KI·WERKSTATT
← Zurück zur Übersicht 6ème
Digital Sciences 6ème · Axe thématique ⑥ · Künstliche Intelligenz

Eine Maschine, die schlauer ist als ich — ist das möglich?

Kann eine Maschine gewitzt sein? Wie lernt sie — und lernt sie so wie wir? In der 7ème habt ihr mit Filtern und Gesichtserkennung gearbeitet. Jetzt schaut ihr unter die Motorhaube: Wie lernt eine KI, wie „sieht" sie Dinge in einem Bild, und wie kann sie uns sogar täuschen?

AT 6 · Objekterkennung, Arten des maschinellen Lernens und die Macht der KI · #artificialintelligence #creativity
Teil A · Lernt die Maschine so wie wir?
1

Wiederholung: Wir nehmen ein Selfie!

Erinnerung aus der 7ème: Was muss eine KI können, damit ein Filter auf deinem Gesicht sitzt?

Um einen Filter auf ein Porträt zu setzen, braucht die KI zwei Fähigkeiten. Schaltet sie nacheinander ein:

1

Gesichtserkennung

Die KI findet das Gesicht im Bild und legt ein unsichtbares Raster (Gesichtsraster, englisch face mesh) darüber.

2

Gesichtsverfolgung

Die KI verfolgt die Bewegungen des Gesichts in Echtzeit und passt den Filter ständig an.

2

Die 5 großen Ideen der KI

Forscherinnen und Forscher fassen das Wichtigste über KI in fünf großen Ideen zusammen. Die ersten drei kennt ihr schon aus der 7ème.

👆 Klickt auf einen Teil des Schemas: Er leuchtet auf und ihr bekommt die Idee erklärt.

Quelle: Poster „Fünf große Ideen in der Künstlichen Intelligenz", AI4K12.org (CC BY-NC-SA 4.0). Schema in mehreren Sprachen ↗

Spiel: Welche große Idee steckt dahinter?

Ordnet jedes Beispiel einer der fünf Ideen zu und klickt dann auf „Überprüfen".

3

Bist du ein Roboter? CAPTCHA & Big Data

Eine KI braucht riesige Mengen an Daten. Woher kommen sie? Oft von dir — ohne dass du es merkst.

Bestimmt musstest du auf einer Website schon einmal beweisen, dass du kein Roboter bist. Dieser Test heißt CAPTCHA:

CCompletely
AAutomated
PPublic
TTuring test to tell
CComputers and
HHumans
AApart

Auf Deutsch ungefähr: ein vollautomatischer Test, der Computer und Menschen auseinanderhält. Probiert es aus:

Wähle alle Felder mitAmpelnWenn es keine gibt, klicke auf „Überspringen".
↻ 🎧 ⓘ
Klickt die richtigen Felder an und bestätigt.
🛡

Aufgabe 1: Sicherheit

Du beweist, dass du ein Mensch bist. So werden Websites vor automatischen Angriffen durch Bots geschützt.

🤖

Aufgabe 2: KI-Training

Deine Klicks sind beschriftete Daten: Sie helfen der KI, Bilder (Autos, Ampeln …) oder verzerrte Texte besser zu erkennen.

Big Data: Woher kommen die vielen Daten?

Computer rechnen unglaublich schnell, aber die Daten müssen von Menschen kommen. Diese riesigen Datenmengen nennt man Big Data. Sie werden unter anderem so gesammelt:

🧩 CAPTCHA & reCAPTCHA📷 Überwachungskameras🎙️ Mikrofone 🌫️ Sensoren (z. B. Luftqualität)🔍 Suchanfragen💬 Posts & Kommentare ⌚ vernetzte Geräte💳 Einkäufe mit Karte🦋 Apps wie iNaturalist
Was ist der Turing-Test?

Ein Mensch chattet gleichzeitig mit einem anderen Menschen und mit einer Maschine, ohne zu wissen, wer wer ist. Erkennt er die Maschine nach einigen Minuten nicht, hat sie den Test „bestanden". Gemessen wird also nicht, ob die Maschine recht hat, sondern ob sie wie ein Mensch antwortet. Ein CAPTCHA dreht den Test um: Hier prüft ein Computer, ob du ein Mensch bist.

4

Das neuronale Netzwerk

Unser Gehirn besteht aus Milliarden Nervenzellen (Neuronen), die miteinander verbunden sind. Ein künstliches neuronales Netz ahmt das mit Rechenschritten nach.

