Wie KI sehen kann
Wie KI sehen kann
Wie KI sehen kann
Einleitung
Wenn Du ein Foto ansiehst, erkennst Du oft in Sekunden: „Das ist ein Hund“, „Dort steht ein Fahrrad“ oder „Die Pflanze hat gezackte Blätter“. Eine KI kann Bilder ebenfalls auswerten – aber sie sieht nicht wie ein Mensch. Eine Kamera oder Bilddatei liefert ihr zunächst Zahlen. Diese Zahlen beschreiben viele einzelne Bildpunkte. Ein KI-Modell sucht darin nach gelernten Mustern und ordnet ein neues Bild beispielsweise einer Kategorie zu.
In diesem Lernkurs untersuchst Du selbst, wie aus Bildpunkten eine KI-Entscheidung werden kann. Du trainierst keine „magische Maschine“, sondern lernst eine wichtige KI-Kompetenz: Du prüfst, worauf eine Bilderkennung ihre Vermutung stützt, testest sie mit unterschiedlichen Beispielen und entscheidest selbst, wann Du ihrem Ergebnis vertrauen kannst.
Der Kurs ist für die Klasse 5 gedacht, braucht keine technischen Vorkenntnisse und passt in etwa eine bis zwei Unterrichtsstunden. Er verbindet Informatik, Deutsch, Mathematik, Naturwissenschaften, Kunst, Ethik und Medienbildung.
Das Foto zeigt stark vergrößerte RGB-Bildpunkte eines Bildschirms. Für Menschen entsteht daraus ein Gesamtbild. Für einen Computer beginnt ein digitales Bild dagegen als geordnete Sammlung von Zahlenwerten.
Lernziele
Am Ende kannst Du erklären, warum KI-Bilderkennung nicht dasselbe ist wie menschliches Sehen. Du kannst beschreiben, welche Rolle Pixel, Merkmale, Trainingsdaten und Kategorien spielen. Vor allem kannst Du eine KI-Aussage prüfen, begründet bewerten und auf eine neue Situation übertragen.
- Bilderkennung verstehen: Du erklärst die Kette Kamera oder Bilddatei → Pixel → Muster → Zuordnung.
- Training verstehen: Du erklärst, warum vielfältige und passende Trainingsdaten wichtig sind.
- Ergebnisse prüfen: Du behandelst eine KI-Ausgabe als Vermutung und nicht automatisch als Wahrheit.
- Fairness beachten: Du erkennst, dass einseitige Daten zu einseitigen Ergebnissen führen können.
- Sicher handeln: Du überlegst vor dem Hochladen von Bildern, ob Personen oder private Informationen zu sehen sind.
- Selbst entscheiden: Du lässt wichtige Entscheidungen nicht ungeprüft von einer KI treffen.
Unterrichtsplan für etwa 90 Minuten
| Phase | Zeit | Was Du tust |
|---|---|---|
| Aktivierung und Diagnose | 10 Minuten | Du vergleichst menschliche Vermutungen mit einer erfundenen KI-Ausgabe und begründest, welcher Aussage Du eher vertraust. |
| Verständliche Einführung | 15 Minuten | Du untersuchst Pixel, Farbe, Merkmale und den Unterschied zwischen Erkennen und Verstehen. |
| Lernexperiment | 20 Minuten | Du spielst in einer Gruppe selbst ein einfaches Bilderkennungsmodell mit Bildkarten nach. |
| Anwendungssituation | 20 Minuten | Du prüfst eine Bilderkennungs-Idee für den Schulalltag und entwickelst Testfälle. |
| Interaktive Aufgaben | 15 Minuten | Du bearbeitest Quiz, Zuordnungen oder Lückentext je nach Lernstand. |
| Reflexion und Transfer | 10 Minuten | Du überträgst die Prüfschritte auf eine neue Situation und begründest Deine Entscheidung. |
Für eine einzelne Unterrichtsstunde kannst Du die optionale digitale Erweiterung und einen Teil der offenen Aufgaben weglassen.
