Künstliche Intelligenz und Maschinelles Lernen · 2. Halbjahr

Wie Maschinen lernen

Die Schülerinnen und Schüler unterscheiden zwischen klassischer Programmierung und lernenden Systemen anhand von Trainingsdaten.

Über dieses Thema

Das Thema 'Wie Maschinen lernen' führt Schülerinnen und Schüler in den Unterschied zwischen klassischer Programmierung und lernenden Systemen ein. In der klassischen Programmierung legen Entwickler feste Regeln fest, die der Computer strikt ausführt. Bei maschinellem Lernen analysiert ein Modell Trainingsdaten, erkennt Muster und passt sich an, um Vorhersagen zu treffen. Schüler untersuchen, wie die Qualität und Menge der Trainingsdaten das Endergebnis beeinflusst, und lernen den Unterschied zwischen einem Algorithmus als festem Rezept und einem trainierten Modell.

Im Kontext der KMK-Standards zu Algorithmen und Informatik und Gesellschaft verbindet dieses Thema technische Grundlagen mit gesellschaftlichen Fragen. Schüler analysieren, ob Computer kreativ handeln oder nur Muster imitieren, und diskutieren Bias in Daten. Dies fördert kritisches Denken über KI-Anwendungen im Alltag, wie Bilderkennung oder Empfehlungssysteme, und bereitet auf ethische Debatten vor.

Aktives Lernen eignet sich hervorragend, da abstrakte Prozesse durch Experimente mit eigenen Datensätzen greifbar werden. Wenn Schüler Daten kuratieren, Modelle trainieren und Ergebnisse vergleichen, verstehen sie kausale Zusammenhänge intuitiv und behalten Konzepte langfristig.

Lernziele

• Vergleichen Sie die Funktionsweise eines klassischen Algorithmus mit der eines lernenden Modells anhand von Beispielen.
• Analysieren Sie, wie die Qualität und Quantität von Trainingsdaten die Vorhersagegenauigkeit eines lernenden Systems beeinflussen.
• Bewerten Sie, ob ein lernendes System kreative Ergebnisse erzeugt oder lediglich Muster aus Trainingsdaten repliziert.
• Erklären Sie den Unterschied zwischen einem Trainingsdatensatz und einem Modell in Bezug auf maschinelles Lernen.

Bevor es losgeht

Grundlagen der Programmierung: Sequenzen und Bedingungen

Warum: Schüler müssen verstehen, wie feste Anweisungen und bedingte Logik funktionieren, um den Unterschied zur flexiblen Anpassung lernender Systeme zu erkennen.

Daten und ihre Darstellung

Warum: Ein grundlegendes Verständnis von Datenstrukturen und der Bedeutung von Daten ist notwendig, um die Rolle von Trainingsdaten im maschinellen Lernen zu erfassen.

Schlüsselvokabular

Algorithmus	Eine schrittweise Anleitung oder ein Regelwerk zur Lösung eines Problems oder zur Ausführung einer Aufgabe. Klassische Algorithmen sind fest programmiert.
Modell (Maschinelles Lernen)	Eine mathematische Struktur, die aus Trainingsdaten lernt, um Muster zu erkennen und Vorhersagen zu treffen. Es ist das Ergebnis eines Lernprozesses.
Trainingsdaten	Eine Sammlung von Beispielen, die einem lernenden System präsentiert werden, damit es Muster erkennen und daraus lernen kann.
Mustererkennung	Die Fähigkeit eines Systems, wiederkehrende Strukturen oder Regelmäßigkeiten in Daten zu identifizieren.
Bias (in Daten)	Systematische Verzerrungen oder Ungleichgewichte in den Trainingsdaten, die zu unfairen oder falschen Ergebnissen des lernenden Systems führen können.

Ideen für aktives Lernen

Paarbeit: Programmierung vs. Lernen vergleichen

Paare erhalten Karten mit Beispielen für klassische Regeln (z. B. Verkehrsampel) und lernende Systeme (z. B. Sprachassistent). Sie sortieren und begründen den Unterschied in einer Tabelle. Abschließend präsentieren sie ein Beispiel pro Kategorie.

⏱ 20 Min.·Partnerarbeit

Mission erstellen

Gruppenexperiment: Trainingsdaten testen

Kleine Gruppen kuratieren zwei Datensätze (gute vs. biased Daten) für eine einfache Klassifikation, z. B. Früchte sortieren. Sie simulieren Training mit Scratch oder Online-Tools und vergleichen Vorhersagegenauigkeit. Protokoll der Ergebnisse.

⏱ 45 Min.·Kleingruppen

Mission erstellen

Klassenrunde: Kreativität debattieren

Ganze Klasse diskutiert Key Questions anhand von KI-Beispielen wie DALL-E. Jede Schülerin oder jeder Schüler notiert Argumente für 'kreativ' oder 'imitierend'. Moderierte Abstimmung und Zusammenfassung.

⏱ 30 Min.·Ganze Klasse

Mission erstellen

Individuelle Aufgabe: Modell aufbauen

Jede Schülerin oder jeder Schüler erstellt einen kleinen Datensatz (z. B. Wettervorhersagen) und testet mit Teachable Machine. Reflexion: Wie ändern sich Ergebnisse bei Datenänderung? Einreichen als Screenshot mit Notizen.

