Künstliche Intelligenz – oder kurz “KI” - ist weit mehr als ein Trendthema, von dem man das Gefühl hat, dass es relevant ist, weil man immer wieder davon hört und liest, ohne genau zu wissen, was es eigentlich bedeutet. Das sicher auch. Aber tatsächlich umgibt uns Künstliche Intelligenz schon jetzt täglich, meist ohne, dass wir es merken. Etwa, wenn wir uns auf Online-Kartenanwendungen verlassen, um in Echtzeit die schnellste Route zu berechnen, oder uns von einer Bilderkennungs-App sagen lassen, vor welchem Baum wir gerade stehen. Ein wichtiger Ansatz Digitaler Bildung ist es, dass Lernende verstehen sollen, wie die Dinge funktionieren, die sie nutzen. Nicht nur, um etwa individuelle Konsumentscheidungen zu treffen oder Ergebnisse von Suchmaschinen besser einordnen zu können. Zu entscheiden, wie wir Künstliche Intelligenz künftig einsetzen wollen und welche moralisch-ethischen “Leitplanken” wir definieren, um zu entscheiden, wie weit und unter welchen Voraussetzungen sie in immer mehr Lebensbereiche eindringen darf, ist eine gesamtgesellschaftliche Aufgabe. Junge Menschen zu befähigen, am gesellschaftlichen Diskurs über unser zukünftiges Zusammenleben teilzuhaben, ist Aufgabe von Bildung.
Im Folgenden sind einige Grundannahmen über, beziehungsweise Aspekte und Eigenschaften von, Künstlicher Intelligenz angeführt, gefolgt von Beispielen, wie diese Aspekte im Unterricht behandelt werden können. Es geht in diesem Artikel nicht um digitale Lernumgebungen und “Learning Analytics” sowie deren Einsatz im Unterricht. Hierüber gibt dieser Denkimpuls der Initiative D21 einen guten Überblick.
Was ist Künstliche Intelligenz?
Künstliche Intelligenz bedeutet, dass Maschinen denken wie Menschen, nur viel schneller. Mit “Denken” ist dabei eigentlich Lernen gemeint, sowie das Treffen von Entscheidungen auf Basis des Gelernten. Das funktioniert so: Man füttert eine Maschine mit einem Datensatz und gibt ein paar Entscheidungen vor (z.B. bei Bilderkennung Bilder von Blumen als Blumen benennen). Dann gibt man weitere Daten hinein (etwa Bilder von allen möglichen Objekten, darunter auch Blumen), je mehr desto besser. Die Maschine sucht auf der Basis der anfangs vorgegebenen Entscheidungen nach Mustern, sprich: korreliert Daten, und kann nun immer besser entscheiden, was Blume ist und was nicht. Am besten geht das, wenn man sie “trainiert”, das heißt: Fehler verbessert.
Ein Beispiel für das Trainieren einer KI, in diesem Fall für das autonome Fahren, ist bestimmt jedem schon einmal begegnet: Bevor man sich auf einer Webseite registriert, bekommt man eine Reihe an Fotos präsentiert. Um zu beweisen, dass man kein Roboter ist, soll man diejenigen auswählen, auf denen Autos, Brücken oder Verkehrsschilder zu sehen sind.
Was ist Künstliche Intelligenz nicht?
Und woran erkenne ich, dass es sich um eine Künstliche Intelligenz handelt, und nicht um “normale” Informationsverarbeitung? Daran, dass die Ergebnisse nicht nur auf dem ursprünglich eingesetzten Datensatz basieren, den die Maschine quasi “auswendig gelernt” hat, und also lediglich “Wissen” reproduziert; sondern dass sie verschiedene Daten miteinander korreliert hat und Annahmen trifft, also generalisiert.
Eine weitere Abgrenzung, die oft angeführt wird, wenn Künstliche Intelligenz beschrieben werden soll, ist die zwischen “Big Data” beziehungsweise “Data Mining” - also dem Sammeln und Kombinieren von vielen Daten aus unterschiedlichen Quellen – und Maschinenlernen. “Data Mining” ist hier als die Vorstufe oder Voraussetzung für Künstliche Intelligenz zu verstehen. KI ist somit die tatsächliche “Denkleistung”.
Und schließlich gibt es noch innerhalb der KI die Unterscheidung zwischen Maschinenlernen, worauf bis dato die allermeisten KI-Anwendungen basieren, und “deep learning”, das künstliche neuronale Netze (KNN) voraussetzt.