Aktivierung und Diagnose
Mensch oder KI: Wem glaubst Du?
Stell Dir vor, auf dem Schulhof liegt ein unbekannter Gegenstand. Ein Kind sagt: „Das ist wahrscheinlich eine Brotdose.“ Ein Bilderkennungs-System zeigt: „92 Prozent: Buch“. Die Zahl sieht sehr sicher aus. Trotzdem kann die KI falsch liegen.
Arbeite zu zweit. Betrachtet nacheinander die Aussagen „Mensch sagt Brotdose“ und „KI sagt Buch“. Entscheidet nicht sofort. Sammelt zuerst Fragen, die Ihr klären müsstet.
- Beobachtung: Ist das Bild scharf, vollständig und gut beleuchtet?
- Trainingsdaten: Hat die KI ähnliche Gegenstände in verschiedenen Farben und Formen gesehen?
- Kontext: Liegt der Gegenstand an einem Ort, der einen Hinweis gibt?
- Konfidenz: Ist die Prozentzahl eine Garantie oder nur die Einschätzung des Systems?
- Entscheidung: Was würdet Ihr tun, wenn die Folgen einer falschen Zuordnung wichtig wären?
Diagnosefrage: Was müsste eine KI können, damit Du sagst: „Jetzt darf sie allein entscheiden“? Notiere eine Bedingung. Am Ende des Kurses prüfst Du, ob Du diese Bedingung ändern möchtest.
Wie aus einem Bild Daten werden
Pixel: Viele kleine Bildpunkte
Ein digitales Bild besteht aus vielen Pixeln. Jeder Pixel enthält Zahlenwerte für seine Farbe. Häufig werden Farben mit Anteilen von Rot, Grün und Blau beschrieben. Das nennt man RGB.
Zoome in ein digitales Foto hinein. Irgendwann erkennst Du keine glatten Linien mehr, sondern einzelne farbige Quadrate. Genau diese Bildpunkte verarbeitet ein Computer. Dabei „weiß“ ein einzelner Pixel nicht, ob er zu einer Katze, einem Blatt oder einem Turnschuh gehört.
Die Darstellung zeigt die große Vielfalt, die allein durch unterschiedliche RGB-Werte entstehen kann. Für die Bilderkennung reicht Farbe jedoch nicht aus. Ein System muss Beziehungen zwischen vielen Bildbereichen berücksichtigen.
Vom Pixel zum Merkmal
Menschen beschreiben ein Tier vielleicht mit Merkmalen wie „vier Beine“, „spitze Ohren“ oder „Fell“. KI-Modelle arbeiten nicht unbedingt mit genau diesen Wörtern. Sie können während des Trainings statistische Muster lernen, die mit bestimmten Bildmerkmalen zusammenhängen, zum Beispiel Kanten, Formen, Texturen oder Farbkombinationen.
Ein wichtiges Wort ist Merkmal. Ein Merkmal ist eine Eigenschaft, die bei der Unterscheidung helfen kann. Bei einem Blatt könnten das Umriss, Farbe oder Blattadern sein. Ein Merkmal allein reicht oft nicht aus. Erst mehrere Hinweise zusammen machen eine Zuordnung stärker.
Ein vereinfachtes neuronales Netz
Viele moderne Systeme zur Bilderkennung nutzen künstliche neuronale Netze. Sie bestehen aus vielen miteinander verbundenen Rechenschritten. Im Training werden Verbindungen so angepasst, dass Beispiele häufiger richtig zugeordnet werden.
Du musst dieses Netz nicht auswendig lernen. Wichtig ist die Idee: Eingaben werden schrittweise verarbeitet, Merkmale werden gewichtet und am Ende entsteht eine Ausgabe.
Das folgende freie Schaubild zeigt vereinfacht, wie Muster eines Bildes mit möglichen Kategorien verbunden werden können.
