Diesen aiMOOC als Battle spielen: Deutsch, Klasse 9-10, G-Niveau

Ein einfaches KI-Modell entwickeln

Einleitung

In diesem aiMOOC entwickelst Du ein einfaches KI-Modell für eine realistische, aber ungefährliche Anwendung: Eine Gießassistenz für den Schulgarten soll aus wenigen Beispieldaten abschätzen, ob eine Pflanze wahrscheinlich Wasser braucht. Du arbeitest dabei nicht mit einem fertigen „magischen“ KI-Werkzeug, sondern zerlegst das System in nachvollziehbare Schritte: Problem festlegen, Daten beschreiben, ein Modell auswählen, Vorhersagen testen, Fehler analysieren, Verbesserungen begründen und Regeln für einen verantwortlichen Einsatz festlegen.

Der Kurs ist für Klasse 10 und etwa 1–2 Unterrichtsstunden gedacht. Die Kernroute dauert ungefähr 90 Minuten; Vertiefungen können als Hausaufgabe oder zweite Stunde genutzt werden. Im Mittelpunkt stehen Informatik, Mathematik, Technik, Ethik und Gemeinschaftskunde. Verbindungen zu Deutsch, Wirtschaft und Geschichte helfen Dir, technische Entscheidungen zu erklären und ihre gesellschaftlichen Folgen zu beurteilen.

Die Grafik ordnet Maschinelles Lernen als Teilgebiet der Künstlichen Intelligenz ein. Dieser Kurs behandelt ein einfaches Verfahren des überwachten Lernens. Wichtig ist: Nicht jede KI ist generative KI, und nicht jede Automatisierung ist maschinelles Lernen.

Das eingebundene Video des KI-Campus erklärt Grundideen des maschinellen Lernens. Nutze es als Einstieg oder zur Wiederholung. Prüfe bei Medien immer Quelle, Urheber, Aktualität und Lizenzhinweise.

Lernziele und Ablauf

Nach dem Kurs kannst Du ein kleines Klassifikationsproblem formulieren, Merkmale und Zielklasse begründen, einen k-Nächste-Nachbarn-Ansatz mit wenigen Daten nachvollziehen, Trainings- und Testdaten unterscheiden, Fehlerarten bewerten und eine einfache Modellkarte erstellen. Außerdem kannst Du erklären, warum ein statistisches Modell Muster erkennt, aber nicht so versteht wie ein Mensch.

Phase	Zeit	Tätigkeit
Aktivierung und Diagnose	10 Minuten	Automatisierung, regelbasiertes System und lernendes Modell unterscheiden
Technisches Grundprinzip	20 Minuten	Datenpunkte, Merkmale, Abstand und k-Nächste-Nachbarn verstehen
Experiment	20 Minuten	Mit einem kleinen Datensatz k verändern und Vorhersagen vergleichen
Evaluation und Verbesserung	20 Minuten	Testdaten, Fehlerarten, Datenqualität und Überanpassung untersuchen
Governance, Folgen und Transfer	20 Minuten	Verantwortlichkeiten, Fairness, Sicherheit und einen neuen Anwendungsfall begründen

Aktivierung und Diagnose: Was ist hier eigentlich KI?

Ordne gedanklich drei Systeme: Ein Licht geht immer bei Dunkelheit unter einem festen Schwellenwert an. Ein Programm ordnet neue Fälle den ähnlichsten bekannten Beispielen zu. Ein Mensch entscheidet nach Erfahrung, Gesprächen und Kontextwissen. Frage Dich: Wo stehen die Regeln vorher fest, wo entstehen Entscheidungen aus Datenmustern und wo spielt menschliches Verstehen eine Rolle?

Eine feste Wenn-Dann-Regel kann nützlich sein, ist aber noch kein lernendes Modell. Beim überwachten maschinellen Lernen liegen Beispiele mit bekannten Zielwerten vor. Aus diesen Beispielen wird ein Verfahren genutzt, um für neue Fälle eine Klasse vorherzusagen.

