SCUAI Add On Vision AI - fischertechnik

STEM Coding Ultimate AI Add On: Vision AI

Die Zukunftstechnologie entdecken

Künstliche Intelligenz zählt zu den zentralen Innovationen von morgen. Dieses Konstruktionsset weckt frühzeitig das Interesse an KI und unterstützt Schülerinnen und Schüler dabei, sich auf zukünftige Berufsperspektiven vorzubereiten. Auf spielerische Weise erarbeiten sie sich grundlegende Konzepte der Künstlichen Intelligenz und gewinnen ein erstes Verständnis für deren Funktionsprinzipien.

Das Set umfasst drei unterschiedliche Modelle mit ansteigendem Schwierigkeitsgrad, die die Bandbreite moderner KI-Anwendungen anschaulich darstellen und einen idealen Einstieg in dieses zukunftsorientierte Themenfeld ermöglichen. Ergänzt wird das Angebot durch didaktisch aufbereitete Unterrichtsmaterialien, die speziell für den schulischen Einsatz entwickelt wurden und das Verständnis für Künstliche Intelligenz nachhaltig vertiefen.

Land	Stufe/Fächer	Bezüge
BW	SEK I	GYM  8/9/10 NWT-3.2.4.3 Steuerungsabläufe (Robotik) (7), Informationsverarbeitung - Autonomes Fahren (8), S.27; IMP 8-3.1.1.2 Algorithmen (1), S. 28ff; INFWF 8-3.1.2 Algorithmen (1), S. 15;INFWF 9-3.2.2 Algorithmen (2), S. 21; INFWF 10-3.3.2 Algorithmen (2), S. 28;
BY	SEK I	GYM 6-7, Künstliche Intelligenz: NT - Beitrag Informatik fachübergreifend Medienbildung/Digitale Bildung; RS- IT 2.7 Logik und Robotik, S.699; GYM 9/10 LPLUS INF - Modellieren, Implementieren, Anwenden, Softwareprojekte
BE	SEK I, II	GYM 9-10, Teil B - Fachübergreifende Kompetenzentwicklung, Basiscurriculum Medienbildung, S. 13 ff.; Informatik-Unterrichtsbausteine: Eine Einführung in das Maschinelle Lernen (I,II), KI und Ethik (III); GYM 11-13, Informatik-4.4 Sprachen und Automaten , S. 22
BB	SEK I, II	GYM 9-10, Teil B - Fachübergreifende Kompetenzentwicklung, Basiscurriculum Medienbildung, S. 13 ff.; Informatik-Unterrichtsbausteine: Eine Einführung in das Maschinelle Lernen (I,II), KI und Ethik (III); GYM 11-13, Informatik-4.4 Sprachen und Automaten , S. 22
HB	SEK I	GYM OS INF-Algorithmen und Datenstrukturen, S. 6; GYM OS INF-Imperative Programmierung, S. 7
HH	SEK I	Stadtteil 9/10 INFORMATIK-M2 Prozesse analysieren und modellieren, S. 20; GYM 9 INFORMATIK-M2 Prozesse analysieren und modellieren, S. 19
HE	SEK I	Hessischer Bildungsserver: Beispiele KI in der Mittelstufe unterrichten, www.bildung-hessen.de
MV	SEK I	GYM 5 INF-3 Programmieren? Kinderleicht!, S.16; GYM 6 INF-3 Entscheidungen treffen und Spiele gestalten, S.19 GYM 7 INF-3 Spiele entwickeln, S.22; GYM 8 INF-3 Sensorgesteuerte Anwendungen entwickeln, S.25; GYM 9 INF-3 Problemlösen durch Programmieren, S.32
NI		KC-INF LF Algorithmisches Problemlösen; S.19; KC-INF LF Automatisierte Prozesse, S.22; SEK 2 KC-INF LF1 Algorithmen und Datenstrukturen, S.14; SEK 2 KC-INF LF1 Informationen und Daten, S.16; ; SEK 2 KC-INF LF1  Automaten und Sprachen, S.19
NW	SEK I, II	GYM 5/6 Kernlehrplan 2021 KLP INF - Automaten und künstliche Intelligenz, S. 18; ; SEK 2 KLP GOS INF - 2 Algorithmen, S. 21 ff; KLP GOS INF - 3 Formale Sprachen und Automaten, S. 22
RP	SEK I	Medienbildung und informatische Bildung Basiscurriculum S20., S.21.; IPS 5 INF - Informatiksysteme und Netze, S. 7; IPS 5, INF - Sprache und Automaten, S. 8; IGS/GYM INF-2.1 Grundlagen der Informationsverarbeitung, S. 17; IGS/GYM INF-2.2 Algorithmisches Problemlösen, S. 20;
SL	SEK I	GYM 9 INF - Imperative Programmierung, S. 3; INF - Algorithmik, S. 3; GYM OS INF GOS-Funktionsweise von Computersystemen, S.9ff.
SN	SEK I	GYM 7 INF LB 3: Computer verwenden - Komplexaufgabe, S. 7; GYM 8 INF LB 2: Daten verarbeiten, S.10
ST	SEK I	GYM 9, INF 3.2 Algorithmen interpretieren und entwickeln, S.15; INF 3.2 Grundlagen von Informatiksystemen verstehen, S.16; INF 3.3 Algorithmen- und Datenstrukturen implementieren und testen, S.17 ff.
SH	SEK I	INF PB1 Modellieren und Strukturieren, S. 12; INF PB2 Implementieren, Programmieren, Realisieren, S. 13; FA Physik, Variabilität  S.13
TH	SEK I	Medienbildung und Informatik - 2.2.5.6 Künstliche Intelligenz, S. 18; GYM 7/8 Medienbildung und Informatik Algorithmen in Informatikprojekten, S. 10; GYM 10 INF - 2.3 Algorithmen, S. 14 ff.; GYM 10 INF 2.5.1 Technische Informatik, S. 18ff.

