Künstliche Intelligenz
Mit Hilfe dieser Übung erlernen Schüler*innen, ganz ohne Einsatz von digitalen Medien, wie Computer Entscheidungen mit Hilfe von Klassifikationsvorgängen treffen. Dabei haben Schüler*innen hier die Möglichkeit, mit Hilfe von eigenen Entscheidungsbäumen eine Wahl zu treffen und diese zu überprüfen. Ziel der Übung ist es, zu verstehen, wie Computer mit Hilfe von maschinellem Lernen Entscheidungen treffen.
1. Spielvariante: Affenspiel einfach
2. Spielvariante: Affenspiel fortgeschritten
Bei dieser Übung gibt es zwei Schwierigkeitsstufen (mit zwei verschiedenen Hintergrundfarben der Bildkarten). Die jeweiligen Hintergrundfarben der Karten geben keine Auskunft über das Verhalten eines Äffchens. In den Übungen werden zwei Gruppen von Affen gezeigt, die erste Gruppe wird als Trainingsdaten bezeichnet, die zweite als Testdaten. Die Trainingsdaten können als Dateneingabe gesehen werden. Sie werden genutzt, um Annahmen über die späteren Testdaten treffen zu können.
Du kannst auch die Arbeitsblätter aus dem Material nutzen. Es gibt vier Vorlagen: jeweils ein Arbeitsblatt mit Trainingsdaten und ein weiteres Arbeitsblatt 2 mit Testdaten. Das Testdatenblatt kann auch als Lösung und zur Selbstkontrolle durch die Schüler*innen genutzt werden.
Die Schüler*innen:
Das benötigst du:
Downloadmaterial zum Konzept:
Überlegt gemeinsam, welche Merkmale die meisten beißenden Affen haben, die sie von den nicht beißenden Affen unterscheiden.
Ein Beispiel: Ich möchte den besten Pausensnack für mich finden:
In höheren Klassenstufen bietet es sich an, zuerst diese Variante des Spiels zu spielen, um die Regeln zu verdeutlichen und danach in die schwierigere Variante 2 einzusteigen.
Bei Learningapps können die Schüler*innen ihre Entscheidungsbäume bzw. Kriterien mit der Testgruppe von Äffchen testen.
Bei Learningapps können die Schüler*innen ihre Entscheidungsbäume bzw. Kriterien mit der Testgruppe von Äffchen testen. (Learningapps)
Wie bereits eingangs beschrieben, sollte einer Reflexionsphase im Anschluss als wichtiges Element zur Aufarbeitung ein wenig Zeit eingeräumt werden. Neben Fragen wie:
die sich vor allem mit der Thematik der Funktionalität und Arbeitsweise der Gruppen befassen, soll vor allem der Frage nach gegangen werden:
Sehr viel sogar. Beim sogenannten überwachten Lernen studiert die KI eine Sammlung von Ein- und Ausgabe-Datenpaaren. Diese werden als Trainingsdaten bezeichnet. Während des Vorgangs lernt die KI, wie die Daten miteinander kategorisiert werden können. Mit Hilfe dieser Erkenntnisse werden neue Daten, sogenannte Testdaten den vorher gefunden Kategorien zugeordnet. Die Daten, die nicht zugeordnet werden können, werden verwendet, um die Leistungsfähigkeit des erlernten Klassifizierungsmodells zu bewerten. Wie bereits zu Beginn erwähnt, ist kein Klassifizierungsmodell perfekt. Auch wenn viele Trainingsdaten helfen, bessere Kategorien zu finden, kann kein Modell alle Daten 100 Prozent genau zuordnen. Bei der Auswahl von Modellen müssen wir also das Modell wählen, was unsere zu untersuchenden Testdaten am besten einordnen kann. Es gibt mehrere Faktoren, die die Genauigkeit eines Klassifikationsmodells beeinträchtigen können:
Lasse die Schüler*innen ihren eigenen Lernprozess beschreiben und dann mit dem eines Computers vergleichen. Sie könnten dieses Spiel auch mit Hilfe von Teachable Machine von einem Computer durchlaufen lassen und schauen zu welchem Ergebnis, der Computer kommt.
