Künstliche Intelligenz

Einführung in Maschinelles Lernen

In dieser Einführung setzen wir uns mit den Grundprinzipien und Techniken des maschinellen Lernens auseinander und lernen wichtige Grundbegriffe kennen. Dabei werden wir nicht nur die theoretischen Aspekte betrachten, sondern auch praktische Anwendungen erkunden.

Um die Schüler*innen bestmöglich einzubeziehen, bieten wir zwei Herangehensweisen an.

1. Variante: Interaktive Gruppendiskussion (für jüngere Schüler*innen)

2. Variante: Projektbasierte Forschung und Präsentation (für ältere Schüler*innen)

Ein aufgeklappter Laptop mit einer Grafik, die Maschinelles Lernen illustriert.
So geht's

1. Variante: Interaktive Gruppendiskussion

Vorbereitung

  • Recherche zum Thema KI, insbesondere ML
  • Karten zu KI Analog ausdrucken

Einführung (ca. 15 – 20 Minuten)

  1. Die Schüler*innen lernen den Ablauf und das Ziel der heutigen Einheit kennen: Heute geht es darum, sich mit dem Thema Maschinelles Lernen (ML) als ein Bereich der KI auseinanderzusetzen. Starte eine Diskussion:

„Was denkt ihr, was Maschinelles Lernen ist?"

Maschinelles Lernen (ML) beschäftigt sich mit Techniken und Prozessen, die angewendet werden, um Maschinen beizubringen, wie ein Mensch zu denken. Es ist ein Teilgebiet der Künstlichen Intelligenz (KI) und gründet auf der Idee, dass Maschinen aus Beispielen und Erfahrungen lernen können, ohne explizit für jedes einzelne Problem programmiert zu werden. Statt einen festgelegten Algorithmus zur Problemlösung zu verwenden, werden Daten einem generischen Algorithmus zugeführt.

  1. Input zum Thema: Schau dir mit deinen Schüler*innen folgendes Video an:
  1. ML im Alltag: Frage die Schüler*innen, was sie im Video gesehen und gelernt haben. Sprich mit ihnen über bereits genutzte ML-Anwendungen aus ihrem Alltag. Fragen könnten sein:

  • „Welche ML-Anwendungen nutzt ihr bereits?"
  • „Anbieter wie Netflix oder YouTube empfehlen euch Inhalte. Wisst ihr, warum das so ist?“
  • „Kennt ihr Sprachassistenten wie Siri oder Alexa? Was denkt ihr: Wie wissen sie, was wir sagen wollen?“
  • „Wisst ihr, wie selbstfahrenden Autos ohne menschliche Hilfe fahren können?“

Die Fragen zielen darauf ab, dass die Schüler*innen erkennen, dass ML in unserem Alltag weit verbreitet ist und stark auf Nutzer*innen-Daten angewiesen ist, um zu funktionieren.

Wenn genügend Zeit zur Verfügung steht, können die Schüler*innen zusätzlich zu ML-Alltagsanwendungen recherchieren. Die Ergebnisse können sie auf einer Pinnwand (hier eignet sich z.B. Taskcards) sammeln. Anschließend könnt ihr die Ergebnisse gemeinsam im Plenum diskutieren.

  1. Wie lernen wir? Die Schüler*innen sollen sich im nächsten Schritt damit beschäftigen, auf welche Art und Weise wir Menschen lernen. Mache dir selbst Gedanken dazu, wie Kinder in jungem Alter ihre Umwelt wahrnehmen und Erfahrungen machen.

Denken wir daran zurück, wie wir als Kleinkinder gelernt haben – indem wir die Welt um uns herum erkundet und Erfahrungen gesammelt haben, um zu verstehen, wie Dinge funktionieren. Ähnlich dazu funktioniert das Lernen auch für Künstliche Intelligenz (KI). Wie ein Kind seine Umgebung durch Beobachtungen und Ausprobieren kennenlernt, so lernt auch die KI durch das Sammeln und Verarbeiten von Daten. Wir werfen einen Blick darauf, wie dieser vergleichbare Lernprozess sowohl bei uns als auch bei der KI abläuft.

