Künstliche Intelligenz und Maschinelles Lernen · 2. Halbjahr

Neuronale Netze verstehen

Die Schülerinnen und Schüler erhalten eine vereinfachte Darstellung der Funktionsweise von Neuronen und Schichten in einem Netzwerk.

Über dieses Thema

Neuronale Netze bilden das Herzstück der Künstlichen Intelligenz. Schülerinnen und Schüler Klasse 9 erhalten eine vereinfachte Darstellung: Künstliche Neuronen nehmen Eingaben auf, multiplizieren sie mit Gewichten, summieren die Ergebnisse und leiten sie durch eine Aktivierungsfunktion weiter. Schichten von Neuronen, von der Eingabeschicht über versteckte Schichten bis zur Ausgabeschicht, verarbeiten so Daten, um Muster zu erkennen, wie Objekte auf Bildern.

Die Lektion knüpft an KMK-Standards für Modellieren und Informatiksysteme an. Schüler erklären den Aufbau eines Neurons, analysieren Bilderkennung und begründen die Black-Box-Problematik, bei der Entscheidungen schwer nachvollziehbar sind. Das fördert systemisches Denken und Abstraktionsfähigkeiten, die für die Gesellschaftswirkungen von KI zentral sind.

Aktives Lernen macht abstrakte Prozesse erfahrbar. Wenn Schüler Modelle mit Karten oder Simulationen bauen, beobachten sie den Datenfluss live, testen Gewichte und entdecken, warum Netze trainiert werden müssen. Solche Hände-auf-Aktivitäten vertiefen Verständnis und motivieren, da Schüler eigene Entscheidungen der KI nachstellen.

Lernziele

• Erklären Sie die Funktion eines künstlichen Neurons, einschließlich Eingaben, Gewichten, Summation und Aktivierungsfunktion.
• Analysieren Sie, wie eine Schichtenarchitektur in einem neuronalen Netz zur Erkennung von Mustern in Bilddaten beiträgt.
• Demonstrieren Sie den Datenfluss durch ein einfaches neuronales Netz, um die Verarbeitung von Informationen zu veranschaulichen.
• Bewerten Sie die Herausforderungen bei der Nachvollziehbarkeit von KI-Entscheidungen aufgrund der Komplexität neuronaler Netze.

Bevor es losgeht

Grundlagen der Datenverarbeitung

Warum: Schüler müssen verstehen, wie Daten repräsentiert und verarbeitet werden, um die Funktionsweise von Neuronen zu begreifen.

Einführung in Algorithmen

Warum: Ein grundlegendes Verständnis von Algorithmen hilft den Schülerinnen und Schülern, die schrittweise Natur der Informationsverarbeitung in neuronalen Netzen zu verstehen.

Schlüsselvokabular

Neuron	Eine grundlegende Verarbeitungseinheit in einem künstlichen neuronalen Netz, die Eingaben empfängt, verarbeitet und eine Ausgabe erzeugt.
Gewicht	Ein numerischer Wert, der die Stärke der Verbindung zwischen Neuronen bestimmt und wie stark eine Eingabe die Ausgabe beeinflusst.
Aktivierungsfunktion	Eine Funktion, die auf die gewichtete Summe der Eingaben eines Neurons angewendet wird, um die Ausgabe zu bestimmen und Nichtlinearität einzuführen.
Schicht	Eine Gruppe von Neuronen, die auf der gleichen Ebene in einem neuronalen Netz arbeiten, z. B. Eingabeschicht, versteckte Schicht oder Ausgabeschicht.
Training	Der Prozess des Anpassens der Gewichte in einem neuronalen Netz anhand von Beispieldaten, um die Genauigkeit bei einer bestimmten Aufgabe zu verbessern.

Ideen für aktives Lernen

Karten-Modell: Einfaches Neuron

Teilen Sie Karten mit Eingabewerten und Gewichten aus. Schüler multiplizieren, addieren und wenden eine Schwellenwert-Funktion an, um die Ausgabe zu bestimmen. Gruppen vergleichen Ergebnisse und variieren Gewichte.

⏱ 25 Min.·Kleingruppen

Mission erstellen

Schichten stapeln: Netzwerk bauen

Gruppen bauen ein dreischichtiges Netz mit farbigen Karten für Eingaben, versteckte Neuronen und Ausgaben. Sie leiten Daten durch und protokollieren Vorhersagen für einfache Bilder. Diskutieren Sie Fehlerquellen.

⏱ 35 Min.·Kleingruppen

Mission erstellen

App-Simulation: Bilderkennung

Nutzen Sie eine kostenlose Web-App wie TensorFlow Playground. Schüler passen Gewichte an, trainieren das Netz auf Muster und beobachten Schichtaktivierungen. Notieren Sie, wie sich Vorhersagen ändern.

⏱ 40 Min.·Partnerarbeit

Mission erstellen

Black-Box-Analyse: Gruppenherausforderung

Präsentieren Sie KI-Entscheidungen zu Bildern. Gruppen rekonstruieren mögliche Netzwerkpfade mit Flipcharts und begründen Nachvollziehbarkeit. Teilen Sie Erkenntnisse im Plenum.

