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?
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:
Gesichtserkennung
Die KI findet das Gesicht im Bild und legt ein unsichtbares Raster (Gesichtsraster, englisch face mesh) darüber.
Gesichtsverfolgung
Die KI verfolgt die Bewegungen des Gesichts in Echtzeit und passt den Filter ständig an.
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.
Quelle: Poster „Fünf große Ideen in der Künstlichen Intelligenz", AI4K12.org (CC BY-NC-SA 4.0). Schema in mehreren Sprachen ↗
Ordnet jedes Beispiel einer der fünf Ideen zu und klickt dann auf „Überprüfen".
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:
Auf Deutsch ungefähr: ein vollautomatischer Test, der Computer und Menschen auseinanderhält. Probiert es aus:
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.
Computer rechnen unglaublich schnell, aber die Daten müssen von Menschen kommen. Diese riesigen Datenmengen nennt man Big Data. Sie werden unter anderem so gesammelt:
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.
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.
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!
✏️ 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.
Hier seht ihr alle Gewichte als Zahlen, auch die, die gerade 0 sind. Ein positives Gewicht verstärkt ein Signal, ein negatives bremst es, 0 schneidet die Verbindung ab. Der Bias ist eine Art Grundeinstellung: Er legt fest, wie leicht ein Neuron „feuert". Tipp: Klickt im Netz auf eine Linie, um ihr Gewicht zu finden.
💡 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
| Gehirn | Künstliches neuronales Netz |
|---|---|
| Dendriten nehmen Signale auf | Eingänge (Input) nehmen Daten auf, z. B. Pixel eines Bildes |
| Zellkörper verarbeitet das Signal | Ein Knoten (künstliches Neuron) rechnet |
| Axon und Synapsen geben das Signal weiter | Verbindungen mit Gewichten geben das Ergebnis an die nächste Schicht weiter |
| Das Netz wächst mit jedem Lernen | Beim 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.
Die verschiedenen Arten des Lernens
Mensch und Maschine können lernen, auch aus Fehlern. Aber es gibt verschiedene Arten zu lernen.
① Symbolisches Lernen
Man lernt Wissen, das uns jemand weitergibt, nach festen Regeln und durch Wiederholung.
📖 Vokabeln, Alphabet, Formeln② Fallbasiertes Lernen
Man lernt durch Ausprobieren und aus Fehlern: Man „lernt das Lernen".
🚲 Laufen, Fahrrad fahren, Schwimmen③ Überwachtes Lernen
Die KI lernt mit beschrifteten Daten. Ein Mensch kennt die richtige Antwort und korrigiert sie — wie eine Lehrerin in der Schule.
🐱 Katzen von Hunden unterscheiden④ Bestärkendes Lernen
Niemand sagt die richtige Antwort. Die KI probiert aus, bekommt Belohnungen oder Strafen und verbessert ihre Strategie.
🎮 Eine KI lernt ein SpielProbier'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.
🔋 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!
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.
👁 Das sieht die KI
🎁 Belohnung & Strafe
🎲 Neugier
🔍 Was hat die KI gelernt?
- ① Erste KI: Trainiert 200 Bälle. Wie gut trifft die KI am Anfang, wie gut am Ende? Schaut euch die Lernkurve an.
- ② Blinde KI: Sie sieht nur, ob der Ball kommt. Warum lernt sie nichts, egal wie lange sie trainiert?
- ③ Falsche Belohnung: Sie bekommt nur Punkte fürs Bewegen. Was lernt sie stattdessen? Spielt ein Testspiel.
- Öffnet „🔍 Was hat die KI gelernt?". Welche Regeln hat die KI selbst gefunden? Hättet ihr sie genauso programmiert?
- 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.
YOLO: Objekterkennung in Echtzeit
Ein Bild erkennen ist gut — viele Objekte in einem Bild gleichzeitig erkennen ist besser! Und dann: Wir verwirren die Maschine.
YOLO („Du schaust nur einmal hin") ist ein Programm, das in einem Kamerabild alle Objekte auf einmal findet und benennt. Es macht zwei Dinge:
Objekterkennung
Die Maschine findet ein Objekt im Bild und zeichnet ein Rechteck darum: die Bounding Box.
Kategorisierung
Dann schreibt sie eine Kennzeichnung (ein Label) an die Box, z. B. Tasse, und wie sicher sie ist.
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.
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.
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.
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?
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!
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?"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.
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!
📖 Wörterliste
Vergiss nicht, dein Abzeichen auf www.edupass.lu anzufordern! Lade dazu ein Foto oder einen Screenshot deiner Arbeitsblätter hoch (siehe Anweisungen deiner Lehrperson).