Lade deine Schüler*innen ein, sich zu erinnern, wie sie als Kleinkinder gelernt haben:

  • Kannst du dich an eine Zeit erinnern, als du noch klein warst? Was hast du damals gelernt?
  • Hast du schon einmal ein Puzzle gemacht oder ein neues Spiel gespielt? Wie hast du herausgefunden, wie es funktioniert?
  • Kennst du ein Tier oder eine Sache, die du erkannt hast, ohne dass dir jemand gesagt hat, was es ist?
  • Denk mal an eine Sache, die du besonders gut kannst, weil du geübt hast. Wie hast du das geübt?
  • Hast du schon mal ein Video gesehen, in dem jemand etwas ausprobiert oder vorgeführt hat? Hat es dir geholfen, es selbst zu probieren?

Diese Fragen sollen die Schüler*innen dazu ermutigen, sich an ihre eigenen Erfahrungen zu erinnern und sie mit dem Lernprozess von KI in Verbindung zu bringen. Betone, dass sie durch Beobachten, Experimentieren und Wiederholen gelernt haben. Diese Erkenntnisse bilden die Grundlage für den Vergleich mit dem Lernen von KI und helfen den Schüler*innen, den Übergang zu verstehen, wie Computer auf ähnliche Weise wie Menschen lernen können.
  1. Unterschiede verstehen: Gib deinen Schüler*innen folgendes Beispiel, um die Unterschiede von regelbasierter Programmierung und dem Einsatz von KI-Algorithmen zu verdeutlichen: Stell dir vor, du möchtest jemandem beibringen, wie man einen Basketball in den Korb wirft: 
    • Du könntest genaue Schritte vorgeben: wie die Hände zu positionieren sind, wie stark das Knie gebeugt sein sollte, usw.
    • Oder du zeigst viele Beispiele in Form von Videos, in denen andere werfen.

 

Das illustriert den Unterschied zwischen klassischer Programmierung und Künstlicher Intelligenz (KI):

In der klassischen Programmierung gibt es klare Anweisungen für jeden einzelnen Schritt, vergleichbar mit genauen Anweisungen für Muskelbewegungen. KI hingegen funktioniert anders: Es werden viele Beispiele gezeigt, ähnlich wie in den Videos. Die KI lernt aus diesen Beispielen und entwickelt dadurch ein Verständnis, z.B. für den besten Wurf, ohne detaillierte Anweisungen zu erhalten.

Genau wie du beim Üben des Wurfes durch Wiederholungen lernst, wie man am besten wirft, lernt die KI aus Erfahrungen und Beispielen, ähnlich wie ein Mensch.

Dieses Beispiel verdeutlicht den Kernunterschied zwischen programmierten Regeln und dem lernenden Ansatz der KI auf eine sehr anschauliche Weise. Stoße bei den Schüler*innen eine Diskussion über die Vor- und Nachteile beider Ansätze an.

  1. Arten von ML: Genau wie wir Menschen verschiedene Arten des Lernens haben, werden bei ML auch verschiedene Ansätze verwendet, um zu lernen. Hier sind die drei wichtigsten:

