Künstliche Intelligenz (KI) wird immer relevanter in vielen unterschiedlichen Bereichen unseres Lebens. Daher sollten – meiner Meinung nach – bereits Schülerinnen und Schüler verstehen, wie KI funktioniert und wie sie unser Leben in Zukunft weiter prägen wird. Das Verständnis von KI fördert auch die in einer zunehmend digitalisierten Welt unterlässlichen digitalen Kompetenzen der Schülerinnen und Schüler. Sie lernen, wie sie Technologien kritisch hinterfragen und verantwortungsbewusst nutzen können. Auch bietet der Unterricht über KI die Möglichkeit, ethische Fragen im Zusammenhang mit Technologie zu diskutieren, z. B. Fragen der Privatsphäre, der Diskriminierung oder der Verantwortung bei der Entwicklung und Nutzung von KI-Systemen.

Im Januar 2024 habe ich daher eine neue Rolle angenommen und war nicht in meiner üblichen Funktion als IT-Berater tätig. Stattdessen stand ich vor einer 12. Klasse des beruflichen Gymnasiums mit Schwerpunkt Betriebsinformatik am Berufskolleg Werther Brücke in Wuppertal. Dort habe ich in einem zweistündigen Workshop ein grundlegendes Verständnis für künstliche Intelligenz vermittelt. Den Leitfaden des Workshops teile ich hier für eine weitere Nutzung.

Ziele des Workshops und Vorkenntnisse der Schülerinnen und Schüler

Die Schülerinnen und Schüler kannten Algorithmen und haben den Begriff Machine Learning kurz vorher kennengelernt. Im Workshop lernten sie nun die Zusammenhänge und Unterschiede zwischen den Begriffen Algorithmus, Machine Learning und Künstliche Intelligenz kennen. Es wurden Praxisbeispiele für die Anwendung von Künstlicher Intelligenz gegeben. Es wurde am Ende zusammenfassend darauf eingegangen, wie ein Workflow zur Entwicklung von künstlicher Intelligenz aussieht.

Einstieg: Herausarbeiten, was der Begriff “Künstliche Intelligenz” alles umfasst

Gemeinsam mit den Schülerinnen und Schülern wurde im Austausch gesammelt und diskutiert, was unter dem Begriff Künstliche Intelligenz zu verstehen ist. Antworten wurden am Whiteboard gesammelt.  

Eine gemeinsame Definition wurde dann festgehalten:

Künstliche Intelligenz ist ein übergeordneter Begriff, der beschreibt, das Computer-Systeme in der Lage sind, selbständig Entscheidungen zu treffen und Aufgaben zu lösen. 

Künstliche Intelligenz umfasst dabei verschiedene Methoden: 

• Machine Learning: Supervised und Unsupervised
• Neuronale Netze und Deep Learning
• Expertensysteme: Regelbasierte und wissensbasierte Systeme
• Optimierungsalgorithmen
• Sprachverarbeitung (Natural Language Processing)
• Computer Vision

und noch mehr….

Funktionsweise von “künstlicher Intelligenz” am Beispiel einer Klassifikationsauafgabe erklärt

Wie trifft eine KI selbständig Entscheidungen? Eine häufige Aufgabe von KI ist es, Dinge zu klassifizieren, im einfachsten Fall die Unterscheidung von zwei Klassen, z.B.: Ist ein Werkstück kaputt: Ja oder Nein? Ist die E-Mail Spam: Ja oder Nein? Versucht jemand beim Online-Shopping zu betrügen: Ja oder Nein?

Methoden des Machine Learnings lernen anhand von Daten Muster zu erkennen und anhand der Muster dann Entscheidungen zu treffen. Was das im Detail bedeutet, lernten die Schüler an dem fiktiven Beispiel “Monkey Cards” von aiunplugged.org (Aufgabenbeschreibung https://www.aiunplugged.org/german.pdf und Karten   https://www.aiunplugged.org/activity1.pdf ) – und alles ohne Laptop oder eine Zeile Code schreiben zu müssen!

Die Schülerinnen und Schüler erhielten an einer Pinnwand einen ausgedruckten Datensatz aus unterschiedlichen, vereinfacht dargestellten Affengesichtern (siehe oben auch das Bild zum Beitrag), die in die beiden Gruppen „beißende Affen“ und „nicht beißende Affen“ unterteilt wurden. Die Klasse hat dann für jede Gruppe Merkmale herausgearbeitet, die anscheinend ein typisches Merkmal für die jeweilige Gruppe an Affen ist und damit für eine Klassifikation der Affen genutzt werden kann. Die Merkmale wurden dann in einen Entscheidungsbaum überführt.

Der Entscheidungsbaum wurde dann mittels Testdaten getestet. Die Schülerinnen und Schüler haben festgestellt, das ihr Entscheidungsbaum als KI nicht immer perfekt alle Test-Bilder richtig klassifiziert hat, aber dennoch die Mehrheit der dargestellten Affen richtig klassifizieren konnte.