Ein solches Bild ist nur ein Modell zur Erklärung. Echte Netze können viel größer sein und Merkmale über zahlreiche Rechenschritte verarbeiten.
Bilderkennung, Objekterkennung und Bildgenerierung unterscheiden
Bilderkennung bedeutet vereinfacht: Ein System ordnet einem Bild oder Bildausschnitt eine Kategorie zu. Bei der Objekterkennung wird zusätzlich versucht, Gegenstände im Bild zu finden und ihre Position zu markieren. Bei generativer KI geht es dagegen darum, neue Inhalte wie Bilder zu erzeugen.
Die Rechtecke zeigen, wie eine Objekterkennung einen Gegenstand im Bild eingrenzen kann. Eine erkannte Box ist trotzdem keine Garantie dafür, dass das System den Gegenstand korrekt zugeordnet hat.
Wie eine KI Bilder erkennen lernt
Trainingsdaten: Beispiele mit Bedeutung
Ein Bilderkennungsmodell lernt typischerweise aus vielen Beispielen. Angenommen, es soll zwischen Blatt und Stein unterscheiden. Im Training erhält es Bilder, die einer Kategorie zugeordnet wurden. Die Zuordnung nennt man auch Label.
Gute Trainingsdaten sollten die Wirklichkeit möglichst sinnvoll abdecken. Bei Blättern wären also nicht nur grüne, perfekte Blätter auf weißem Hintergrund hilfreich. Es braucht auch kleine und große Blätter, verschiedene Formen, Schatten, unterschiedliche Untergründe und teilweise verdeckte Beispiele.
Merksatz: Eine KI kann neue Bilder nur mit dem vergleichen, was sie durch ihr Training gelernt hat. Ähnlichkeit ist kein echtes Verstehen.
Lernexperiment: Du spielst die KI
Bildet Gruppen mit drei bis fünf Personen. Eine Person ist das „Modell“, die anderen stellen Trainingsdaten bereit. Ihr braucht Papierkarten und Stifte.
- Trainingsphase: Zeichnet je sechs Beispiele für die Kategorien „Blatt“ und „Stein“. Gebt dem Modell die Karten mit den richtigen Kategorien.
- Merkmalsphase: Das Modell notiert, welche sichtbaren Merkmale bei der Unterscheidung helfen könnten.
- Testphase: Eine andere Gruppe zeichnet neue Blätter und Steine, die anders aussehen als die Trainingskarten.
- Fehleranalyse: Für jede falsche Zuordnung fragt Ihr: „Welches Merkmal war irreführend?“ oder „Welches Beispiel fehlte im Training?“
- Verbesserung: Ergänzt gezielt neue Trainingskarten und testet erneut.
Wichtig: Eure Gruppe bleibt die entscheidende Instanz. Das „Modell“ darf Fehler machen. Gerade die Fehler helfen Euch zu verstehen, welche Daten gefehlt haben.
Warum Vielfalt wichtig ist
Stell Dir vor, alle Trainingsfotos von Äpfeln zeigen nur rote Äpfel auf weißen Tellern. Ein Modell könnte dann versehentlich „rot“ oder „weißer Teller“ als besonders wichtig lernen. Bei einem grünen Apfel im Gras kann es scheitern.
Das nennt man ein Problem der Datenqualität. Einseitige oder ungeeignete Trainingsdaten können die Ergebnisse verzerren. Bei Anwendungen, die Menschen betreffen, kann das zu unfairen Entscheidungen führen. Deshalb müssen Daten, Tests und Folgen besonders sorgfältig geprüft werden.
Ein Ergebnis ist eine Vermutung
Was bedeutet 92 Prozent?
Viele Systeme zeigen zu einer Kategorie einen Zahlenwert. Für Lernende ist es hilfreich, ihn als Sicherheitswert des Systems zu betrachten. Er sagt, welche Zuordnung das Modell nach seiner Berechnung bevorzugt. Er ist keine Garantie für Wahrheit.
