​

Die aktuellsten KI-Anwendungen wie ChatGPT, Dall-E etc., über die sehr viel diskutiert wird, sind generative KI-Modelle, die in der Lage sind, Texte, Bilder, Töne, Videos etc. zu generieren. Doch davor traten schon vor vielen Jahren die neuronalen Netze ihren Siegeszug an. Mit ihnen lassen sich Bilder, Muster, Klänge etc. erkennen und in Klassen einteilen. Es sind Maschinen, die auf neuronalen Netzen basieren, die die besten Schach- und Go-Spieler schlagen und in selbstfahrenden Autos die Strasse analsysieren und das Auto lenken.

Hinter den neuronalen Netzen steckt recht komplizierte Mathematik, die sich auf Stufe Gymnasium nicht recht eignet, um mit allen Schüler:innen zu studieren. Doch die Anwendungen davon lassen sich mit Teachable Machine von Google sehr schön veranschaulichen. Mit der webbasierten, kostenlosen Plattform lassen sich sehr schnell KI-Modelle erstellen, die Bilder, Töne oder Körperbewegungen erkennen können. Das Besondere an Teachable Machine ist, dass es ein sehr niedrigschwelliges Tool ist: Es erfordert keine Programmiererfahrung und die Modelle lassen sich in Echtzeit testen. Dies macht es ideal für den Unterricht, da es die komplexe Welt des maschinellen Lernens für Schüler:innen greifbar und verständlich macht.

Wie funktioniert’s?

Neuronale Netze sind ideal, um Muster zu erkennen und daraus Klassen zu erstellen. So kann ein neuronales Netz beispielsweise verwendet werden, um Pflanzen zu bestimmen. Dazu füttert man das Netz mit unzähligen Bildern von Pflanzen und ordnet jedes einzelne Bild einer Pflanze (Klasse) zu. Mit diesen Daten trainiert man anschliessend das neuronale Netz. Dies ist der aufwändige Prozess, für den schnelle Computer nötig sind. Nach dieser Trainingsphase kann man das neuronale Netz mit ihm unbekannten Bildern von Pflanzen füttern. Wenn das Training funktioniert hat, erkennt das neuronale Netz nun diese unbekannten Bilder und kann es den richtigen Pflanzen zuordnen. Alle Informationen, die es dazu braucht, sind in seinem Modell gespeichert. Wenn dieses mal trainiert ist, braucht es keinen schnellen Rechner mehr. Die Erkennung von Bildern ist dann relativ einfach.

In Teachable Maschine gibt es drei Typen von Modellen, die sich trainieren lassen.

Bildklassifikation: Modelle, die zwischen verschiedenen Bildern unterscheiden können (z.B. erkennen, ob eine Katze oder ein Hund auf einem Bild zu sehen ist).
Audioerkennung: Modelle, die verschiedene Geräusche identifizieren können (z.B. klatschen vs. schnipsen).
Posenerkennung: Modelle, die Körperhaltungen und Bewegungen erkennen können.

Der Prozess läuft in vier Schritten:

Daten sammeln: Man nimmt Fotos, Audiodaten oder Videos auf, um Trainingsdaten zu generieren. Dazu lässt sich in Teachable Machine eine gewöhnliche Webcam, über die fast jedes Laptop verfügt, nutzen.
Modell trainieren: Dieser Schritt geschieht auf Knopfdruck und passiert im Hintergrund.
Ergebnis testen: Nach einigen Sekunden steht das Modell bereits zum Testen zur Verfügung.
Modell verwenden: Das trainierte Modell lässt sich nun speichern, herunterladen und in einem anderen Zusammenhang (einer Webseite, einem selbst geschriebenen Programm etc.) verwenden. Dabei enthält das Modell keine verwertbaren Informationen mehr über die Daten, mit denen es gefüttert worden ist. Insbesondere sind die Bilder, Töne etc., mit denen es trainiert worden ist, nicht mehr im Modell gespeichert.

Anwendungen

Die Anwendungsmöglichkeiten von Teachable Machine sind recht vielfältig und gehen über den Informatik-Unterricht weit hinaus. Beispielsweise im Sport könnte Teachable Machine genutzt werden, um ein Modell mit richtigen und falschen Bewegungsabläufen zu trainieren und danach seine eigene Bewegung klassifizieren zu lassen. In der Biologie kann Teachable Machine genutzt werden, um Pflanzen, Bakterien, Sporen, Samen etc. zu erkennen. In der Geografie kann man versuchen, ein Modell zu generieren, das Steine unterscheiden kann.

Und im Informatik-Unterricht schliesslich bietet Teachable Machine eine sehr gute Möglichkeit, sich mit dem Thema künstliche Intelligenz auseinanderzusetzen. Die Schüler:innen erfahren selbst, wie die Technik funktioniert, aber auch, wo die Grenzen dieser Technologie liegen und dass die Güte eines Modells sehr stark von den Daten abhängt, mit denen es trainiert worden ist.

Fazit

Teachable Machine bietet eine sehr gute Möglichkeit, das Thema KI bei den den Schüler:innen einzuführen und eingehend zu diskutieren. Die Black-Box KI wird dabei ein wenig geöffnet, so dass die Lernenden damit spielen, eigene Erfahrungen machen können. Wie ein neuronales Netz genau funktioniert, wissen sie danach noch nicht. Doch die Beschäftigung mit Teachable Machine kann eine gute Basis für vertiefte Diskussionen über diese Technik, die Anwendungen, die Gefahren und die Limitierungen bilden.

Posts, die sie interessieren könnten:

KI-Kompass: Wie ein Kartenspiel KI verständlich macht
KI-Tools von fobizz: Helfer für Lehrpersonen
Plain: Der KI-Übersetzer für einfache Sprache
«Dieser Blogpost wurde von einer Künstlichen Intelligenz verfasst»
Generative KI im Unterricht verwenden