Schüler*innen finden heraus, wie KI-Gesichtsfilter eigentlich funktionieren. Viele kennen sie schon aus Social Media, wo sie das Aussehen verändern oder lustige Effekte einblenden. Durch praktische Übungen bekommen sie einen Einblick in die Technik hinter Gesichtserkennung und erfahren, wie Filter einzelne Merkmale im Gesicht erfassen. Indem KI-Konzepte mit Apps und Tools verbunden werden, die sie täglich nutzen, verstehen sie besser, wie die Filter technisch funktionieren und welche Folgen das für Privatsphäre, Identität und ihr digitales Miteinander hat.
Die Schüler*innen setzen sich schrittweise mit den Themen Künstliche Intelligenz, Computer Vision und Programmierung mit Scratch auseinander. Zunächst erkunden sie anhand von Beispielen aus sozialen Medien, wie KI-gestützte Gesichtsfilter das Aussehen in Echtzeit verändern können. Anschließend arbeiten sie mit einem interaktiven Tool zur Erkennung von Gesichtspunkten, um zu beobachten, wie Machine-Learning-Modelle Gesichter analysieren.
In einer praktischen Programmieraufgabe übertragen die Schüler*innen diese Erkenntnisse ins Scratch und entwickeln eigene einfache Face-Filter, die mittels grundlegender Gesichtserkennung gesteuert werden. Eine abschießende Reflexion verdeutlicht, welche Chancen und Risiken mit Gesichtserkennung und Filtern im Alltag verbunden sind.
Die Schüler*innen lernen
Digitale Kompetenzen
Weitere Kompetenzen
Hardware
Software
Weitere Materialien
Arbeitsblatt Scratch Gesichtsfilter
Übung Bild 1: Gesichtserfassung
Gesichtserfassung findet Gesichter in Bildern – „Da ist ein Gesicht.“
Beispiel aus dem Alltag:
Eine Kamera-App, die Quadrate um die Gesichter der Personen einblendet.
Was KI und Maschinelles Lernen damit zu tun hat:
Das System erkennt, ob überhaupt ein Gesicht im Bild ist. Maschinelles Lernen hilft dabei, typische Merkmale eines menschlichen Gesichts zu erkennen. Die KI wurde zuvor mit großen Datenmengen darauf trainiert, wie ein Gesicht aussieht.
Übung Bild 2a und 2b: Erkennung von Gesichtspunkten
Erkennung von Gesichtspunkten findet spezifische Teile von Gesichtern – „Hier sind die Gesichtsteile“
Beispiel aus dem Alltag:
Nach der Erkennung der Landmarks können Anwendungen automatisch Objekte an diesen Punkten platzieren (z.B. Snapchat-Filter, die Hundeohren exakt auf dem Kopf positionieren oder, wie im Beispiel hier, eine Brille auf die Augen setzen).
Was KI und Maschinelles Lernen damit zu tun hat:
Dieser Schritt bestimmt exakt, wo Augen, Nase, Mund und weitere Schlüsselstellen liegen. Maschinelles Lernen hilft dem System, diese Punkte korrekt zu finden, auch wenn die Person den Kopf bewegt oder lächelt. Die KI wurde mit Daten trainiert, wie sich Gesichter typischerweise bewegen.
Übung Bild 3a und 3b: Gesichtserkennung
Gesichtserkennung identifiziert, wer jemand ist – „Das ist mein Freund Luca!“
Beispiel aus dem Alltag:
Dein Telefon wird entsperrt, wenn es dein Gesicht erkennt.
Was KI und Maschinelles Lernen damit zu tun hat:
Das System versucht zu erkennen, wer die Person ist. Maschinelles Lernen vergleicht das Gesicht mit gespeicherten Beispielen, um die Person zuverlässig zu identifizieren.