Jeder Kreis ist ein künstliches Neuron. Die Daten gehen links hinein (Eingabe), werden in den verborgenen Schichten (englisch hidden layers) verrechnet und kommen rechts als Vorhersage heraus (Ausgabe). Jede Linie hat ein Gewicht: Es sagt, wie wichtig ein Signal ist.

Simulation: Zeichnen → Netz → Ergebnis

Zeichnet ein einfaches Symbol ins 10×10-Raster (z. B. einen Kreis, ein Kreuz oder eine Linie). Das Netz berechnet daraus sechs einfache Merkmale — wie viel Tinte in der Mitte bzw. in den Ecken liegt, wie hoch/breit die Zeichnung ist, wie „gestreckt" sie ist und ob sie einen geschlossenen Umriss bildet — und lässt sie durch das Netz laufen.

⚠️ Die Gewichte dieses kleinen Netzes sind von Hand vorgegeben, nicht gelernt — aber ihr könnt sie unten selbst verändern und testen, was passiert!

📊 Eingabe-Merkmale eurer Zeichnung
🔎 Wonach die verdeckten Neuronen suchen

✏️ Ihr habt Gewichte verändert — die Beschreibungen gelten nur für die Original-Gewichte. Was sucht euer Neuron jetzt?

🎛️ Gewichte selbst verändern

Jede Linie im Netz hat ein Gewicht. Es sagt, wie wichtig ein Signal ist: Plus = „das spricht dafür", Minus = „das spricht dagegen", 0 = „ist mir egal". Zeichnet zuerst etwas und klickt auf „Verarbeiten" — dann seht ihr beim Schieben sofort, was sich ändert.

① Worauf achten die 4 Detektive in der Mitte?
② Wem glauben die 3 Antworten?

💡 Ideen zum Ausprobieren: Zeichnet ein Kreuz. Schafft ihr es, dass das Netz „Linie" sagt? Stellt beim Kreis-Detektor alles auf 0: Was passiert mit euren Kreisen? Welcher einzelne Regler verändert das Ergebnis am meisten?

Dieses Netz hat nur eine verborgene Schicht. Je schwieriger die Aufgabe, desto mehr Schichten braucht man. Ein Netz mit vielen verborgenen Schichten nennt man tiefes Lernen, englisch Deep Learning Deep Learning

GehirnKünstliches neuronales Netz
Dendriten nehmen Signale aufEingänge (Input) nehmen Daten auf, z. B. Pixel eines Bildes
Zellkörper verarbeitet das SignalEin Knoten (künstliches Neuron) rechnet
Axon und Synapsen geben das Signal weiterVerbindungen mit Gewichten geben das Ergebnis an die nächste Schicht weiter
Das Netz wächst mit jedem LernenBeim Training werden die Gewichte immer wieder neu eingestellt

Am Anfang irrt sich die Maschine. Sie verbessert ihre Gewichte nach und nach, bis sie in einem Bild, das sie noch nie gesehen hat, z. B. eine Katze erkennt.

Ist die KI also ein Gehirn?

Nein! Was für uns leicht ist, ist für die Maschine oft schwer — und umgekehrt. Eine chaotische Situation auf dem Schulhof verstehst du sofort, eine Maschine kaum. Dafür rechnet die Maschine Tausende Rechnungen pro Sekunde, wofür du Jahre bräuchtest.

5

Die verschiedenen Arten des Lernens

Mensch und Maschine können lernen, auch aus Fehlern. Aber es gibt verschiedene Arten zu lernen.

Mensch

① Symbolisches Lernen

Auswendig-Lernen · deklaratives Lernen

Man lernt Wissen, das uns jemand weitergibt, nach festen Regeln und durch Wiederholung.

📖 Vokabeln, Alphabet, Formeln
Mensch

② Fallbasiertes Lernen

Erfahrungs-Lernen · prozedurales Lernen

Man lernt durch Ausprobieren und aus Fehlern: Man „lernt das Lernen".

🚲 Laufen, Fahrrad fahren, Schwimmen
Maschine

③ Überwachtes Lernen

Supervised Learning

Die KI lernt mit beschrifteten Daten. Ein Mensch kennt die richtige Antwort und korrigiert sie — wie eine Lehrerin in der Schule.

🐱 Katzen von Hunden unterscheiden
Maschine

④ Bestärkendes Lernen

Reinforcement Learning

Niemand sagt die richtige Antwort. Die KI probiert aus, bekommt Belohnungen oder Strafen und verbessert ihre Strategie.

