Trainingsdaten und Beispiele verstehen
Trainingsdaten und Beispiele verstehen
Trainingsdaten und Beispiele verstehen
Einleitung
Wenn eine KI Bilder erkennt, Texte sortiert oder Empfehlungen gibt, hat sie in vielen Fällen vorher aus Beispielen gelernt. Diese Beispiele nennt man Trainingsdaten. Sie sind kein Zauberwissen: Menschen wählen Daten aus, sammeln sie, beschreiben sie, versehen sie teilweise mit Labels und entscheiden, welche Beispiele in einem Datensatz vorkommen.
In diesem Lernkurs untersuchst Du an kleinen, überschaubaren Datensätzen, warum die Auswahl der Beispiele wichtig ist. Du lernst, Datenqualität, Labels, Repräsentativität, Fehler und mögliche Verzerrungen zu prüfen. Dabei geht es nicht darum, einer KI blind zu vertrauen. Du sollst zunehmend selbstständig begründen können, warum ein Ergebnis plausibel oder problematisch ist und welche zusätzlichen Informationen Du brauchst.
Das Bild zeigt Beispiele handgeschriebener Ziffern aus dem MNIST-Datensatz. Schon bei einer einzigen Ziffer gibt es viele unterschiedliche Schreibweisen. Genau diese Vielfalt ist wichtig, wenn ein Modell später auch neue Handschriften erkennen soll.
Das kurze Video des KI-Campus gibt Dir einen ersten Überblick über Künstliche Intelligenz. Für diesen Kurs ist besonders wichtig: Viele KI-Systeme lernen nicht dadurch, dass ihnen jede Regel einzeln vorgeschrieben wird, sondern indem sie in vielen Beispielen nach Mustern suchen.
Zielgruppe und Zeitrahmen
Der Kurs richtet sich besonders an Lernende der Klasse 6 und ist für etwa 1–2 Unterrichtsstunden gedacht. Du brauchst keine Programmiererfahrung. Hilfreich sind Papier, Stifte und für einige Aufgaben ein digitales Gerät.
Für eine kurze Unterrichtsstunde kannst Du die Aktivierung, die Einführung, das Obst-Experiment, den Daten-Check und die Selbstkontrolle bearbeiten. Für eine Doppelstunde kommen die Anwendungssituation zur Schulbibliothek, die Medien, die interaktiven Aufgaben und der Transfer hinzu.
Lernziele
Nach dem Kurs kannst Du:
- Trainingsdaten als Beispiele erklären, aus denen ein Modell Muster lernt.
- Datensätze nach Auswahl, Vielfalt, Repräsentativität, Labels und Fehlern untersuchen.
- zwischen Trainingsbeispielen und neuen Testbeispielen unterscheiden.
- erklären, warum falsche oder einseitige Daten zu schlechten oder unfairen Ergebnissen führen können.
- einfache Visualisierungen lesen und aus ihnen begründete Aussagen ableiten.
- typische Fehlvorstellungen über KI und Trainingsdaten erkennen und korrigieren.
- bei einem KI-Ergebnis selbstständig prüfen, welche Daten, Quellen und menschlichen Entscheidungen dahinterstehen könnten.
Fächerübergreifende Bezüge
Informatik verbindet den Kurs mit maschinellem Lernen, Klassifikation und Datenverarbeitung. In Mathematik arbeitest Du mit Häufigkeiten, Tabellen, Anteilen und Diagrammen. In Deutsch untersuchst Du Begriffe, Kategorien und die Wirkung unterschiedlicher Beschriftungen. In den Naturwissenschaften spielt die sorgfältige Beobachtung und Messung eine ähnliche Rolle wie beim Sammeln von Daten. In Kunst kannst Du Bildmerkmale, Perspektive und Darstellung untersuchen. In Ethik und Gemeinschaftskunde geht es um Fairness, Verantwortung und die Frage, wer bei automatisierten Entscheidungen mitreden darf. In der Medienbildung prüfst Du Quellen, Transparenz und die Grenzen von KI-Ergebnissen.
Aktivierung und Diagnose
Vier Aussagen zum Start
Entscheide zunächst ohne Nachschlagen, ob Du den folgenden Aussagen eher zustimmst oder widersprichst. Notiere jeweils einen kurzen Grund.
- Je mehr Trainingsdaten eine KI bekommt, desto besser wird sie automatisch.
