Wie KI aus Beispielen lernt
Wie KI aus Beispielen lernt
Wie KI aus Beispielen lernt
Zielgruppe: Klasse 5, ohne technische Vorkenntnisse Dauer: etwa 60–90 Minuten, mit Vertiefungen bis etwa 120 Minuten Zentrale KI-Kompetenz: Du verstehst, dass viele KI-Systeme aus Beispielen Muster ableiten. Du kannst prüfen, ob die Beispiele vielfältig und passend sind, Ergebnisse an neuen Fällen testen und begründet entscheiden, wann Du einer KI-Ausgabe vertrauen kannst und wann ein Mensch genauer hinschauen muss.
Das Bild zeigt: Maschinelles Lernen ist ein Teilbereich der Künstlichen Intelligenz. In diesem Lernkurs geht es vor allem um Systeme, die aus Daten und Beispielen lernen.
Einleitung
Stell Dir vor, Du sollst einem Computer beibringen, auf Bildern zwischen einem Blatt mit glattem Rand und einem Blatt mit gezacktem Rand zu unterscheiden. Du könntest ihm viele Beispielbilder zeigen und jeweils dazuschreiben: glatt oder gezackt. Ein System des Maschinellen Lernens kann aus solchen Beispielen Regelmäßigkeiten erkennen. Später bekommt es ein neues Bild und versucht, die passende Kategorie vorherzusagen.
Das klingt ein wenig wie Lernen. Trotzdem lernt eine KI nicht so wie ein Mensch. Sie versteht ein Blatt nicht automatisch als Pflanzenteil, erinnert sich nicht an einen Waldspaziergang und weiß nicht von selbst, warum Pflanzen für ein Ökosystem wichtig sind. Beim maschinellen Lernen werden Daten verarbeitet und mathematische Zusammenhänge angepasst. Das Ergebnis ist ein Modell, das für neue Eingaben Vorhersagen erzeugen kann.
Für Dich ist deshalb nicht nur wichtig, was eine KI antwortet. Mindestens genauso wichtig ist die Frage: Woraus hat sie gelernt, wie wurde sie geprüft und passt ihr Ergebnis zu der neuen Situation?
Das kannst Du nach dem Kurs
- Aus Beispielen lernen: Du kannst mit eigenen Worten erklären, wie aus Beispielen ein Muster und daraus eine Vorhersage entstehen kann.
- Daten prüfen: Du kannst erkennen, ob Trainingsbeispiele zu einseitig, zu wenige, falsch beschriftet oder unpassend sind.
- Mit neuen Fällen testen: Du kannst erklären, warum man eine KI mit Beispielen prüfen muss, die sie beim Training noch nicht gesehen hat.
- Ergebnisse bewerten: Du kannst eine KI-Ausgabe mit Beobachtungen oder verlässlichen Quellen vergleichen.
- Verantwortung übernehmen: Du kannst begründen, warum Menschen Ziel, Daten, Regeln und Folgen eines KI-Einsatzes mitverantworten.
- Wissen übertragen: Du kannst das Prinzip auf eine neue Schul- oder Alltagssituation anwenden und Deine Entscheidung begründen.
Kurzer Unterrichtsplan
| Zeit | Phase | Was Du tust | Schwerpunkt |
|---|---|---|---|
| 5–10 Minuten | Aktivierung | Du sortierst Beispiele nach einer unbekannten Regel und formulierst Vermutungen. | Muster erkennen |
| 10–15 Minuten | Einführung | Du lernst die Begriffe Beispiel, Merkmal, Trainingsdaten, Modell, Vorhersage und Testdaten kennen. | Grundverständnis |
| 15–20 Minuten | Papier-KI | Du spielst selbst eine lernende Sortiermaschine und vergleichst verschiedene Trainingssätze. | Handlungsorientierung |
| 15–20 Minuten | Anwendung | Du planst eine KI-Sortierhilfe für eine realistische Schulsituation. | Datenqualität, Testen, Entscheiden |
| 10–15 Minuten | Fairness und Quellencheck | Du prüfst fehlerhafte oder einseitige Beispiele und begründest Verbesserungen. | Verantwortung |
| 10–15 Minuten | Selbstkontrolle und Transfer | Du löst interaktive Aufgaben und überträgst das Prinzip auf eine neue Situation. | Sicherung |
Für 45–60 Minuten können die Vertiefung zu neuronalen Netzen, ein Teil der offenen Aufgaben und das Kreuzworträtsel ausgelassen werden. Für 90–120 Minuten können Gruppen zusätzlich eigene Datensätze entwickeln, testen und verbessern.
Aktivierung und Diagnose
Spiel: Finde meine geheime Regel
Eine Person denkt sich eine Sortierregel aus. Sie darf die Regel nicht nennen. Nacheinander zeigt sie Karten, Gegenstände oder Wörter und ordnet sie in passt oder passt nicht ein. Die anderen versuchen, aus den Beispielen die Regel zu erkennen.
