Modul 3
Einführung in die KI
Willkommen in Modul 3 »Einführung in die KI«. In diesem Modul lernt Ihr, was sich hinter dem Begriff »Künstliche Intelligenz« (KI) verbirgt, an welchen Stellen wir sie bereits heute und in Zukunft einsetzen und welche Chancen und Herausforderungen, u. a. auch unter ethischen Gesichtspunkten, sie mit sich bringt. Außerdem geht es natürlich in die Praxis: Gemeinsam trainieren wir erstmals Künstliche Neuronale Netze.
KI ist überall und wichtig für die Berufsausbildung
KI wird bereits in vielen Kontexten eingesetzt, auch wo man es nicht unbedingt erwartet. Versucht im folgendem Quiz einzuschätzen, wo KI schon genutzt wird.
Und? War es spannend zu sehen, wo KI bereits in unserem Alltag Anwendung findet? Auch in vielen Berufen hat KI bereits Einzug gehalten. In der Medizin hilft Künstliche Intelligenz Krankheiten anhand von Bildern zu diagnostizieren, im kaufmännischen Bereich prognostiziert KI Verkaufsmengen und automatisiert Bestellungen, im Bankwesen wird sie eingesetzt um Kreditwürdigkeit zu prüfen und auch in der Landwirtschaft hilft KI. Anwendungen der Künstlichen Intelligenz sind immer häufiger anzutreffen, und auch Ihr werdet in Eurem Beruf mit KI in Berührung kommen. Auf den folgenden Folien sind gängige Anwendungen von künstlicher Intelligenz aufgeführt.
Und was ist jetzt KI?
Künstliche Intelligenz (KI) ist eine Disziplin, die sich damit beschäftigt, Maschinen zu entwickeln, die Aufgaben ausführen können, die normalerweise menschliche Intelligenz erfordern. Um dies zu ermöglichen werden große Datensätze mit der Informatik gepaart. KI umfasst auch die Teilbereiche des Maschinellen Lernens und des Deep Learning. Ziel dieser Teilbereiche ist es, auf der Grundlage von Eingabedaten Vorhersagen oder Klassifizierungen vorzunehmen. Bevor wir tiefer in die Theorie solcher Systeme eintauchen, wollen wir zunächst selbst eine erste KI trainieren, die unter anderem Bilder und Töne klassifizieren kann. Und das machen wir im nächsten Abschnitt.
Teachable Machines
Programmiert Euer erstes KI-System mit Teachable Machines. Teachable Machines ist ein tolles Tool, mit dem man einem Computer schnell und einfach beibringen kann, Bilder, Töne oder Posen zu erkennen.
Klassifizierungen von Bildern, wie Valerie es im Video demonstriert, können am Arbeitsplatz praktisch sein. Zum Beispiel können sie bei der Inventur oder der Sortierung in der Logistik helfen. Und auch bei der Postverarbeitung kann die Bilderkennung genutzt werden, um einen Brief der Empfänger*innen-Region zuzuordnen, was viel Zeit und Mühe spart. Valerie erklärt im nebenstehenden Video, wie Teachable Machines für die Klassifizierung verwendet werden und welche unerwarteten Probleme auftreten können.
Wenn Ihr das Video bis zum Ende geschaut habt, dann habt Ihr gesehen, dass die Auswahl der Trainingsdaten sehr wichtig ist. Nur beim Training der Klasse »Rocky« war Alexa im Hintergrund der verwendeten Fotos sichtbar. So hat das erstellte Modell nur dann Bilder als »Rocky« klassifiziert, wenn Alexa erkennbar war – unabhängig davon, welches Handzeichen gemacht wurde. Das führt uns zu einer der wichtigsten Erkenntnisse: KI-Modelle stehen und fallen mit der Qualität der Trainingsdaten, was wir im folgendem Abschnitt vertiefen.
Kenne deine Daten
»Kenne deine Daten« ist der wohl der wichtigste Leitsatz beim Trainieren von KI-Modellen. Denn die Entscheidungen und Klassifizierungen, die ein Modell trifft, hängt von der Qualität und Vielzahl der benutzten Datensätze ab. Wenn einschlägige Beispiele fehlen oder gar »falsche« Beispiele benutzt werden, dann lernt das KI-Modell nicht das richtige – zum Beispiel als Alexa im obigen Video in Valeries Trainingssatz auftauchte.
Ein wichtiger Hinweis: Die KI erkennt zwar Korrelationen, aber keine Kausalität. Das heißt, KI erkennt, dass es eine Beziehung zwischen zwei Variablen gibt, aber nicht, ob die Beziehung Ursache und Wirkung ist. Wenn wir das beim Training von KI außer Acht lassen, kann es zu absurden Schlussfolgerungen kommen. So kursiert im Internet das Beispiel einer falschen Kausalität, dass die globale Durchschnittstemperatur steigt, weil die Zahl der lebenden Piraten abnimmt.