⏱ 30 Min.·Kleingruppen

Mission erstellen

Bezüge zur Lebenswelt

Bilderkennungssoftware in Smartphones, die Gesichter für die Entsperrung oder zur Organisation von Fotos identifiziert, nutzt neuronale Netze, um visuelle Muster zu erkennen.

Autonome Fahrsysteme verlassen sich auf neuronale Netze, um Verkehrsschilder, Fußgänger und andere Fahrzeuge auf der Straße zu erkennen und so die Navigation zu ermöglichen.

Medizinische Diagnosesysteme können neuronale Netze verwenden, um Muster in Röntgenbildern oder MRT-Scans zu erkennen, die auf Krankheiten hinweisen könnten, und unterstützen so Ärzte bei der Entscheidungsfindung.

Vorsicht vor diesen Fehlvorstellungen

Häufige Fehlvorstellung

Neuronale Netze denken wie menschliche Gehirne.

Was Sie stattdessen lehren sollten

Künstliche Neuronen sind mathematische Funktionen ohne Bewusstsein oder Verständnis. Aktive Simulationen mit Karten zeigen den rein rechnerischen Prozess, Schüler entdecken Unterschiede durch Vergleich mit biologischen Neuronen in Gruppen.

Häufige Fehlvorstellung

Netze funktionieren sofort ohne Training.

Was Sie stattdessen lehren sollten

Gewichte müssen iterativ angepasst werden. Praktische Übungen, bei denen Schüler Gewichte manuell optimieren, verdeutlichen diesen Lernprozess und widerlegen die Annahme automatischer Funktionalität.

Häufige Fehlvorstellung

Die Black Box ist magisch und nicht erklärbar.

Was Sie stattdessen lehren sollten

Entscheidungen entstehen aus gewichteten Summen. Modelle in Gruppenarbeit machen Pfade sichtbar, aktive Nachverfolgung hilft Schülern, Transparenz durch Vereinfachung zu verstehen.

Ideen zur Lernstandserhebung

Lernstandskontrolle

Geben Sie den Schülerinnen und Schülern eine Karte mit den Begriffen 'Neuron', 'Gewicht' und 'Aktivierungsfunktion'. Bitten Sie sie, für jeden Begriff eine kurze Erklärung zu schreiben, wie er in einem einfachen Netzwerk funktioniert.

Diskussionsfrage

Stellen Sie die Frage: 'Warum ist es manchmal schwierig zu erklären, wie ein neuronales Netz zu einer bestimmten Entscheidung kommt?' Leiten Sie die Diskussion zu Konzepten wie der 'Black Box' und der Komplexität der vielen Neuronen und Gewichte.

Kurze Überprüfung

Zeigen Sie ein einfaches Bild, z. B. eine Katze. Bitten Sie die Schülerinnen und Schüler, in Stichpunkten zu beschreiben, welche Art von Informationen (Eingaben) ein neuronales Netz verarbeiten müsste, um die Katze zu erkennen, und welche Schichten beteiligt sein könnten.

Häufig gestellte Fragen

Wie funktioniert ein künstliches Neuron?

Ein künstliches Neuron verarbeitet Eingaben durch Multiplikation mit Gewichten, Addition und eine Aktivierungsfunktion wie die Sigmoide. Das ergibt eine Ausgabe, die an nächste Neuronen weitergeleitet wird. Im Unterricht eignet sich das Karten-Modell, um Schüler den Prozess schrittweise erleben zu lassen und Gewichte zu variieren.

Warum sind neuronale Netze oft Black Boxes?

Tiefe Schichten mit Millionen Gewichten machen Entscheidungspfade komplex und nicht-linear. Selbst Experten können Vorhersagen selten rückwärts nachvollziehen. Diskussionen zu ethischen Implikationen, kombiniert mit simplen Modellen, helfen Schülern, die Grenzen zu erkennen und Transparenzmethoden wie LIME kennenzulernen.

Wie fördert aktives Lernen das Verständnis neuronaler Netze?

Aktive Ansätze wie Karten-Simulationen oder Apps machen abstrakte Berechnungen greifbar. Schüler bauen Netze selbst, testen Eingaben und beobachten Effekte, was Datenfluss verinnerlicht. Gruppenarbeit fördert Erklärungen untereinander, Fehlvorstellungen werden durch Experimente korrigiert und Motivation steigt durch sichtbare Erfolge.

Wie erkennt eine KI Objekte auf Bildern?

Das Netz zerlegt Bilder in Pixel, extrahiert Merkmale durch Schichten und klassifiziert via Wahrscheinlichkeiten. Training mit gelabelten Daten passt Gewichte an. Praktische Nachstellungen mit einfachen Mustern zeigen Schülern, wie Kanten oder Formen erkannt werden, und verbinden Theorie mit Anwendungen wie Autopiloten.