Beispiel: Die geheime Regel lautet Wörter mit genau zwei Silben. Die Lernenden sehen zunächst nur Beispiele.
| Beispiel | Zuordnung |
|---|---|
| Schule | passt |
| Tafel | passt |
| Elefant | passt nicht |
| Heft | passt nicht |
Nach wenigen Beispielen können mehrere Regeln zu passen scheinen. Vielleicht vermutet jemand statt der Silbenzahl eine bestimmte Wortlänge. Das ist der entscheidende Gedanke: Aus wenigen Beispielen kann man leicht ein falsches Muster ableiten.
Diagnosefrage: Welches neue Wort würdest Du der Gruppe zeigen, um herauszufinden, welche Regel wirklich gemeint ist? Begründe Deine Wahl.
Start-Check
Entscheide zuerst ohne Nachschlagen, ob Du zustimmst. Am Ende des Kurses prüfst Du Deine Antworten erneut.
| Aussage | Dein Starturteil |
|---|---|
| Eine KI kann nur dann aus Beispielen lernen, wenn alle Beispiele gleich aussehen. | stimmt / stimmt nicht / unsicher |
| Viele unterschiedliche passende Beispiele können beim Lernen helfen. | stimmt / stimmt nicht / unsicher |
| Ein Ergebnis ist automatisch richtig, nur weil eine KI sehr sicher klingt. | stimmt / stimmt nicht / unsicher |
| Für einen fairen Test braucht man neue Beispiele. | stimmt / stimmt nicht / unsicher |
| Menschen tragen Verantwortung dafür, welche Daten und Ziele für ein KI-System gewählt werden. | stimmt / stimmt nicht / unsicher |
Wie funktioniert Lernen aus Beispielen?
Schritt 1: Beispiele sammeln
Bei vielen Formen des überwachten Lernens bekommt ein System viele Beispiele zusammen mit einer passenden Bezeichnung. Ein Bild kann zum Beispiel die Bezeichnung Seestern oder Seeigel erhalten. Diese Bezeichnungen nennt man oft Klassen oder Labels.
In der Abbildung werden Beispielbilder mit Formen und Oberflächenmerkmalen verbunden. Für Klasse 5 musst Du die inneren Rechenschritte nicht kennen. Entscheidend ist: Das System versucht, Eigenschaften zu finden, die bei den Beispielen mit bestimmten Lösungen zusammen auftreten.
Merksatz: Ein Beispiel allein zeigt noch keine zuverlässige Regel. Viele passende und unterschiedliche Beispiele können ein Muster deutlicher machen.
Schritt 2: Merkmale und Muster finden
Ein Merkmal ist eine beobachtbare oder messbare Eigenschaft. Bei Bildern könnten das Formen, Kanten, Helligkeiten oder Farbverteilungen sein. Bei Texten können zum Beispiel Wörter, Wortteile oder Reihenfolgen eine Rolle spielen.
Ein Muster ist eine Regelmäßigkeit in den Daten. Das System sucht nicht unbedingt dieselben Merkmale, die ein Mensch bewusst benennen würde. Deshalb darf man aus einem richtigen Ergebnis nicht automatisch schließen, dass die KI auf die richtigen Gründe geachtet hat.
Ein klassisches Gedankenexperiment: Wenn auf allen Trainingsbildern von Katzen zufällig ein rotes Kissen liegt und auf allen Hundebildern ein blaues Kissen, könnte ein System hauptsächlich die Kissenfarbe nutzen. Bei neuen Fotos ohne Kissen kann es dann scheitern.
Schritt 3: Ein Modell entsteht
Beim Training werden mathematische Werte so angepasst, dass das System die Trainingsbeispiele möglichst passend zuordnet. Das Ergebnis nennt man Modell.
Du kannst Dir ein Modell vereinfacht wie eine sehr große Sammlung gelernter Zusammenhänge vorstellen. Es speichert nicht einfach nur eine Schulregel wie gezackter Rand bedeutet Eiche. Stattdessen werden zahlreiche Zahlenwerte so eingestellt, dass bestimmte Eingaben mit bestimmten Ausgaben zusammenpassen.
Wichtig: Das Wort lernen ist hier ein Fachbegriff. Es bedeutet nicht, dass ein Computer so versteht, fühlt oder Erfahrungen macht wie ein Mensch.
Schritt 4: Mit neuen Beispielen testen
Ein System soll nicht nur bekannte Trainingsbeispiele wiedererkennen. Es soll auch bei neuen Fällen sinnvoll arbeiten. Deshalb trennt man Daten häufig in Trainings- und Testdaten.
Trainingsdaten nutzt das System zum Lernen. Testdaten werden zurückgehalten und später genutzt, um zu prüfen, wie gut das Gelernte auf neue Fälle übertragbar ist.
Das ist ein bisschen wie in der Schule: Wenn Du nur genau die fünf Aufgaben auswendig lernst, die später wortgleich im Test vorkommen, wissen wir wenig darüber, ob Du das Prinzip verstanden hast. Eine neue, ähnliche Aufgabe zeigt viel besser, ob Du übertragen kannst.
