Lernziele
Den Begriff „Künstliche Intelligenz“ in Abgrenzung zu Machine Learning und Deep Learning verstehen, den Unterschied zwischen Supervised und Unsupervised Learning erklären können. Verstehen, wie KI-Modelle konzipiert und entwickelt werden. Beispiele für KI im Alltag benennen können und erste Anwendungsideen entwickeln.
Wo begegnet mir KI im Arbeitsalltag?
Maschinelles Lernen wird in vielen Arbeitsbereichen bereits eingesetzt.
Zum Beispiel bei Chatbots: Auf Websites beantworten automatisierte Systeme häufige Fragen.
Auch E-Mail-Programme nutzen KI, um Nachrichten zu kategorisieren, zum Beispiel in Werbung, wichtig oder Spam.
Bei Umfragen hilft KI, offene Antworten zu analysieren, Themen zu erkennen und Zusammenfassungen zu erstellen.
Beim Schreiben unterstützt Maschinelles Lernen bei der Erstellung von Projektbeschreibungen oder Pressemitteilungen. Es macht Formulierungsvorschläge oder passt Inhalte sprachlich an, auch in anderen Sprachen oder einfacher Sprache.
Nach Online-Meetings generieren Tools automatisch Zusammenfassungen oder Gesprächsnotizen.
Bildbearbeitungsprogramme nutzen KI, um Hintergründe zu entfernen oder Kontraste automatisch anzupassen.
KI steckt längst in vielen Tools, die wir täglich nutzen, um schneller und effizienter zu arbeiten.
Was sind KI, ML, DL?
Was bedeutet Künstliche Intelligenz und worin unterscheiden sich Machine Learning, KI und Deep Learning?
Oft sagen wir: „Das habe ich mit KI gemacht“, wenn wir Tools wie ChatGPT nutzen. Dabei ist KI eigentlich ein Oberbegriff. Er beschreibt Systeme, die Aufgaben übernehmen, für die normalerweise Menschen ihr Gehirn brauchen – etwa Sprache verstehen, Probleme lösen oder Entscheidungen treffen.
Regelbasierte Systeme arbeiten nach festen Wenn-Dann-Regeln. Beim Machine Learning – oder Maschinellen Lernen auf Deutsch – erkennt ein System dagegen selbstständig Muster in Daten – zum Beispiel in Bildern, Texten oder Zahlen.
Deep Learning ist ein Teil des Machine Learning. Beispielsweise neuronale Netze, die grob funktionieren wie unser Gehirn: Informationen fließen von einem Knoten zum nächsten. Deep Learning steckt hinter Sprachmodellen wie ChatGPT oder der Gesichtserkennung auf Fotos.
Kurz gesagt: Künstliche Intelligenz ist der Oberbegriff. Machine Learning ist eine Methode, mit der KI lernen kann. Und Deep Learning ist eine besonders leistungsfähige Form davon.
Supervised vs. Unsupervised Learning
Maschinen lernen aus Daten, mal mit Anleitung, mal ohne. Man unterscheidet zwei grundlegende Ansätze: Supervised Learning und Unsupervised Learning, also überwachtes und unüberwachtes Lernen.
Supervised Learning heißt: Das System bekommt viele Beispiele mit der richtigen Antwort – einen Trainingsdatensatz. Zum Beispiel: Du zeigst einem Programm tausende Bilder, jeweils mit dem Hinweis „Hund“ oder „Katze“. Diese Infos nennt man Labels oder Annotation. Mit der Zeit erkennt das System typische Merkmale, etwa: „Katzen haben oft spitze Ohren.“ Je mehr solcher gelabelter Bilder es gibt, desto besser kann das System neue Bilder richtig einordnen. Typische Anwendungen sind Spamfilter, Wettervorhersagen oder medizinische Diagnosen.
Unsupervised Learning funktioniert ohne vorgegebene Antworten. Das System erhält viele unstrukturierte Daten, z. B. Texte – ohne Hinweis, worum es geht. Es sucht selbst nach Strukturen: Welche Themen ähneln sich? Welche Wörter tauchen oft zusammen auf? Beispiele sind Zielgruppen-Clustering im Marketing oder Trendanalysen in großen Datensätzen.
Überwachtes Lernen bezeichnet also das Lernen mit Lösung. Es ist sehr präzise, braucht aber viele gelabelte Daten.
Unüberwachtes Lernen ist das Lernen ohne Lösung. Es ist flexibler. Allerdings ist häufig nicht transparent, wie das Modell zu Ergebnissen kommt.
Wie entsteht eine KI?
Wie ein Machine Learning System entsteht in 5 Schritten.
Problem klären: Was soll das KI-System tun? Texte zusammenfassen oder E-Mails sortieren? Ohne ein klares Ziel keine passende Lösung.
Daten beschaffen: Welche Daten brauchst Du? Zum Beispiel Texte, Statistiken oder Umfrageergebnisse. Wichtig: Die Daten müssen vollständig, bereinigt und sinnvoll strukturiert sein.
Modell auswählen und trainieren: Wähle ein passendes Modell und trainiere es mit deinen Daten. Das Modell erkennt Muster und lernt daraus.
Modell testen: Prüfe, ob das Modell tut, was es soll. Wie gut sind die Ergebnisse? Funktioniert es auch mit neuen, unbekannten Daten? Dafür gibt es in den Datenwissenschaften Methoden, um die Leistung des Modells zu testen.
Nachbessern: Fast nie klappt alles auf Anhieb. Das kannst Du verbessern: die Daten überarbeiten, das Modell nachjustieren oder es neu aufsetzen.
Ein gutes KI-System entsteht Schritt für Schritt. Je klarer Dein Ziel, je sauberer und balancierter Deine Daten, desto besser wird das Ergebnis.
Das Entwickeln oder die Weiterentwicklung von KI-Modellen kann ähnlich strukturiert werden, wie der Datenlebenszyklus, der auf der Website des Civic Data Lab ausführlich erklärt wird.
Übung Teachable Machine: erste Schritte mit KI
Mit dieser Übung lernst Du, wie eine KI mit Bildern trainiert wird, indem Du selbst Bilddaten erstellst und ein Modell in der Teachable Machine von Google trainierst.
Lade dir das Arbeitsblatt ÜBUNG Teachable Machine (pdf) herunter.