Mathematisch kannst Du solche Werte vergleichen. Zeigt ein Modell beispielsweise „Blatt 92, Stein 8“, ist der Abstand groß. Zeigt es „Blatt 52, Stein 48“, ist das Ergebnis sehr knapp. In beiden Fällen musst Du zusätzlich prüfen, ob das Bild und die Trainingsdaten überhaupt zur Aufgabe passen.
Mathe-Miniübung: Abstand vergleichen
| Testbild | Ausgabe A | Ausgabe B | Frage |
|---|---|---|---|
| Bild 1 | Blatt 90 | Stein 10 | Wie groß ist der Abstand? |
| Bild 2 | Blatt 55 | Stein 45 | Welches Ergebnis wirkt unsicherer? |
| Bild 3 | Blatt 70 | Stein 30 | Welche zusätzliche Prüfung würdest Du trotzdem durchführen? |
Rechne die Abstände aus und formuliere anschließend in einem Satz, warum ein großer Abstand allein noch keine Wahrheit beweist.
Realistische Anwendungssituation: Die Schulhof-Fundkiste
Die Schule möchte Fotos von Fundsachen automatisch in die Kategorien „Kleidung“, „Schulsachen“ und „Sonstiges“ einsortieren. Die Idee klingt praktisch: Wer etwas verloren hat, könnte schneller suchen. Doch bevor das System eingesetzt wird, soll Deine Klasse es prüfen.
Deine Prüfmission
Du arbeitest im Testteam. Entwickle mindestens sechs Testbilder oder Zeichnungen: einen typischen Gegenstand, einen ungewöhnlichen Gegenstand, einen teilweise verdeckten Gegenstand, einen Gegenstand bei schlechtem Licht, einen Gegenstand vor unruhigem Hintergrund und einen Gegenstand, der zu zwei Kategorien passen könnte.
Für jeden Test hältst Du fest:
| Prüffrage | Deine Beobachtung |
|---|---|
| Was ist tatsächlich zu sehen? | |
| Welche Kategorie schlägt das System vor? | |
| Wie sicher wirkt die Zuordnung? | |
| Welche Bildbedingung könnte das Ergebnis beeinflussen? | |
| Würdest Du die Zuordnung übernehmen, ändern oder offenlassen? | |
| Wie begründest Du Deine Entscheidung? |
Sicherheitsregel: Nutzt für Schulversuche bevorzugt Zeichnungen oder Fotos von Gegenständen. Ladet keine Bilder von Mitschülerinnen und Mitschülern hoch, wenn dafür keine klare Erlaubnis und kein geeigneter schulischer Rahmen vorliegen.
Entscheidung: Darf die KI allein sortieren?
Diskutiert drei Möglichkeiten: Die KI sortiert allein; die KI macht nur einen Vorschlag; oder die KI wird für diese Aufgabe nicht eingesetzt. Wählt eine Variante und begründet sie mit mindestens drei Kriterien aus den Bereichen Trefferqualität, Datenschutz, Fairness, Transparenz und menschliche Kontrolle.
Die wichtigste Frage lautet nicht „Ist KI gut oder schlecht?“, sondern: Für welche Aufgabe ist sie unter welchen Bedingungen hilfreich, und wer trägt die Verantwortung?
Fächerübergreifende Bezüge
Informatik
Du untersuchst Daten, Kategorien, Training, Testen und Fehleranalyse. Dadurch lernst Du eine Grundidee von maschinellem Lernen kennen: Ein Modell wird anhand von Beispielen angepasst und anschließend an neuen Beispielen geprüft.
Deutsch
Eine genaue Bildbeschreibung hilft beim Vergleichen. Formuliere beobachtbare Merkmale statt vorschneller Deutungen. Statt „Das ist eindeutig ein gefährlicher Hund“ schreibst Du zunächst beispielsweise: „Zu sehen ist ein Tier mit dunklem Fell, vier Beinen und einem Halsband.“ So trennst Du Beobachtung und Bewertung.