Schritt 5: Ergebnis prüfen und verbessern
Nach dem Test werden Fehler untersucht. Dann kann man zum Beispiel bessere Daten sammeln, falsche Beschriftungen korrigieren oder das Ziel genauer festlegen. Lernen aus Beispielen ist deshalb oft eine Schleife:
Beispiele sammeln → trainieren → mit neuen Fällen testen → Fehler untersuchen → verbessern
Der wichtigste Schritt für Menschen ist nicht, jede Rechnung im Inneren des Systems selbst durchzuführen. Wichtig ist, gute Fragen zu stellen: Was war das Ziel? Welche Beispiele wurden benutzt? Was fehlt? Wo macht das System Fehler? Welche Folgen hätte ein falsches Ergebnis?
Hands-on: Du bist heute selbst die Papier-KI
Für diese Übung brauchst Du kein Gerät.
Eine Gruppe spielt das Trainingsteam. Eine andere Person spielt die Papier-KI. Das Trainingsteam zeigt Beispielkarten. Die Papier-KI darf zunächst nur aus diesen Beispielen eine Regel ableiten.
Runde 1: Zu wenige Beispiele
Trainingsbeispiele:
| Gegenstand | Merkmal Farbe | Merkmal Form | Lösung |
|---|---|---|---|
| Karte A | rot | rund | Gruppe X |
| Karte B | rot | eckig | Gruppe X |
| Karte C | blau | rund | Gruppe Y |
Jetzt kommt der Testfall: blau und eckig.
Welche Regel hat die Papier-KI gelernt? Vielleicht rot bedeutet X. Vielleicht rund bedeutet etwas anderes. Mit nur drei Beispielen sind verschiedene Regeln denkbar.
Auftrag: Erfindet zwei zusätzliche Trainingsbeispiele, mit denen die gewünschte Regel eindeutig erkennbar wird. Erklärt, warum Eure neuen Beispiele besonders hilfreich sind.
Runde 2: Ein absichtlich schiefer Datensatz
Nehmt zehn Karten mit zwei Formen. Für Form A zeigt Ihr neun Beispiele in hellem Licht und nur ein Beispiel im Schatten. Für Form B zeigt Ihr dagegen fast nur dunkle Beispiele.
Frage: Was könnte die Papier-KI fälschlich lernen?
Mögliche Erkenntnis: Das System könnte Helligkeit mit der Lösung verknüpfen, obwohl eigentlich die Form entscheidend sein sollte.
Datenqualität bedeutet deshalb nicht nur viele Daten. Daten sollten auch zum Ziel passen, ausreichend vielfältig sein und möglichst wenig falsche oder irreführende Zusammenhänge enthalten.
Realistische Anwendung: Eine KI-Sortierhilfe für die Schule
Stell Dir vor, Eure Schule möchte im Rahmen einer Projektwoche eine kleine Kamera-Anwendung testen. Sie soll Gegenstände auf einem Tisch den Projektkategorien Papier, Kunststoff und Bio zuordnen. Es geht um ein Lernexperiment, nicht um die verbindlichen Entsorgungsregeln vor Ort.
Auftrag 1: Trainingsbeispiele planen
Eine schlechte Idee wäre, pro Kategorie nur ein Foto zu verwenden. Besser ist ein vielfältiger Datensatz.
| Kategorie | Sinnvolle Variation | Warum? |
|---|---|---|
| Papier | weißes Blatt, Zeitung, Karton, zerknittertes Papier, verschiedene Blickwinkel | Papier sieht nicht immer gleich aus. |
| Kunststoff | Verpackung, Deckel, transparente und farbige Gegenstände, unterschiedliche Formen | Farbe allein soll nicht die Entscheidung bestimmen. |
| Bio | Apfelschale, Bananenschale, Salatblatt, Brotrest | Die Kategorie enthält sehr unterschiedliche Dinge. |
Entscheidung: Welche zusätzlichen Beispiele würdest Du aufnehmen? Begründe mindestens zwei davon.
Auftrag 2: Testfälle wählen
Gute Testfälle sind neu und nicht bloß Kopien der Trainingsbilder.
Beispiele:
- Ein zerknittertes Blatt bei schwachem Licht
- Eine transparente Kunststoffverpackung vor weißem Hintergrund
- Eine teilweise verdeckte Bananenschale
- Ein Gegenstand, der in keine der drei Projektkategorien passt
Der letzte Fall ist besonders wichtig. Ein gutes System sollte nicht gezwungen werden, immer eine der bekannten Kategorien zu wählen. Manchmal ist unsicher oder unbekannt die verantwortungsvollere Ausgabe.
Auftrag 3: Entscheidung des Menschen
Nehmt an, die KI ordnet einen unbekannten Gegenstand mit geringer Sicherheit Papier zu. Was soll passieren?
Eine sinnvolle Regel für das Schulprojekt könnte lauten: Bei Unsicherheit fragt das System einen Menschen. So bleibt die Verantwortung nicht unsichtbar bei einer Maschine.