Vom Datenpunkt zur Vorhersage

Begriffe: Beispiel, Merkmal, Label und Modell

Ein Datenpunkt beschreibt einen Fall. In unserem Schulgarten besitzt jeder Fall zwei vereinfachte Merkmale: Trockenheit und Wärme, jeweils normiert von 0 bis 10. Das Label sagt, ob nach der Beobachtung gegossen werden sollte. Der Datensatz ist ausdrücklich synthetisch und dient nur zum Lernen.

Ein Modell bildet Eingaben auf eine Ausgabe ab. Beim hier verwendeten k-Nächste-Nachbarn-Verfahren werden keine Bedeutungen „verstanden“. Stattdessen wird berechnet, welche gespeicherten Beispiele im Merkmalsraum nahe beieinanderliegen.

Die Grafik zeigt die Grundidee: Ein neuer Punkt wird anhand seiner Nachbarschaft eingeordnet.

Statistische Mustererkennung ist nicht menschliches Verstehen

Ein Mensch kann fragen, ob eine Pflanze kürzlich umgetopft wurde, ob Regen angekündigt ist, welche Art sie hat oder ob der Sensor falsch misst. Unser einfaches Modell kennt davon nur die Merkmale, die wir ihm geben. Es erkennt statistische beziehungsweise geometrische Ähnlichkeit. Es besitzt kein eigenes Verständnis von Durst, Pflanzenpflege, Verantwortung oder Zielkonflikten.

Diese Trennung ist zentral: Eine plausible Ausgabe ist nicht automatisch eine begründete Entscheidung. Deshalb gehören menschliche Kontrolle, Quellenkritik, Dokumentation und die Möglichkeit zum Übersteuern zum Systemdesign.

Überwachtes Lernen

Beim überwachten Lernen sind Trainingsbeispiele bereits mit Zielklassen versehen. Das Modell nutzt diese Beispiele, um neue Fälle einzuordnen. Die Qualität der Labels ist deshalb wichtig: Sind die Beispiele falsch, widersprüchlich oder einseitig, kann auch das Modell systematisch schlechte Vorhersagen machen.

Das Video zeigt überwachte Lernverfahren an anschaulichen Beispielen. Achte besonders darauf, wie Trainingsdaten und Zielklassen zusammenwirken.

Das einfache Modell: k-Nächste-Nachbarn

Grundidee

Beim k-Nächste-Nachbarn-Verfahren wird ein neuer Datenpunkt mit bekannten Trainingspunkten verglichen. Für jeden Trainingspunkt wird ein Abstand bestimmt. Anschließend werden die k nächsten Nachbarn betrachtet. Die häufigste Klasse unter diesen Nachbarn wird als Vorhersage gewählt.

Für zwei Merkmale kann der euklidische Abstand genutzt werden: $d = \sqrt{(x_{1} - y_{1})^{2} + (x_{2} - y_{2})^{2}}$

Die Formel sagt nur, wie weit zwei Punkte im Zahlenraum auseinanderliegen. Sie sagt nicht, ob die gewählten Merkmale sinnvoll, fair oder vollständig sind.

Die Animation zeigt, wie bei k = 3 die drei nächsten Trainingspunkte gesucht werden und daraus eine Entscheidungsfläche entsteht.

Das Video vertieft die Intuition des k-Nächste-Nachbarn-Verfahrens und zeigt, wie die Wahl von k die Entscheidung beeinflusst.

Mini-Datensatz: Schulgarten

Die Werte sind normierte Übungswerte von 0 bis 10.

Fall	Trockenheit	Wärme	Beobachtetes Label
A	8	8	Gießen
B	7	6	Gießen
C	6	9	Gießen
D	2	3	Nicht gießen
E	4	4	Nicht gießen
F	5	2	Nicht gießen

Ein neuer Fall G hat die Werte Trockenheit 6 und Wärme 5. Die nächsten Punkte sind B, E und F. Für k = 3 ergibt die Mehrheit daher Nicht gießen. Nimmst Du dagegen die fünf nächsten Punkte B, E, F, A und C, erhältst Du für k = 5 die Mehrheit Gießen. Derselbe Datenpunkt kann also je nach Modellparameter verschieden eingeordnet werden.