Infos zum Produkt

Didaktisches Begleitmaterial

Trainer GUI

Zum Download

Zeitaufwand

Der Aufbau der Modelle Teachable Maschine und Intelligente Schranke benötigen jeweils ca. 10-15 Minuten. Für die Sortieranlage sollten 90 Minuten veranschlagt werden.

Teachable Machine

Die Programmierung in den Aufgaben kann je nach Vorkenntnissen zwischen 15 und 45 Minuten in Anspruch nehmen.

Wenn die Python-Arbeitsumgebung auf dem PC bereits eingerichtet ist, sollte der Lerndurchgang in der darauffolgenden Aufgabe nicht mehr als 15-20 Minuten in Anspruch nehmen. Da aber die Integration des TXT 4.0 in das Lernprogramm davon abhängt, dass die Verbindung korrekt eingestellt ist und bei den vorigen Aufgaben sauber gearbeitet wurde, kann es hier leicht zu einer Reihe von Schwierigkeiten kommen, wie Verbindungsprobleme, fehlende Dateien, usw. Deshalb sollte dieser Teil sauber vorbereitet und etwas mehr Zeit eingeplant werden.

Die Erstellung des zweiten Programms wird wieder je nach Kenntnissen 10-30 Minuten in Anspruch nehmen. Die darauffolgenden Experimente können in der Dauer beliebig variiert werden und benötigen mindestens 10 Minuten.
Intelligente Schranke

Die Programmierung in Aufgabe 1 und Aufgabe 3 kann je nach Vorkenntnissen zwischen 15 und 45 Minuten in Anspruch nehmen. Auch hier kann es sinnvoll sein, die vorgefertigten Programme zu nutzen und sich auf die Möglichkeiten und Limitationen der KI zu fokussieren, also beispielsweise mehrere Lerndurchgänge durchzuführen oder umfangreichere Experimente mit der Wahrheitsmatrix zu machen. Aufgabe 2 und Aufgabe 4 können in der Dauer beliebig variiert werden.
Sortieranlage

Die Sortieranlage, ein fertig konzipiertes Trainingsmodell mit Lebensweltbezug für die Anwendung von KI in der industriellen Fertigung, dient zur realistischen Darstellung von Abläufen und kann zum weiteren forschen und tüfteln für KI-Ablaufprozesse genutzt werden.

