Künstliche Intelligenz für Lehrkräfte

Inhaltsverzeichnis

1. Frontmatter

2. 1. Einführung

   Ulrich Furbach, Ute Schmid

   Zusammenfassung

   Diese Einführung gibt einen Überblick auf das Gebiet der Künstlichen Intelligenz und geht auf deren historische Entwicklung ein. Die jüngsten beeindruckenden Erfolge von KI-Systemen werden erwähnt und die Notwendigkeit von vertrauenswürdigen Systemen wird erläutert. Dabei wird auch betont, dass die gesamte Breite des Fachgebietes durch das vorliegende Buch abgedeckt werden soll. Schließlich werden die einzelnen Teile des Werkes und deren Aufbau erläutert.

3. Grundlegende Konzepte der KI

   1. Frontmatter

   2. 2. Suche im Problemraum

      Ute Schmid

      Zusammenfassung

      In diesem Kapitel werden grundlegende Konzepte der Suche im Problemraum behandelt. Dabei wird zunächst das Konzept des Problemraums als abstrakte Darstellung von Situationen eingeführt und Probemlösen als Suche im Zustandsraum definiert. Die Komplexität des Problemraums wird als zentraler Faktor für das effiziente Finden von Problemlösungen durch Algorithmen identifiziert. Tiefen- und Breitensuche werden als Basismethoden eingeführt und darauf aufbauend Hill Climbing und A* als heuristische Suchverfahren vorgestellt. Am Beispiel des 8-Puzzles wird dargestellt, wie eine Heuristik definiert werden kann und der Einfluss der gewählen Heuristik auf das Finden einer Problemlösung illustriert.

   3. 3. Lernen aus Daten

      Tilman Michaeli, Emanuel Kitzelmann, Stefan Seegerer, Ralf Romeike

      Zusammenfassung

      In diesem Kapitel werden Grundlagen des maschinellen Lernens erläutert und von wissensbasierten Ansätzen Künstlicher Intelligenz abgegrenzt. Dazu werden verschiedene Ansätze des maschinellen Lernens unterschieden und an Beispielen ausgeführt. Aufbauend hierauf werden gesellschaftliche Bezüge und Implikationen beleuchtet.

   4. 4. Schließen aus Wissen

      Ulrich Furbach, Christoph Benzmüller

      Zusammenfassung

      In diesem Kapitel werden verschiedene Methoden der formalen Repräsentation von Wissen erläutert. Dazu gehören Semantische Netze, Beschreibungslogiken, aber auch die Sprache der Logikprogrammierung. Logisches Schließen mittels Syllogismen wird als elementare Form des Schließens behandelt und es werden Beispiele von logikbasierten Beweissystemen angeführt. Nach einer kurzen Erläuterung von Schließen im Alltag wird auch menschliches Schließen am Beispiel der sogenannten Wason-Selection-Task behandelt. Es werden Beispiele von formalen Wissensquellen angeführt und Hinweise auf deren Verwendung im Unterricht gegeben.

4. Maschinelles Lernen

   1. Frontmatter

   2. 5. Lernen mit Neuronalen Netzen

      Emanuel Kitzelmann

      Zusammenfassung

      Sitz der menschlichen Intelligenz ist das Gehirn. Was läge also näher, als Erkenntnisse aus der Hirnforschung für die Erzeugung künstlicher Intelligenz zu nutzen? Künstliche neuronale Netze simulieren in einer vereinfachten und abgewandelten Form den grundlegenden Aufbau des Gehirns und sind als eine leistungsfähige Variante des maschinellen Lernens vielseitig einsetzbar, um komplexe Funktionen, z. B. in der Bild- und Sprachverarbeitung, aus großen Mengen von Daten zu lernen. Viele aktuelle und Aufsehen erregende Anwendungen der künstlichen Intelligenz – leistungsfähige ChatBots und Bildgeneratoren, Bilderkennung in Fahrassistenzsystemen, die Erkennung von Krankheitsbildern in der bildgebenden Diagnostik, Prognosen im Finanzwesen und viele mehr – beruhen auf künstlichen neuronalen Netzen. Dieses Kapitel behandelt den Grundaufbau eines einzelnen künstlichen Neurons und eines mehrschichtigen neuronalen Netzes. Es wird erklärt, wie ein neuronales Netz Eingaben verarbeitet und wie es mit Daten trainiert werden kann, um eine bestimmte Funktion auszuführen.