Mathematik
Du vergleichst Zahlenwerte, Abstände und Anteile. Du lernst außerdem: Eine Zahl wirkt objektiv, ist aber nur dann sinnvoll, wenn klar ist, wie sie entstanden ist und was sie bedeutet.
Naturwissenschaften
Bei Pflanzen- oder Tierbeobachtungen können Bilderkennungssysteme Hinweise geben. Für eine naturwissenschaftliche Bestimmung brauchst Du jedoch überprüfbare Merkmale, passende Bestimmungshilfen und bei Unsicherheit weitere Quellen.
Kunst
Licht, Perspektive, Farbe und Bildausschnitt verändern ein Bild stark. Zeichne denselben Gegenstand aus verschiedenen Blickwinkeln. Prüfe, welche Veränderungen für einen Menschen leicht erkennbar bleiben und welche ein Bilderkennungssystem verwirren könnten.
Ethik
Frage, wer von einem System profitiert, wer Fehler ausbaden muss und ob Menschen unterschiedlich gut berücksichtigt werden. Je größer die Folgen einer Entscheidung sind, desto wichtiger werden Fairness, Transparenz und menschliche Verantwortung.
Medienbildung
Ein KI-Ergebnis ersetzt keine Quellenprüfung. Wenn ein System behauptet, auf einem Foto sei ein bestimmtes Ereignis oder ein bestimmter Ort zu sehen, prüfst Du zusätzlich Quelle, Datum, Bildkontext und möglichst unabhängige Belege.
Medien zum Vertiefen
Frei nutzbare Schaubilder
Die eingebundenen Bilder stammen aus Wikimedia Commons. Prüfe bei einer Weiterverwendung immer die jeweilige Dateiseite und Lizenzangabe. Einige der hier verwendeten Dateien sind CC0, andere stehen unter freien Creative-Commons-Lizenzen mit Bedingungen wie Namensnennung.
Das Zufallsbild verdeutlicht: Viele farbige Pixel allein ergeben für uns noch kein sinnvolles Objekt. Bedeutung entsteht erst durch erkennbare Strukturen und einen passenden Kontext.
Dieses komplexere Schaubild ist eine Vertiefung. Es zeigt beispielhaft, wie ein Bild in mehreren Rechenschritten verarbeitet und schließlich Klassen zugeordnet werden kann. Für Klasse 5 genügt die Grundidee: Eingabe → Merkmale → Zuordnung.
Videos
Das erste Video des KI-Campus erklärt für Lernende, wo KI im Alltag vorkommt und wie maschinelles Lernen grundsätzlich funktioniert.
Die folgenden Videos des TüftelLab zeigen optional, wie ein einfaches Bilderkennungsmodell mit einem browserbasierten Lernwerkzeug trainiert und getestet werden kann. Sie sind eine Erweiterung; der Kernkurs funktioniert auch ohne dieses Werkzeug.
Selbstkontrolle und Reflexion
Drei Prüfsätze
Vervollständige die Sätze zuerst allein und vergleiche dann mit einer Partnerin oder einem Partner.
- Prüfsatz Daten: „Bevor ich einem KI-Ergebnis vertraue, möchte ich über die Trainingsdaten wissen, dass …“
- Prüfsatz Ergebnis: „Ein hoher Sicherheitswert bedeutet nicht automatisch …“
- Prüfsatz Verantwortung: „Wenn eine falsche Entscheidung Menschen schaden könnte, sollte …“
Vergleiche jetzt mit Deiner Diagnoseantwort vom Kursanfang. Hat sich Deine Bedingung dafür verändert, wann eine KI allein entscheiden darf? Begründe in zwei bis drei Sätzen.
