Entscheidungsbäume und Lernen aus Daten
Dein Smartphone schlägt dir ein Lied vor, das dir wirklich gefällt. Die Kamera-App erkennt einen Hund auf dem Foto. Woher „weiß“ der Computer das? Niemand hat ihm jede einzelne Antwort einprogrammiert. Er hat aus vielen Beispielen gelernt. Am Ende dieser Seite kannst du erklären, wie das im Grundprinzip funktioniert und warum man der KI trotzdem nicht blind vertrauen darf.
Künstliche Intelligenz im Alltag
Von künstlicher Intelligenz (KI) sprechen wir, wenn ein Informatiksystem Aufgaben löst, für die man sonst menschliches Denken braucht: sehen, hören, sprechen, auswählen. Du begegnest ihr täglich:
| Art der Anwendung | Beispiel | Was die KI tut |
|---|---|---|
| Spracherkennung | „Hey, wie spät ist es?“ am Smartphone | wandelt gesprochene Sprache in Text um und versteht den Auftrag |
| Bilderkennung | App erkennt Hund oder Blume auf einem Foto | ordnet ein Bild einem Begriff zu |
| Empfehlungsdienst | Streamingdienst schlägt Serien vor | sagt voraus, was dir gefallen könnte |
| Suchmaschine / Ranking | Ergebnisliste bei einer Suche | ordnet Seiten nach vermuteter Relevanz |
Alle diese Systeme nutzen das EVA-Prinzip: Eingabe (Sprache, Bild, Klicks), Verarbeitung (Berechnung nach gelernten Mustern), Ausgabe (Text, Name, Vorschlag).
Nenne drei Beispiele für Anwendungen künstlicher Intelligenz im Alltag, zum Beispiel beim Smartphone, beim Streaming oder im Internet. Erkläre zu jedem Beispiel in einem…
Nenne drei Beispiele für Anwendungen künstlicher Intelligenz im Alltag, zum Beispiel beim Smartphone, beim Streaming oder im Internet. Erkläre zu jedem Beispiel in einem Satz, was die KI dabei tut.
Ordne zu, welche Art von KI-Anwendung jeweils beschrieben wird: (a) Ein Streamingdienst schlägt dir Serien vor, (b) Ein Smartphone versteht „Hey, wie spät ist es?“, (c)…
Ordne zu, welche Art von KI-Anwendung jeweils beschrieben wird: (a) Ein Streamingdienst schlägt dir Serien vor, (b) Ein Smartphone versteht „Hey, wie spät ist es?“, (c) Eine App erkennt auf einem Foto einen Hund, (d) Eine Suchmaschine ordnet Ergebnisse nach Relevanz.
Mögliche Arten: 1. Spracherkennung, 2. Bilderkennung, 3. Empfehlungsdienst, 4. Suchmaschine/Ranking.
Entscheidungsbäume
Ein Entscheidungsbaum ist eine Reihe von Ja/Nein-Fragen, die zu einer Entscheidung führen. Oben steht die erste Frage (die „Wurzel“). Jede Antwort führt auf einem Ast weiter, bis ein Blatt mit dem Ergebnis erreicht ist.
So liest du ihn: Starte oben, beantworte die Frage, folge dem passenden Ast. Bei „Es regnet nicht, aber der Himmel ist dunkel“ gehst du erst nach „nein“, dann nach „ja“ und landest bei „mitnehmen“.
Ein Entscheidungsbaum hilft bei der Frage „Soll ich einen Regenschirm mitnehmen?“. Erste Frage: „Regnet es?“ Wenn ja: „Ja, mitnehmen.“ Wenn nein, zweite Frage: „Sind…
Ein Entscheidungsbaum hilft bei der Frage „Soll ich einen Regenschirm mitnehmen?“. Erste Frage: „Regnet es?“ Wenn ja: „Ja, mitnehmen.“ Wenn nein, zweite Frage: „Sind dunkle Wolken am Himmel?“ Ja: „Mitnehmen.“ Nein: „Nicht mitnehmen.“
- a) Zeichne den Entscheidungsbaum.
- b) Was ist die Entscheidung bei „Es regnet nicht, aber der Himmel ist dunkel“?
