Informatik · Klasse 12 · Informatik und Gesellschaft · 2. Halbjahr

Grundlagen der Künstlichen Intelligenz

Die Schülerinnen und Schüler erhalten einen Überblick über die Geschichte und die verschiedenen Bereiche der Künstlichen Intelligenz.

• KMK Bildungsstandards
• KMK: Sekundarstufe II - Interagieren und Reflektieren
• KMK: Sekundarstufe II - Beurteilen und Bewerten

Über dieses Thema

Künstliche Intelligenz (KI) und Maschinelles Lernen sind die prägenden Technologien unserer Zeit. In der Oberstufe lernen Schüler den fundamentalen Paradigmenwechsel kennen: Statt Regeln explizit zu programmieren, lernt das System Muster aus Daten. Sie untersuchen die Funktionsweise neuronaler Netze und verstehen Konzepte wie Trainingsdaten, Gewichte und Backpropagation. Dies deckt die KMK-Kompetenzbereiche 'Beurteilen und Bewerten' sowie 'Interagieren und Reflektieren' ab.

Ein zentraler Fokus liegt auf der gesellschaftlichen Verantwortung. Schüler analysieren, wie Bias (Vorurteile) in Trainingsdaten zu diskriminierenden Entscheidungen führen können und wer die Verantwortung für KI-Fehler trägt. Das Thema bietet enorme Chancen für forschendes Lernen. Wenn Schüler eigene kleine Modelle trainieren (z.B. zur Bilderkennung), erleben sie hautnah, wie die Qualität der Daten das Ergebnis beeinflusst und wo die Grenzen der 'Intelligenz' liegen.

Leitfragen

1. Erklären Sie die grundlegenden Konzepte und Ziele der Künstlichen Intelligenz.
2. Analysieren Sie die Entwicklung der KI von symbolischen Systemen zu maschinellem Lernen.
3. Beurteilen Sie die aktuellen Möglichkeiten und Grenzen von KI-Systemen.

Lernziele

• Erklären Sie die Kernziele und grundlegenden Konzepte der Künstlichen Intelligenz, wie z.B. Problemlösung und Mustererkennung.
• Analysieren Sie die historische Entwicklung der KI von regelbasierten Systemen zu modernen Ansätzen des maschinellen Lernens.
• Vergleichen Sie die Funktionsweise von symbolischer KI und konnektionistischer KI (neuronale Netze).
• Bewerten Sie die aktuellen Anwendungsbereiche und die ethischen Herausforderungen von KI-Systemen.
• Identifizieren Sie Beispiele für Bias in KI-Systemen und deren potenzielle Auswirkungen.

Bevor es losgeht

Grundlagen der Programmierung (z.B. mit Python)

Warum: Ein grundlegendes Verständnis von Variablen, Datentypen, Kontrollstrukturen und Funktionen ist notwendig, um die Konzepte von Algorithmen und maschinellem Lernen nachvollziehen zu können.

Datenstrukturen und Algorithmen

Warum: Grundkenntnisse über Listen, Arrays und einfache Algorithmen helfen beim Verständnis, wie Daten in KI-Systemen organisiert und verarbeitet werden.

Mathematische Grundlagen (Lineare Algebra, Wahrscheinlichkeitsrechnung)

Warum: Ein Basisverständnis von Vektoren, Matrizen und Wahrscheinlichkeiten ist hilfreich, um die Funktionsweise von neuronalen Netzen und ML-Algorithmen zu verstehen, auch wenn dies nicht im Detail vertieft wird.

Schlüsselvokabular

Künstliche Intelligenz (KI)	Ein Teilgebiet der Informatik, das sich mit der Schaffung von Systemen befasst, die Aufgaben ausführen können, welche typischerweise menschliche Intelligenz erfordern.
Maschinelles Lernen (ML)	Ein Ansatz der KI, bei dem Systeme aus Daten lernen, Muster erkennen und Vorhersagen treffen, ohne explizit dafür programmiert zu werden.
Neuronales Netz	Ein Modell, das von der Struktur und Funktion biologischer neuronaler Netze inspiriert ist und aus miteinander verbundenen künstlichen Neuronen besteht, die Informationen verarbeiten.
Trainingsdaten	Datensätze, die verwendet werden, um ein KI-Modell zu trainieren, damit es Muster und Zusammenhänge lernen kann.
Bias (Verzerrung)	Systematische Fehler oder Vorurteile in Daten oder Algorithmen, die zu ungerechten oder diskriminierenden Ergebnissen führen können.

Vorsicht vor diesen Fehlvorstellungen

Häufige Fehlvorstellung

KI 'versteht' die Welt so wie ein Mensch.

Was Sie stattdessen lehren sollten

KI basiert auf statistischen Wahrscheinlichkeiten und mathematischen Mustern, nicht auf echtem Verständnis. Durch Experimente mit absurden KI-Antworten erkennen Schüler, dass die Logik rein mathematisch und nicht semantisch ist.

Häufige Fehlvorstellung

KI-Entscheidungen sind immer objektiv, weil sie von einem Computer kommen.

