KI & Machine Learning | Digitale Grundbildung

So arbeitest du selbstständig

Lies zuerst die Theorie. Halte danach in deinem Heft fest: Was ist eine KI? Was sind Trainingsdaten? Wo kann ein Fehler entstehen?

Ich kann zwischen KI, Machine Learning und einem normalen Programm unterscheiden.
Ich kann erklären, warum Datenqualität und Datenvielfalt wichtig sind.
Ich kann eine KI-Antwort oder Entscheidung kritisch hinterfragen.

Prompting: Aufgaben klar formulieren

Ein Prompt ist eine Eingabe oder Aufgabenbeschreibung für ein KI-System. Gute Prompts enthalten möglichst klar:

Rolle: Welche Perspektive soll die KI einnehmen?
Aufgabe: Was genau soll entstehen?
Kontext: Für wen und zu welchem Zweck?
Format: Tabelle, Liste, kurze Erklärung oder Code?
Grenzen: Was soll die KI nicht erfinden und wie soll sie Unsicherheit kennzeichnen?

Ein guter Prompt macht eine Antwort nicht automatisch wahr. Jede wichtige Aussage muss weiterhin geprüft werden.

Was ist KI (Künstliche Intelligenz)?

KI ist ein Computerprogramm, das lernen kann und intelligente Entscheidungen treffen kann - ähnlich wie ein Mensch.

Der Unterschied: KI lernt aus Daten und Muster, nicht aus Erfahrung oder Schulunterricht.

Schwache KI vs. Starke KI

⚡ Schwache KI (Narrow AI) - Das, was es HEUTE gibt

Definition: KI, die für eine spezifische Aufgabe gut ist, aber nicht flexibel ist.

Beispiele:

ChatGPT → Kann gut Texte schreiben, aber kann nicht Auto fahren
Facial Recognition → Erkennt dein Gesicht, aber kann keine Haare schneiden
Spotify-Empfehlungen → Empfiehlt dir Musik, aber versteht dich nicht als Person
Tesla Autopilot → Fährt Auto, kann aber keine Hausaufgaben machen

Status: Dies ist die einzige KI-Art, die existiert!

🧠 Starke KI (Artificial General Intelligence - AGI) - Die Science Fiction

Definition: Eine KI, die so intelligent ist wie ein Mensch - alles können würde.

Beispiele:

Eine KI, die gleichzeitig Auto fahren, Musik komponieren und Mathe lösen kann
Eine KI, die verstehen kann, was es bedeutet, Mensch zu sein
Eine KI, die eigene Ziele hat und diese verfolgt

Status: Existiert noch nicht! Experten sind sich uneinig, ob es jemals möglich sein wird.

Reale Beispiele von KI im Alltag

📱

Dein Smartphone

Wo KI wirkt: Gesichtserkennung (Face ID), Spracherkennung (Siri), Autocomplete

Wie: Dein Telefon lernt von deinen Fotos und Gesprächen

🎥

Netflix & YouTube

Wo KI wirkt: Empfehlungsalgorithmus

Wie: Die KI analysiert, was du schaust, und empfiehlt ähnliche Inhalte

🔍

Google Search

Wo KI wirkt: Ranking, Autocomplete, Rechtschreibkorrektion

Wie: Die KI versteht deine Frage, auch wenn die Rechtschreibung falsch ist

💬

ChatGPT & Copilot

Wo KI wirkt: Text-Generierung, Fragen beantworten

Wie: Die KI wurde auf Milliarden von Texten trainiert

🚗

Selbstfahrende Autos

Wo KI wirkt: Objekterkennung, Entscheidungsfindung

Wie: Kameras und Sensoren trainiert von Millionen von Fahrenstunden

🏥

Medizin & Diagnostik

Wo KI wirkt: Röntgenbilder analysieren, Krankheiten erkennen

Wie: Die KI wurde auf tausenden Beispiel-Bildern trainiert

Wie funktioniert Machine Learning?

Schritt für Schritt:

Daten sammeln: Der KI werden tausende Beispiele gegeben (z.B. Bilder von Katzen)
Muster erkennen: Die KI sucht nach gemeinsamen Mustern (alle haben Ohren, Schnurrhaare, etc.)
Regeln lernen: Die KI erstellt eigene Regeln: "Wenn Objekt vier Beine + Ohren hat = Katze"
Testen: Du zeigst der KI neue Bilder und sie muss raten: "Ist das eine Katze?"
Verbessern: Wenn falsch, passt die KI ihre Regeln an
Wiederholen: Prozess so lange wiederholen, bis die Genauigkeit hoch ist

Analoge:

Wie du Katzen erkennst: Mit 2-3 Jahren sieht dich jemand eine Katze zeigen. Nach ein paar Beispielen erkennst du ALLE Katzen - selbst wenn sie orange, weiß oder grau sind.