Das ist ein Beispiel für menschliche Handlungsmacht: Menschen setzen das Ziel, wählen Daten, beobachten Fehler, bestimmen Sicherheitsregeln und treffen bei wichtigen oder unklaren Fällen die letzte Entscheidung.
Naturwissenschaften trifft KI: Blätter vergleichen
In Biologie oder Naturwissenschaften könnt Ihr Blätter sammeln, zeichnen oder fotografieren und Merkmale vergleichen.
Mögliche Merkmale sind Form, Blattrand, Aderung oder Verhältnis von Länge und Breite. Dabei wird schnell klar: Natur ist vielfältig. Zwei Blätter derselben Art können unterschiedlich groß, beschädigt oder teilweise verdeckt sein.
Forscherauftrag: Wählt ein Merkmal, das für Eure Sortieraufgabe wichtig sein soll. Sammelt Beispiele, die dieses Merkmal in verschiedenen Varianten zeigen. Notiert zusätzlich Fälle, bei denen Ihr selbst unsicher seid.
Für ein digitales Schulprojekt gilt: Fotografiert möglichst Gegenstände, Pflanzen oder selbst erstellte Karten. Nehmt nicht unnötig Gesichter, Namen oder andere persönliche Informationen auf.
Was kann schiefgehen?
Zu wenige Beispiele
Wenn ein System nur sehr wenige Beispiele sieht, kann es zufällige Eigenschaften für wichtig halten. Ein neuer Fall passt dann möglicherweise nicht mehr zum gelernten Muster.
Einseitige Beispiele
Ein Datensatz kann groß sein und trotzdem wichtige Varianten fehlen. Wenn alle Trainingsbilder nur bei Sonnenschein aufgenommen wurden, kann das System bei Schatten schlechter werden. Wenn eine Sprach-KI fast nur eine bestimmte Schreibweise kennt, kann sie andere Formulierungen schlechter einordnen.
Falsch beschriftete Beispiele
Wenn Trainingsbeispiele falsche Lösungen enthalten, lernt das System aus widersprüchlichen oder fehlerhaften Informationen. Deshalb ist die Qualität der Beschriftungen wichtig.
Die falsche Abkürzung
Ein System kann eine Eigenschaft nutzen, die zufällig mit der Lösung zusammenhängt. Das rote Kissen bei Katzenbildern wäre so eine Abkürzung. Man spricht in der Fachwelt oft davon, dass ein Modell unerwünschte Zusammenhänge gelernt hat.
Zu stark auf Trainingsdaten angepasst
Ein Modell kann Trainingsbeispiele sehr gut kennen und trotzdem bei neuen Beispielen scheitern. Dieses Problem nennt man Überanpassung.
Für Klasse 5 genügt das Denkbild: Auswendiglernen ist nicht dasselbe wie Übertragen.
Fairness: Gute Daten sind nicht nur viele Daten
Verzerrungen können entstehen, wenn wichtige Gruppen, Situationen oder Varianten in Daten fehlen oder falsch dargestellt sind. Das kann bei manchen Anwendungen zu unfairen Ergebnissen führen.
Ein Beispiel ohne personenbezogene Entscheidung: Eine Spracherkennung wird nur mit Aufnahmen aus sehr ruhigen Räumen trainiert. In einer lauten Schulmensa versteht sie manche Stimmen deutlich schlechter. Das ist zunächst ein Qualitätsproblem. Wenn solche Unterschiede bestimmte Menschen regelmäßig stärker treffen, wird daraus zusätzlich eine Frage der Fairness.
Fairness-Check für Klasse 5:
- Wer oder was kommt in den Beispielen vor?
- Wer oder was fehlt?
- Unter welchen Bedingungen wurden die Beispiele gesammelt?
- Bei welchen Fällen macht das System besonders viele Fehler?
- Was könnte passieren, wenn wir diesen Fehler einfach akzeptieren?
Menschen müssen diese Fragen stellen. Eine KI kann nicht selbst festlegen, welche Folgen in Eurer Situation gerecht oder akzeptabel sind.
Quellenkritik: Eine KI-Ausgabe ist noch keine Quelle
Generative KI kann Texte, Bilder oder Antworten erzeugen, die überzeugend wirken. Trotzdem kann eine Ausgabe Fehler enthalten oder Informationen erfinden. Deshalb gilt im Unterricht: Eine KI-Antwort ist ein Hinweis oder Arbeitsmaterial, aber nicht automatisch ein Beleg.
Nutze den Drei-Fragen-Check:
- Wer oder was ist die ursprüngliche Quelle? Suche nach einem Schulbuch, einer Fachseite, einer Behörde, einem Museum, einer Universität oder einer anderen nachvollziehbaren Quelle.
- Kann ich die Aussage prüfen? Vergleiche wichtige Angaben mit mindestens einer unabhängigen verlässlichen Quelle.
- Passt die Information zum Auftrag? Eine sachlich richtige Antwort kann trotzdem unpassend, zu alt oder zu allgemein sein.