Quelle: https://upload.wikimedia.org/wikipedia/commons/7/77/Pirate_Global_Warming_Graph.gif
Wird die Bedeutung von Trainingsdaten vernachlässigt, kann dies gravierende Folgen haben, die ethische Fragen aufwerfen. Dies wird im folgenden Abschnitt erörtert.
Apropos »kenne deine Daten«, wusstet Ihr schon, dass Algorithmen Eure Entscheidungen beeinflussen können? Weitere Informationen erhaltet Ihr in dieser Anleitung:
📒 Anleitung: Der Einfluß von Algorithmen und Daten (auf Entscheidungen)
Diskriminierende KI?
Bei der Erstellung von KI-Modellen wird oft vernachlässigt, dass die Trainingsdaten vielfältig sein sollten, was schwerwiegende Folgen haben kann. Oft werden zum Beispiel einseitige Datensätze von ausschließlich weißen Männern verwendet, sodass die erstellten Modelle nur auf sie zugeschnitten sind. Das kann zum Beispiel dazu führen, dass eine Bewerbungssoftware Frauen grundsätzlich aussortiert oder eine andere KI Krankheiten falsch diagnostiziert. Es ist also wichtig, vielfältige Trainingsdaten zu verwenden, was eher gelingt, wenn das zuständige Team selbst divers ist. Selbst wenn wir KI-Modelle im Beruf oder in der Ausbildung einsetzen, ohne sie selbst trainiert zu haben, können wir gravierende Fehlentscheidungen durch KI verhindern. Denn Künstliche Intelligenz sollte nur als beratendes Werkzeug zur Unterstützung eingesetzt werden – ohne blindes Vertrauen.
Für einen tieferen Einblick in das Thema KI und Ethik könnt Ihr Euch die folgenden Videos ansehen.
» Wie (und warum) Künstliche Intelligenz diskriminiert… und wie wir es verhindern können
» Warum Künstliche Intelligenz gar nicht intelligent ist
Explainable AI
Ihr habt bereits gesehen, dass KI zwar sehr nützlich sein, aber auch zu schwerwiegenden Fehleinschätzungen und Diskriminierungen führen kann. Leider sind die Ergebnisse von KI-Modellen für die Nutzer oft nicht nachvollziehbar. Das Problem sind die so genannten Black-Box-Algorithmen. Dabei ist zwar die Funktionsweise des Algorithmus bekannt, aber nicht, warum ein bestimmtes Ergebnis erzielt wurde. Hier setzen Explainable AI und Transparent AI (zusammen XAI) an, denn das sind Methoden, deren Ziel es ist, die Entscheidungen und Ergebnisse von KI-Modellen für die Nutzenden besser interpretierbar oder nachvollziehbar zu machen. Zu diesem Zweck können unter anderem die Elemente der Eingabedaten markiert werden, die den größten Einfluss auf das Ergebnis eines konkreten KI-Modells hatten. Während der Einsatz von XAI hilft, Fehlentscheidungen zu vermeiden, bleibt das Verständnis für Künstliche Intelligenz und Algorithmen weiterhin wichtig…
Daher wird im nächsten Abschnitt das Verständnis des wichtigsten KI-Teilgebietes vertieft.
Deep Learning und Künstliche Neuronale Netze
Besonders erfolgreich ist ein Zweig des Maschinellen Lernens, nämlich das Deep Learning (DL), das sogenannte Künstliche Neuronale Netze mit mindestens drei versteckten Schichten verwendet und sich an der Funktionsweise des menschlichen Gehirns orientiert.
Künstliche Neuronale Netze (KNN) sind dem menschlichen Gehirn nachempfunden und ahmen die Art und Weise nach, wie biologische Neuronen miteinander kommunizieren.
Sie bestehen aus einer Eingabeschicht, einer oder mehreren verborgenen Schichten und einer Ausgabeschicht. Dabei enthält jede Schicht künstliche Neuronen. Jedes Neuron ist mit einem anderen Neuron verbunden und hat eine entsprechende Gewichtung und einen Schwellenwert. Liegt der Wert eines einzelnen Neurons über dem festgelegten Schwellenwert, wird dieses Neuron aktiviert und sendet Daten an die nächste Schicht des Netzes. In der letzten Schicht wird dann entschieden, ob es sich bei einem Bild beispielsweise um eine Katze oder einen Hund handelt, abhängig davon, welches Neuron den höchsten Wert trägt.
Künstliche Neuronale Netze können schnell groß und komplex werden, was einschüchternd wirken kann. Daher werden wir im folgendem ein sehr einfaches Neuronales Netz betrachten, das bereits zu einem komplexen Verhalten eines Roboters führt.
Hier findet Ihr ein zusammenfassendes Handout der wichtigsten Definitionen und eine Aufgabe, um Euer Wissen zu überprüfen:
📒 Anleitung: KI Begriffe
✏️ Übung: KI Begriffe
Weiterführende Links:
» Wie funktioniert eigentlich Machine Learning?