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Eine Bilderkennungs-KI zeigt bei einem Foto 92 Prozent für Katze. Was ist die sinnvollste Reaktion? (Das Ergebnis als starke Vermutung betrachten und bei Bedarf prüfen) (!Die Katze ist damit sicher bewiesen) (!Die KI hat das Bild genauso verstanden wie ein Mensch) (!Je höher die Zahl, desto besser waren automatisch die Trainingsdaten)
Ein Modell kennt nur rote Äpfel auf weißen Tellern. Was verbessert es am besten für grüne Äpfel im Gras? (Weitere vielfältige Apfelbilder in unterschiedlichen Farben und Umgebungen zum Training ergänzen) (!Die vorhandenen roten Äpfel noch öfter kopieren) (!Nur den Namen der Kategorie ändern) (!Alle Testbilder heller machen)
Ein Testfoto ist sehr dunkel und unscharf. Was solltest Du zuerst tun? (Ein besseres Bild aufnehmen und das Ergebnis erneut prüfen) (!Die KI-Ausgabe ohne Prüfung übernehmen) (!Die Kategorie mit dem längsten Namen wählen) (!Das Foto löschen und die Aufgabe beenden)
Eine Schul-KI soll Fundsachen sortieren. Welche Lösung stärkt menschliche Kontrolle am besten? (Die KI macht Vorschläge und ein Mensch kann sie prüfen und ändern) (!Die KI entscheidet immer endgültig) (!Nur die höchste Prozentzahl wird gespeichert und nie geprüft) (!Unklare Fälle werden automatisch versteckt)
Ein Bild einer Trinkflasche wird falsch erkannt, weil alle Trainingsflaschen blau waren. Was zeigt der Fehler? (Einseitige Trainingsdaten können zu schlechten Zuordnungen führen) (!Blaue Gegenstände können grundsätzlich nicht erkannt werden) (!Mehr Pixel lösen jedes Datenproblem) (!Eine KI braucht überhaupt keine Beispiele)
Du möchtest ein Foto mit erkennbaren Mitschülerinnen und Mitschülern in ein Online-KI-Werkzeug laden. Was ist zuerst wichtig? (Prüfen, ob Nutzung und Einwilligung geklärt sind und ob das Bild überhaupt hochgeladen werden sollte) (!Das Foto möglichst schnell hochladen) (!Nur die Dateigröße prüfen) (!Die KI fragen, ob Datenschutz wichtig ist)
Eine KI behauptet, ein Online-Foto zeige ein Hochwasser in Deiner Stadt. Was ist die beste Medienstrategie? (Quelle, Datum, Bildkontext und unabhängige Belege prüfen) (!Die Aussage teilen, weil ein Bild überzeugend wirkt) (!Nur auf die Prozentzahl der KI achten) (!Annehmen, dass Bilder nie aus einem anderen Zusammenhang stammen)
Ein Modell zeigt Blatt 52 und Stein 48. Wie solltest Du das Ergebnis einschätzen? (Die Zuordnung ist knapp und sollte besonders sorgfältig geprüft werden) (!Blatt ist zweifelsfrei richtig) (!Stein ist zweifelsfrei richtig) (!Die beiden Werte zeigen, dass das Bild keine Pixel enthält)
Was ist beim Vergleich von Bilderkennung und Bildgenerierung richtig? (Bilderkennung ordnet vorhandene Bilddaten zu, Bildgenerierung erzeugt neue Bildinhalte) (!Bilderkennung erzeugt immer neue Fotos) (!Bildgenerierung kann keine Farben verwenden) (!Beide Begriffe bedeuten genau dasselbe)
Eine Pflanzen-KI erkennt ein seltenes Blatt nur unsicher. Was ist ein guter nächster Schritt? (Ein besseres Foto machen und zusätzlich mit Bestimmungshilfe oder Fachwissen vergleichen) (!Die erste Vermutung als endgültige Bestimmung eintragen) (!Die Pflanze nach der KI-Ausgabe umbenennen) (!Nur so lange neu testen, bis die gewünschte Antwort erscheint)
Memory
| Pixel | Bildpunkt |
| Trainingsdaten | Lernbeispiele |