So lernst Du verantwortungsvoll mit KI
Ein sinnvoller Umgang mit KI bedeutet nicht, jede Aufgabe von einer Maschine lösen zu lassen. Gute KI-Nutzung stärkt Dein eigenes Denken.
Vor der Nutzung: Formuliere selbst, was Du herausfinden oder gestalten willst. Während der Nutzung: Beobachte, welche Daten oder Beispiele wichtig sein könnten. Gib keine unnötigen persönlichen Daten ein. Nach der Ausgabe: Prüfe Ergebnisse, Quellen und mögliche Fehler. Bei Entscheidungen: Begründe selbst, warum Du einer Empfehlung folgst oder nicht. Bei Unsicherheit: Frage eine Lehrkraft, einen Fachmenschen oder nutze eine verlässliche Quelle.
So bleibt KI ein Werkzeug und Du bleibst handelnde Person.
Fächerübergreifende Bezüge
| Fach | Verbindung zum Thema | Handlungsorientierte Idee |
|---|---|---|
| Informatik | Daten, Muster, Algorithmen, Training und Test | Ein Kartensortiersystem entwickeln und mit neuen Fällen testen |
| Deutsch | Wörter, Kategorien, Bedeutung, Quellenkritik | Sätze nach selbst gewählten sprachlichen Merkmalen klassifizieren und Grenzfälle diskutieren |
| Mathematik | Zählen, Häufigkeiten, Anteile, Vergleiche | Fehler in zehn Testfällen zählen und Trefferanteile vergleichen |
| Naturwissenschaften | Beobachten, Merkmale beschreiben, Arten und Formen unterscheiden | Blätter oder Steine nach nachvollziehbaren Merkmalen sortieren |
| Kunst | Form, Farbe, Kontrast, Muster und Bildwirkung | Untersuchen, welche sichtbaren Merkmale eine Bildsortierung beeinflussen könnten |
| Ethik | Verantwortung, Fairness, Folgen von Entscheidungen | Entscheiden, wann eine Maschine beraten darf und wann Menschen entscheiden müssen |
| Medienbildung | KI-Ausgaben prüfen, Quellen suchen, Privatsphäre schützen | Eine KI-Behauptung mit zwei verlässlichen Quellen überprüfen |
Mathematik-Minilabor: Wie gut ist unser Test?
Ein System wird mit zehn neuen Beispielen getestet. Es ordnet acht richtig und zwei falsch zu.
Trefferanteil: 8 von 10 = 80 Prozent.
Doch diese Zahl allein reicht nicht. Angenommen, alle zwei Fehler betreffen dieselbe seltene Kategorie. Dann solltest Du genauer untersuchen, ob diese Kategorie in den Trainingsdaten zu wenig vorkam.
Auftrag: Erfinde einen zweiten Test mit ebenfalls 80 Prozent Trefferanteil, bei dem die Fehler anders verteilt sind. Erkläre, warum die gleiche Gesamtzahl trotzdem zu einer anderen Bewertung führen kann.
Deutsch-Minilabor: Wörter aus Beispielen einordnen
Trainingsbeispiele:
| Wort | Kategorie |
|---|---|
| Katze | Tier |
| Elefant | Tier |
| Schule | kein Tier |
| Tasche | kein Tier |
Nun kommen Maus, Tiger, Haus und Schlange als Testwörter.
Das Beispiel wirkt zunächst leicht. Aber was ist mit dem Wort Maus in der Bedeutung Computermaus? Hier zeigt sich: Sprache braucht Kontext. Ein Wort kann je nach Satz etwas anderes bedeuten. Daten ohne Kontext können zu falschen Zuordnungen führen.
Auftrag: Schreibe zwei Sätze mit demselben Wort, in denen das Wort unterschiedliche Bedeutungen hat. Erkläre, warum eine KI den Satzkontext beachten müsste.
Kunst-Minilabor: Wenn Farbe zur falschen Spur wird
Male oder gestalte acht Karten mit zwei Formen. Verwende Farben so, dass Form und Farbe zunächst zufällig zusammenpassen. Tausche danach die Farben.
Beobachte: Eine Sortierregel, die nur Farbe nutzt, kann im ersten Datensatz funktionieren und im zweiten scheitern. Damit wird sichtbar, warum ein System auf das passende Merkmal achten sollte.
Gestaltungsfrage: Wie könntest Du Deine Karten so verändern, dass Farbe keine verlässliche Abkürzung mehr ist?
Vertiefung: Was ist ein neuronales Netz?
Ein künstliches neuronales Netz ist eine Möglichkeit, ein Modell aufzubauen. Viele kleine Recheneinheiten sind in Schichten miteinander verbunden. Beim Training werden Zahlenwerte an diesen Verbindungen verändert.
Der Name erinnert an Nervennetze im Gehirn. Ein künstliches neuronales Netz ist aber kein kleines Gehirn. Es ist ein mathematisches Modell mit Rechenschritten.
Für diesen Kurs musst Du die Formeln nicht kennen. Die wichtige Verbindung lautet: Auch ein neuronales Netz braucht Daten, Training, Tests und menschliche Kontrolle.