- Wenn ein Computer ein Beispiel falsch einordnet, muss der Computer selbst schuld sein.
- Ein Datensatz kann sehr groß sein und trotzdem wichtige Fälle nicht enthalten.
- Wenn ein KI-System bei den Trainingsbeispielen fast immer richtig liegt, wird es auch bei allen neuen Fällen richtig liegen.
Vergleiche Deine Antworten später mit dem Abschnitt zu typischen Fehlvorstellungen. Ziel ist nicht, am Anfang alles richtig zu wissen. Die Aussagen helfen Dir dabei, Deine eigenen Vorstellungen sichtbar zu machen.
Grundlagen: Was sind Trainingsdaten?
Lernen aus Beispielen
Beim maschinellen Lernen wird ein Modell mithilfe von Beispieldaten angepasst. Es soll Muster erkennen, die später auch bei neuen Eingaben nützlich sind. Ein Bilderkennungssystem kann zum Beispiel viele Bilder mit bekannten Kategorien erhalten. Ein Textsystem kann mit großen Textsammlungen arbeiten. Ein Empfehlungssystem kann aus vergangenen Auswahlen Muster ableiten.
Ein Datensatz ist eine geordnete Sammlung von Daten. Ein einzelner Datenpunkt kann ein Bild, ein Text, eine Messung oder eine Tabellenzeile sein. Ein Datensatz kann sehr klein oder sehr groß sein. Für das Verständnis ist aber nicht nur die Menge wichtig, sondern vor allem die Frage: Welche Beispiele sind enthalten und welche fehlen?
Das Foto macht eine wichtige Sache sichtbar: Trainingsdaten entstehen nicht einfach von selbst. Menschen prüfen und beschriften Daten. Diese menschliche Arbeit beeinflusst, welche Informationen das spätere Modell erhält.
Was ist ein Label?
Ein Label ist eine Bezeichnung, die einem Beispiel zugeordnet wird. Wenn ein Bild mit „Apfel“ beschriftet ist, ist „Apfel“ das Label. Bei einem E-Mail-Filter könnten Labels „Spam“ und „kein Spam“ heißen. Bei einem Datensatz mit Pflanzen könnten Labels die Namen verschiedener Pflanzenarten sein.
Labels können sehr hilfreich sein. Sie können aber auch Fehler enthalten. Zwei Personen können bei schwierigen Fällen unterschiedlich entscheiden. Manche Kategorien sind eindeutig, andere hängen von Regeln oder Bewertungen ab. Deshalb solltest Du nicht automatisch annehmen, dass jedes Label wahr und eindeutig ist.
Training und Test
Damit man prüfen kann, ob ein Modell wirklich auf neue Fälle übertragen kann, trennt man Daten häufig in verschiedene Gruppen. Trainingsdaten werden zum Lernen verwendet. Testdaten bleiben während des Lernens unbekannt und werden erst danach eingesetzt.
Das Bild zeigt Möglichkeiten, einen Datensatz in Trainings-, Validierungs- und Testdaten zu teilen. Für Klasse 6 genügt zunächst die Grundidee: Lernen an einem Teil – Prüfen an neuen Beispielen.
Ein häufiger Fehler wäre, ein Modell nur mit den Beispielen zu prüfen, die es bereits beim Training gesehen hat. Das wäre ähnlich, als würdest Du vor einer Klassenarbeit nur die Lösungen derselben Aufgaben auswendig lernen und anschließend genau dieselben Aufgaben noch einmal bekommen.
Experiment 1: Du spielst das Lernmodell
Ein kleiner Obst-Datensatz
Stell Dir vor, ein einfaches System soll auf Fotos zwischen Apfel und Birne unterscheiden. Damit die Aufgabe überschaubar bleibt, betrachten wir nur zwei sichtbare Merkmale: Form und Farbe.
| Beispiel | Form | Farbe | Label |
|---|---|---|---|
| A1 | rund | rot | Apfel |
| A2 | rund | grün | Apfel |
| A3 | rund | gelb | Apfel |
| A4 | rund | rot | Apfel |
| B1 | länglich | grün | Birne |
| B2 | länglich | gelb | Birne |
| B3 | länglich | grün | Birne |
| B4 | länglich | gelb | Birne |
Suche nach einer möglichst einfachen Regel, mit der Du die acht Trainingsbeispiele richtig einordnen kannst. Eine naheliegende Regel lautet: rund bedeutet Apfel, länglich bedeutet Birne.