Die Grafik veranschaulicht genau dieses Prinzip: Eine andere Wahl von k kann die Klasse eines neuen Punktes verändern.

Experiment: Verändere k und die Daten

Arbeite in Paaren. Zeichne die sechs Trainingspunkte in ein Koordinatensystem. Markiere G = 6,5. Bestimme die Vorhersage für k = 1, k = 3 und k = 5. Verändert anschließend genau einen Trainingspunkt oder genau ein Label und prüft erneut. Haltet fest, welche Änderung das Ergebnis beeinflusst und welche nicht.

Die wichtigste Beobachtung lautet nicht „Welches k ist immer richtig?“, sondern: Modellparameter müssen passend zum Zweck und mit Testdaten bewertet werden.

Realistische Anwendungssituation: Gießassistenz im Schulgarten

Systemdesign: Vom Sensor bis zur Handlung

Ein KI-Modell ist nur ein Teil eines größeren Systems. Für die Schulgarten-Anwendung könnte die Kette so aussehen:

Sensor: Boden- und Temperaturdaten werden erfasst oder von Lernenden geschätzt.
Datenvorverarbeitung: Werte werden geprüft und auf vergleichbare Skalen gebracht.
Maschinelles Lernen: Das k-Nächste-Nachbarn-Modell erzeugt eine Empfehlung.
Benutzerschnittstelle: Die Empfehlung wird mit Begründung angezeigt, zum Beispiel „2 von 3 nächsten Beispielen sprechen gegen Gießen“.
Human-in-the-loop: Ein Mensch prüft Kontext wie Regen, Pflanzenart und Sensorfehler.
Handlung: Erst danach wird gegossen oder nicht gegossen.
Feedback: Später wird dokumentiert, ob die Entscheidung sinnvoll war.

Dieses Systemdesign schützt Human Agency: Das Modell unterstützt, aber es übernimmt nicht automatisch die Verantwortung.

Gestaltung: Gute Ausgaben statt scheinbarer Gewissheit

Eine verantwortliche Oberfläche sollte nicht nur „Gießen“ anzeigen. Besser sind zusätzliche Informationen: verwendete Merkmale, k-Wert, ähnliche Trainingsfälle, Unsicherheit beziehungsweise Grenzfälle, Datenstand und eine Möglichkeit zum menschlichen Übersteuern.

Eine Erklärung könnte lauten: „Empfehlung: Nicht gießen. Bei k = 3 stammen zwei der drei ähnlichsten Trainingsbeispiele aus der Klasse Nicht gießen. Achtung: Das Ergebnis ändert sich bei k = 5.“ Diese Formulierung macht das System transparenter und verhindert den Eindruck einer absoluten Wahrheit.

Evaluation: Prüfen statt nur staunen

Trainingsdaten und Testdaten trennen

Wenn Du das Modell nur mit den Daten prüfst, die es bereits kennt, überschätzt Du leicht seine Leistung. Deshalb werden Daten in Trainingsdaten und Testdaten getrennt. Trainingsdaten dienen zum Entwickeln oder Einstellen des Modells. Testdaten werden erst zur unabhängigen Prüfung verwendet.

Ein kleiner Testdatensatz kann so aussehen:

Testfall	Trockenheit	Wärme	Beobachtetes Soll-Label	Vorhersage bei k = 3
T1	8	7	Gießen	Gießen
T2	3	2	Nicht gießen	Nicht gießen
T3	6	4	Gießen	Nicht gießen
T4	5	8	Nicht gießen	Gießen

Das Modell liegt hier in zwei von vier Fällen richtig. Die einfache Genauigkeit beträgt also 50 Prozent. Wichtiger als die Zahl allein ist die Frage: Welche Fehler sind entstanden und warum?