Für eine freiwillige Vertiefung zeigt das folgende Video aus der Wissenschaftskommunikation verschiedene Arten maschinellen Lernens:
Die Beispiel-Prüf-Schleife
Merke Dir für neue Situationen diese fünf Schritte:
- Ziel klären: Was soll die KI überhaupt unterscheiden, vorhersagen oder erzeugen?
- Beispiele prüfen: Sind die Daten passend, vielfältig, korrekt und sicher gesammelt?
- Muster hinterfragen: Könnte die KI eine falsche Abkürzung nutzen?
- Neu testen: Funktioniert das Modell auch bei unbekannten, schwierigen oder ungewöhnlichen Fällen?
- Menschlich entscheiden: Welche Fehler sind akzeptabel, welche Folgen hätte ein Irrtum und wer übernimmt Verantwortung?
Diese Schleife ist wichtiger als das Auswendiglernen einzelner Fachbegriffe.
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Warum werden beim maschinellen Lernen viele Beispiele verwendet? (Damit das System Regelmäßigkeiten in passenden Daten erkennen kann) (!Damit der Computer Gefühle entwickelt) (!Damit jede Vorhersage automatisch richtig wird) (!Damit Testdaten überflüssig werden)
Was sind Trainingsdaten? (Beispiele, die ein System beim Lernen verwendet) (!Nur die Ergebnisse eines fertigen Tests) (!Geheime Passwörter für einen Computer) (!Ausschließlich Bilder von Computern)
Warum sind neue Testbeispiele wichtig? (Sie zeigen, ob das Gelernte auf unbekannte Fälle übertragbar ist) (!Sie sorgen dafür, dass alle Trainingsbeispiele vergessen werden) (!Sie ersetzen die Verantwortung von Menschen) (!Sie machen Quellenprüfungen unnötig)
Welche Sammlung ist für eine Bildsortierung meistens hilfreicher? (Vielfältige passende Bilder mit unterschiedlichen Blickwinkeln und Bedingungen) (!Viele identische Kopien desselben Bildes) (!Nur die schönsten Bilder) (!Nur Bilder mit demselben Hintergrund)
Was ist ein Merkmal? (Eine beobachtbare oder messbare Eigenschaft eines Beispiels) (!Ein Versprechen, dass eine KI nie Fehler macht) (!Eine geheime Internetadresse) (!Ein anderes Wort für Testnote)
Was sollte passieren, wenn ein System bei einem wichtigen Fall sehr unsicher ist? (Ein Mensch sollte den Fall genauer prüfen) (!Die unsicherste Antwort muss automatisch gelten) (!Das System darf seine Trainingsdaten erfinden) (!Alle Quellen sollten ignoriert werden)
Was kann bei einseitigen Trainingsdaten passieren? (Das System kann bei fehlenden Varianten häufiger Fehler machen) (!Das System kennt danach automatisch alle Ausnahmen) (!Das System wird dadurch immer fair) (!Neue Testdaten werden bedeutungslos)
Warum ist eine KI-Antwort nicht automatisch eine Quelle? (Sie kann überzeugend klingen und trotzdem Fehler enthalten) (!Weil Computer grundsätzlich keine Texte anzeigen können) (!Weil Quellen nur auf Papier existieren) (!Weil jede KI-Antwort immer falsch ist)
Was bedeutet menschliche Handlungsmacht beim KI-Einsatz? (Menschen setzen Ziele, prüfen Ergebnisse und übernehmen Entscheidungen) (!Menschen müssen jede Rechnung schneller als der Computer ausführen) (!Die KI entscheidet grundsätzlich allein) (!Niemand trägt Verantwortung für die Daten)
Was zeigt ein Modell, das Trainingsbeispiele perfekt kennt, aber bei neuen Fällen oft scheitert? (Es hat möglicherweise zu stark auswendig gelernt statt gut zu übertragen) (!Es benötigt grundsätzlich keine weiteren Tests) (!Es ist automatisch besonders fair) (!Es beweist, dass Datenqualität unwichtig ist)
Memory
| Trainingsdaten | Beispiele zum Lernen |
| Testdaten | Unbekannte Fälle zur Kontrolle |
| Merkmal | Beobachtbare Eigenschaft |
| Muster | Wiederkehrender Zusammenhang |
| Modell | Ergebnis des Trainingsprozesses |
| Fairness | Gerechte Berücksichtigung verschiedener Fälle |
| Quellenkritik | Aussagen mit verlässlichen Belegen prüfen |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Sammeln | Vielfältige passende Beispiele auswählen |
| Beschriften | Beispielen die beabsichtigte Lösung zuordnen |
| Trainieren | Zusammenhänge aus Beispielen anpassen |
| Testen | Unbekannte Fälle zur Kontrolle verwenden |
| Prüfen | Fehler, Folgen und Verbesserungen beurteilen |
...