Was Sie stattdessen lehren sollten

KI spiegelt die Vorurteile ihrer Trainingsdaten wider. In Workshops zur Datenanalyse lernen Schüler, dass 'objektive' Algorithmen durch schlechte Datenbasis sehr subjektive und unfaire Ergebnisse liefern können.

Ideen für aktives Lernen

Forschungskreis: Den Bias aufspüren

In Kleingruppen testen Schüler verschiedene KI-Bildgeneratoren oder Text-KIs mit gezielten Prompts zu Berufen oder sozialen Rollen. Sie dokumentieren Klischees und diskutieren, wie diese durch die Trainingsdaten entstanden sein könnten.

60 Min.·Kleingruppen

Planspiel: Das menschliche Neuronale Netz

Schüler bilden Schichten eines neuronalen Netzes. Sie geben 'Signale' (Zahlen) weiter, multiplizieren sie mit 'Gewichten' (Zetteln) und versuchen gemeinsam, ein einfaches Muster zu erkennen, um den Rechenprozess zu visualisieren.

45 Min.·Ganze Klasse

Debatte: Wer haftet für die KI?

Ein fiktiver Fall eines Unfalls mit einem autonomen Fahrzeug wird verhandelt. Schüler übernehmen Rollen (Programmierer, Besitzer, Gesetzgeber) und debattieren über Verantwortung und ethische Algorithmen.

45 Min.·Kleingruppen

Bezüge zur Lebenswelt

• In der Medizin werden KI-Systeme zur Analyse von medizinischen Bildern wie Röntgenaufnahmen oder MRTs eingesetzt, um Krankheiten wie Krebs frühzeitig zu erkennen. Radiologen arbeiten hier eng mit diesen Systemen zusammen, um Diagnosen zu unterstützen.
• Autonome Fahrsysteme in Fahrzeugen nutzen KI, um ihre Umgebung wahrzunehmen, Entscheidungen zu treffen und das Fahrzeug sicher zu steuern. Ingenieure bei Unternehmen wie Waymo oder Tesla entwickeln und testen diese Technologien kontinuierlich.
• Chatbots und virtuelle Assistenten wie Siri oder Alexa verwenden KI, um natürliche Sprache zu verstehen und auf Anfragen zu reagieren. Diese Systeme werden in Kundenservices und zur Steuerung von Smart-Home-Geräten eingesetzt.

Ideen zur Lernstandserhebung

Lernstandskontrolle

Die Schülerinnen und Schüler erhalten die Aufgabe, auf einem Zettel zwei Hauptunterschiede zwischen symbolischer KI und maschinellem Lernen zu notieren. Zusätzlich sollen sie ein aktuelles Beispiel für eine KI-Anwendung nennen und kurz erläutern, welche Daten dafür benötigt werden.

Diskussionsfrage

Stellen Sie die Frage: 'Welche ethischen Bedenken ergeben sich, wenn KI-Systeme Entscheidungen treffen, die Menschen direkt betreffen (z.B. Kreditvergabe, Bewerbungsauswahl)?' Die Schülerinnen und Schüler sollen in Kleingruppen diskutieren und anschließend ihre wichtigsten Diskussionspunkte im Plenum vorstellen.

Kurze Überprüfung

Präsentieren Sie drei kurze Szenarien (z.B. ein Schachcomputer, ein Spam-Filter, ein autonomes Fahrzeug). Die Schülerinnen und Schüler sollen für jedes Szenario kurz begründen, ob es sich primär um regelbasierte KI oder maschinelles Lernen handelt und warum.

Häufig gestellte Fragen

Was ist der Unterschied zwischen KI und klassischer Programmierung?

In der klassischen Programmierung gibt der Mensch alle Regeln vor (Wenn-Dann). Beim Maschinellen Lernen lernt der Computer die Regeln selbst, indem er riesige Mengen an Beispieldaten analysiert und Muster erkennt.

Wie kann aktives Lernen das Verständnis von KI fördern?

KI wirkt oft wie eine 'Black Box'. Wenn Schüler selbst einfache Modelle trainieren (z.B. mit Google Teachable Machine) und sehen, wie das Modell bei schlechten Daten scheitert, verstehen sie die Abhängigkeit von Datenqualität besser als durch reine Theorie.

Was sind neuronale Netze?

Das sind mathematische Modelle, die grob von der Struktur des menschlichen Gehirns inspiriert sind. Sie bestehen aus vielen kleinen Recheneinheiten (Neuronen), die in Schichten angeordnet sind und durch Anpassung ihrer Verbindungen lernen, komplexe Aufgaben zu lösen.

Warum ist Ethik in der Informatik-Oberstufe bei KI so wichtig?

Weil KI-Systeme zunehmend über Kredite, Jobs oder sogar medizinische Behandlungen entscheiden. Schüler müssen als zukünftige Gestalter lernen, die sozialen Auswirkungen ihrer Technik kritisch zu hinterfragen und ethische Leitplanken mitzudenken.