Das Perzeptron – eine interaktive Geschichte
Unterrichtseinheit
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. Die interaktive Geschichte führt über einen konkreten Anwendungsfall in die Funktionsweise von neuronalen Netzen als Klassifikatoren ein. Durch die schrittweise Hinführung und einfach gestaltete Aufgaben, die letztlich durch Experimentieren gelöst werden können, bietet die Geschichte einen Rahmen für eine Unterrichtseinheit. Die behandelten Themen können und sollen im begleitenden Unterricht von der Geschichte abstrahiert und tiefergehend beleuchtet werden. Es ist dabei möglich, einen mathematischen Ansatz zu wählen und die Berechnungen des Perzeptrons in den Vordergrund zu stellen. Genauso ist es möglich, einen informatischen Ansatz zu verfolgen und ein Perzeptron nochmals als Programmieraufgabe umzusetzen. Das ist zum Beispiel auch als Einschub zwischen den beiden oben dargestellten Stunden möglich. Die Erweiterung des Perzeptrons zu vollständigen Feed-Forward-Netzwerken erfolgt aus den Beschränkungen des Perzeptrons direkt im Kontext des Anwendungsfalls der Geschichte. Es wird dabei auch erlebbar, dass die händische Einstellung bereits eines sehr einfachen solchen Netzes nicht sinnvoll gelingt und es automatisierte Lösungen dafür gibt. Diese können im geeigneten Kontext (zum Beispiel Informatik im vertiefenden Bereich der Sekundarstufe II) im Anschluss auch thematisiert und gegebenenfalls programmiert werden. Andernfalls bleibt ein phänomenologischer Ausblick, der etwa durch die Lernumgebung zur Handschrifterkennung des KI-Labors ergänzt werden kann, um die Möglichkeiten größerer Netzwerke zu behandeln. Digitale Kompetenzen, die Lehrende zur Umsetzung der Unterrichtseinheit benötigen (nach dem DigCompEdu Modell) Die Lehrenden sollten in der Lage sein, die Lernumgebung selbst verwenden können. Dafür bietet es sich an, dass sie sich im Vorfeld genau mit den Möglichkeiten auf Aufgaben der Geschichte beschäftigen, um auch für Rückfragen zur Verfügung zu stehen (2.1 Auswahl digitaler Ressourcen). Zudem müssen sie sicherstellen, dass die Lernumgebung – im Sinne der digitalen Teilhabe und gegebenenfalls unter Verwendung assistiver Technologien – von allen Lernenden genutzt werden kann (5.1 Digitale Teilhabe). Fachkompetenz Die Schülerinnen und Schüler erklären, wie ein Perzeptron eine Ausgabe berechnet. analysieren den Einfluss von Parametern in einem Feed-Forward-Netzwerk. erklären wie Features für die Klassifikation eingesetzt werden. Medienkompetenz Die Schülerinnen und Schüler kennen und verstehen Funktionsweisen und grundlegende Prinzipien der digitalen Welt. erkennen und formulieren algorithmische Strukturen in genutzten digitalen Tools. Sozialkompetenz Die Schülerinnen und Schüler kommunizieren in der Gruppe über informatische Themen. 21st Century Skills Die Schülerinnen und Schüler reflektieren die gewonnen Ergebnisse und Erkenntnisse kritisch. erschließen Probleme und komplexe Themengebiete mithilfe von Gestaltungskompetenzen eigenständig.
-
Informatik / Wirtschaftsinformatik / Computer, Internet & Co. / Religion / Ethik / Politik / WiSo / SoWi
-
Sekundarstufe II