   3. 6. Analytisches vs. konnektionistisches Paradigma

      Udo Frese, Uwe Lorenz

      Zusammenfassung

      Lösungen für Probleme in der Informatik können durch spektakuläre, große menschliche Einsicht in das Problem entwickelt oder aus Daten gelernt werden. Diese zwei Paradigmen nennt man analytisch bzw. konnektionistisch. Die meisten Informatikmethoden sind analytisch, die spektakulären Erfolge der Künstlichen Intelligenz in den letzten Jahren sind konnektionistisch. Das Kapitel erklärt den Unterschied anhand eines einfachen Beispiels und arbeitet Phänomene heraus, die auch die großen Anwendungen prägen.

   4. 7. Verstärkendes Lernen

      Uwe Lorenz

      Zusammenfassung

      Beim Verstärkenden Lernen optimieren Agentenprogramme ihr Verhalten durch ,,learning by doing”. Bei der Interaktion mit ihrer Umwelt erhalten sie von Zeit zu Zeit ,,belohnendes” oder ,,bestrafendes” Feedback. Das, was man gemeinhin mit ,,Lernen” verbindet – die aktive Entwicklung von Fertigkeiten – zeigt sich beim Verstärkenden Lernen besonders eindrucksvoll, wenn Agenten, die mit diesen Algorithmen ausgestattet sind, ohne äußere Hilfestellung in ihren Umgebungen zunehmend erfolgreich agieren. In diesem Kapitel wollen wir etwas tiefer in das Thema einsteigen, den Ansatz näher beschreiben und einige zentrale Konzepte und Algorithmen vorstellen. Mathematische Kenntnisse, die über das Abiturniveau hinausgehen, werden nicht vorausgesetzt. Außerdem werden einige Anregungen für den Unterricht gegeben. Darüber hinaus werden Bezüge zur Lebenswelt hergestellt und es wird auf den enormen Einfluss eingegangen, den diese Algorithmen auf unser tägliches Leben haben.

   5. 8. Tiefes Lernen

      Udo Frese, Uwe Lorenz

      Zusammenfassung

      Das Kapitel erklärt tiefe neuronale Netze, insbesondere solche, die Bilder verstehen. Tief bedeutet erst einmal nur “viele Schichten”. Das Kapitel beleuchtet, was dafür nötig ist, insbesondere die Konvolutionsschicht und die Idee Schritt für Schritt Auflösung zu reduzieren. Es diskutiert, wie tiefe neuronale Netze eingenständig für ihre Aufgabe hilfreiche Zwischenergebnisse identifizieren. Es zeigt am Beispiel, welche Art Zwischenergebnisse, sogenannte Merkmale, Netze zum Verstehen von Bildern entwickeln.

   6. 9. Erklärbarkeit

      Ute Schmid

      Zusammenfassung

      In diesem Kapitel wird aufgezeigt, dass es für viele Anwendungen von Verfahren des maschinellen Lernens wichtig ist, dass die Ausgaben von gelernten Modellen nachvollziehbar sind, etwa um unfaire Verzerrungen im Modell zu identifizieren, die bestimmte Personengruppen beachteiligen oder um zu prüfen, ob ein Modell irrelevante Merkmale zur Vorhersage nutzt (Kluger Hans Effekt). Dies ist insbesondere für Blackbox-Modelle wie neuronale Netze relevant. Das Thema Erklärbare KI (eXplainable AI, XAI) wird anhand von ausgewählten Ansätzen eingeführt. LIME wird als Vertreter der Methoden für Merkmals-Relevanz vorgestellt. Hier wird gezeigt, wie Mittels sogenannter perturbierter Beispiele nachvollzogen werden kann, welche Merkmale in der Eingabe ein Modell hauptsächlich für seine Entscheidung für eine Klasse genutzt hat. Als zweiter methodischer Zugang zur Erklärbarkeit werden kontrafaktische Erklärungen eingeführt. Abschließend wird die Modelltreue von Erklärungen diskutiert.