Fehlertypen und Kontext

Bei T3 lautet die beobachtete Klasse „Gießen“, das Modell sagt „Nicht gießen“. Das ist in diesem Szenario ein falsch negatives Ergebnis. Bei T4 ist es umgekehrt: Das Modell empfiehlt Gießen, obwohl das Soll-Label „Nicht gießen“ lautet.

Für ein reales System musst Du die Folgen verschiedenartiger Fehler vergleichen. Unnötiges Gießen kann Wasser verschwenden; unterlassenes Gießen kann Pflanzen schädigen. Je nach Ziel kann deshalb eine andere Fehlersorte kritischer sein.

Eine Konfusionsmatrix ordnet richtige und falsche Klassifikationen systematisch. Bei größeren Datensätzen lassen sich daraus Kennzahlen wie Genauigkeit, Präzision und Trefferquote ableiten.

Warum Fehler nützlich sind

Ein Fehler ist nicht nur „schlecht“, sondern liefert Diagnosewissen. Vielleicht fehlen wichtige Merkmale wie Niederschlag, Pflanzenart oder Topfgröße. Vielleicht sind die Labels uneinheitlich. Vielleicht ist k unpassend. Vielleicht sind die Daten zu klein oder nicht repräsentativ.

Ein gutes Entwicklungsverfahren fragt deshalb nach der Fehlerursache, nicht nur nach einer höheren Prozentzahl.

Verbesserung und Robustheit

Merkmale, Skalierung und Datenqualität

Wenn ein Merkmal Werte von 0 bis 10 und ein anderes Werte von 0 bis 10.000 hat, kann der größere Zahlenbereich den Abstand dominieren. Deshalb werden Merkmale oft skaliert oder normiert. Du musst außerdem prüfen, ob Merkmale fachlich sinnvoll sind und ob ihre Messung zuverlässig ist.

Quellenkritik bei Daten bedeutet: Wer hat die Daten erhoben? Unter welchen Bedingungen? Wie wurden Labels festgelegt? Welche Fälle fehlen? Wurden Fehler dokumentiert? Lassen sich die Daten für den geplanten Zweck überhaupt verwenden?

Überanpassung und Generalisierung

Ein Modell kann Trainingsdaten sehr gut treffen und neue Fälle trotzdem schlecht behandeln. Dieses Problem heißt Überanpassung. Das Ziel ist nicht das perfekte Auswendiglernen, sondern eine sinnvolle Generalisierung auf neue Fälle.

Die Grafik zeigt das Grundproblem: Eine zu komplizierte Entscheidungsgrenze kann sich stark an vorhandene Punkte anpassen, aber bei neuen Fällen schlechter funktionieren.

Ein einfacher Verbesserungszyklus

Ein nachvollziehbarer Entwicklungszyklus ist:

Problemdefinition: Formuliere Zweck, Zielgruppe und Grenzen.
Daten: Sammle oder erzeuge geeignete Beispiele und dokumentiere ihre Herkunft.
Modellwahl: Wähle ein einfaches Verfahren und begründe Parameter.
Evaluation: Prüfe auf getrennten Testdaten und untersuche Fehlerarten.
Verbesserung: Ändere jeweils möglichst gezielt Daten, Merkmale oder Parameter.
Dokumentation: Halte Änderungen, Ergebnisse und offene Risiken fest.

Governance: Wer darf was entscheiden?

Verantwortlichkeiten und Regeln

KI-Governance bedeutet, technische Entscheidungen mit klaren Zuständigkeiten und Regeln zu verbinden. Schon bei einem Schulprojekt helfen einfache Governance-Fragen:

Frage	Beispiel für eine Regel
Wer legt den Zweck fest?	Die Lerngruppe formuliert gemeinsam, dass nur eine Gießempfehlung unterstützt wird.
Wer darf Daten ändern?	Änderungen werden mit Datum und Begründung dokumentiert.
Wer entscheidet endgültig?	Ein Mensch prüft die Empfehlung vor der Handlung.
Wann wird das System gestoppt?	Bei fehlerhaften Sensoren, unbekannten Pflanzenarten oder wiederholt schlechten Testergebnissen.
Welche Daten sind tabu?	Für diese Aufgabe werden keine personenbezogenen Daten benötigt.
Wie werden Fehler sichtbar?	Falsche Vorhersagen werden nicht gelöscht, sondern in einem Fehlerprotokoll analysiert.