Diese Regel funktioniert hier sehr gut. Aber sie beweist noch nicht, dass sie für alle Äpfel und Birnen funktioniert. Der kleine Datensatz enthält nur einen sehr begrenzten Ausschnitt der Wirklichkeit.
Neue Testbeispiele
Nun kommen Beispiele hinzu, die beim Lernen nicht vorkamen.
| Testbeispiel | Form | Farbe | Tatsächliches Label |
|---|---|---|---|
| T1 | rund | grün | Apfel |
| T2 | länglich | gelb | Birne |
| T3 | eher rund | grün | Birne |
| T4 | eher länglich | rot | Apfel |
Wende Deine Regel auf die vier Testbeispiele an. Bei T1 und T2 klappt sie. Bei T3 und T4 kann sie scheitern. Das zeigt die zentrale Idee: Ein Muster kann in den Trainingsbeispielen perfekt aussehen und trotzdem bei neuen Fällen Fehler machen.
Daten verbessern
Überlege nun, wie Du den Trainingsdatensatz verbessern würdest. Mögliche Ideen sind unterschiedliche Sorten, verschiedene Blickwinkel, verschiedene Lichtverhältnisse und Grenzfälle. Auch unscharfe oder teilweise verdeckte Fotos können wichtig sein, wenn solche Situationen später tatsächlich vorkommen.
Die Frage lautet deshalb nicht nur: „Wie viele Beispiele haben wir?“, sondern auch: „Passen unsere Beispiele zu der Wirklichkeit, in der das Modell später benutzt wird?“
Datenqualität verstehen
Fünf typische Qualitätsprobleme
Ein Datensatz kann aus verschiedenen Gründen problematisch sein.
- Fehlerhafte Daten: Ein Bild ist unscharf, ein Messwert falsch oder eine Tabellenzeile beschädigt.
- Falsche Labels: Ein Apfel wurde versehentlich als Birne beschriftet.
- Einseitige Auswahl: Es wurden fast nur rote Äpfel fotografiert.
- Fehlende Vielfalt: Bestimmte Sorten, Blickwinkel oder Situationen fehlen.
- Doppelte Beispiele: Dieselben oder fast identische Daten kommen sehr oft vor und lassen den Datensatz größer wirken, als er inhaltlich ist.
Repräsentativität
Ein Datensatz ist repräsentativ für eine Aufgabe, wenn wichtige Situationen der späteren Wirklichkeit angemessen vorkommen. Das bedeutet nicht, dass jedes denkbare Beispiel enthalten sein muss. Aber die Auswahl sollte nicht so einseitig sein, dass das Modell nur eine schmale Teilwelt kennenlernt.
Ein Beispiel: Wenn ein Bilderkennungssystem Verkehrszeichen erkennen soll, aber nur Fotos bei Sonnenschein sieht, kann es bei Regen, Nebel oder Dämmerung schlechter funktionieren. Die Daten müssen deshalb zur geplanten Anwendung passen.
Auswahl ist eine Entscheidung
Welche Beispiele gesammelt werden, ist keine rein technische Frage. Menschen entscheiden, wo Daten herkommen, welche Daten ausgeschlossen werden und welche Kategorien wichtig sind. Diese Auswahl kann vernünftig sein, aber sie kann auch unbeabsichtigt blinde Flecken erzeugen.
Deshalb ist Quellenkritik auch bei Datensätzen wichtig. Du solltest fragen: Wer hat die Daten gesammelt? Zu welchem Zweck? Unter welchen Bedingungen? Was fehlt möglicherweise?
Visualisierung: Muster und Gruppen sehen
Punkte statt Einzelbeispiele
Bei größeren Datensätzen helfen Diagramme, Muster zu erkennen. Jeder Punkt kann für ein Beispiel stehen. Seine Position zeigt bestimmte Merkmale.
Der bekannte Iris-Datensatz enthält Messwerte verschiedener Schwertlilienarten. In der Visualisierung erkennt man, dass sich manche Gruppen deutlich unterscheiden, andere aber überlappen. Das ist wichtig: Daten bilden nicht immer saubere, perfekt getrennte Gruppen. Ein Modell muss häufig mit unsicheren Grenzfällen umgehen.