» But what is a neural network? (Englische Audiospur mit deutschen Untertiteln)
»Machine Learning und Reinforcement Learning«
Das einflussreichste Teilgebiet von KI ist das Machine Learning (ML). Machine Learning befähigt eine Maschine, eigene Lösungen zu entwickeln, die nicht mit einem Satz von Antworten vorprogrammiert werden müssen. Mit Teachable Machines haben wir auch bereits ein Beispiel dafür kennengelernt. Desweiteren hilft ML zum Beispiel im Finanzwesen Betrugsfälle aufzudecken, Kreditwürdigkeit zu bestimmen oder im Gesundheitswesen bei der Erkennung von Krankheitsbildern.
Das Maschinelle Lernen kann in zwei Lernansätze unterschieden werden. Beim Unsupervised Learning werden unbekannte Strukturen in den Daten ohne eine Zielvariable ermittelt. Das Ziel dabei ist es, aus Daten unbekannte Muster zu erkennen und Regeln aus diesen abzuleiten. So können zum Beispiel Abweichungen erkannt werden, einschließlich der Erkennung von Betrugsfällen oder defekten mechanischen Teilen ( »predictive maintenance«). Beim Supervised Learning werden Funktionen auf Basis von Trainingsdaten, deren Output bekannt ist, ermittelt. Es geht also um das Lernen mit bekannten Datensets. Ein Beispiel dafür ist das Lernen von beschrifteten Bildern wie bei Teachable Machines.
Reinforcement Learning (RL) ist ein Lernmodell, das dem Supervised Learning ähnelt, aber der Algorithmus wird nicht anhand von Beispieldaten trainiert. Stattdessen lernt das Modell nach und nach durch Ausprobieren (»trial and error«). Eine Folge erfolgreicher Ergebnisse wird verstärkt, um die beste Empfehlung oder Strategie für ein bestimmtes Problem zu entwickeln. Dabei werden erfolgreiche Ergebnisse verstärkt und Fehlschläge bestraft. Reinforcement Learning orientiert sich somit an der operanten Konditionierung – einer bekannten Lerntheorie des Behaviorismus. RL-Modelle können zum Beispiel im Finanzwesen entscheiden, ob Aktien gehalten, verkauft, oder gekauft werden sollen. Weitere Einsatzbereiche sind unter anderem in der Gesundheitsfürsorge und der Robotik zu finden. Dieser Artikel gibt einen Überblick über einige Reinforcement Learning Applications.
» 10 Real-Life Applications of Reinforcement Learning
Braitenberg Vehikel
Können Roboter Emotionen besitzen? In diesem Video zeigt Valerie Euch, wie man einen Roboter programmiert, der sich in Euch verliebt.
Auf diesem Übungsblatt sind die die wichtigsten Punkte nochmal festgehalten:
✏️ Übung: Braitenberg Vehikel
KI mit Python
Zum Abschluss der Einführung in das riesige Thema Künstliche Intellignez möchten wir Euch einen Ausblick geben, wie Ihr im Berufsalltag wahrscheinlich selbst KI-Modelle erstellen werdet. In der Regel wird dafür die Programmiersprache Python verwendet, da dies dank Softwarebibliotheken wie TensorFlow besonders einfach ist. Wir haben zwei Video-Tutorials ausgewählt, die erklären, wie Ihr das macht.
Im ersten Video lernt Ihr, wie man mit Python und TensorFlow Kleidung kategorisiert.
» KI programmieren lernen: Bilder erkennen
Tutorial Teil 2 | Breaking Lab
Im zweiten Video lernt Ihr, wie man eine KI erstellt, die Tumore selbständig klassifiziert.
» Make Your First AI in 15 Minutes with Python (Englischsprachige Audio)
Experten-Interview mit
Dr. Wieland Holfelder
Abschließend interviewt Valerie den Leiter des Google Entwicklungszentrums in München Dr. Wieland Holfelder. Gemeinsam mit Euch schaut er in die Zukunft von KI und warum diese für Berufsschulen wichtig ist.
🎉 Glückwunsch!
Ihr habt jetzt unglaublich viele Konzepte über Künstliche Intelligenz gelernt. Ihr habt gelernt, wo KI im Beruf und Alltag eingesetzt wird, was die Teilbereiche von KI sind und was diese voneinander unterscheidet. Ihr habt erkannt, wie wichtig Daten für KI-Modelle sind und welche moralischen Implikationen das hat. Ihr habt Euer erstes eigenes KI-Modell erstellt und sogar einen Roboter programmiert, der Gefühle ausdrückt. Und einige von Euch haben sich an die Erstellung von KI-Modellen mit Python herangewagt. Wahnsinn! Nach dieser Einführung in die KI seid Ihr bereit für die nächsten Schritte und werdet es leichter haben, wenn Ihr im Job mit Künstlicher Intelligenz konfrontiert werdet.