Die UNESCO betont für verantwortliche KI unter anderem Transparenz, Fairness, Sicherheit, menschliche Aufsicht und Rechenschaftspflicht. Für diesen Kurs bedeutet das: Ein System soll nachvollziehbar sein, Menschen sollen Entscheidungen prüfen können und mögliche Schäden müssen vor dem Einsatz betrachtet werden.

UNESCO: Recommendation on the Ethics of Artificial Intelligence

Gemeinschaftskunde: Regeln richten sich nach Risiken

Technik wird nicht im rechtsfreien Raum eingesetzt. Der europäische AI Act verfolgt einen risikobasierten Ansatz: Je nach Einsatzbereich und möglichem Schaden gelten unterschiedliche Anforderungen. Für die Schule ist die zentrale Lernidee: Der gleiche Algorithmus kann in einem harmlosen Gartenprojekt wenig riskant, bei Entscheidungen über Menschen aber gesellschaftlich und rechtlich wesentlich sensibler sein.

Europäische Kommission: Informationen zum KI-Gesetz

Folgenabschätzung: Was könnte schiefgehen?

Sicherheit, Fairness und Nachhaltigkeit

Vor dem Einsatz solltest Du nicht nur fragen, ob das Modell funktioniert, sondern auch, welche Folgen es haben kann.

Sicherheit: Könnte eine falsche Ausgabe Sachschäden oder Gefährdungen verursachen?
Fairness: Werden bestimmte Gruppen, Fälle oder Bedingungen systematisch schlechter behandelt?
Datenschutz: Sind personenbezogene Daten überhaupt nötig?
Transparenz: Können Betroffene nachvollziehen, nach welchen Merkmalen entschieden wird?
Nachhaltigkeit: Spart das System Ressourcen oder erzeugt es zusätzlichen Energie-, Geräte- und Wartungsaufwand?
Verantwortung: Wer kann eingreifen, Fehler melden und Entscheidungen korrigieren?

Für die Gießassistenz ist Fairness zwischen Menschen kaum relevant, weil keine Personen klassifiziert werden. Beim Transfer auf Bewerbungen, Leistungsbewertung, Kreditvergabe oder öffentliche Leistungen würde dieselbe Frage dagegen zentral. Ein Modell darf nicht deshalb als verantwortbar gelten, nur weil seine Trefferquote hoch ist.

Das Video behandelt algorithmische Verzerrungen und Fairness. Nutze es für die Reflexion, welche Probleme entstehen können, wenn Trainingsdaten gesellschaftliche Ungleichheiten abbilden oder wichtige Gruppen unterrepräsentiert sind.

Fächerübergreifende Bezüge

Fach	Bezug zum Kurs
Informatik	Datenstrukturen, Algorithmus, Klassifikation, Modellparameter, Testen und Dokumentation
Mathematik	Koordinatensystem, Abstand, Mehrheitsentscheidung, Skalierung und Kennzahlen
Technik	Sensorik, Messfehler, Systemgrenzen, Schnittstellen und sichere Betriebsregeln
Deutsch	präzise Modellbeschreibungen, adressatengerechte Erklärungen, Quellenkritik und Begründungen
Wirtschaft	Kosten von Fehlentscheidungen, Wartung, Datenqualität und Nutzen eines Assistenzsystems
Geschichte	Vergleich regelbasierter Ansätze mit datengetriebenem maschinellem Lernen
Ethik	Verantwortung, Fairness, Transparenz, Schaden, Nachhaltigkeit und Human Agency
Gemeinschaftskunde	Governance, Beteiligung, Regeln, Rechenschaft und risikobasierte Regulierung

Transfer: Ein neues KI-System selbst entwerfen

Vom Schulgarten zu einem neuen Fall

Übertrage den Entwicklungszyklus auf einen neuen, möglichst risikoarmen Fall. Beispiele sind die Sortierung von Werkstücken nach messbaren Eigenschaften, die Erkennung von Raumbelegungszuständen anhand anonymer Sensordaten oder die Einordnung von Recyclingmaterial nach wenigen nicht-personenbezogenen Merkmalen.

