Was du in diesem Modul lernst
- Nach diesem Modul kannst du die 3 Grundtypen des maschinellen Lernens benennen und mit einem Beispiel erklären
- Nach diesem Modul kannst du erklären, warum Trainingsdaten entscheidend für die Qualität einer KI sind
- Nach diesem Modul kannst du den Begriff 'Bias' (Verzerrung) verständlich erklären und ein Beispiel geben
KI lernt anders als Menschen
Menschen lernen durch Erfahrung, Beziehung und Reflexion. KI lernt durch Daten und Mathematik. Wenn du verstehst, wie KI lernt, verstehst du auch ihre Stärken und Schwächen.
Die 3 Grundtypen des maschinellen Lernens:
1. Supervised Learning (Überwachtes Lernen)
Die KI bekommt Beispiele mit der richtigen Antwort. "Das ist eine Katze, das ist ein Hund." Nach tausenden Beispielen kann sie selbst unterscheiden.
Pädagogik-Analogie: Wie ein Kind, dem du Bildkarten zeigst und sagst, was darauf ist.
2. Unsupervised Learning (Unüberwachtes Lernen)
Die KI bekommt Daten ohne Antworten und sucht selbst nach Mustern. "Sortiere diese 10.000 Bilder in Gruppen."
Pädagogik-Analogie: Wie ein Kind, das im Freispiel selbst Ordnungssysteme entwickelt.
3. Reinforcement Learning (Bestärkendes Lernen)
Die KI probiert aus und bekommt Belohnung oder Bestrafung. So lernen z. B. Schach-KIs.
Pädagogik-Analogie: Wie Trial-and-Error beim Spielen lernen.
Large Language Models (LLMs) wie ChatGPT kombinieren diese Methoden: Erst Pre-Training auf riesigen Textmengen, dann Fine-Tuning durch menschliches Feedback (RLHF).
Trainingsdaten: Garbage in, Garbage out
Die Qualität einer KI hängt direkt von ihren Trainingsdaten ab.
Was bedeutet das konkret?
Wenn eine KI überwiegend mit englischsprachigen Texten trainiert wurde, ist sie auf Deutsch schwächer. Wenn die Trainingsdaten vor allem Texte von Männern enthalten, reproduziert sie männliche Perspektiven. Wenn die Daten Vorurteile enthalten, übernimmt die KI diese Vorurteile.
Bias (Verzerrung):
Bias entsteht, wenn Trainingsdaten nicht repräsentativ sind. Beispiele:
- Eine KI für Bewerbungs-Screening bevorzugt Männer, weil die Trainingsdaten vor allem männliche Führungskräfte enthielten
- Eine Bilderkennung erkennt helle Hautfarben besser als dunkle, weil die Trainingsdaten unausgewogen waren
- Eine Übersetzungs-KI übersetzt "nurse" automatisch mit "Krankenschwester" statt "Krankenpfleger"
Was du daraus lernst:
- KI-Ergebnisse sind nicht neutral, sondern spiegeln die Trainingsdaten wider
- Prüfe KI-Ergebnisse immer auf Einseitigkeit und Verzerrung
- Erkläre Kindern und Jugendlichen, dass "die KI sagt" nicht gleichbedeutend ist mit "es stimmt"
Tipp
So erklärst du Bias kindgerecht
Stell dir vor, eine KI hat 1.000 Märchen gelesen, in denen immer der Prinz die Prinzessin rettet. Wenn du sie bittest, ein neues Märchen zu schreiben, wird sie auch einen rettenden Prinzen schreiben. Nicht weil es richtig ist, sondern weil sie nichts anderes kennt. Das nennt man Bias: Die KI wiederholt, was sie gelernt hat, auch wenn es einseitig ist.
Praxis-Aufgabe
Bias selbst entdecken
Teste eine KI auf Bias: Bitte sie, 'einen typischen Ingenieur' oder 'eine typische Erzieherin' zu beschreiben. Vergleiche die Ergebnisse. Welche Stereotypen erkennst du? Bitte die KI dann, die Beschreibung ohne Stereotypen zu wiederholen.
Nur für dich. Wird nicht gespeichert und nicht bewertet.
Wissens-Check
1Was bedeutet 'Supervised Learning'?
2Was ist 'Bias' in der KI?
3Warum ist 'Garbage in, Garbage out' wichtig zu verstehen?