Machine Learning funktioniert ähnlich!

Trainingsdaten, Testdaten oder Ergebnis?

Eine KI soll Fahrräder erkennen. 800 beschriftete Fahrradbilder werden zum Lernen verwendet. Danach werden 200 unbekannte Bilder geprüft.

Neuronale Netze: Das Gehirn der KI

🧬

Was sind neuronale Netze?

Neuronale Netze sind Computerprogramme, die das menschliche Gehirn nachahmen.

Sie bestehen aus "Neuronen" (künstlichen Nervenzellen), die miteinander verbunden sind.

Wie funktioniert das?

Ein neuronales Netz hat mehrere Schichten:

Input-Layer: Die Eingabe (z.B. ein Bild)
Hidden Layers: Das Gehirn - mehrere Schichten von Neuronen, die Muster erkennen
Output-Layer: Die Ausgabe (z.B. "Das ist eine Katze zu 95%")

Warum nennt man das "Deep Learning"?

Je mehr Hidden Layers (Schichten) ein neuronales Netz hat, desto "tiefer" ist es.

Tiefe Netze können komplexere Muster erkennen!

⚠️ Das KI-Bias Problem

Was ist Bias?

Bias ist eine unfaire Voreingenommenheit oder ein Fehler in der KI.

Die KI trifft rassistische, sexistische, oder unfaire Entscheidungen - ohne Absicht!

Warum passiert das?

✋ Die KI lernt von Daten, die bereits unfair sind

✋ Beispiel: Wenn die Trainingsdaten zu 80% Männer enthalten, wird die KI Männer bevorzugen

Echte Beispiele:

🏢 Amazon's Hiring-AI: Bevorzugte Männer, weil die Trainingsdaten (historische Einstellungen) männlich geprägt waren
⚖️ COMPAS-Algorithmus: Sagte Schwarze Menschen hätten höhere Rückfallquote als Weiße (wegen Biases in historischen Daten)
🏥 Google Photos: Erkannte schwarze Menschen zunächst als "Gorillas" (Fehler durch schlechte Trainingsdaten)

Wie kann man Bias beheben?

✅ Sorgfältig ausgewählte, vielfältige Trainingsdaten
✅ Menschen überwachen die KI-Entscheidungen
✅ Transparenz: Erklären, wie die KI entscheidet
✅ Regelmäßige Tests auf Unfairness

Urheberrecht und Persönlichkeitsrechte bei KI

Gib einer KI keine privaten Chatverläufe, Fotos, Namen, Adressen oder Gesundheitsdaten, wenn du dafür keine ausdrückliche Erlaubnis und keinen sicheren schulischen Rahmen hast. Entferne persönliche Angaben oder arbeite mit erfundenen Beispielen.

KI kann Inhalte erzeugen, die auf geschützten Werken, Stimmen oder Gesichtern beruhen. Prüfe vor der Veröffentlichung, ob du ein Bild, einen Text, eine Stimme oder einen Stil verwenden darfst. Kennzeichne KI-Unterstützung und gib nicht vor, alles selbst erstellt zu haben.

Praxisregel: Keine echten personenbezogenen Daten in öffentliche KI-Dienste eingeben, Quellen prüfen, KI-Beitrag dokumentieren und Ergebnisse selbst verantworten.

Bias-Simulation

Ein Schulungsdatensatz enthält 9 Bilder von hellen Hunden und 1 Bild von einem dunklen Hund. Die KI erkennt helle Hunde sehr gut, dunkle Hunde aber oft nicht. Was sollte das Team zuerst tun?

Die Zukunft der KI: Chancen & Risiken

🌟 Chancen:

Medizin: KI findet Krankheiten früher
Klima: KI optimiert Energieverbrauch
Bildung: Personalisierte Lernpfade
Wissenschaft: Schnellere Entdeckungen

⚠️ Risiken:

Arbeitsplätze: KI könnte viele Jobs ersetzen
Missbrauch: KI für Überwachung / Manipulierung
Deepfakes: Täuschend echte gefälschte Videos
Kontrolle: Wer kontrolliert die KI?

💡 Merksätze

Schwache KI: Gut für eine spezifische Aufgabe (existiert heute)

Starke KI: Universell intelligent wie ein Mensch (Science Fiction)

Machine Learning: KI lernt von Beispielen, nicht von Programmierbefehlen

KI-Bias: KI kann rassistisch/sexistisch sein, wenn Trainingsdaten unfair sind