Mathematik-Verbindung
Diagramme helfen Dir, Verteilungen und Häufigkeiten zu vergleichen. Aber ein Diagramm erklärt nicht automatisch, warum ein Muster entsteht. Du musst weiterhin prüfen, welche Daten dargestellt werden, welche Skala verwendet wird und welche Daten fehlen.
Eine gute mathematische Frage lautet: „Welche Aussage erlaubt die Darstellung wirklich – und welche Aussage wäre zu weitgehend?“
Verzerrungen und Fairness
Was bedeutet Verzerrung?
Eine Verzerrung oder ein Bias entsteht, wenn Daten, Auswahlregeln oder Bewertungen systematisch in eine Richtung verschoben sind. Das muss nicht absichtlich geschehen.
Wenn zum Beispiel ein Empfehlungssystem nur aus den Ausleihen einer einzigen Klasse lernt, kann es die Interessen anderer Klassen schlecht abbilden. Wenn ein Datensatz überwiegend einen bestimmten Bildtyp enthält, kann ein Bilderkennungssystem bei anderen Bildtypen schlechter sein.
Die Zielscheiben veranschaulichen den Unterschied zwischen zufälliger Streuung und systematischer Verschiebung. Für diesen Kurs ist vor allem die Idee wichtig: Viele Fehler können zufällig verteilt sein, oder sie können dauerhaft in eine bestimmte Richtung gehen.
Das Video des KI-Campus erklärt, warum verzerrte Trainingsdaten problematisch sein können und weshalb ausgewogene Daten wichtig sind.
Fairness braucht menschliche Entscheidungen
Ein technisches System kann nicht allein festlegen, was in einer Gesellschaft als fair gelten soll. Menschen müssen Ziele, Regeln und Folgen diskutieren. Besonders bei Entscheidungen über Menschen ist es wichtig, automatische Ergebnisse nicht einfach zu übernehmen.
Human Agency bedeutet hier: Du bleibst handelnd und urteilsfähig. Du kannst nachfragen, widersprechen, Quellen prüfen, weitere Daten verlangen und eine menschliche Entscheidung einfordern.
Realistische Anwendung: Empfehlungen für die Schulbibliothek
Ausgangssituation
Die Schulbibliothek möchte ein einfaches Empfehlungssystem testen. Das System soll aus vergangenen Ausleihen ableiten, welche Bucharten besonders empfohlen werden sollen. Als Trainingsdaten wurden zunächst zwölf Ausleihen aus nur einer Klasse gesammelt.
| Genre | Anzahl im Trainingsdatensatz | einfache Visualisierung |
|---|---|---|
| Fantasy | 6 | ■■■■■■ |
| Comic | 4 | ■■■■ |
| Sachbuch | 1 | ■ |
| Abenteuer | 1 | ■ |
| Gedichte | 0 |
Das System könnte daraus ableiten: „Fantasy ist mit Abstand am beliebtesten.“ Diese Aussage beschreibt den kleinen Datensatz. Sie muss aber nicht die gesamte Schule beschreiben.
Prüfe die Anwendung
Untersuche die Situation mit diesen Fragen:
- Welche Schülerinnen und Schüler sind im Datensatz vertreten?
- Welche Klassen oder Gruppen fehlen?
- Bedeutet „häufig ausgeliehen“ automatisch „für alle besonders geeignet“?
- Welche zusätzlichen Daten würdest Du sammeln?
- Welche Entscheidung sollte am Ende ein Mensch treffen?
Ein verantwortungsvoller Plan könnte darin bestehen, Daten aus mehreren Klassenstufen und Zeiträumen zu vergleichen, verschiedene Interessen einzubeziehen und Empfehlungen nicht als endgültiges Urteil auszugeben. Die Bibliothek könnte außerdem Rückmeldungen ermöglichen und transparent erklären, worauf eine Empfehlung beruht.
Der 5-Finger-Datencheck
Eine einfache Prüfroutine
Mit dieser Routine kannst Du neue Datensätze oder KI-Anwendungen systematisch untersuchen.
- Daumen – Zweck: Wofür sollen die Daten benutzt werden?
- Zeigefinger – Quelle: Woher kommen die Beispiele und wer hat sie ausgewählt?
- Mittelfinger – Vielfalt: Welche wichtigen Fälle fehlen oder sind zu selten?
