Diese Lernumgebung bietet eine interaktive Einführung in das Perzeptron und einfache neuronale Feed-Forward-Netzwerke. Sie erzählt eine Geschichte über einen Anwendungsfall für Klassifikation, in die mehrere Aufgaben eingebettet sind.

Künstliche Intelligenz ist an vielen Stellen völlig alltäglich geworden. Meistens sind diese Systeme aber nur Black-Boxen in unserem Alltag und es fällt schwer, mehr über die Funktionsweise herauszufinden. Gleichzeitig sind die Themen, wenn man sie unterrichtlich behandeln möchte, mathematisch zu anspruchsvoll für den Schulunterricht, sodass nur ein oberflächlicher Zugang zur eigentlichen Funktionsweise möglich ist. Genauso ist das Umsetzen von existierender Software in eigenen Programmen zwar im Unterricht möglich, aber nur für leistungsstarke Lerngruppen. Zur Lernumgebung gelangen Sie über den Link am Ende dieser Seite. Das "KI-Labor" bietet Möglichkeiten, mit dem eigenen digitalen Endgerät maschinelles Lernen erfahrbar zu machen. Es gibt verschiedene Themenbereiche und Lernumgebungen, in denen selbstständig mit den Möglichkeiten und Grenzen der jeweiligen Technologien experimentiert werden kann. Zur Ausführung der verschiedenen Umgebungen wird lediglich ein moderner Webbrowser benötigt. In dieser Unterrichtseinheit geht es um die Funktionsweise von einfachen neuronalen Netzen (sogenannte "Feed-Forward"-Netzwerke), beginnend mit dem einfachsten dieser Netze dem Perzeptron. Als Anwendungsfall wird die Klassifikation von Obst anhand ausgewählter Features gewählt. Die Lernumgebung erzählt dazu eine interaktive Geschichte, in die verschiedene Aufgaben eingebettet sind. So muss zunächst das Perzeptron per Hand optimiert werden, das heißt die verschiedenen Modellparameter (Gewichte) passend gesetzt werden. Im Sinne des productive failure wird die Aufgabenstellung dann so erweitert, dass eine sinnvolle Klassifikation mit dem Perzeptron nicht länger möglich ist, dennoch sollen auch hier wieder Parameterwerte gefunden werden. Im nächsten Schritt wird das Perzeptron dann zu einem neuronalen Netz mit einer Zwischenschicht erweitert. Hier gestaltet sich die Parameteroptimierung sehr mühsam, sodass abschließend das Verfahren des automatischen Trainings durch den Backpropagation-Algorithmus als sinnvolle Ergänzung thematisiert wird. Die Einheit eignet sich im Fach Informatik als Einführung in eine Unterrichtseinheit zu maschinellem Lernen (speziell zu neuronalen Netzen) oder auch als fachlicher Anknüpfungspunkt für eine Einheit in einem anderen Fach, wenn es beispielsweise um ethische oder wirtschaftliche Fragen der KI geht. Wird die Einheit im Fach Informatik eingesetzt, so liegen sinnvolle Schwerpunkte auf der grundsätzlichen Funktionsweise von Klassifikatoren als EVA-System (Features als Eingabe, Klassen gegebenenfalls mit Sicherheit als Ausgabe), dem Aufbau von Perzeptren und Feed-Forward-Netzwerken sowie dem Training eines Netzwerks. Hier ist es denkbar, diese auch nochmal außerhalb der Lernumgebung selbst zu programmieren.