| Merkmal | erkennbare Eigenschaft |
| Klassifikation | Zuordnung zu einer Kategorie |
| Konfidenz | Sicherheitswert des Systems |
| Bias | einseitige Verzerrung |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Pixel | kleinster Bildpunkt |
| Trainingsdaten | Beispiele zum Lernen |
| Merkmal | sichtbare oder berechnete Eigenschaft |
| Klassifikation | Zuordnung zu einer Kategorie |
| Prüfbild | neues Bild zum Testen |
| Menschliche Kontrolle | Ergebnis wird geprüft und kann geändert werden |
Kreuzworträtsel
| Pixel | Wie heißt ein einzelner Bildpunkt? |
| Muster | Wonach sucht ein Bilderkennungsmodell in Bilddaten? |
| Kamera | Welches Gerät kann Bilddaten aufnehmen? |
| Training | Wie heißt die Lernphase eines KI-Modells? |
| Kategorie | Wohin wird ein Bild bei einer Klassifikation eingeordnet? |
| Fairness | Welches Prinzip fordert, dass Menschen nicht ungerecht benachteiligt werden? |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Pixel-Lupe: Öffne ein eigenes Gegenstandsfoto ohne Personen, zoome stark hinein und zeichne einen kleinen Ausschnitt als Pixelraster nach. Erkläre, was beim Hineinzoomen verloren geht.
- Bildbeschreibung: Beschreibe einen Gegenstand so genau wie möglich, ohne seinen Namen zu nennen. Eine Partnerperson soll ihn nur anhand Deiner Merkmale erkennen.
- Trainingskarten: Zeichne je fünf Beispiele für zwei Kategorien und lasse eine andere Person prüfen, ob Deine Beispiele vielfältig genug sind.
- Mensch und Maschine: Nenne drei Hinweise, die Menschen beim Erkennen eines Gegenstands zusätzlich zum reinen Bild nutzen können, zum Beispiel Ort oder Vorwissen.
Standard
- Fehlerwerkstatt: Erfinde vier Testbilder, mit denen Du eine Bilderkennung absichtlich herausforderst, und begründe für jedes Bild, warum es schwierig sein könnte.
- Mathematik der Sicherheit: Erstelle für fünf erfundene KI-Ausgaben Balken mit zwei Kategorien und erkläre, bei welchem Ergebnis Du am vorsichtigsten wärst.
- Naturforscher-Test: Wähle drei Blätter oder Naturgegenstände und entwickle Merkmale für eine Bestimmung. Prüfe, welche Merkmale bei verschiedenen Lichtbedingungen stabil bleiben.
- Kunst und Perspektive: Zeichne denselben Gegenstand aus drei Blickwinkeln und untersuche, welche Formen gleich bleiben und welche sich stark verändern.
Schwer
- Fairness-Check: Entwickle eine Checkliste mit mindestens sechs Fragen, mit denen Du prüfen würdest, ob Trainingsdaten vielfältig und für die Aufgabe geeignet sind.
- Quellenprüfung: Suche ein frei verwendbares Bild mit klarer Herkunft. Schreibe auf, welche Angaben Du brauchst, bevor Du eine KI-Aussage über Inhalt, Ort oder Ereignis glaubst.
- Schulentscheidung: Entwirf eine Empfehlung für die Schulleitung, ob eine Bilderkennung für Fundsachen eingesetzt werden sollte. Begründe Bedingungen, Grenzen und menschliche Verantwortung.
- Transfer-Challenge: Übertrage Deine Prüfschritte auf eine neue Anwendung, zum Beispiel Pflanzenbestimmung, Mülltrennung oder Verkehrsschild-Erkennung, und entscheide begründet, welche Rolle die KI dort übernehmen darf.
|
|
Lernkontrolle
- Transfer: Schulbibliothek: Eine KI soll Buchcover erkennen und Bücher automatisch Themenregalen zuordnen. Entwickle drei Tests, die zeigen, ob das System zuverlässig genug ist, und begründe, welche Fehler noch akzeptabel wären.