    • Überwachtes Lernen: Der Computer lernt anhand von Beispielen, die bereits mit korrekten Antworten (Labels) versehen sind. Stell dir vor, du hast viele Fotos von Früchten. Jedes Foto hat einen Zettel, der sagt, welche Frucht zu sehen ist. Der Computer lernt, indem er diese Fotos und Etiketten sieht. Dann kann er bei einem neuen Foto selbst entscheiden, welche Frucht darauf abgebildet ist.
    • Unüberwachtes Lernen: Hier lernt ein Computer aus Daten, ohne über vorgegebene Labels zu verfügen. Er erkennt Muster oder Gruppierungen in den Daten von selbst. Stell dir vor, du hast eine Kiste mit verschiedenen farbigen Bauklötzen. Du weißt nicht, wie viele Farben es gibt. Durch das Sortieren der Klötze nach Farben findest du selbst heraus, wie viele verschiedene Farben vorkommen und welche es sind.
    • Bestärkendes Lernen: Beim bestärkenden Lernen lernt ein Computer, indem er Belohnungen für gute Entscheidungen und Strafen für schlechte Entscheidungen erhält. Stell dir vor, du spielst ein Videospiel. Du bekommst Punkte, wenn du Hindernissen ausweichst, und verlierst Punkte, wenn du gegen Hindernisse stößt. Du lernst, die richtigen Entscheidungen zu treffen, um deine Punktzahl zu erhöhen, und vermeidest Dinge, die dich Punkte kosten.
  1. ML analog: Wir spielen das Spiel „Guter Affe, böser Affe“, indem es um Bildklassifikation, überwachtes Lernen und Entscheidungsbäume geht. Bereite deine Schüler*innen auf das Spiel vor und erkläre ihnen die Regeln.

Arbeitsphase (ca. 20 Minuten)

  1. Die Arbeitsphase findet in Zweiergruppen statt. Teile die Schüler*innen dementsprechend auf und gib ihnen die Anweisungen, wie in der Anleitung geschrieben.
  2. Nachdem deine Schüler*innen das Konzept der Klassifikation verstanden haben, kannst du darauf hinweisen, dass Entscheidungsbäume eine Möglichkeit sind, Muster in Daten zu erkennen, es aber noch andere Methoden gibt, wie z. B. neuronale Netze.

Neuronale Netze sind eine besondere Technik im Maschinellen Lernen, die von der Funktionsweise unseres Gehirns inspiriert sind. Sie helfen Computern, Muster in Daten zu erkennen und komplexe Aufgaben zu erlernen. Neuronale Netze bestehen aus künstlichen "Neuronen" und "Verbindungen" zwischen diesen. Durch die Verbindungen fließen Informationen, während die Neuronen Muster erkennen und Informationen verarbeiten.

Neuronale Netze sind besonders gut darin, Dinge wie Bilderkennung, Sprachverarbeitung und Vorhersagen zu optimieren. Sie sind ein wichtiges Werkzeug, um Computer besser zu machen, Dinge zu verstehen und menschenähnliche Intelligenz zu entwickeln.

Schau dir mit deinen Schüler*innen folgendes Video an:

Abschluss (ca. 10 Minuten)

  1. Hier sind einige Ansätze, wie du den Abschluss gestalten kannst:
    • Starte eine Diskussion über die wichtigsten Erkenntnisse und Erfahrungen, die die Schüler*innen während dieser Einheit gemacht haben.
    • Bitte die Schüler*innen um Feedback und reflektiert gemeinsam:
      • Was hat dir besonders gefallen?
      • Was hast du gelernt?
      • Wie könntest du dieses Wissen in der Zukunft anwenden?
    • Sammelt Ideen für mögliche Folgeprojekte oder Vertiefungen im Bereich des Maschinellen Lernens.
    • Gib konstruktives Feedback zur Gruppenarbeit, um Stärken und Verbesserungsmöglichkeiten zu identifizieren.
Viel Spaß beim Ausprobieren
So geht's

2. Einheit: Projektbasierte Forschung und Präsentation

Vorbereitung

  • Recherche zum Thema KI, insbesondere ML

Einführung (ca. 10 Minuten)

  1. Die Schüler*innen lernen den Ablauf und das Ziel der heutigen Einheit kennen: Heute geht es darum, sich mit dem Thema Maschinelles Lernen (ML) als ein Bereich der KI auseinanderzusetzen. Starte eine Diskussion:

„Was denkt ihr, was Maschinelles Lernen ist?"

