Informatik · Klasse 10 · Künstliche Intelligenz und Ethik · 2. Halbjahr

Neuronale Netze

Die Schülerinnen und Schüler lernen die Funktionsweise und das Training von neuronalen Netzen kennen.

• KMK Bildungsstandards
• KMK: STD.07
• KMK: STD.19

Über dieses Thema

Neuronale Netze bilden das Herzstück der Künstlichen Intelligenz. In Klasse 10 lernen Schülerinnen und Schüler ihre Struktur kennen: Eingabeschicht, versteckte Schichten und Ausgabeschicht mit Gewichten zwischen künstlichen Neuronen. Eingaben passieren durch Vorwärtspropagation, Ausgaben werden mit Trainingsdaten verglichen. Beim Training passt Backpropagation Gewichte an, um Fehler zu minimieren. So lernt die Maschine Muster ohne explizite Programmierung, wie in den Leitfragen gefordert.

Die Einheit „Künstliche Intelligenz und Ethik“ verbindet Technik mit Gesellschaft. Trainingsdaten bestimmen Fairness: Voreingenommene Daten führen zu diskriminierenden Vorhersagen, z. B. bei Gesichtserkennung. Schülerinnen und Schüler analysieren Grenzen algorithmischer Entscheidungen, etwa fehlenden Kontext oder Black-Box-Probleme. KMK-Standards STD.07 (Algorithmen) und STD.19 (Ethik, Gesellschaft) werden praxisnah erfüllt, fördern systemisches Denken und Verantwortung.

Aktives Lernen macht abstrakte Prozesse erfahrbar. Schüler trainieren einfache Netze mit Tools, testen biased Daten und diskutieren Ergebnisse. Dadurch greifen Konzepte wie Gewichtsanpassung und entstehen tiefe Einsichten in Stärken und Risiken neuronaler Netze.

Leitfragen

1. Wie lernt eine Maschine ohne explizite Programmierung?
2. Welche Rolle spielen Trainingsdaten für die Vorurteilsfreiheit?
3. Wo liegen die Grenzen algorithmischer Entscheidungen?

Lernziele

• Erklären Sie die Funktionsweise eines künstlichen Neurons, einschließlich Eingabe, Gewichtung, Aktivierungsfunktion und Ausgabe.
• Analysieren Sie den Prozess der Vorwärtspropagation in einem einfachen neuronalen Netz zur Vorhersage von Ergebnissen.
• Bewerten Sie die Auswirkungen von Trainingsdaten auf die Genauigkeit und Fairness eines trainierten neuronalen Netzes.
• Entwerfen Sie ein einfaches neuronales Netz für eine spezifische Klassifizierungsaufgabe und begründen Sie die Wahl der Schichten und Neuronen.
• Kritisieren Sie die Grenzen algorithmischer Entscheidungen anhand von Beispielen aus der Praxis, bei denen neuronale Netze eingesetzt werden.

Bevor es losgeht

Grundlagen der Programmierung (Variablen, Schleifen, Bedingungen)

Warum: Schülerinnen und Schüler müssen grundlegende Programmierkonzepte verstehen, um die Logik hinter neuronalen Netzen und deren Training nachvollziehen zu können.

Datenstrukturen (Listen, Arrays)

Warum: Die Darstellung von Eingaben, Gewichten und Ausgaben in neuronalen Netzen basiert auf Listen oder Arrays, deren Handhabung vorausgesetzt wird.

Lineare Algebra (Grundrechenarten, Vektoren)

Warum: Die Berechnung der gewichteten Summe der Eingaben eines Neurons erfordert grundlegende Kenntnisse der Vektor- und Matrixoperationen.

Schlüsselvokabular

Neuron	Eine grundlegende Verarbeitungseinheit in einem neuronalen Netz, die Eingaben empfängt, verarbeitet und eine Ausgabe erzeugt.
Gewichte	Parameter in einem neuronalen Netz, die die Stärke der Verbindung zwischen Neuronen bestimmen und während des Trainings angepasst werden.
Aktivierungsfunktion	Eine Funktion, die auf die gewichtete Summe der Eingaben eines Neurons angewendet wird, um die Ausgabe zu bestimmen und Nichtlinearität einzuführen.
Backpropagation	Ein Algorithmus zum Trainieren neuronaler Netze, der den Fehler von der Ausgabe zurück zur Eingabe propagiert, um die Gewichte anzupassen.
Trainingsdaten	Datensätze, die verwendet werden, um die Parameter (Gewichte) eines neuronalen Netzes anzupassen und ihm das Lernen von Mustern zu ermöglichen.

Vorsicht vor diesen Fehlvorstellungen

Häufige Fehlvorstellung

Neuronale Netze denken wie das menschliche Gehirn.

Was Sie stattdessen lehren sollten

Netze simulieren nur vereinfachte neuronale Verbindungen ohne Bewusstsein oder Verständnis. Aktive Simulationen mit Karten zeigen, dass sie rein mathematisch lernen. Gruppendiskussionen klären den Unterschied und stärken kritisches Denken.

Häufige Fehlvorstellung

Mehr Trainingsdaten bedeuten immer bessere Ergebnisse.

Was Sie stattdessen lehren sollten

Qualität der Daten zählt mehr als Menge; biased Daten verschlechtern Modelle. Hands-on Dataset-Sortierung lässt Schüler Bias erleben und Korrekturen testen. Paararbeit fördert Reflexion über Fairness.