   7. 10. Generative KI

      Johannes Langer, Ute Schmid

      Zusammenfassung

      Anwendungen wie das Dialogsystem ChatGPT zeichnen sich dadurch aus, dass sie neue Daten erzeugen können. Dieses Kapitel stellt anhand des Autoencoders Encoder-Decoder Strukturen vor, die die Grundlage für die meisten generativen Ansätze sind. Es erklärt wie Sprachverarbeitung mittels KI funktioniert und beschreibt mit Rekurrenten Neuronalen Netzen und Transformern zwei weitere Architekturen vor, die vor allem bei der Verarbeitung von sequentiellen Daten Verwendung finden. Darüber hinaus werden Greedy Decoding und Random Sampling gegenübergestellt, um darzustellen wie es sein kann, dass ein KI-System bei Mehrfachverwendung der gleichen Anfrage immer wieder unterschiedliche Ergebnisse liefert.”

5. Schließen und Planen

   1. Frontmatter

   2. 11. Logikbasierte Wissensverarbeitung

      Christoph Benzmüller

      Zusammenfassung

      KI ist weit mehr als Lernen aus Daten. Kap. 11 bietet deshalb einen Überblick über logikbasierte Wissensverarbeitung und logisches Schließen, mit Schwerpunkt auf klassischer Logik. Es verweist auf umfangreiche Literatur in diesem Bereich und betont die Vielfalt an Logikformalismen, die sich in wichtigen Eigenschaften unterscheiden. Dabei wird hervorgehoben, dass Wissen in symbolischen Formelsprachen repräsentiert und durch symbolische Regeln in neues Wissen transformiert wird. Es werden grundlegende Konzepte der Logik und des logischen Schließens anhand der Aussagenlogik und der Logik erster Stufe erklärt, die als Basis für komplexere Logiksprachen in späteren Abschnitten dienen.

   3. 12. Schließen im Alltag und unter Unsicherheit

      Claudia Schon

      Zusammenfassung

      Das alltägliche menschliche Schließen ist sehr vielseitig: Wir können mit normativem und vagem Wissen umgehen, haben wenig Probleme mit widersprüchlichem Wissen und können auch auf der Basis von Annahmen schließen. In diesem Kapitel lernen wir mit Deduktion, Abduktion und Induktion verschiedene Formen des alltäglichen Schließens kennen, die wir Menschen ganz selbstverständlich anwenden. Wir betrachten die Defaultlogik als einen Ansatz, Annahmen in Logik umzusetzen, und beschäftigen uns mit unsicherem und unscharfem Wissen. Wir schlagen eine Brücke zur klassischen Logik und lernen die Grenzen der klassischen Logik kennen, wenn es darum geht, menschliches Schließen zu modellieren.

