensorwerten bis zur Vorhersage und markiere mindestens zwei Stellen, an denen Fehler entstehen können.
# [[Label-Regeln]]: Erfinde sechs fiktive Beispiele für „Mülltonne voll“ oder „nicht voll“ und formuliere eine eindeutige Regel für das Label.
# [[Diagrammvergleich]]: Stelle die zwölf Fahrradständer-Beobachtungen als Balken- oder Säulendiagramm dar und schreibe zwei Aussagen, die das Diagramm erlaubt, sowie eine Aussage, die es nicht erlaubt.
# [[Fehlvorstellungen]]: Wähle eine typische Fehlvorstellung aus dem Kurs und gestalte eine kleine Karte mit „Behauptung – Korrektur – Beispiel“.

{{BR}}
=== Standard ===
# [[Datenqualitäts-Audit]]: Prüfe einen kleinen öffentlichen oder von der Lehrkraft bereitgestellten Datensatz mit den Kriterien Vollständigkeit, Genauigkeit, Aktualität, Repräsentativität und Konsistenz.
# [[Label-Experiment]]: Lass drei Personen zehn fiktive Beispiele unabhängig labeln. Vergleiche die Übereinstimmung und verbessere danach den Label-Leitfaden.
# [[Werkzeugkompass]]: Vergleiche Papier, Tabellenkalkulation, einfaches ML-Werkzeug und KI-Assistenzsystem für eine konkrete Aufgabe. Begründe, welches Werkzeug Du an welcher Stelle wählen würdest.
# [[Bus-System-Entscheidung]]: Erweitere die PISA-nahe Bus-Aufgabe um vier neue Testfälle und entscheide erneut über den Einsatz. Erkläre, ob sich Deine Begründung verändert.

{{BR}}
=== Schwer ===
# [[Bias-Szenario]]: Entwickle ein fiktives Beispiel, in dem ein Datensatz eine Gruppe oder Situation zu wenig abbildet. Zeige, wie sich das durch den Datenfluss bis zur Ausgabe auswirken könnte.
# [[Human-in-the-Loop-Plan]]: Entwirf für ein schulisches KI-System einen Ablauf mit mindestens drei Punkten, an denen Menschen prüfen, stoppen oder korrigieren können.
# [[Quellenkritik-Projekt]]: Vergleiche zwei Erklärquellen zu Trainingsdaten oder KI-Bias. Untersuche Autor, Zweck, Datum, Belege, Lizenz und mögliche Auslassungen.
# [[Mini-Projektsteuerung]]: Plane ein kleines KI-nahes Schulprojekt von der Fragestellung bis zum Monitoring. Lege für jede Phase ein Stop-oder-Go-Kriterium fest und begründe, wann Du das Projekt abbrechen würdest.

{{:Offene Aufgabe - MOOC erstellen}}

{{BR}}
= Lernkontrolle =
# [[Transferfall Smartes Gewächshaus]]: Ein Gewächshaus-System soll erkennen, wann Pflanzen Wasser brauchen. Entwickle einen Datenfluss mit Sensoren, möglichen Labels, Trainings- und Testdaten. Nenne zwei Messfehler und erkläre ihre Folgen.
# [[Neue Stichprobe beurteilen]]: Ein Modell zur Vorhersage von Mensa-Auslastung wurde nur an Montagen trainiert. Erkläre, welche Schlussfolgerungen Du trotzdem ziehen kannst, welche nicht und wie Du die Datenauswahl verbessern würdest.
# [[Fehlerfolgen vergleichen]]: Vergleiche bei einem Warnsystem einen falschen Alarm mit einer übersehenen echten Gefahr. Erkläre, warum dieselbe Trefferquote je nach Anwendung unterschiedlich bewertet werden muss.
# [[Mensch-KI-Arbeitsteilung begründen]]: Lege für ein fiktives Empfehlungssystem fest, welche drei Aufgaben ein Werkzeug unterstützen darf und welche drei Aufgaben Menschen verantworten müssen. Begründe jede Zuordnung.
# [[Visualisierung kritisch lesen]]: Erstelle zwei unterschiedliche Diagramme aus demselben kleinen Datensatz. Beschreibe, wie die Darstellung den ersten Eindruck verändert, obwohl die Zahlen gleich bleiben.
# [[Fehlvorstellung korrigieren]]: Jemand sagt: „Das Modell ist fair, weil 92 Prozent aller Vorhersagen stimmen.“ Formuliere eine fachlich begründete Antwort und nenne mindestens zwei zusätzliche Prüfungen.