🎮 Eine KI lernt ein Spiel
So funktioniert überwachtes Lernen
🐱🐶🐱
1 DatenTausende Fotos von Katzen und Hunden
→
🏷️
2 LabelsEin Mensch beschriftet jedes Bild: „Katze" oder „Hund"
→
⚙️
3 TrainingDie Maschine sucht Muster und baut ein Modell
→
❓🐱
4 VorhersageNeues Bild: „Katze zu 96 %"
Spiel: Welche Art von Lernen ist das?
6

Probier's aus: Lernen durch Versuch und Irrtum

Player one: 3, 2, 1, Start! Dieser kleine Roboter kennt das Labyrinth nicht. Niemand verrät ihm den Weg. Er bekommt nur Belohnungen und Strafen.

0
Versuche
–
Schritte (letzter)
–
gegen die Wand
Schritte pro Versuch (die letzten 30). Der kürzeste Weg hat 10 Schritte.

🔋 am Ziel = Belohnung 👍 · gegen die Wand = Strafe 👎 · jeder Schritt kostet ein bisschen Energie.

Das ist bestärkendes Lernen: Am Anfang irrt der Roboter herum. Mit jedem Versuch merkt er sich, was sich gelohnt hat, und findet den Weg immer schneller. Genau wie ein Mensch beim Videospiel: Try again!

7

Experiment: Eine KI lernt Pong

Niemand sagt dieser KI, wie man Pong spielt. Ihr legt nur fest, was sie sieht und wofür sie Punkte bekommt. Dann probiert sie aus und lernt, genau wie der Roboter im Labyrinth.

Experiment laden:

👁 Das sieht die KI

Mehr Sensoren = mehr Situationen = mehr Training nötig.

🎁 Belohnung & Strafe

Plus = „mach das öfter!", Minus = „lass das!"

🎲 Neugier

Wie oft die KI am Anfang zufällig etwas ausprobiert, statt das zu tun, was sie schon kennt.
🏋️ Training
0Bälle trainiert
–Treffer zuletzt
0Situationen erlebt
Lernkurve: Wie viele Bälle die KI im Training trifft (in %).
🔍 Was hat die KI gelernt?
Für jede Situation, die die KI erlebt hat: Was tut sie dort am liebsten? (die häufigsten zuerst)
Beobachtet und vergleicht
  1. ① Erste KI: Trainiert 200 Bälle. Wie gut trifft die KI am Anfang, wie gut am Ende? Schaut euch die Lernkurve an.
  2. ② Blinde KI: Sie sieht nur, ob der Ball kommt. Warum lernt sie nichts, egal wie lange sie trainiert?
  3. ③ Falsche Belohnung: Sie bekommt nur Punkte fürs Bewegen. Was lernt sie stattdessen? Spielt ein Testspiel.
  4. Öffnet „🔍 Was hat die KI gelernt?". Welche Regeln hat die KI selbst gefunden? Hättet ihr sie genauso programmiert?
  5. ④ Profi-KI: Sie hat mehr Sensoren. Warum braucht sie mehr Training? Schafft sie den Profi-Bot?

Die KI kann nur aus dem lernen, was sie sieht, und sie tut genau das, wofür sie belohnt wird. Wie gut eine KI wird, entscheiden also Menschen: durch die Daten (Sensoren), die Belohnung und genug Training.

🏓
Projekt: Pong-Labor & ArenaJetzt seid ihr dran: Programmiert mit Blöcken einen eigenen Pong-Schläger und lasst ihn in der Arena gegen die Schläger eurer Klasse antreten.
Teil B · Wie „sieht" ein Computer?
8

YOLO: Objekterkennung in Echtzeit

Ein Bild erkennen ist gut — viele Objekte in einem Bild gleichzeitig erkennen ist besser! Und dann: Wir verwirren die Maschine.

YYou
OOnly
LLook
OOnce

YOLO („Du schaust nur einmal hin") ist ein Programm, das in einem Kamerabild alle Objekte auf einmal findet und benennt. Es macht zwei Dinge:

1

Objekterkennung

Die Maschine findet ein Objekt im Bild und zeichnet ein Rechteck darum: die Bounding Box.

2

Kategorisierung

Dann schreibt sie eine Kennzeichnung (ein Label) an die Box, z. B. Tasse, und wie sicher sie ist.

① Startet die Erkennung
② Die Maschine verwirren: YOLO sieht alles, aber versteht nichts!

Wie bei den „Fake-Yolons" auf Class'Code: Ändert die Kennzeichnungen in der Datenbank. In dieser Datenbank hat jemand das Label der Tasse schon verändert: Sie heißt „glou glou". Schreibt in die Felder ein neues Wort für die anderen Labels. Die Boxen im Bild oben ändern sich sofort.