Aus Daten einen Baum bauen
Beim maschinellen Lernen schreibt niemand die Regeln auf. Der Computer bekommt Trainingsdaten, also viele Beispiele mit bekannter Antwort, und findet daraus selbst Regeln. Einen Entscheidungsbaum kannst du so von Hand bauen.
Eine gute erste Frage trennt die Beispiele möglichst sauber in Gruppen mit gleicher Antwort. Oft gibt es mehrere gleich gute Fragen. Ein kleiner Baum ist meist besser als ein riesiger.
Eine Klasse sammelt Daten, um vorherzusagen, ob jemand in der Pause Fußball spielt. Die Tabelle zeigt 6 Schüler (Sonne = ja/nein, Ball dabei = ja/nein, Spielt Fußball):…
Eine Klasse sammelt Daten, um vorherzusagen, ob jemand in der Pause Fußball spielt. Die Tabelle zeigt 6 Schüler (Sonne = ja/nein, Ball dabei = ja/nein, Spielt Fußball):
-
ja, ja, ja
-
ja, nein, nein
-
nein, ja, nein
-
nein, nein, nein
-
ja, ja, ja
-
nein, ja, nein
- a) Erstelle aus den Daten einen Entscheidungsbaum, der alle Beispiele richtig vorhersagt.
- b) Wie wird ein neuer Schüler eingeordnet, bei dem die Sonne scheint und der Ball dabei ist?
Trainieren, Testen und Fehler
Ein lernendes Programm durchläuft zwei Phasen:
-
Training: Es bekommt Beispiele mit richtiger Antwort und passt sich an.
-
Test: Es bekommt neue Beispiele (Testdaten), die es noch nie gesehen hat. Dann wird gezählt, wie viele Antworten stimmen.
Der Anteil richtiger Antworten ist die Trefferquote. Beispiel: 18 von 24 richtig sind $\frac{18}{24} = 0{,}75 = 75\,\%$.
Warum neue Bilder? Wer nur mit den Trainingsdaten prüft, misst bloß, ob das Programm sie auswendig gelernt hat, so wie du bei einer Klassenarbeit nicht dieselben Aufgaben wie in den Hausaufgaben erwarten darfst.
Überanpassung
Ein Baum mit sehr vielen Fragen kann die Trainingsdaten perfekt treffen und bei neuen Daten trotzdem schlecht sein. Er hat Zufälligkeiten statt allgemeiner Muster gelernt. Das nennt man Überanpassung. Gute Bäume sind einfach und schneiden auf Trainings- und Testdaten ähnlich ab. Mehr und vielfältigere Trainingsdaten helfen, zufällige Muster zu erkennen.
Ein Programm soll lernen, Äpfel von Birnen zu unterscheiden. Es bekommt 100 Bilder, bei denen jeweils steht, welche Frucht gezeigt wird (Trainingsdaten). Danach bekommt…
Ein Programm soll lernen, Äpfel von Birnen zu unterscheiden. Es bekommt 100 Bilder, bei denen jeweils steht, welche Frucht gezeigt wird (Trainingsdaten). Danach bekommt es 20 neue Bilder, die es einordnen soll (Testdaten). 17 davon ordnet es richtig ein.
- a) Berechne den Anteil der richtig eingeordneten Testbilder in Prozent.
- b) Erkläre, warum man mit anderen Bildern testet als mit denen, mit denen trainiert wurde.
- c) Das Programm hat nur Bilder von roten Äpfeln und gelben Birnen gesehen. Welcher Fehler kann bei einem grünen Apfel auftreten?
Zwei Entscheidungsbäume sollen vorhersagen, ob ein Schüler mit dem Fahrrad zur Schule kommt. Baum A fragt zuerst „Regnet es?“ und dann „Wohnt der Schüler weiter als 5 km…
Zwei Entscheidungsbäume sollen vorhersagen, ob ein Schüler mit dem Fahrrad zur Schule kommt. Baum A fragt zuerst „Regnet es?“ und dann „Wohnt der Schüler weiter als 5 km entfernt?“. Baum B hat 10 Fragen und stimmt auf den Trainingsdaten (30 Schüler) in allen Fällen, in neuen Daten aber nur zu 60 %. Baum A stimmt auf den Trainingsdaten zu 90 % und auf neuen Daten zu 85 %.