Was sind die Grenzen einer künstlichen Intelligenz?

In dem Beispiel der „Monkey Cards“ hat die Klasse am Ende ein Bild eines Affen mit neuen Merkmalen, die keine der Darstellungen aus den Trainingsdaten beinhaltet hatte, gezeigt bekommen. Der Entscheidungsbaum der Schülerinnen und Schüler basierte nur auf Merkmalen, die auch in den Trainingsdaten vorkamen. Daher konnte keine Klassifikation mittels Entscheidungsbaum durchgeführt werden, da die neuen Merkmale unbekannt waren. Daher hat die Klasse dann geraten, ob der dargestellte Affe zu den „beißenden Affen“ oder „nicht beißenden Affen“ gehörte.

Dieses Raten war dann Ausgangspunkt, um mit der Klasse über die Grenzen von künstlicher Intelligenz zu sprechen. Denn auch eine KI, die i.d.R. immer nur basierend auf bekannten Merkmalen klassifizieren kann, fängt bei unbekannten Merkmalen an, zufällig zu raten.

Mit der Klasse wurden dann die Grenzen einer künstlichen Intelligenz gesammelt:

• Ein trainiertes Modell kann immer nur die eine Aufgabe lösen, für die es trainiert worden ist.
• Eine KI versteht es nicht und kann nicht reagieren, wenn sich ihre Umgebung ändert. Eine KI kann nur in dem Rahmen handeln, den sie kennt und für den sie trainiert worden ist. Sie kennt nur ihre Trainingsdaten. 
• Eine KI hat kein echtes Verständnis von dem zu lösenden Problem.
• Die Trainingsdaten beeinflussen die Entscheidungen einer KI: Wenn die Daten verzerrt sind oder diskriminierende Entscheidungen beinhalten, dann lernt die KI ungewollt, sich diskriminierend zu verhalten.
• Bei neuen Situationen (z.B. neuen Merkmalen, neuen Klassen oder neuen zu klassifizierenden Fehlern) hat eine KI Probleme, richtig zu reagieren. 
• Eine KI kennt nur eine Strategie und Vorgehen, um ein Problem zu lösen. In komplexen Situationen ist das oftmals nicht ausreichend. 
• Um ein Machine Learning-Modell zu trainieren, werden Daten und Computer-Ressourcen zum Modelltraining benötigt. Daten und Rechenkapazitäten können begrenzt sein. 
• Rechtliche und ethische Fragen sind noch nicht vollständig geklärt: wer haftet bei Fehlentscheidungen und wer ist der Urheber von KI generierten Inhalten?!

Einsatzbereiche KI in der Praxis

Aus meiner beruflichen Praxis habe ich unterschiedliche Beispiele für den Einsatz von künstlicher Intelligenz gennant. Den Kaggle Datensatz „Casting Product Data Images“ habe ich verwendet, um zu zeigen, wie Daten analog zum fiktiven „Monkey Cards“-Beispiel in der Realität aussehen. Auf dem unteren Bild, aufgenommen während des Workshops mit der Schulklasse, sind auf der Pinnwand Bilder der Affen-Darstellungen zu sehen. Das Beamer-Bild zeigt Beispiele aus dem Kaggle-Datensatz.

Workflow für die Entwicklung einer künstlichen Intelligenz

Zum Abschluss der Arbeit mit den Schülerinnen und Schülern haben wir uns noch mit agilen Methoden beschäftigt, da die Schülerinnen und Schülern mittels Kanban Board eine anstehende Projektarbeit in Teamarbeit organisieren sollten. Im Rahmen der Erläuterung eines Kanban Boards hatte die Klasse dann noch einmal zusammenfassend alle Schritte gesammelt, die getan werden müssen, um eine künstliche Intelligenz zu entwickeln. Es wurde dabei von den Schülerinnen viel Bezug zu dem Beispiel „Monkey Cards“ genommen.

• Daten sammeln
• Daten bereinigen
• Daten Labeln („Affe beißt“, „Affe beißt nicht“)
• Merkmale aus den Daten herausarbeiten, die die verschiedenen Klassen beschreiben und anhand derer die Klassen insbesondere gut unterschieden werden können
• Daten unterteilen in Trainings- und Testdaten
• Modell auswählen und trainieren
• Modell anhand der Testdaten testen
• Modell optimieren und verbessern
• Modell für den Einsatz bereitstellen
• Monitoring des Modells im Praxiseinsatz
• Dokumentation des Vorgehens

Der gesamte Workshop kam gut bei den Schülerinnen und Schülern an und hat – auch ohne Einsatz eines Rechners oder eigenem Programmieren – dafür gesorgt, das ein Grundverständnis rund um künstliche Intelligenz und den Einsatz von Daten geschaffen wurde.