Wie funktioniert Künstliche Intelligenz?
Machine Learning neuronale Netze Training Daten und Bias verstehen.
- Die SuS können die Grundbegriffe der Künstlichen Intelligenz (Turing-Test, regelbasierte Systeme, Machine Learning, Training, Modell) definieren und voneinander abgrenzen.Verstehen
- Die SuS können Szenarien als KI-basiert oder nicht-KI-basiert einordnen und ihre Entscheidung mit Fachbegriffen begründen.Anwenden
- Die SuS können die Funktionsweise von Machine Learning anhand des Prinzips 'Training mit Daten → Muster erkennen → Vorhersagen treffen' erklären.Verstehen
Wie funktioniert Künstliche Intelligenz wirklich? In diesem Modul lernst du die Grundlagen von Machine Learning und neuronalen Netzen verstehen warum Trainingsdaten entscheidend sind und erkennst die Gefahr von Bias.
Was ist Künstliche Intelligenz?
Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik das versucht Maschinen dazu zu bringen intelligent zu handeln also Aufgaben zu lösen die normalerweise menschliche Intelligenz erfordern.
Aber Vorsicht: KI ist kein magisches Gehirn. Im Kern ist KI Mathematik und Statistik angewendet auf grosse Datenmengen.
Arten von KI
- Schwache KI (Narrow AI): Löst eine spezifische Aufgabe (z.B. Schach spielen Bilderkennung ChatGPT). Das ist die KI die wir heute haben.
- Starke KI (General AI): Wäre so intelligent wie ein Mensch in allen Bereichen. Existiert noch nicht.
Beispiele für KI im Alltag
- Sprachassistenten (Siri Alexa)
- Empfehlungssysteme (Netflix Spotify YouTube)
- Gesichtserkennung (Handy-Entsperrung)
- Spam-Filter in E-Mails
- Übersetzungsdienste (Google Translate DeepL)
- ChatGPT und andere Sprachmodelle
Kernbegriffe: Was KI wirklich bedeutet
Hier sind die wichtigsten Begriffe die du kennen musst:
- KI (Künstliche Intelligenz)
- Systeme die Aufgaben ausführen die normalerweise menschliche Intelligenz erfordern – z.B. erkennen entscheiden übersetzen.
- Maschinelles Lernen (ML)
- Ein System lernt aus Daten ohne dass jemand ihm explizit programmiert wie es die Aufgabe lösen soll.
- Trainingsdaten
- Die Beispiele aus denen das Modell Muster lernt. Je mehr und je vielfältiger desto besser.
- Modell
- Das «gelernte» System – vereinfacht gesagt eine mathematische Funktion die Vorhersagen trifft.
- Klassifikation vs. Regression
- Klassifikation: Eine Kategorie vorhersagen (z.B. «Spam» oder «Kein Spam»).
Regression: Eine Zahl vorhersagen (z.B. den Preis eines Hauses basierend auf Grösse und Lage).
Machine Learning: Wie lernt eine Maschine?
Machine Learning (ML) ist der wichtigste Ansatz in der heutigen KI. Statt der Maschine explizit zu programmieren was sie tun soll bekommt sie Beispieldaten und lernt selbstständig Muster zu erkennen.
Die drei Schritte
- Trainingsdaten sammeln: Viele Beispiele für die Aufgabe (z.B. 10000 Bilder von Katzen und Hunden)
- Modell trainieren: Der Algorithmus sucht nach Mustern in den Daten
- Vorhersagen treffen: Das trainierte Modell kann neue unbekannte Daten einordnen
Analogie
Stell dir vor du sollst jemandem beibringen was ein Hund ist. Du könntest eine Regel aufschreiben: "Vier Beine Fell bellt". Aber was ist mit einem Hund der nicht bellt? Oder einer Katze die vier Beine und Fell hat?
ML geht einen anderen Weg: Du zeigst einfach tausende Bilder von Hunden und Nicht-Hunden und der Algorithmus lernt selbst die Unterscheidungsmerkmale.
Supervised vs. Unsupervised Learning
Es gibt verschiedene Arten wie eine Maschine lernen kann. Die zwei wichtigsten:
Supervised Learning (überwachtes Lernen)
Die Trainingsdaten sind gelabelt – jedes Beispiel hat die richtige Antwort dabei.