- Ringfinger – Labels und Fehler: Sind Beschriftungen verständlich, einheitlich und möglichst korrekt?
- Kleiner Finger – Test: Funktioniert das Ergebnis auch bei neuen Beispielen und werden Fehler weiter geprüft?
Wenn Du diese fünf Fragen beantworten kannst, hast Du bereits eine einfache, aber wirkungsvolle Prüfroutine für Datenqualität und verantwortlichen KI-Einsatz.
Experiment 2: Ein Label-Fehler verändert das Muster
Eine kleine Veränderung
Nimm den Obst-Datensatz aus Experiment 1. Ändere bei einem runden roten Apfel das Label absichtlich in „Birne“. Überlege anschließend:
- Welche einfache Regel würdest Du jetzt bilden?
- Wird die Aufgabe eindeutiger oder unklarer?
- Wie könntest Du den Fehler entdecken?
- Reicht es, nur das Modell zu verändern, oder musst Du auch die Daten prüfen?
Dieses Experiment zeigt: Ein schlechtes Ergebnis kann nicht nur am Lernverfahren liegen. Die Ursache kann in den Daten stecken. Deshalb beginnt Fehlersuche oft mit einem Blick auf die Beispiele.
Menschen hinter den Daten
Beschriften ist Arbeit
Datensätze werden häufig von Menschen vorbereitet. Sie fotografieren, messen, schreiben, sortieren, prüfen oder beschriften. Diese Arbeit kann anspruchsvoll sein, weil Grenzfälle geklärt und Regeln einheitlich angewendet werden müssen.
Das Bild erinnert daran, dass KI-Systeme nicht unabhängig von Menschen entstehen. Hinter Datensätzen stehen Entscheidungen, Arbeitsbedingungen, Regeln und Qualitätskontrollen.
Transparenz
Transparenz bedeutet nicht, dass jedes technische Detail für alle sichtbar sein muss. Für verantwortlichen Einsatz sollten aber wichtige Fragen beantwortbar sein: Welche Art von Daten wurde verwendet? Für welchen Zweck? Welche Grenzen sind bekannt? Wie kann ein Fehler gemeldet oder überprüft werden?
Bei einem KI-Ergebnis ist deshalb eine gute Haltung: Nutze das Ergebnis als Hinweis oder Werkzeug – nicht automatisch als Wahrheit.
Trainingsdaten bei Sprachmodellen
Texte als Beispiele
Auch Sprachmodelle lernen aus sehr großen Textsammlungen. Dabei geht es nicht darum, jeden Satz wie in einem Wörterbuch nachzuschlagen. Beim Training werden statistische Muster in Sprache gelernt. Ein Modell kann deshalb flüssige Texte erzeugen, ohne sicherzustellen, dass jede Aussage stimmt.
Das Video der Max-Planck-Gesellschaft greift auf, warum große Textmengen allein noch keine Garantie für gute oder wahre Antworten sind.
Für Dich folgt daraus eine wichtige Medienbildungs-Regel: Prüfe wichtige Aussagen mit verlässlichen Quellen. Eine überzeugend klingende KI-Antwort ist noch kein Beweis.
Typische Fehlvorstellungen korrigieren
Fehlvorstellung 1: Mehr Daten sind immer besser
Mehr Daten können helfen, wenn sie zur Aufgabe passen. Tausende fast identische oder falsch beschriftete Beispiele können aber weniger nützlich sein als ein kleinerer, sorgfältig zusammengestellter Datensatz.
Fehlvorstellung 2: Ein Label ist automatisch wahr
Labels werden nach Regeln vergeben. Sie können falsch, uneinheitlich oder bei schwierigen Kategorien umstritten sein. Gute Datenarbeit prüft deshalb auch die Beschriftungen.
Fehlvorstellung 3: Gute Ergebnisse im Training beweisen gute Ergebnisse im Alltag
Ein Modell kann Trainingsbeispiele sehr gut kennen und bei neuen Fällen trotzdem scheitern. Deshalb braucht man getrennte Testbeispiele.
Fehlvorstellung 4: Ein KI-System ist neutral, weil es ein Computer ist
Computer rechnen nach Verfahren. Aber Datenauswahl, Kategorien, Ziele und Bewertungsmaßstäbe werden von Menschen festgelegt. Auch historische Daten können bestehende Ungleichgewichte enthalten.