- Transfer: Naturbeobachtung: Eine App schlägt für ein Pflanzenfoto eine Art vor. Beschreibe einen Prüfweg, der Bildqualität, Merkmale, Vergleichsquelle und Unsicherheit berücksichtigt.
- Datenkritik: Du erfährst, dass alle Trainingsbilder einer Kategorie im selben Raum aufgenommen wurden. Erkläre, welches falsche Muster das Modell lernen könnte und wie Du den Datensatz verbessern würdest.
- Entscheidungsfolgen: Vergleiche eine harmlose Fehlzuordnung bei einer Spielzeug-Sortierung mit einer Fehlzuordnung, die über den Zugang zu einem Schulbereich entscheidet. Begründe, warum die nötige menschliche Kontrolle unterschiedlich sein sollte.
- Mediencheck: Eine KI benennt Ort und Inhalt eines Bildes aus einem sozialen Netzwerk. Entwickle eine Reihenfolge von Prüfschritten, bevor Du die Behauptung in einem Referat verwendest.
- Eigene Regel: Formuliere eine persönliche Regel mit dem Satzanfang „Ich nutze Bilderkennungs-KI nur dann als Entscheidungshilfe, wenn …“ und begründe sie mit mindestens drei Argumenten.
Lernnachweis
Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe kennst, sondern einen nachvollziehbaren Prüf- und Entscheidungsweg zeigen kannst.
- Erklärung: Du erklärst in eigenen Worten die Kette Bilddaten → Merkmale → gelernte Muster → Zuordnung.
- Experiment: Du dokumentierst mindestens einen Test mit typischen und schwierigen Beispielen.
- Fehleranalyse: Du erklärst mindestens einen Fehler und nennst eine mögliche Verbesserung.
- Datenqualität: Du begründest, warum vielfältige Trainingsdaten wichtig sind.
- Sicherheit: Du beachtest Datenschutz und vermeidest unnötige Aufnahmen von Personen.
- Fairness: Du erkennst, dass einseitige Daten Menschen oder Gruppen benachteiligen können.
- Human Agency: Du zeigst, wo ein Mensch prüfen, widersprechen oder eine Entscheidung ändern muss.
- Transfer: Du wendest die Prüfschritte selbstständig auf eine neue Anwendung an und begründest Deine Entscheidung.
OERs zum Thema
Der Wikipedia-Artikel zur Bilderkennung bietet eine vertiefende fachliche Übersicht.
- Wikimedia Commons – Computer Vision: Sammlung frei lizenzierter Medien; die Lizenz der jeweiligen Datei muss beachtet werden.
- KI-Campus – KI in unserem Alltag: Erklärfilm und Unterrichtsbezug zu maschinellem Lernen; begleitende Materialien stehen dort unter CC BY-SA 4.0.
- Wikipedia – Bilderkennung: Einstieg in Definition und technische Einordnung.
Verknüpfte Lernbereiche
Zusammenfassung
KI-Bilderkennung beginnt mit digitalen Bilddaten. Ein Modell lernt aus Beispielen, welche Muster mit bestimmten Kategorien zusammenhängen. Bei neuen Bildern berechnet es eine Zuordnung. Diese Zuordnung kann nützlich sein, aber sie ist keine Garantie für Wahrheit. Bildqualität, Trainingsdaten, ungewohnte Situationen und einseitige Beispiele können Fehler verursachen.
Für verantwortlichen KI-Einsatz brauchst Du deshalb vier Schritte: beobachten, prüfen, entscheiden, begründen. Du lässt Dir von der KI Hinweise geben, behältst aber besonders bei wichtigen oder personenbezogenen Situationen die menschliche Verantwortung.