Häufige Fehlvorstellung

KI-Entscheidungen sind immer objektiv.

Was Sie stattdessen lehren sollten

Algorithmen spiegeln Trainingsdaten wider, inklusive Vorurteilen. Rollenspiele demonstrieren subjektive Einflüsse. Whole-Class-Debatte hilft, ethische Grenzen zu erkennen.

Ideen für aktives Lernen

Planspiel: Einfaches Netz mit Karten

Gruppen erhalten Karten als Neuronen und Gewichte als Zahlen. Sie bauen ein Netz für logische Operationen wie AND, propagieren Eingaben vorwärts und passen Gewichte nach Fehlern an. Jede Gruppe präsentiert ihr trainiertes Netz.

45 Min.·Kleingruppen

Bias-Übung: Dataset-Analyse

Paare erhalten zwei Datasets mit Bildern (z. B. Sportler), eines biased nach Geschlecht. Sie trainieren ein simples Modell online und vergleichen Vorhersagen. Diskussion folgt über Datenqualität.

30 Min.·Partnerarbeit

Tool-Training: Teachable Machine

Individuell web-basiertes Tool nutzen, um ein Netz für Gesten zu trainieren. Schüler testen mit neuen Daten und notieren Erfolgsraten. Gemeinsame Reflexion zu Trainingsdaten.

40 Min.·Einzelarbeit

Rollenspiel: Entscheidungsgrenze

Klassen in Rollen teilen: Netz, Daten, Entscheider. Sie simulieren Vorhersagen mit biased Input und debattieren Grenzen. Protokoll der Diskussion erstellen.

35 Min.·Ganze Klasse

Bezüge zur Lebenswelt

• In der Automobilindustrie nutzen Ingenieure bei Unternehmen wie Waymo oder Tesla neuronale Netze, um autonome Fahrsysteme zu entwickeln, die Verkehrszeichen erkennen und Fahrspuren identifizieren.
• Medizinische Bildgebungslabore verwenden neuronale Netze, um Röntgenbilder oder MRTs auf Anomalien wie Tumore zu analysieren, was Radiologen bei der Diagnose unterstützt.
• Finanzinstitute wie Banken setzen neuronale Netze zur Betrugserkennung bei Kreditkartentransaktionen ein, indem sie Muster in großen Datenmengen erkennen, die auf betrügerische Aktivitäten hindeuten.

Ideen zur Lernstandserhebung

Lernstandskontrolle

Die Schülerinnen und Schüler erhalten eine Karteikarte mit einem Szenario (z.B. Bilderkennung, Spracherkennung). Sie sollen eine kurze Erklärung schreiben, welche Art von Daten für das Training benötigt werden und wie ein Bias in diesen Daten zu problematischen Ergebnissen führen könnte.

Kurze Überprüfung

Stellen Sie den Schülerinnen und Schülern eine vereinfachte Darstellung eines neuronalen Netzes mit wenigen Neuronen und Gewichten. Lassen Sie sie die Vorwärtspropagation für eine gegebene Eingabe berechnen und das Ergebnis mit einer erwarteten Ausgabe vergleichen.

Diskussionsfrage

Diskutieren Sie in Kleingruppen: 'Wo liegen die ethischen Grenzen, wenn wir Maschinen Entscheidungen treffen lassen, die Menschen betreffen?' Geben Sie Beispiele wie Kreditvergabe oder Strafmaß und lassen Sie die Schüler die Rolle von Trainingsdaten und Algorithmen bewerten.

Häufig gestellte Fragen

Wie funktioniert das Training neuronaler Netze?

Beim Training vergleicht das Netz Vorhersagen mit korrekten Labels und passt Gewichte via Backpropagation an. Fehler minimieren sich iterativ. Schüler erleben das mit Tools wie Teachable Machine, wo sie eigene Daten hochladen und Verbesserungen beobachten. Dies verbindet Theorie mit Praxis und zeigt Lernprozesse klar (62 Wörter).

Welche Rolle spielen Trainingsdaten für Vorurteilsfreiheit?

Trainingsdaten prägen das Modell: Vielfältige, repräsentative Daten reduzieren Bias, einseitige verstärken ihn. Beispiele wie verzerrte Gesichtserkennung illustrieren Risiken. Schüler analysieren Datasets aktiv, um faire Sammlungen zu planen und ethische Implikationen zu diskutieren (58 Wörter).

Wo liegen Grenzen algorithmischer Entscheidungen?

Netze fehlen Kontext, Kreativität und Ethik; sie extrapolieren nur aus Daten. Black-Box-Effekte erschweren Nachvollziehbarkeit. Diskussionen zu realen Fällen wie autonomen Autos fördern Verständnis für menschliche Aufsicht (52 Wörter).

Wie hilft aktives Lernen beim Verständnis neuronaler Netze?

Aktive Methoden wie Karten-Simulationen oder Tool-Training machen Gewichtsänderungen greifbar. Schüler testen Bias selbst, diskutieren Ergebnisse und entwickeln Systemdenken. Im Gegensatz zu Frontalunterricht entsteht echtes Verständnis durch Trial-and-Error und Peer-Feedback, was Motivation steigert und Wissen vertieft (68 Wörter).