Kreuzworträtsel
| Daten | Woraus bestehen die Beispiele, mit denen ein System trainiert wird? |
| Muster | Wie nennt man einen wiederkehrenden Zusammenhang in Beispielen? |
| Modell | Wie heißt das Ergebnis eines Trainingsprozesses? |
| Testen | Was tut man mit neuen Fällen, um eine Übertragung zu prüfen? |
| Fairness | Welcher Begriff bezeichnet die Frage nach gerechter Behandlung verschiedener Fälle? |
| Merkmal | Wie heißt eine beobachtbare Eigenschaft eines Beispiels? |
LearningApps
Lückentext
Selbstkontrolle
Gehe noch einmal zum Start-Check zurück.
- Die Aussage Eine KI braucht nur gleichartige Beispiele ist falsch. Vielfalt hilft dabei, neue Varianten besser abzudecken.
- Die Aussage Viele unterschiedliche passende Beispiele können helfen ist richtig, aber Menge allein garantiert keine Qualität.
- Die Aussage Sicher klingende KI-Antworten sind automatisch richtig ist falsch.
- Die Aussage Ein fairer Test braucht neue Beispiele ist richtig.
- Die Aussage Menschen tragen Verantwortung für Ziel, Daten und Einsatz ist richtig.
Wenn Du eine Antwort geändert hast, notiere nicht nur vorher falsch, jetzt richtig, sondern den Grund für Deine Änderung.
Reflexion
Beantworte drei Sätze in Deinem Heft oder Lernjournal:
- Heute habe ich verstanden, dass Lernen bei KI bedeutet ...
- Bei Trainingsbeispielen werde ich künftig besonders auf ... achten, weil ...
- Bei einer KI-Ausgabe entscheide ich selbst weiter, indem ich ...
Zusatzfrage: In welcher Situation wäre eine automatische Entscheidung bequem, aber trotzdem keine gute Idee? Begründe.
Transfer: Neue Situation selbstständig beurteilen
Eine Schülergruppe möchte eine KI bauen, die Fotos von Fundstücken aus dem Schulhof in Naturfund, Müll und unklar einordnet. Die Gruppe hat bisher 60 Fotos gesammelt. Fast alle Naturfotos wurden bei Sonnenschein aufgenommen. Fast alle Müllfotos stammen aus einer dunkleren Ecke neben den Tonnen. Für unklar gibt es nur zwei Fotos.
Du sollst entscheiden, ob das System schon im ganzen Schulhof eingesetzt werden sollte.
Bearbeite nacheinander:
- Beschreibe mindestens zwei Probleme im bisherigen Datensatz.
- Schlage mindestens drei neue Arten von Beispielen vor.
- Erkläre, wie Du Trainings- und Testbilder trennen würdest.
- Formuliere eine Regel für unsichere Fälle.
- Entscheide am Ende: jetzt einsetzen, erst verbessern oder nicht einsetzen.
- Begründe Deine Entscheidung mit mindestens drei Argumenten aus der Beispiel-Prüf-Schleife.
Eine gute Lösung besteht nicht darin, eine bestimmte vorgegebene Entscheidung zu erraten. Entscheidend ist, dass Du Daten, Tests, Sicherheit und Verantwortung nachvollziehbar gegeneinander abwägst.
Offene Aufgaben
Leicht
- Sortierkarten: Gestalte zwölf Karten mit Formen, Wörtern oder Gegenständen. Lege zwei Kategorien fest und kennzeichne die richtige Zuordnung auf der Rückseite.
- Merkmal-Safari: Fotografiere oder zeichne fünf Gegenstände ohne Personenbezug und notiere jeweils drei Merkmale, nach denen man sie sortieren könnte.
- Testfall-Werkstatt: Erfinde vier schwierige neue Testfälle zu einer Sortierregel und erkläre, warum sie hilfreicher sind als einfache Kopien.
- Quellen-Check: Nimm eine sachliche Aussage aus einer KI-Antwort oder aus einem fiktiven Beispiel und zeige, mit welchen zwei verlässlichen Quellen Du sie prüfen würdest.
Standard
- Mini-Datensatz: Entwickle mit einer Gruppe einen Datensatz aus mindestens 20 selbst erstellten Beispielen. Achtet bewusst auf unterschiedliche Varianten und dokumentiert Eure Auswahl.
- Fehlerdetektiv: Testet Eure Sortierregel an mindestens zehn unbekannten Beispielen. Notiert nicht nur Fehler, sondern vermutet bei jedem Fehler eine mögliche Ursache.
- Fairness-Redaktion: Erstellt ein Poster mit vier Fragen, mit denen andere Gruppen einseitige oder unfair zusammengestellte Datensätze prüfen können.
- KI-Ergebnis prüfen: Lasst Euch, falls im Unterricht erlaubt, von einer KI drei Aussagen zu einem bekannten Sachthema formulieren. Prüft jede Aussage mit verlässlichen Quellen und dokumentiert Abweichungen.
Schwer
- A-B-Datensatz: Erstellt zwei Trainingssätze für dieselbe Sortieraufgabe. Einer soll ausgewogen sein, der andere absichtlich eine irreführende Abkürzung enthalten. Lasst eine andere Gruppe herausfinden, welcher Datensatz problematischer ist.
