Was ist KI?
Künstliche Intelligenz (KI) liegt vor, wenn ein Computer eine Aufgabe löst, für die man sonst menschliches Denken braucht: sehen, hören, Sprache verstehen oder entscheiden. Die meiste KI heute lernt aus Daten, statt nur feste Anweisungen zu befolgen.
KI, maschinelles Lernen und Deep Learning
- KI ist die große Idee: Maschinen, die sich schlau verhalten.
- Maschinelles Lernen (ML) ist ein Teil der KI, bei dem die Maschine Muster in Daten findet.
- Deep Learning ist ein Teil des ML und nutzt große neuronale Netze, zum Beispiel um Gesichter zu erkennen.
Drei Hauptbereiche
- Data Science: Zahlen und Tabellen (Preisvorhersage).
- Computer Vision: Bilder und Videos (Gesichtsentsperrung).
- Sprachverarbeitung (NLP): Text und Sprache (Sprachassistenten, Übersetzung).
Nicht alles Automatische ist KI: Die Zeitschaltuhr einer Waschmaschine folgt festen Schritten und lernt nicht.
Die sechs Phasen des KI-Projektzyklus
- Problemdefinition: das Problem verstehen. Fülle ein 4-W-Problem-Canvas aus: Wer (Betroffene), Was (das Problem und der Beweis dafür), Wo (Situation/Umfeld), Warum (Nutzen der Lösung). Am Ende steht eine Problemformulierung in einem Satz.
- Datenerhebung: Daten sammeln, die passend, verlässlich und erlaubt sind. Quellen: Umfragen, Sensoren, Kameras, Beobachtungen, Web Scraping, offene Datensätze (APIs). Daten haben Merkmale (Eingaben, z. B. Größe, Farbe) und ein Label (Antwort, z. B. Apfel).
- Datenexploration: Daten bereinigen (fehlende, falsche oder doppelte Werte korrigieren) und mit Diagrammen sichtbar machen, um Muster zu erkennen.
- Modellierung: eine Methode wählen. Regelbasiert: Menschen schreiben die Regeln. Lernbasiert: Die Maschine lernt die Regeln aus den Daten (z. B. überwachtes Lernen mit Labels, unüberwachtes Lernen, das Gruppen findet).
- Evaluation: das Modell mit Daten testen, die es noch nie gesehen hat. Die Genauigkeit messen und die Fehler ansehen.
- Einsatz: das Modell in eine echte App oder ein Gerät einbauen, beobachten, wie es arbeitet, und weiter verbessern. Dann beginnt der Zyklus von vorn.
Ein Modell bewerten: Genauigkeit in einfachen Zahlen
Genauigkeit = richtige Vorhersagen ÷ alle Vorhersagen × 100 %.
Sieht ein Obst-Modell 200 neue Früchte und erkennt 180 richtig, ist die Genauigkeit = 180 ÷ 200 × 100 = 90 %. Wir legen einen Teil der Daten als Testdaten beiseite, weil ein Modell seine Trainingsdaten einfach „auswendig lernen“ kann. Der Test mit neuen Daten zeigt, ob es wirklich gelernt hat.
Die Genauigkeit allein kann Probleme verstecken: Ein Modell kann insgesamt zu 95 % richtig liegen, für eine Gruppe von Menschen aber deutlich schlechter. Deshalb prüfen wir die Ergebnisse auch Gruppe für Gruppe.
Ethik und Bias in der KI
KI-Ethik bedeutet: KI wird so eingesetzt, dass sie für Menschen fair und sicher ist.
- Bias (Verzerrung): Das Modell behandelt manche Menschen unfair, meist weil die Trainingsdaten zu wenige oder einseitige Beispiele enthalten. Beispiel: Eine Gesichtsentsperrung, die vor allem mit einem Hautton trainiert wurde, versagt bei anderen öfter.
- Datenschutz: Sammle nur die Daten, die du brauchst, mit Erlaubnis, und halte sie sicher.
- Transparenz: Menschen sollen wissen, wann eine KI entscheidet und warum.
- Verantwortung: Menschen bleiben verantwortlich für das, was die KI tut.
- Arbeit und Zugang: KI soll Menschen helfen, und alle sollen sie nutzen können.
Gegenmittel: ausgewogene und geprüfte Daten, Tests für jede Gruppe, menschliche Kontrolle bei wichtigen Entscheidungen.
Wichtige Formeln und Definitionen
- Genauigkeit (%) = richtige Vorhersagen ÷ alle Vorhersagen × 100
- KI-Projektzyklus: Problemdefinition → Datenerhebung → Datenexploration → Modellierung → Evaluation → Einsatz
- 4-W-Canvas: Wer, Was, Wo, Warum
- Merkmal (Feature): eine Eingabe-Eigenschaft der Daten. Label: die richtige Antwort zu einem Beispiel.
- Trainingsdaten bringen dem Modell etwas bei; Testdaten prüfen es.
- Bias: unfaire Ergebnisse für eine Gruppe, oft durch unausgewogene Daten.
Gelöste Beispiele
1. Schreibe eine Problemformulierung mit den 4 W für Schüler, die vergessen, in der Schule Wasser zu trinken.
Wer: Schüler im Alter von 12–15 Jahren. Was: Sie trinken zu wenig Wasser und sind müde. Wo: im Klassenzimmer bei langen Unterrichtsblöcken. Warum: Erinnerungen könnten Gesundheit und Konzentration verbessern. Formulierung: „Unsere Schüler (wer) trinken in langen Unterrichtsblöcken (wo) zu wenig Wasser (was); eine kluge Erinnerung hielte sie gesund und wach (warum).“
2. Ein Modell für Pflanzenkrankheiten wird mit 250 neuen Blattfotos getestet und gibt 215 richtige Antworten. Berechne die Genauigkeit.
Genauigkeit = 215 ÷ 250 × 100 = 86 %.
3. Ein Modell zur Kreditvergabe wurde nur mit Daten von Antragstellern aus der Stadt trainiert. Welches Problem kann auftreten, und wie lässt es sich beheben?
Es könnte Antragsteller vom Dorf zu Unrecht ablehnen, weil es deren Muster nie gelernt hat (Bias). Lösung: auch ausgewogene Daten aus Dörfern sammeln, die Genauigkeit für jede Gruppe getrennt testen und Ablehnungen von einem Menschen prüfen lassen.
Häufige Fehler
- Mit der Modellierung beginnen, bevor das Problem definiert ist. Ohne klare Problemformulierung sind die gesammelten Daten vielleicht nutzlos.
- Das Modell mit denselben Daten testen, mit denen es trainiert wurde. So prüft man nur das Auswendiglernen, nicht das Lernen.
- Glauben, mehr Daten seien immer besser. Falsch: Falsche, einseitige oder private Daten machen das Modell schlechter oder unethisch.
- Jede automatische Maschine „KI“ nennen. Es ist nur dann KI, wenn sie aus Daten lernt oder schlussfolgert.