Nutze dabei diese Leitfragen: Was ist die Zielklasse? Welche Merkmale sind fachlich sinnvoll? Woher kommen Labels? Wie werden Trainings- und Testdaten getrennt? Welche Fehler sind besonders problematisch? Wer darf das Modell übersteuern? Welche Fälle liegen außerhalb des vorgesehenen Einsatzbereichs?

Mini-Modellkarte

Dokumentiere Deine Lösung in einer kurzen Modellkarte:

Feld	Deine Angaben
Zweck	Wofür soll das Modell eingesetzt werden?
Nicht-Zweck	Wofür darf es ausdrücklich nicht eingesetzt werden?
Eingaben	Welche Merkmale verwendet das Modell?
Datenquelle	Woher stammen Trainings- und Testdaten?
Modell	Welches Verfahren und welcher Parameter k werden genutzt?
Evaluation	Wie gut funktioniert es auf Testdaten und welche Fehler treten auf?
Risiken	Welche Schäden, Verzerrungen oder Missverständnisse sind möglich?
Menschliche Kontrolle	Wer prüft, übersteuert oder stoppt das System?
Verbesserungen	Welche nächste Änderung ist fachlich begründet?

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Warum ist ein k-Nächste-Nachbarn-Modell kein menschliches Verstehen? (Es vergleicht Merkmalswerte und erkennt Muster, ohne Bedeutung und Kontext wie ein Mensch zu verstehen) (!Es besitzt immer vollständiges Weltwissen) (!Es kann nur mit Textdaten arbeiten) (!Es trifft grundsätzlich keine falschen Vorhersagen)

Wozu dienen Testdaten? (Sie prüfen das Modell an Fällen, die nicht zur Entwicklung oder Einstellung genutzt wurden) (!Sie werden immer zusammen mit den Trainingsdaten auswendig gelernt) (!Sie ersetzen die Problemdefinition) (!Sie machen menschliche Kontrolle überflüssig)

Was kann passieren, wenn beim k-Nächste-Nachbarn-Verfahren der Wert von k geändert wird? (Die vorhergesagte Klasse kann sich ändern) (!Alle Trainingsdaten werden automatisch gelöscht) (!Die Merkmale erhalten immer neue Bedeutungen) (!Das Modell wird zu einem Sprachmodell)

Welche Verbesserung ist bei sehr unterschiedlichen Zahlenbereichen von Merkmalen sinnvoll? (Die Merkmale auf vergleichbare Skalen bringen) (!Die Testdaten in die Trainingsdaten kopieren) (!Alle Fehlvorhersagen aus dem Protokoll löschen) (!Nur noch ein einziges Beispiel verwenden)

Welche Aussage beschreibt Human Agency im KI-System am besten? (Ein Mensch kann die Empfehlung prüfen, übersteuern und Verantwortung übernehmen) (!Das Modell entscheidet immer endgültig) (!Nur die Trainingsdaten tragen Verantwortung) (!Eine hohe Genauigkeit ersetzt jede menschliche Entscheidung)

Warum sollte ein Fehlerprotokoll geführt werden? (Fehler helfen, Datenprobleme, fehlende Merkmale und ungeeignete Modellentscheidungen zu erkennen) (!Damit nur erfolgreiche Vorhersagen sichtbar bleiben) (!Damit Testdaten nachträglich verändert werden können) (!Damit keine Modellverbesserung mehr nötig ist)

Was ist ein sinnvoller Grund, ein KI-System vorübergehend zu stoppen? (Die Sensoren liefern offensichtlich unzuverlässige Werte) (!Das Modell hat eine nachvollziehbare Dokumentation) (!Die Datenquelle ist bekannt) (!Ein Mensch kann die Ausgabe prüfen)