- a) Welcher Baum ist besser? Begründe.
- b) Erkläre, was man unter „Überanpassung“ versteht.
- c) Welche Rolle spielt die Menge der Trainingsdaten dabei?
Neuronale Netze
Ein künstliches neuronales Netz ist ein weiteres Verfahren des maschinellen Lernens. Es ist lose dem Gehirn nachempfunden und besteht aus Schichten:
Die Eingabeschicht nimmt Daten auf, zum Beispiel die Helligkeit der Bildpunkte eines Fotos. Die Zwischenschichten verrechnen sie. Die Ausgabeschicht liefert das Ergebnis, etwa „Katze: 92 %“. Jede Verbindung hat eine Stärke (Gewicht). Beim Training werden diese Stärken so lange verändert, bis das Netz bei den Trainingsbeispielen möglichst richtig antwortet. Verbindungen, die zu richtigen Antworten beitragen, werden gestärkt, die anderen geschwächt.
Ein neuronales Netz besteht aus Eingabeschicht, Zwischenschichten und Ausgabeschicht. Es soll erkennen, ob auf einem Bild eine Katze zu sehen ist. a) Was könnte als…
Ein neuronales Netz besteht aus Eingabeschicht, Zwischenschichten und Ausgabeschicht. Es soll erkennen, ob auf einem Bild eine Katze zu sehen ist.
- a) Was könnte als Eingabe dienen und was als Ausgabe?
- b) Erkläre mit eigenen Worten: Jede Verbindung im Netz hat eine „Stärke“ (Gewicht). Was passiert beim Training mit diesen Stärken?
Chancen und Risiken von KI
Weil KI aus Daten lernt, übernimmt sie auch deren Schwächen.
-
Empfehlungsdienste nutzen die Daten vieler Nutzer: Wer ähnlich klickt wie du, hat Ähnliches gesehen. Vorteil: passende Vorschläge. Nachteil: Du siehst immer ähnliche Inhalte, eine Filterblase. Die KI „weiß“ also nicht, was dir gefällt, sie rechnet nur mit Mustern.
-
Verzerrung: Wurde ein System mit einseitigen Daten trainiert, etwa mit früheren Entscheidungen, in denen meist Männer eingestellt wurden, wiederholt es diese Ungerechtigkeit. Gegenmittel: ausgewogene Daten, regelmäßige Tests und Menschen, die das Ergebnis prüfen.
Ein Streamingdienst nutzt die Daten von Hunderttausenden Nutzern, um Filme zu empfehlen. Eine Schülerin sagt: „Die KI weiß genau, was mir gefällt.“ a) Erkläre, auf…
Ein Streamingdienst nutzt die Daten von Hunderttausenden Nutzern, um Filme zu empfehlen. Eine Schülerin sagt: „Die KI weiß genau, was mir gefällt.“
- a) Erkläre, auf welcher Grundlage die Empfehlungen entstehen.
- b) Nenne zwei Folgen für die Nutzer, etwa Vorteile und Nachteile (zum Beispiel „Filterblase“).
- c) Beurteile die Aussage der Schülerin.
Ein Unternehmen testet eine KI, die Bewerbungen vorsortiert. Sie wurde mit den Daten der letzten zehn Jahre trainiert, in denen überwiegend Männer eingestellt wurden.…
Ein Unternehmen testet eine KI, die Bewerbungen vorsortiert. Sie wurde mit den Daten der letzten zehn Jahre trainiert, in denen überwiegend Männer eingestellt wurden. Die KI bewertet nun Bewerbungen von Frauen schlechter.
- a) Erkläre, wie es zu dieser Verzerrung kommt.
- b) Nenne zwei Maßnahmen, mit denen man das Problem verringern könnte.
- c) Soll eine KI allein über Bewerbungen entscheiden? Begründe deine Meinung.
Zurück zum Anfang: Dein Smartphone „weiß“ nicht von selbst, was dir gefällt oder was auf einem Foto zu sehen ist. Es hat aus vielen Trainingsbeispielen Muster gelernt und wendet sie auf neue Daten an.