⏱ 25 Min.·Einzelarbeit

Mission erstellen

Bezüge zur Lebenswelt

Bilderkennungssoftware, wie sie in Smartphones für die automatische Sortierung von Fotos verwendet wird, lernt aus Millionen von Beispielbildern. Ein Mangel an diversen Trainingsdaten kann dazu führen, dass die Software bestimmte Personengruppen schlechter erkennt.

Empfehlungssysteme auf Streaming-Plattformen wie Netflix analysieren das Sehverhalten von Millionen Nutzern (Trainingsdaten), um personalisierte Filmvorschläge zu generieren. Die Qualität der Daten bestimmt, wie gut die Empfehlungen auf den individuellen Geschmack zugeschnitten sind.

Vorsicht vor diesen Fehlvorstellungen

Häufige Fehlvorstellung

KI-Modelle lernen wie Menschen aus wenigen Beispielen.

Was Sie stattdessen lehren sollten

Modelle benötigen Tausende Datenpunkte, um Muster zu erkennen, im Gegensatz zu menschlichem Lernen. Aktive Experimente mit variierenden Datensätzen zeigen Schülern diese Abhängigkeit und korrigieren die Fehlvorstellung durch direkte Beobachtung von Fehlern.

Häufige Fehlvorstellung

Ein Algorithmus und ein trainiertes Modell sind dasselbe.

Was Sie stattdessen lehren sollten

Ein Algorithmus ist ein fester Prozess, ein Modell das Ergebnis des Trainings. Paararbeiten mit Beispielen helfen Schülern, den dynamischen Lernprozess zu visualisieren und den Unterschied festzuhalten.

Häufige Fehlvorstellung

Mehr Daten bedeuten immer bessere KI.

Was Sie stattdessen lehren sollten

Qualität zählt mehr als Quantität; biased Daten führen zu Fehlern. Gruppenexperimente mit manipulierten Datensätzen verdeutlichen dies und fördern datenbasierte Argumentation.

Ideen zur Lernstandserhebung

Lernstandskontrolle

Die Schüler erhalten zwei kurze Beschreibungen: A) Ein Kochrezept, das Schritt für Schritt erklärt, wie man einen Kuchen backt. B) Die Beschreibung, wie ein Programm lernt, Katzen auf Bildern zu erkennen, indem es tausende von Katzenbildern analysiert. Die Schüler sollen auf dem Ticket notieren, welche Beschreibung einen klassischen Algorithmus und welche ein lernendes System darstellt und warum.

Diskussionsfrage

Stellen Sie die Frage: 'Stellen Sie sich vor, ein lernendes System soll lernen, Kunstwerke zu bewerten. Welche Art von Trainingsdaten würden Sie verwenden und welche Probleme könnten durch die Auswahl dieser Daten entstehen?' Die Schüler diskutieren in Kleingruppen und präsentieren ihre Überlegungen zur Datenqualität und potenziellem Bias.

Kurze Überprüfung

Zeigen Sie ein einfaches Beispiel für einen klassischen Algorithmus (z.B. eine Sortierfunktion für Zahlen) und ein einfaches Beispiel für ein lernendes System (z.B. eine Funktion, die anhand von Merkmalen zwischen Äpfeln und Birnen unterscheidet). Bitten Sie die Schüler, auf einem Blatt Papier die Hauptunterschiede in der Funktionsweise kurz zu notieren.

Häufig gestellte Fragen

Was ist der Unterschied zwischen Algorithmus und Modell in der KI?

Ein Algorithmus ist eine feste Abfolge von Schritten, wie ein Rezept, das immer gleich abläuft. Ein Modell entsteht durch Training mit Daten und passt Parameter an Muster an. Schüler verstehen dies besser, wenn sie Algorithmen programmieren und Modelle mit Tools wie Teachable Machine testen, um Vorhersagen zu vergleichen. Dies verbindet Theorie mit Praxis und zeigt Abhängigkeit von Datenqualität.

Wie beeinflusst die Qualität von Trainingsdaten KI-Ergebnisse?

Hohe Qualität führt zu genauen Modellen, biased oder unvollständige Daten erzeugen Fehler oder Vorurteile. Schüler analysieren reale Fälle wie Gesichtserkennung und testen selbst: Gute Datensätze erzeugen faire Vorhersagen, schlechte verstärken Stereotype. Diskussionen fördern Bewusstsein für ethische Aspekte in der KI-Entwicklung.

Können Computer kreativ sein oder nur Muster imitieren?

Computer imitieren Muster aus Trainingsdaten, echte Kreativität erfordert Bewusstsein und Originalität, was KI fehlt. Beispiele wie KI-Kunst zeigen Kombination bekannter Elemente. Debatten in der Klasse helfen Schülern, Kriterien für Kreativität zu definieren und KI-Grenzen kritisch zu beurteilen.

Wie kann aktives Lernen das Verständnis von maschinellem Lernen vertiefen?

Aktives Lernen macht Konzepte erfahrbar: Schüler kuratieren eigene Datensätze, trainieren Modelle und beobachten Effekte von Datenänderungen. Gruppenexperimente wie Klassifikationsaufgaben zeigen Unterschiede zu klassischer Programmierung direkt. Diese Hände-auf-Methoden bauen Systemdenken auf, reduzieren Abstraktion und machen Lernen motivierend, da Schüler Erfolge und Fehler selbst erleben.