Maschinelles Lernen (ML) beschäftigt sich mit Techniken und Prozessen, die angewendet werden, um Maschinen beizubringen, wie ein Mensch zu denken. Es ist ein Teilgebiet der Künstlichen Intelligenz (KI) und gründet auf der Idee, dass Maschinen aus Beispielen und Erfahrungen lernen können, ohne explizit für jedes einzelne Problem programmiert zu werden. Statt einen festgelegten Algorithmus zur Problemlösung zu verwenden, werden Daten einem generischen Algorithmus zugeführt.

  1. Input zum Thema: Schau dir mit deinen Schüler*innen folgendes Video an:

Arbeitsphase (ca. 25 Minuten): Gruppenarbeit

Teile deine Schüler*innen in Gruppen auf und gebe ihnen Forschungsaufgaben, um sich näher mit ML auseinanderzusetzen. Hier ist ein Vorschlag für konkrete Arbeitsanweisungen:

  1. Gruppe: ML im Alltag
    1. Forscht und findet Beispiele für die Verwendung von Künstlicher Intelligenz (KI) und Maschinellem Lernen im Alltag.
    2. Identifiziert ethische Aspekte von ML-Anwendungen, wie Datenschutz, Bias und Automatisierung von Arbeitsplätzen.
    3. Erörtert Auswirkungen von ML-Anwendungen auf unseren Alltag und listet Vor- und Nachteile auf.
    4. Bereitet eine kurze Präsentation vor, um eure Ergebnisse mit der Klasse zu teilen.
  2. Gruppe: Geschichte und Meilensteine des Maschinellen Lernens
    1. Forscht nach der Geschichte und den Meilensteinen der Entwicklung des Maschinellen Lernens.
    2. Sammelt Informationen über wichtige Entwicklungen, Forscher und Durchbrüche in diesem Bereich.
    3. Erstellt eine Zeitleiste oder eine Präsentation, um die Geschichte und die bedeutsamen Meilensteine darzustellen.
    4. Betont die Auswirkungen der Meilensteine auf Technologie und Gesellschaft.
  3. Gruppe: Arten von ML – Wie lernen wir?
    1. Vergleicht, wie Menschen und Maschinen lernen.
    2. Erklärt die Konzepte von überwachtem, unüberwachtem und bestärkendem Lernen anhand von Beispielen.
    3. Stellt eure Erkenntnisse zum Lernen und zu den verschiedenen Arten von ML in einer kreativen Form, z.B. in einem Diagramm oder einer kurzen Skizze, dar.
  4. Gruppe: Neuronale Netzwerke
    1. Erklärt, was Neuronale Netze sind und wie sie funktionieren.
    2. Zeigt auf, wie Neuronale Netze in Schichten aufgebaut sind und wie sie lernen.
    3. Erstellt eine einfache Visualisierung oder eine Skizze, um das Konzept zu veranschaulichen.

Jede Gruppe wird am Ende der Arbeitsphase ihre Ergebnisse präsentieren, um die Vielfalt der Aspekte des Maschinellen Lernens in der Klasse zu teilen.

Abschluss (ca. 10 Minuten)

  1. Die Schüler*innen präsentieren ihre Ergebnisse im Plenum. Hier sind einige Ansätze, wie du den Abschluss gestalten kannst:
    • Starte eine Diskussion über die wichtigsten Erkenntnisse und Erfahrungen, die die Schüler*innen während dieser Einheit gemacht haben.
    • Bitte die Schüler*innen um Feedback und reflektiert gemeinsam:
      • Was hat dir besonders gefallen?
      • Was hast du gelernt?
      • Wie könntest du dieses Wissen in der Zukunft anwenden?
    • Sammelt Ideen für mögliche Folgeprojekte oder Vertiefungen im Bereich des Maschinellen Lernens.
    • Gib konstruktives Feedback zur Gruppenarbeit, um Stärken und Verbesserungsmöglichkeiten zu identifizieren.
Viel Spaß beim Ausprobieren

Das könnte dich auch interessieren:

Cookie Consent mit Real Cookie Banner