Künstliche Intelligenz ist eine Schlüsseltechnologie der Zukunft. Unser Konstruktionsset fördert frühzeitiges Interesse an dieser Technologie und bereitet Schülerinnen und Schüler auf mögliche Berufsfelder von morgen vor. Sie tauchen spielerisch in die Grundlagen der KI ei und erhalten Einblicke in die Funktionsweise der KI-Technologien. Das Set enthält drei Modelle mit verschiedenen Schwierigkeitsstufen. Sie verdeutlichen die Vielfalt der KI-Anwendungen und bieten den perfekten Einstieg in diese zukunftsweisende Technologie. Im Lieferumfang enthalten sind lehrreiche Begleitmaterialien speziell für den Einsatz im Unterricht, die das Verständnis für Künstliche Intelligenz vertiefen.
Zeitaufwand
Der Aufbau der Modelle Teachable Maschine und Intelligente Schranke benötigen jeweils ca. 10-15 Minuten. Für die Sortieranlage sollten 90 Minuten veranschlagt werden.
Einführung ins Thema
Unter einer KI versteht man, einfach gesagt, ein Programm, das sich in irgendeiner Hinsicht intelligent verhält. Je nach Aufgabenstellung kann es z.B. darum gehen, Bilder zu erkennen, Texte zu übersetzen oder vielleicht Musik zu erzeugen.
Es gibt viele unterschiedliche Arten von KIs. Meistens meinen wir heutzutage aber sogenannte künstliche Neuronale Netze, wenn wir von KIs sprechen. Das sind einfach gesagt Nachbildungen von Strukturen, wie wir sie in unseren Gehirnen haben. Neuronen sind Zellen, die mit anderen Neuronen verbunden sind und im Verbund mit den anderen Neuronen können diese Netze lernen.
Für die verschiedenen Aufgaben, die eine KI erledigen soll, gibt es verschiedene Arten solcher Netze – unser Sprachzentrum funktioniert etwas anders als unser Bildergedächtnis. Bei KIs ist das genauso. Auch da gibt es verschiedene Arten von Netzen und je nach Aufgabe müssen die passenden Netze verwendet werden.
Wie funktioniert ein neuronales Netz?
Die folgende Abbildung beschreibt den prinzipiellen Aufbau eines Netzes.
Auf der linken Seite (Eingabeschicht) kommen die Signale an – das ist vergleichbar mit unseren Sinneszellen. Die Sinneszellen sind mit Neuronen verbunden und die Stärke der Verbindung gibt an, wie stark ein Neuron auf die Reize von links reagiert.
Auf der rechten Seite (Ausgabeschicht) sehen wir die Ausgabeneuronen – die stehen ganz einfach gesprochen für bestimmte Begriffe, die mit den Sinnen auf der linken Seite wahrgenommen wurden. „Sehen“ wir beispielsweise links ein Bild, könnte rechts der Begriff „Katze“ assoziiert werden.
Zwischen den Sinneszellen links und den Ausgabeneuronen rechts stehen Strukturen aus vielen Neuronen. Die werden meistens in einzelnen „Schichten“ angeordnet und jede Schicht hat eine bestimmte Aufgabe oder Funktion.
Die Einteilung der Knoten eines Künstlichen Neuronalen Netzes in Schichten dient der Übersichtlichkeit. Man spricht vom Input Layer, Hidden Layer und Output Layer.
Für verschiedene Aufgaben gibt es unterschiedliche Arten der Verknüpfungen. Bestimmte Verknüpfungen, eigenen sich gut Teile aus Bildern zu erkennen und andere, sind gut darin, zeitliche Abfolgen wie bei Wörtern in Sätzen zu erkennen.
Begriffe wie Deep Learning, Deep Mind oder das Programm DeepL, das Text in eine andere Sprache übersetzt, beziehen sich auf die Struktur des Neuronalen Netzes - auf ein sogenanntes „tiefes“ Netz. Das Deep. Tief bedeutet nicht mehr, als dass es viele Schichten hintereinander gibt, bei der jede Schicht auf die Ausgaben der vorigen reagiert.
Bei unseren Versuchen mit dem TXT gehen wir immer folgendermaßen vor: Wir nutzen das Modell, um Bilder für das Lernen zu sammeln. Dazu müssen wir ein Programm schreiben, das Bilder aufnimmt und sie in Gruppen einteilt
Obwohl der TXT 4.0 ein sehr leistungsstarker Controller ist, braucht das Trainieren einer KI etwas mehr Rechenpower. Deshalb übertragen wir die Daten auf den PC oder Laptop und führen das Training dort durch. Nach wenigen Minuten kann das trainierte KI-Modell auf den TXT übertragen werden kann.
Jetzt können wir die KI mit einem anderen Programm auf dem TXT nutzen.
Um zu bewerten, wie gut eine KI im Erkennen von Dingen ist, benutzt man typischerweise eine sogenannte Wahrheitsmatrix. Dafür werden der KI nur die Gegenstände einer Art gezeigt und gezählt, wie viele davon richtig erkannt wurden. Das sind die sogenannten „wahren richtigen“ (true positives). Die fälschlicherweise falsch erkannten Gegenstände werden als die „falsch falschen“ (false negatives) bezeichnet.
Beide Zahlen werden durch die Anzahl der gezeigten Gegenstände geteilt und man erhält als Ergebnis einen Verhältniswert.
Je näher an der 1 die ersten beider Werte und je näher an der 0 die zweiten beiden Werte sind, umso zuverlässiger erkennt Deine KI die Gegenstände richtig.