Welche Aussage zur Trefferquote ist richtig? (Eine hohe Trefferquote allein reicht nicht aus, weil auch Fehlerarten und Folgen bewertet werden müssen) (!Eine hohe Trefferquote beweist menschliches Verstehen) (!Eine hohe Trefferquote macht Testdaten unnötig) (!Eine hohe Trefferquote garantiert Fairness in jedem Einsatzbereich)

Was ist bei einem Transfer von der Gießassistenz auf Entscheidungen über Menschen besonders wichtig? (Die Risiken, Fairness, Rechte und möglichen Folgen müssen neu bewertet werden) (!Der gleiche Datensatz kann unverändert übernommen werden) (!Menschliche Kontrolle sollte entfernt werden) (!Personenbezogene Merkmale sind immer erforderlich)

Welche Reihenfolge beschreibt einen verantwortlichen Entwicklungszyklus am besten? (Problem festlegen, Daten prüfen, Modell entwickeln, testen, verbessern und dokumentieren) (!Modell einsetzen, danach erst Zweck und Datenquelle erfinden) (!Testdaten löschen, Modell veröffentlichen und Fehler ignorieren) (!Nur Medien ansehen und keine eigenen Entscheidungen begründen)

Memory

Trainingsdaten	Beispiele zur Entwicklung des Modells
Testdaten	zurückgehaltene Fälle zur unabhängigen Prüfung
Merkmal	messbare Eigenschaft eines Datenpunkts
Klassifikation	Zuordnung eines Falls zu einer Klasse
Parameter	einstellbare Größe wie der Wert k
Human Oversight	menschliche Kontrolle und Eingriffsmöglichkeit

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Trainingsdaten	Entwicklung und Einstellung des Modells
Testdaten	unabhängige Prüfung an neuen Fällen
Merkmalsauswahl	Festlegung relevanter Eingaben
Evaluation	Untersuchung von Treffern und Fehlern
Governance	Regeln für Verantwortung, Kontrolle und Änderungen

Kreuzworträtsel

Nachbarn	Welche bereits bekannten Punkte betrachtet das kNN-Verfahren besonders?
Merkmal	Wie heißt eine gemessene Eigenschaft eines Datenpunkts?
Testdaten	Welche Daten werden zur unabhängigen Prüfung verwendet?
Klassifikation	Wie heißt die Zuordnung eines Falls zu einer Klasse?
Fairness	Welcher Begriff beschreibt die Vermeidung systematisch unfairer Benachteiligung?
Transparenz	Welcher Begriff steht für nachvollziehbare Informationen über Daten, Modell und Entscheidung?

LearningApps

Lückentext

Beim überwachten Lernen werden bekannte Beispiele mit einem

versehen.

Ein Datenpunkt wird durch ausgewählte

beschrieben.

Das k-Nächste-Nachbarn-Verfahren betrachtet die räumliche oder mathematische

zu bekannten Fällen.

Der Wert

legt fest, wie viele Nachbarn in die Mehrheitsentscheidung eingehen.

Zur unabhängigen Prüfung werden

genutzt.

Ein Modell, das sich zu stark an Trainingsbeispiele anpasst, kann unter

leiden.

Für verantwortliche KI ist menschliche

wichtig.

Eine nachvollziehbare Dokumentation erhöht die

.

Offene Aufgaben

Leicht

Datenpunkt: Zeichne den Mini-Datensatz in ein Koordinatensystem und markiere die Klassen mit zwei unterschiedlichen Symbolen.
k-Nächste-Nachbarn: Bestimme für G die Vorhersage bei k = 1, k = 3 und k = 5 und beschreibe, warum sich Ergebnisse unterscheiden können.
Quellenkritik: Formuliere fünf Fragen, mit denen Du die Herkunft und Qualität eines Trainingsdatensatzes prüfen würdest.
Erklärtext: Schreibe für jüngere Lernende in höchstens 100 Wörtern, warum Mustererkennung nicht dasselbe wie menschliches Verstehen ist.