6. Spezielle und vertiefende Themen

   1. Frontmatter

   2. 13. Robotik

      Diedrich Wolter, Udo Frese, Tilman Michaeli

      Zusammenfassung

      Selbsttätig handelnde Roboter als Teil der menschlichen Gesellschaft sind untrennbar mit unserer Vorstellung von der Zukunft Künstlicher Intelligenz verbunden. Diese Roboter werden vielfältige Aufgaben im Haushalt übernehmen können und wir werden auf natürliche Weise mit ihnen interagieren. Die Entwicklung derartiger Roboter berührt viele Teilgebiete der KI, wie etwa Planung, Schlussfolgern oder Interaktion in natürlicher Sprache. Eine Besonderheit von Robotern ist, dass sie ihre Umgebung durch Sensoren erfassen müssen und Sensordaten stets mit Unsicherheit behaftet sind. Dieses Kapitel widmet sich deshalb der grundlegenden Frage, wie mit Unsicherheit behaftete Daten verarbeitet werden können. Exemplarisch an der für die Navigation von mobilen Robotern zentralen Aufgabe der Selbstlokalisation – des Bestimmen des eigenen Standortes – wird gezeigt, wie die Herausforderung mit Mitteln der Wahrscheinlichkeitsrechnung gemeistert werden kann.

7. Reflexion

   1. Frontmatter

   2. 14. Natürliche und Künstliche Intelligenz

      Ute Schmid

      Zusammenfassung

      In diesem Kapitel werden grundlegende Unterschiede von natürlicher Intelligenz und KI-Systemen aufgezeigt und diskutiert. Dabei wird insbesondere auf den Unterschied zwischen menschlichem Lernen und maschinellem Lernen eingegangen. Ein Verständnis der Unterschiede ist relevant, um die Leistung von KI-Systemen realistisch bewerten zu können. Die Begriffe schwache und starke KI werden erläutert. Der Turing-Test wird als Zugang zur Prüfung, ob ein KI-System der menschlichen Intelligenz nahekommt, eingeführt und seine Grenzen aufgezeigt. Die Konzepte von schwacher und starker KI werden eingeführt und werden aufgezeigt.

   3. 15. Wechselwirkungen von KI mit anderen Schulfächern

      Ulrike Barthelmeß, Ulrich Furbach, Uwe Lorenz

      Zusammenfassung

      In diesem Kapitel sollen interdisziplinäre Bezüge von KI zu anderen Wissensgebieten und Schulfächern hergestellt werden. Im Rahmen einer solchen interdisziplinären Behandlung lässt sich auch die Frage diskutieren, welchen Platz die KI in unserer Gesellschaft einnehmen sollte und wo sich ihre Grenzen befinden. Im Fach Biologie wird der Zusammenhang mit Lernen und Gedächtnis und mit der Evolutionstheorie hergestellt. In der Ethik werden moralische Dilemmata, der freie Wille, die Singularität und Fragen der Stellung von Mensch zu Robotern diskutiert. In der bildenden Kunst steht das Betrachten und Interpretieren von Kunstobjekten im Mittelpunkt. Konkrete Vorschläge für den Unterricht und für weiterführende Literatur runden das Kaptitel ab.

   4. 16. Verantwortung

      Lukas Höper, Carsten Schulte, Christoph Benzmüller

      Zusammenfassung

      KI-Systeme spielen in vielen Bereichen unseres täglichen Lebens eine wichtige Rolle. Mit der Entwicklung und dem Einsatz dieser Systeme sind zahlreiche Herausforderungen verbunden, die auch gesellschaftliche und ethische Fragen umfassen. Eine verantwortungsvolle Entwicklung solcher Systeme ist daher unerlässlich. Verantwortung bezieht sich aber auch auf den Einsatz beziehungsweise die Nutzung dieser Systeme, wofür etwa ein entsprechendes Verständnis wichtig ist. In diesem Kapitel diskutieren wir daher die Verantwortung in diesem Kontext aus der Perspektive der Entwicklung von KI-Systemen und aus der Perspektive der Interaktion mit KI-Systemen, wobei wir insbesondere auf die zentrale Rolle von Daten in diesen Systemen eingehen. Anschließend skizzieren wir das didaktische Konzept Datenbewusstsein als eine Möglichkeit, diese Perspektiven im Informatikunterricht aufzugreifen und illustrieren dieses anhand von zwei Unterrichtsbeispielen, in denen ausgehend von der Betrachtung alltäglicher Interaktionen mit datengetriebenen Systemen die Rolle von Daten erarbeitet und die Rolle dieser Systeme in unserem Alltag reflektiert wird.

8. Backmatter