Fehlvorstellung 5: Ein Modell versteht Beispiele genau wie ein Mensch
Das Wort „lernen“ ist eine nützliche Kurzform, kann aber täuschen. Maschinelles Lernen arbeitet mit mathematischen Mustern in Daten. Ein Modell hat nicht automatisch menschliches Alltagswissen, Absichten oder Verständnis.
Selbstkontrolle
Ampel-Check
Bewerte Dich selbst mit Grün, Gelb oder Rot.
| Aussage | Grün | Gelb | Rot |
|---|---|---|---|
| Ich kann Trainingsdaten mit eigenen Worten erklären. | sicher | teilweise | noch nicht |
| Ich kann einen Datensatz auf fehlende Vielfalt prüfen. | sicher | teilweise | noch nicht |
| Ich kann erklären, warum Testdaten neu sein müssen. | sicher | teilweise | noch nicht |
| Ich kann einen möglichen Label-Fehler erkennen und begründen. | sicher | teilweise | noch nicht |
| Ich kann bei einem KI-Ergebnis eine sinnvolle Prüffrage stellen. | sicher | teilweise | noch nicht |
Wenn Du bei einer Aussage Gelb oder Rot gewählt hast, suche im Kurs den passenden Abschnitt und formuliere danach einen Beispielsatz in eigenen Worten.
Reflexion und Transfer
Drei Fragen für Deinen Alltag
Überlege zu einer KI-Anwendung, die Du kennst:
- Welche Art von Beispielen könnte dieses System zum Lernen gebraucht haben?
- Welche Beispiele könnten fehlen?
- Welche Entscheidung möchtest Du trotz KI-Empfehlung selbst treffen oder von einem Menschen prüfen lassen?
Übertrage anschließend den 5-Finger-Datencheck auf eine ganz andere Situation, zum Beispiel eine Wettervorhersage, einen Spamfilter, eine Bilderkennung oder eine Empfehlung in einer Lernplattform.
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Warum verwendet man Trainingsdaten? (Damit ein Modell aus Beispielen Muster lernen kann) (!Damit ein Computer ohne Daten arbeiten kann) (!Damit jedes Ergebnis automatisch wahr wird) (!Damit keine Testdaten mehr nötig sind)
Was ist ein Label in einem beschrifteten Datensatz? (Eine zugeordnete Bezeichnung für ein Beispiel) (!Die Dateigröße des Datensatzes) (!Die Reihenfolge der Beispiele) (!Die Geschwindigkeit des Computers)
Warum sollten Testdaten beim Training unbekannt bleiben? (Damit man prüfen kann, ob das Gelernte auf neue Fälle übertragbar ist) (!Damit der Datensatz möglichst klein bleibt) (!Damit keine Labels benötigt werden) (!Damit das Modell die Testdaten auswendig lernt)
Ein Bilderdatensatz enthält fast nur Aufnahmen bei Sonnenschein. Was ist das größte Problem? (Die Auswahl ist für andere Wetterbedingungen möglicherweise nicht repräsentativ) (!Die Bilder sind deshalb automatisch falsch beschriftet) (!Das Modell kann grundsätzlich keine Bilder verarbeiten) (!Der Datensatz darf keine Farben enthalten)
Was kann ein falsches Label bewirken? (Das Modell erhält ein irreführendes Lernbeispiel) (!Das Modell bekommt automatisch mehr Rechenleistung) (!Der Datensatz wird dadurch repräsentativer) (!Testdaten werden dadurch überflüssig)
Welche Aussage über große Datensätze ist richtig? (Auch ein großer Datensatz kann einseitig oder fehlerhaft sein) (!Große Datensätze sind immer fair) (!Ab einer bestimmten Größe sind Labels unwichtig) (!Große Datensätze brauchen keine Qualitätsprüfung)
Eine Schulbibliothek trainiert Empfehlungen nur mit Daten einer Klasse. Was sollte man zuerst prüfen? (Ob andere Klassen und Interessen ausreichend vertreten sind) (!Ob alle Bücher dieselbe Farbe haben) (!Ob der Computer einen größeren Bildschirm hat) (!Ob die Datensätze alphabetisch sortiert sind)
Was bedeutet eine Verzerrung in Daten am ehesten? (Eine systematische Schieflage in Auswahl oder Darstellung) (!Jeder zufällige einzelne Tippfehler) (!Eine besonders schnelle Berechnung) (!Eine vollständige und ausgewogene Stichprobe)