Rätsel: Die KI erkennt dieses Objekt als „glou glou". Welches Wort wurde in der Datenbank verändert?

Die Maschine „sieht", aber sie versteht nicht, was sie sieht. Wer die Kennzeichnungen festlegt, hat Macht über die Vorhersagen der KI. Darum sind viele Daten und gute, ehrliche Labels so wichtig. Schlechte Daten führen zu verzerrten Ergebnissen: zu einem Bias.

🔓 Open SourceFrei verfügbar: Jeder kann es benutzen und verbessern.
⚡ EchtzeitErkennt die Objekte im Video gleichzeitig, nicht nacheinander.
🗂️ Riesige DatenbankenTrainiert mit Millionen beschrifteter Bilder (z. B. ImageNet mit über 14 Millionen Bildern).
⚠️ GrenzenWas nicht im Training vorkam, wird falsch oder gar nicht benannt. Auch zu viel oder zu wenig Licht stört.

Tipp für das Experiment mit der Kamera: Haltet ein Handy, eine Tasse oder eine Flasche vor die Kamera und ändert das Licht im Raum. In der Rubrik „Fake-Yolons" könnt ihr dort die Labels genauso verändern.

Teil C · Die KI täuscht den Menschen
9

KI oder Mensch? Achtung: Fake!

Bisher habt ihr die Maschine getäuscht. Jetzt dreht sich der Spieß um: Die KI erzeugt Porträts von Menschen, die es gar nicht gibt.

Spielt zuerst das Ratespiel: Echter Mensch oder von einer KI erzeugt?

Hinweise: So entlarvst du ein KI-Bild
🏞️Hintergrundverschwommen, verbogen oder unlogisch
🦷Zähne, Hände, Fingerzu viele, zu wenige oder seltsam geformt
👀AsymmetrieAugen oder Ohren passen nicht zusammen
🌫️Unscharfe Stellenan Rändern oder im Gesicht
💇Haareverschmelzen mit dem Hintergrund
💍Schmuck & Brillenverzerrt oder links und rechts verschieden
Detektiv-Training: Diese zwei Menschen gibt es nicht!

Beide Porträts hat eine KI erzeugt. Auf den ersten Blick wirken sie echt. Schaut ganz genau hin, vor allem an den Rändern, und klickt auf die Stellen, an denen ihr einen Fehler entdeckt.

Wenn du genau hinschaust und heranzoomst, bist du selbst ein gutes „unterscheidendes neuronales Netz", ein Diskriminator!

10

Das GAN: Fälscher gegen Detektiv

Wie lernt eine Maschine, so echt aussehende Bilder zu erzeugen? Mit zwei neuronalen Netzen, die gegeneinander spielen.

GAN steht für Generative Adversarial Network, auf Deutsch etwa „erzeugendes gegnerisches Netz". Zwei Netze treten gegeneinander an:

🎨 Generator

der Fälscher: erzeugt ein Bild
⇄

🔍 Diskriminator

der Detektiv: prüft „echt oder fake?"
?
echtunsicherfake
Der Generator hat noch nie ein Gesicht gemalt. Startet die erste Runde!

In Wirklichkeit spielen die beiden nicht 8, sondern Tausende Runden. Der Generator lernt bei jeder Runde aus seinen Fehlern, bis der Diskriminator die Fälschung nicht mehr von einem echten Foto unterscheiden kann.

GANs gibt es nicht nur für Bilder, sondern auch für Texte, Stimmen und Videos (Deepfakes). Fälschungen gibt es also überall. Darum wird es immer wichtiger, Echtes von Künstlichem unterscheiden zu können.

Abschluss
11

Zusammenfassung & Quiz

Was habt ihr gelernt? Testet euch selbst.

  • KI braucht große Datenmengen (Big Data), um zu lernen. Oft liefern wir sie selbst, z. B. mit CAPTCHAs.
  • Neuronale Netze sind vom menschlichen Gehirn inspiriert. Viele verborgene Schichten = Deep Learning.
  • Überwachtes und bestärkendes Lernen sind die zwei wichtigsten Arten des maschinellen Lernens.
  • YOLO erkennt Objekte in Echtzeit mit Bounding Boxes und Labels, aber es versteht nicht, was es sieht.
  • GANs können täuschend echte, aber falsche Bilder erzeugen. Schau genau hin!
Quiz
📖 Wörterliste
🏅

Vergiss nicht, dein Abzeichen auf www.edupass.lu anzufordern! Lade dazu ein Foto oder einen Screenshot deiner Arbeitsblätter hoch (siehe Anweisungen deiner Lehrperson).