Weise darauf hin, dass Gesichtserfassung und die Erkennung von Gesichtspunkten die Grundlag für die eigentliche Identifikation von Gesichtern bildet. Die Landmarks dienen dazu, das Gesicht korrekt auszurichten. Anschließend werden Gesichtsdaten wie Licht, Farbe und Textur aus jedem Pixel extrahiert, wodurch eine einzigartige „Gesichtskarte“ entsteht. Dieser sogenannte Faceprint (vergleichbar mit einem Fingerabdruck) kann dann mit einer Datenbank von Faceprints anderer Personen abgeglichen werden, um festzustellen, ob eine Übereinstimmung vorliegt.
Für Lehrkräfte: Eine Version des Programms/ Code wird im folgenden Video erklärt. Für die Schüler*innen wurde ein Arbeitsblatt (siehe Downloadmaterial) vorbereitet, das eine leicht angepasste Version des Codes erhält. So können alle im eigenen Tempo arbeiten.
Weitere Tutorials zu den Scratch Face Sensing-Blöcken sind hier.
Aufgabe
Je nach Vorkenntnissen der Klasse in Scratch empfiehlt es sich, zunächst ein Koordinatensystem als Hintergrund hochzuladen. Erkläre noch einmal, wie die Spielfiguren (Sprites) üblicherweise mithilfe der x- und y-Koordinaten auf der Bühne positioniert werden.
Zeige auf eine bestimmte Position auf der Bühne und frage die Schüler*innen, welchen Koordinaten das entspricht.
Zum Beispiel kannst du fragen: „Wenn sich eine Spielfigur in der Mitte befindet, welchen Koordinaten entspricht das?“ Dies hilft den Schüler*innen zu verstehen, wie das Koordinatensystem funktioniert und wie Spielfiguren in Scratch platziert und bewegt werden.
z.B. Datensammlung und Bedenken beim Datenschutz, unrealistische Schönheitsideale oder übermäßige Nutzung von Filtern.
Lasse die Schüler*innen ihre eigenen Erfahrungen mit unrealistischen Schönheitsidealen in sozialen Medien teilen.
Sammle gemeinsam mit ihnen Beispiele dafür, wie die stetige Begegnung mit scheinbar „perfekten“ Gesichtern oder makelloser Haut in sozialen Medien das eigene Selbstbild und die Wahrnehmung anderer verändern kann.
Falls noch Zeit zur Verfügung steht, kannst du mit der Klasse über weitere Einsatzbereiche von Gesichtserkennungstechniken im Alltag sprechen. Um den Einstieg zu erleichtern, findest du hier ein paar Beispiele, die du mit den Schüler*innen reflektieren kannst.
Gesichtserkennung (Facial recognition) wird zur Echtzeitüberwachung und zur Identifizierung von Personen eingesetzt z.B. bei Grenzkontrollen. Gesichtserkennung kann dabei helfen, z.B. Straftäter oder Verdächtige aufzuspüren. Gleichzeitig ermöglicht sie staatliche Überwachung privater Bürger*innen.
Diskutiere mit den Schüler*innen das Spannungsfeld zwischen dem Recht auf Privatsphäre und dem Ziel kollektiver Sicherheit. Gehe darauf ein, wie Fehler in diesen Systemen dazu führen können, dass Personen fälschlicherweise mit Straftaten in Verbindung gebracht werden. Überlegt gemeinsam, wie diese Spannungen entschärft werden könnten.
Moderne Smartphones nutzen Gesichtserkennung zum Entsperren, indem sie prüfen, ob ein Gesicht autorisiert ist.
Weise auf mögliche ethnische Verzerrungen hin, die entstehen können, wenn Trainingsdaten für solche Systeme nicht vielfältig genug sind. Erzähle z.B. dass ein Mann asiatischer Herkunft bei einer Passkontrolle von einem automatischen Robotiksystem nicht erkannt wurde. (Zum Artikel)
Entwickle gemeinsam mit den Schüler*innen Ideen, wie Verzerrungen vermieden und Gerechtigkeit im Algorithmus erreicht werden können.
Diese Technik wird weltweit in vielen Bereichen eingesetzt:
Ermutige die Schüler*innen, ihre Meinung zur Emotionserkennung zu äußern. Wie schätzen sie die Vorteile dieser Anwendungsbereiche ein?