Was ist ein gutes Beispiel für Human Agency beim Einsatz von KI? (Du prüfst Ergebnisse und triffst wichtige Entscheidungen bewusst selbst) (!Du übernimmst jede Ausgabe ohne Prüfung) (!Du versteckst die verwendeten Datenquellen) (!Du lässt Testdaten absichtlich weg)
Woran erkennst Du, ob ein gelerntes Muster nützlich ist? (Es bewährt sich auch an neuen passenden Beispielen) (!Es funktioniert nur bei den Trainingsbeispielen) (!Es verwendet möglichst viele Fachwörter) (!Es erzeugt immer dieselbe Antwort)
Memory
| Trainingsdaten | Beispiele zum Lernen |
| Testdaten | Neue Beispiele zur Prüfung |
| Label | Zugeordnete Bezeichnung |
| Repräsentativität | Passende Abbildung wichtiger Fälle |
| Datenqualität | Zuverlässigkeit und Eignung von Daten |
| Verzerrung | Systematische Schieflage |
| Transparenz | Nachvollziehbare Herkunft und Grenzen |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Quelle prüfen | Woher stammen die Daten? |
| Vielfalt prüfen | Welche wichtigen Fälle fehlen? |
| Labels prüfen | Sind die Beschriftungen passend? |
| Testen | Funktioniert das Muster bei neuen Beispielen? |
| Folgen prüfen | Wer könnte durch Fehler betroffen sein? |
...
Kreuzworträtsel
| Datensatz | Wie nennt man eine geordnete Sammlung von Beispielen oder Messwerten? |
| Label | Wie heißt die Bezeichnung, die einem Beispiel zugeordnet wird? |
| Vielfalt | Welches Wort beschreibt, dass unterschiedliche wichtige Fälle vorkommen? |
| Auswahl | Welcher Vorgang entscheidet, welche Beispiele in einen Datensatz gelangen? |
| Fehler | Was sollte man in Daten und Beschriftungen gezielt suchen und korrigieren? |
| Fairness | Welcher Begriff beschreibt das Ziel, Menschen oder Gruppen nicht unangemessen zu benachteiligen? |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Beispiel-Sammlung: Sammle zehn Gegenstände im Klassenraum oder zehn selbst gezeichnete Symbole. Lege zwei Kategorien fest und erkläre, welche Merkmale Du zum Sortieren benutzt.
- Fehlerdetektiv: Erfinde einen kleinen Datensatz mit acht Einträgen und baue absichtlich zwei Fehler ein. Tausche ihn mit einer anderen Person und lass die Fehler finden.
- Datenbild: Stelle die Häufigkeiten eines kleinen Datensatzes als Balken oder Punktdiagramm dar. Schreibe zwei Aussagen, die das Diagramm sicher zeigt, und eine Aussage, die man daraus nicht ableiten darf.
- Label-Wörter: Finde drei Beispiele, bei denen die Wahl eines Labels schwierig sein kann. Formuliere eine kurze Regel, die die Beschriftung eindeutiger macht.
Standard
- Beobachtungsdatensatz: Sammle zu einem naturwissenschaftlichen Thema zehn Beobachtungen, zum Beispiel Blattmerkmale oder Wetterbeobachtungen. Prüfe anschließend, welche Fälle in Deiner Sammlung fehlen.
- Bildperspektiven: Fotografiere oder zeichne denselben Gegenstand aus vier verschiedenen Blickwinkeln. Erkläre, warum ein Bilderkennungssystem unterschiedliche Perspektiven in Trainingsdaten brauchen könnte.
- Stichprobenvergleich: Vergleiche zwei kleine Stichproben mit unterschiedlichen Zusammensetzungen. Zeige mit Häufigkeiten oder Anteilen, wie sich dadurch eine Schlussfolgerung verändern kann.
- KI-Prüfprotokoll: Untersuche ein KI-generiertes Ergebnis mit dem 5-Finger-Datencheck. Notiere, was Du sicher weißt, was Du nur vermutest und welche Quelle Du zusätzlich prüfen würdest.
Schwer
- Faire Empfehlung: Entwirf für eine Schulbibliothek einen Plan, wie Daten für Empfehlungen möglichst ausgewogen gesammelt werden könnten. Begründe, welche Gruppen, Zeiträume und Rückmeldungen berücksichtigt werden sollten.