- Beispiel: 10'000 E-Mails sind als «Spam» oder «Kein Spam» markiert → das Modell lernt das Muster
- Typische Aufgaben: Klassifikation (Spam-Erkennung Bilderkennung) Regression (Preisvorhersage)
Unsupervised Learning (unüberwachtes Lernen)
Die Trainingsdaten haben keine Labels – das Modell muss selbst Strukturen finden.
- Beispiel: Kundendaten ohne Kategorien → das Modell gruppiert ähnliche Kunden zusammen
- Typische Aufgaben: Clustering (Gruppen erkennen) Dimensionsreduktion
Und was ist «kein ML»?
Wenn ein System nicht aus Daten lernt sondern fest einprogrammierte Regeln befolgt ist es kein Machine Learning – auch wenn es «smart» wirkt.
Neuronale Netze vereinfacht
Ein Neuronales Netz ist die populärste ML-Methode. Es ist inspiriert vom menschlichen Gehirn besteht aber einfach aus Matrizen-Multiplikation und Zahlen.
Aufbau
- Input-Layer: Nimmt die Daten auf (z.B. Pixel eines Bildes)
- Hidden Layers: Verarbeiten die Daten (gewichtete Verbindungen)
- Output-Layer: Gibt die Vorhersage aus (z.B. "Katze: 95% Hund: 5%")
Training
- Das Netz macht eine Vorhersage
- Wir vergleichen mit dem richtigen Ergebnis
- Wir passen die Gewichte an um den Fehler zu reduzieren
- Diesen Prozess wiederholen wir tausende Male
Mit jedem Durchlauf wird das Netz ein bisschen besser. Das nennt man Backpropagation.
Was ist der wesentliche Unterschied zwischen traditioneller Programmierung und Machine Learning?
Wähle eine Antwort
Aufgabe · Einzelarbeit (15 min)
Ordne die folgenden Beispiele zu: Supervised Learning Unsupervised Learning oder kein ML. Begründe deine Entscheidung in einem Satz.
- Ein System erkennt ob eine E-Mail Spam ist (trainiert mit 10'000 markierten E-Mails)
- Ein Algorithmus gruppiert Kunden nach Kaufverhalten ohne vorgegebene Kategorien
- Ein Taschenrechner berechnet 3 × 4
- Ein Programm erkennt Handschrift nachdem es mit beschrifteten Bildern trainiert wurde
- Netflix empfiehlt Filme auf Basis ähnlicher Nutzerprofile
Mindestens 50 Zeichen (Aktuell: 0)
Warning
Bias und Trainingsdaten
Eine KI ist immer nur so gut wie ihre Trainingsdaten. Wenn die Daten voreingenommen sind wird auch die KI voreingenommen.
Beispiele für Bias
- Bilderkennung: Eine KI die hauptsächlich mit Bildern von hellhäutigen Menschen trainiert wurde erkennt dunkelhäutige Gesichter schlechter
- Bewerbungen: Amazon hat ein KI-System entwickelt das Bewerbungen bewertet. Es bevorzugte systematisch Männer weil die Trainingsdaten aus einer Zeit stammten in der die meisten Bewerber Männer waren
- Sprachmodelle: ChatGPT kann Stereotypen reproduzieren die in den Trainingsdaten enthalten sind
Warum ist das wichtig?
KI-Systeme treffen zunehmend wichtige Entscheidungen: Kreditvergabe Bewerbungsverfahren medizinische Diagnosen. Wenn die KI voreingenommen ist werden diese Entscheidungen unfair.
Lösungsansätze: Diverse Trainingsdaten reguläre Audits von KI-Systemen Transparenz über Trainingsdaten.
Stell dir vor eine Schule verwendet ein KI-System das anhand von Noten Anwesenheit und Verhalten vorhersagt welche Schülerinnen und Schüler die Schule abbrechen werden. Welche Probleme könnten entstehen? Nenne mindestens drei.
Reflection
Zusammenfassung
- KI ist Mathematik und Statistik auf grossen Datenmengen kein magisches Gehirn
- Machine Learning: Statt Regeln zu programmieren lernt die Maschine aus Beispielen
- Neuronale Netze bestehen aus Schichten die Daten verarbeiten
- Bias: Die KI ist nur so gut wie ihre Trainingsdaten