<br>
<br>

{{BR}}
= Lernnachweis =
Für einen Lernnachweis ist wichtig, dass Du nicht nur Begriffe wiedergeben, sondern Zusammenhänge erklären und auf neue Beispiele übertragen kannst.

# Du erklärst einen Datenfluss von der Fragestellung bis zur Anwendung eines Modells in eigenen Worten.
# Du unterscheidest Trainingsdaten, Testdaten und neue Eingabedaten.
# Du erklärst die Funktion von Labels und nennst mindestens eine mögliche Label-Fehlerquelle.
# Du prüfst Datenqualität, Auswahl und Repräsentativität mit nachvollziehbaren Kriterien.
# Du wertest einen kleinen Datensatz oder eine einfache Fehlerübersicht korrekt aus.
# Du erkennst mindestens eine mögliche systematische Verzerrung und beschreibst ihren Weg durch das System.
# Du begründest eine Werkzeugwahl statt automatisch das komplexeste Werkzeug zu verwenden.
# Du entwickelst eine sinnvolle Mensch-KI-Arbeitsteilung mit Kontroll- und Eingriffsmöglichkeiten.
# Du korrigierst typische Fehlvorstellungen zu Datenmenge, Genauigkeit, Fairness und menschlicher Verantwortung.
# Du belegst eine Entscheidung mit Daten, kennzeichnest Unsicherheit und berücksichtigst mögliche Folgen für Betroffene.

<br>
<br>

{{BR}}
= OERs zum Thema =
Die folgenden eingebetteten Wikipedia-Artikel eignen sich zum Vertiefen der Grundlagen von maschinellem Lernen und künstlicher Intelligenz.

<iframe> https://de.m.wikipedia.org/wiki/Maschinelles_Lernen </iframe>

<iframe> https://de.m.wikipedia.org/wiki/K%C3%BCnstliche_Intelligenz </iframe>

{{BR}}
== Freie Medien und Vertiefung ==
Die im Kurs eingebundenen Wikimedia-Commons-Dateien können über ihre Dateiseiten mit Lizenzinformationen nachvollzogen werden. Die verwendeten Videos des KI-Campus sind als frei lizenzierte Lernmedien veröffentlicht. Nutze Lizenzangaben und Herkunft als Teil Deiner Quellenkritik.

{{BR}}
= Verknüpfte Lernbereiche =
{| align=center
{{:D-Tab}}
'''[[Datenflüsse in KI-Systemen verstehen]]'''
# [[Künstliche Intelligenz]]
# [[Maschinelles Lernen]]
# [[Trainingsdaten]]
# [[Testdaten]]
# [[Datenqualität]]
# [[Repräsentativität]]
# [[Bias]]
# [[Datenvisualisierung]]
# [[Medienkompetenz]]
# [[Algorithmen]]
|}

[[Kategorie:Informatik]]
[[Kategorie:Mathematik]]
[[Kategorie:Deutsch]]
[[Kategorie:Technik]]
[[Kategorie:Geschichte]]
[[Kategorie:Kunst]]
[[Kategorie:Ethik]]
[[Kategorie:Gemeinschaftskunde]]
[[Kategorie:Wirtschaft]]
[[Kategorie:Künstliche Intelligenz]]
[[Kategorie:Maschinelles Lernen]]
[[Kategorie:Datenkompetenz]]
[[Kategorie:Medienbildung]]
[[Kategorie:Klasse 8]]
[[Kategorie:Klasse 7-8]]

{{BR}}
= aiMOOC-Projekte =
[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]]
{{MT}}