- Entscheidung und Verantwortung: Entwickle ein kurzes Rollenspiel zu einer automatisierten Entscheidung in der Schule. Eine Person vertritt das System, eine betroffene Person fragt kritisch nach und eine dritte Person übernimmt die menschliche Kontrolle.
- Trainings-Test-Experiment: Erstelle selbst zwölf Beispiele, teile sie in Trainings- und Testdaten und entwickle eine einfache Regel aus den Trainingsdaten. Prüfe anschließend, wie gut sie bei den Testdaten funktioniert und verbessere Deinen Datensatz.
- Grenzen automatischer Urteile: Schreibe eine begründete Stellungnahme dazu, bei welchen Entscheidungen KI nur beraten sollte und warum ein Mensch die Verantwortung behalten muss. Verwende mindestens zwei Beispiele aus dem Kurs.
|
|
Lernkontrolle
- Neuer Datensatz: Du erhältst einen Datensatz mit Bildern von Fahrrädern, die fast alle von der Seite und bei Tageslicht aufgenommen wurden. Erkläre, welche Probleme bei einer späteren Erkennung auftreten könnten und wie Du den Datensatz verbessern würdest.
- Ursachen prüfen: Ein Modell erkennt Trainingsbeispiele sehr gut, macht aber bei neuen Beispielen viele Fehler. Nenne mindestens drei mögliche Ursachen und ordne sie den Bereichen Auswahl, Labels oder Test zu.
- Stichprobe bewerten: Eine Umfrage zu Lieblingsfächern wurde nur in einer freiwilligen Robotik-AG durchgeführt. Erkläre, warum die Ergebnisse nicht ohne Weiteres für die gesamte Schule gelten.
- Folgen abschätzen: Beschreibe eine Situation, in der ein einseitiger Datensatz zu unfairen Empfehlungen führen könnte. Zeige anschließend zwei Möglichkeiten, wie Menschen eingreifen können.
- Transparenzfrage: Formuliere fünf Fragen, die Du an die Anbieter eines KI-Systems stellen würdest, bevor Du seinen Ergebnissen bei einer wichtigen Aufgabe vertraust.
- Eigene Entscheidung: Erkläre an einem neuen Beispiel, wann Du eine KI-Empfehlung nutzen würdest, wann Du sie überprüfen würdest und wann Du bewusst gegen sie entscheiden könntest.
Lernnachweis
Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe auswendig kennst, sondern Zusammenhänge erklären und auf neue Situationen übertragen kannst.
- Du kannst den Unterschied zwischen Trainings- und Testdaten an einem eigenen Beispiel erklären.
- Du kannst einen kleinen Datensatz auf Datenqualität, Auswahl, Vielfalt und mögliche Label-Fehler untersuchen.
- Du kannst eine Visualisierung lesen und zwischen sicheren Aussagen und zu weitgehenden Schlussfolgerungen unterscheiden.
- Du kannst erklären, wie Verzerrungen entstehen und warum sie zu unfairen oder unzuverlässigen Ergebnissen führen können.
- Du kannst den 5-Finger-Datencheck selbstständig auf eine neue KI-Anwendung anwenden.
- Du kannst typische Fehlvorstellungen korrigieren, zum Beispiel „mehr Daten sind immer besser“ oder „Computer sind automatisch neutral“.
- Du kannst begründen, warum wichtige Entscheidungen menschliche Kontrolle, Transparenz und Quellenkritik brauchen.
OERs zum Thema
Die verwendeten Wikimedia-Commons-Abbildungen sind frei lizenzierte Medien. Die eingebetteten KI-Campus-Videos sind als offene Bildungsressourcen nutzbar; beachte bei jeder Weiterverwendung die jeweilige Lizenzangabe der Originalquelle.
Verknüpfte Lernbereiche
aiMOOC-Projekte
MOOCwiki · Deutsch
Nach dem Lernen ist vor dem Lernen
Entdecke direkt den nächsten Lernkurs. Weitere Inhalte erscheinen, wenn Du weiter nach unten scrollst.
Zur MOOCwiki-HauptseiteMediathek wird aus dem Wiki geladen ...
Keine passenden Inhalte gefunden. Bitte ändere Suche oder Filter.