Was ist die wichtigste Voraussetzung dafür, dass ein Programm durch maschinelles Lernen eine Aufgabe lösen kann?
2
Begriff zum Beispiel
AFB II
Ein Programm soll lernen, ob eine E-Mail Spam ist. Ordne zu: T = Trainingsdaten, M = Merkmal, Mo = Modell, V = Vorhersage.
20 000 alte E-Mails, bei denen jemand „Spam“ oder „kein Spam“ notiert hat.
Die Anzahl der Ausrufezeichen im Betreff.
Die gespeicherten Zahlenwerte, die nach dem Training entstanden sind.
„Diese neue Mail ist zu 93 % Spam.“
Geh der Reihe nach: Womit wird gelernt? Was wird an einer Mail gemessen? Was ist das Ergebnis des Lernens? Und was kommt am Ende für einen neuen Fall heraus?
3
Der Spamfilter lässt plötzlich Werbung durch
AFB II
Ein Spamfilter wurde 2019 trainiert und arbeitet seitdem unverändert. Spiele durch, wie du dem Problem auf die Spur kommst.
Spiele den Ablauf Schritt für Schritt durch: Was passiert als Nächstes? Nur die richtige Karte bringt dich weiter.
Ein KI-System ist nie „fertig“. Verändern sich die Daten in der Welt, sinkt seine Trefferquote — man nennt das Modell-Drift.
Ein trainiertes Modell kennt nur die Muster aus seinen Trainingsdaten. Verändert sich die Welt, veraltet das Modell.
4
Trickfrage: Ist ein Taschenrechner intelligent?
AFB III
Ein Taschenrechner löst Wurzeln schneller als jeder Mensch. Ordne die Eigenschaften zu und entscheide selbst.
Ordne jeden Begriff einem der drei Bereiche zu. Mit der Tastatur: Enter zum Auswählen, dann 1–3 für den Bereich, 0 zurück.
1 nur Taschenrechner
2 beides
3 nur lernendes KI-System
Schnelligkeit ist keine Intelligenz. Der Taschenrechner rechnet Regeln ab, ein KI-System leitet Regeln aus Beispielen ab — und kann deshalb auch falsch liegen, ohne kaputt zu sein. Aufpassen bei der Wiederholbarkeit: Auch ein fertig trainiertes Modell antwortet auf dieselbe Eingabe immer gleich. Es ändert sich nicht von selbst, sondern erst, wenn jemand es mit neuen Daten nachtrainiert — genau wie in Aufgabe 3.
Der Unterschied liegt nicht in der Geschwindigkeit, sondern darin, woher das Verhalten kommt: einprogrammiert oder aus Beispielen gelernt.
5
Paare finden: Begriff und Bedeutung
AFB I
Acht Fachbegriffe des maschinellen Lernens — finde zu jedem die passende Erklärung. Du hast dafür höchstens 16 Versuche.
Decke zwei Karten auf, die zusammengehören. Mit der Tastatur: Tab zur Karte, Enter aufdecken, Pfeiltasten zum Wandern.
Versuche: 0 von 16
Der Ablauf ist immer derselbe: Trainingsdaten → Modell → Anwendung, geprüft an zurückgehaltenen Testdaten. Prüft man nur mit den Trainingsdaten, sieht selbst ein überangepasstes Modell hervorragend aus — und versagt im Alltag.
Achte auf den Unterschied zwischen der Lernphase und der späteren Anwendung des fertigen Modells.
6
Wann lohnt sich maschinelles Lernen?
AFB II
Drei Aufgaben eignen sich gut für maschinelles Lernen. Markiere genau diese drei.
Mehrere Antworten sind richtig. Markiere alle zutreffenden und klicke dann auf „Prüfen“.
Die Faustregel: Für Aufgaben mit einer klaren, kurz aufschreibbaren Regel ist ein normales Programm besser — schneller, sparsamer und immer exakt. Maschinelles Lernen lohnt sich dort, wo die Regel unbekannt oder zu verwickelt ist, dafür aber viele Beispiele vorliegen.
Maschinelles Lernen lohnt sich, wenn sich eine Regel schwer aufschreiben, aber leicht an vielen Beispielen zeigen lässt.
7
Lückentext: die Vogelstimmen-App
AFB I
Setze die passenden Fachbegriffe ein. Zwei Wörter bleiben übrig.
Wort anklicken, dann Lücke anklicken (oder umgekehrt). Ein Klick auf eine gefüllte Lücke legt das Wort zurück.
Eine App soll Vögel am Gesang erkennen. Ein Team sammelt dafür 50 000 Tonaufnahmen, zu denen Fachleute jeweils die Vogelart notiert haben. Diese Aufnahmen sind die , die notierte Art ist jeweils das . Aus jeder Aufnahme werden Tonhöhe und Länge der Strophe gemessen — jede dieser Eigenschaften ist ein . Im passt das Programm seine Zahlen so lange an, bis die Trefferquote nicht mehr steigt. Das Ergebnis wird als gespeichert. Hältst du später dein Handy in den Garten, liefert die App eine : „wahrscheinlich eine Amsel“.
Übrig bleiben „Wenn-Dann-Regel“ und „Sensor“. Genau das ist der Unterschied zur klassischen Automatisierung: Beim maschinellen Lernen schreibt niemand die Regel auf — sie steckt nach dem Lernvorgang als Zahlen im Modell.
Achte auf die Reihenfolge: Beispiele mit Lösung → Eigenschaften messen → üben → Ergebnis speichern → neue Fälle einschätzen.
8
Trefferquote auf neuen Bildern
AFB II
Ein Modell soll auf Fotos erkennen, ob eine Schraube beschädigt ist. Auf seinen 400 Trainingsbildern liegt es bei allen richtig. Danach testet das Team es mit 250 Fotos, die es beim Lernen nie gesehen hat: 170 davon ordnet es richtig ein. Berechne die Trefferquote auf den Testbildern.
Teile die richtig eingeordneten Testbilder durch alle Testbilder. Trage das Ergebnis in Prozent ein.
170 : 250 = 0,68 = 68 %. Auf den Trainingsbildern waren es 100 %, auf neuen Bildern nur noch gut zwei Drittel. Dieser Absturz ist das typische Zeichen für Überanpassung: Das Modell hat die Trainingsbilder auswendig gelernt, statt zu verallgemeinern. Genau deshalb testet man immer mit Daten, die beim Lernen nicht dabei waren.
Die 400 Trainingsbilder brauchst du für die Rechnung nicht. Trefferquote = richtig eingeordnete Beispiele ÷ alle Beispiele.
9
Stimmt das? Lernende Programme
AFB III
Sechs Behauptungen über maschinelles Lernen. Entscheide jeweils, ob sie zutrifft — eine Fehleinschätzung beendet die Serie.
Lies die Aussage und tippe auf „Stimmt“ oder „Stimmt nicht“.
Aussage 1 von 6
Die meisten Fallen entstehen, weil man einem Modell mehr zutraut, als es kann: Es schätzt auf Grundlage seiner Merkmale und Beispiele — und ist nur so gut wie der Test mit unbekannten Daten zeigt.
Denke an die Kette Trainingsdaten → Lernvorgang → Modell → Vorhersage. Welcher Begriff ist bei jeder Aussage gemeint — und was weiß man darüber sicher?
10
Rückblick: Regelung und Steuerung aus 4.2.1
AFB II
Eine klassische Steuerung folgt festen Regeln, die jemand vorher aufgeschrieben hat. Was ist bei einem lernenden System grundsätzlich anders?
Die Frage ist nicht, ob Regeln angewendet werden, sondern woher sie kommen.