Standard

Fehleranalyse: Analysiere T3 und T4 und nenne jeweils mindestens zwei mögliche Ursachen, die im Modell oder im Datensatz liegen könnten.
Model Card: Fülle die Mini-Modellkarte für die Gießassistenz vollständig aus und ergänze mindestens einen klaren Nicht-Zweck.
Systemdesign: Zeichne ein Ablaufdiagramm von Sensor über Modell und Mensch bis zur Handlung und markiere mindestens zwei Stellen für Kontrollen.
Datenexperiment: Verändere genau einen Trainingspunkt und dokumentiere, welche Testvorhersagen sich dadurch bei k = 3 ändern.

Schwer

Modellvergleich: Entwickle zusätzlich eine einfache Wenn-Dann-Regel für das Gießen und vergleiche sie systematisch mit kNN auf denselben Testfällen.
Folgenabschätzung: Übertrage das System auf einen sensibleren Anwendungsfall und begründe, welche neuen Risiken, Rechte und Governance-Regeln entstehen.
Evaluation: Entwirf einen größeren Testplan mit mindestens drei Kennzahlen oder qualitativen Prüfkriterien und erkläre, warum jede davon relevant ist.
KI-Projekt: Entwickle in einer Tabelle, Tabellenkalkulation oder Programmiersprache ein eigenes kleines Klassifikationsmodell, teste es, verbessere es einmal gezielt und dokumentiere jede Entscheidung.

Lernkontrolle

Systemdenken: Erkläre, warum eine Verbesserung der Modellgenauigkeit nicht automatisch das gesamte KI-System verbessert. Beziehe Datenqualität, Oberfläche und menschliche Kontrolle ein.
Transfer: Ein kNN-Modell für Werkstücke funktioniert im Labor gut, aber in der Werkhalle schlecht. Entwickle drei plausible Hypothesen und beschreibe passende Tests.
Abwägung: Vergleiche die Folgen eines falsch positiven und eines falsch negativen Ergebnisses in der Gießassistenz. Zeige, warum die Bedeutung vom Anwendungskontext abhängt.
Governance: Entwirf drei Regeln dafür, wann Lernende ein Modell verändern dürfen, wie Änderungen dokumentiert werden und wer die Freigabe erteilt.
Fairness: Erkläre, warum Fairness im Pflanzenbeispiel eine andere Rolle spielt als bei Entscheidungen über Menschen. Nenne Kriterien, die beim Transfer neu geprüft werden müssten.
Transparenz: Formuliere eine kurze Modellmeldung, die Ergebnis, k-Wert, wichtigste Datenbasis und eine Warnung bei Unsicherheit sichtbar macht.
Human Agency: Begründe, an welcher Stelle des Systems ein Mensch eingreifen können muss und was passieren soll, wenn Modell und menschliches Urteil widersprechen.

Lernnachweis

Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe wiedergeben kannst, sondern eine eigene kleine Lösung nachvollziehbar entwickelst und begründest.

Du formulierst einen klaren Zweck und mindestens einen Nicht-Zweck des Modells.
Du erklärst die verwendeten Merkmale, Datenquellen und Labels.
Du trennst Trainings- und Testdaten und begründest Deine Wahl von k.
Du dokumentierst mindestens einen Test, einen Fehler und eine gezielte Verbesserung.
Du unterscheidest statistische Mustererkennung ausdrücklich von menschlichem Verstehen.
Du bewertest Risiken, Fairness, Sicherheit, Transparenz und mögliche Folgen des Einsatzes.
Du legst fest, wie menschliche Kontrolle, Übersteuerung und Stop-Regeln funktionieren.
Du überträgst Deinen Entwicklungsprozess auf einen neuen Fall und begründest, was dabei angepasst werden muss.

OERs zum Thema

Verknüpfte Lernbereiche

Ein einfaches KI-Modell entwickeln

aiMOOC-Projekte

Inhalte werden geladen ...

Mediathek wird aus dem Wiki geladen ...

Frag mich zum aktuellen Lerninhalt oder wähle eine kurze Hilfe.

Textmodus bereit

Sprache