- Fehlerstatistik: Führt mindestens 20 Testfälle durch, berechnet den Trefferanteil und untersucht zusätzlich, ob sich Fehler auf eine bestimmte Kategorie konzentrieren.
- Entscheidungsrat: Entwickelt für einen fiktiven schulischen KI-Einsatz Regeln dafür, welche Entscheidungen automatisiert unterstützt werden dürfen und wann immer ein Mensch entscheiden muss.
- Neue Anwendung: Wählt ein neues Beispiel aus Deutsch, Mathematik, Naturwissenschaften, Kunst oder Medienbildung. Plant Ziel, Daten, mögliche Fehler, Testfälle, Sicherheitsregel und menschliche Verantwortung in einem kurzen Projektkonzept.
|
|
Lernkontrolle
- Datensatz-Check: Du erhältst zwei unterschiedlich zusammengestellte Trainingssätze für dieselbe Aufgabe. Entscheide, welcher besser geeignet ist, und begründe Deine Wahl anhand von Vielfalt, Passung und möglichen Abkürzungen.
- Fehlerursache: Ein Bilderkennungsmodell funktioniert im Klassenraum gut, draußen aber schlecht. Entwickle mindestens zwei plausible Erklärungen und beschreibe passende Tests.
- Neues Fach: Übertrage das Prinzip Trainieren – Testen – Prüfen auf ein Beispiel aus einem anderen Schulfach und erkläre, was dort als Beispiel, Merkmal und Testfall gelten könnte.
- Folgen abwägen: Ein System macht insgesamt selten Fehler, aber fast alle Fehler betreffen dieselbe Gruppe von Fällen. Erkläre, warum die Gesamtquote allein für eine Bewertung nicht genügt.
- Behauptung prüfen: Eine KI nennt eine überraschende naturwissenschaftliche Tatsache. Beschreibe konkret, wie Du die Aussage überprüfst, bevor Du sie in einem Referat verwendest.
- Verantwortung: Nenne eine schulische Situation, in der KI beraten könnte, aber nicht allein entscheiden sollte. Begründe mit möglichen Folgen eines Fehlers.
- Iteration: Nach einem Test werden drei typische Fehler gefunden. Plane, welche neuen Daten Du sammeln würdest und wie ein zweiter Test aussehen sollte.
Lernnachweis
Für einen Lernnachweis zu Wie KI aus Beispielen lernt ist wichtig, dass Du nicht nur Begriffe nennen kannst. Du sollst zeigen, dass Du Zusammenhänge verstanden hast.
- Du erklärst den Weg von Beispielen über Muster zu einem Modell und einer Vorhersage.
- Du unterscheidest Trainingsdaten von neuen Testdaten.
- Du erkennst mögliche Probleme wie zu wenige, einseitige oder falsch beschriftete Beispiele.
- Du begründest, warum ein gutes Testergebnis bei neuen Fällen wichtiger ist als bloßes Auswendiglernen von Trainingsbeispielen.
- Du kannst einfache Trefferzahlen berechnen und gleichzeitig erklären, warum Zahlen ohne Fehleranalyse täuschen können.
- Du prüfst KI-Ausgaben mit verlässlichen Quellen statt sie automatisch als wahr zu übernehmen.
- Du berücksichtigst Datenschutz, Sicherheit und Fairness bei der Datenauswahl.
- Du erklärst, welche Entscheidungen beim Menschen bleiben sollten.
- Du überträgst die Beispiel-Prüf-Schleife auf eine neue Situation und begründest Deine Entscheidung nachvollziehbar.
OERs zum Thema
Der Wikipedia-Artikel zu Maschinellem Lernen bietet eine fachliche Vertiefung:
Der frei lizenzierte Erklärfilm des KI-Campus zeigt, wie maschinelles Lernen im Alltag eingesetzt werden kann:
Weitere im Kurs verwendete Wikimedia-Commons-Medien sind über ihre Dateiseiten mit den jeweiligen freien Lizenzen und Urheberangaben dokumentiert.
Verknüpfte Lernbereiche
Kurzfassung
Viele KI-Systeme lernen aus Beispielen. Dabei werden Muster in Daten genutzt, um ein Modell zu bilden. Ob dieses Modell wirklich brauchbar ist, zeigt sich erst an neuen Testfällen. Viele Daten sind nicht automatisch gute Daten: Beispiele müssen zum Ziel passen, unterschiedliche Varianten abdecken und möglichst korrekt sein. Menschen müssen Fehler untersuchen, Quellen prüfen, Privatsphäre schützen, Fairness beachten und bei wichtigen oder unsicheren Fällen verantwortlich entscheiden.
Die wichtigste Frage lautet deshalb nicht nur: Was sagt die KI? Sondern auch: Aus welchen Beispielen könnte sie gelernt haben, wie wurde sie getestet und warum sollte ich ihrem Ergebnis in genau dieser Situation vertrauen?