Einführung ins Thema

Künstliche Intelligenz hat bereits in vielen Bereichen Einzug gehalten und spielt eine wichtige Rolle unser aller Lebenswelt. Ein Verständnis und Wissen über Machine Learning und Algorithmen befähigt Schülerinnen und Schüler, einen verantwortungsvollen Umgang und eine eigene Haltung zu dem Thema zu entwickeln.

Mit dem TXT 4.0 können Schüler und Schülerinnen sehr einfach Ihre ersten Schritte mit künstlicher Intelligenz (KI) machen. Sie erfahren, was sich hinter der KI verbirgt und wie sie diese für ihre eigenen Modelle nutzen können.

Unter einer KI versteht man, einfach gesagt, ein Programm, das sich in irgendeiner Hinsicht intelligent verhält. Je nach Aufgabenstellung kann es z.B. darum gehen, Bilder zu erkennen, Texte zu übersetzen oder vielleicht Musik zu erzeugen.

Es gibt viele unterschiedliche Arten von KIs. Meistens meinen wir heutzutage aber sogenannte künstliche Neuronale Netze, wenn wir von KIs sprechen. Das sind einfach gesagt Nachbildungen von Strukturen, wie wir sie in unseren Gehirnen haben. Neuronen sind Zellen, die mit anderen Neuronen verbunden sind und im Verbund mit den anderen Neuronen können diese Netze lernen.

Für die verschiedenen Aufgaben, die eine KI erledigen soll, gibt es verschiedene Arten solcher Netze – unser Sprachzentrum funktioniert etwas anders als unser Bildergedächtnis. Bei KIs ist das genauso. Auch da gibt es verschiedene Arten von Netzen und je nach Aufgabe müssen die passenden Netze verwendet werden.

Wie funktioniert ein neuronales Netz?

Die folgende Abbildung beschreibt den prinzipiellen Aufbau eines Netzes.

Auf der linken Seite (Eingabeschicht) kommen die Signale an – das ist vergleichbar mit unseren Sinneszellen. Die Sinneszellen sind mit Neuronen verbunden und die Stärke der Verbindung gibt an, wie stark ein Neuron auf die Reize von links reagiert.

Auf der rechten Seite (Ausgabeschicht) sehen wir die Ausgabeneuronen – die stehen ganz einfach gesprochen für bestimmte Begriffe, die mit den Sinnen auf der linken Seite wahrgenommen wurden. „Sehen“ wir beispielsweise links ein Bild, könnte rechts der Begriff „Katze“ assoziiert werden.

Zwischen den Sinneszellen links und den Ausgabeneuronen rechts stehen Strukturen aus vielen Neuronen. Die werden meistens in einzelnen „Schichten“ angeordnet und jede Schicht hat eine bestimmte Aufgabe oder Funktion.

Die Einteilung der Knoten eines Künstlichen Neuronalen Netzes in Schichten dient der Übersichtlichkeit. Man spricht vom Input Layer, Hidden Layer und Output Layer.

Die Eingabeschicht (Input Layer) nimmt die Daten der Umwelt auf.
Die Ausgabeschicht (Output Layer) gibt die Daten wieder nach außen ab.
Verstecke Schichten (Hidden Layer) verbinden üblicherweise die Eingabeschicht mit der Ausgabeschicht. Von diesen Schichten gibt es beliebig viele oder auch keine.

Für verschiedene Aufgaben gibt es unterschiedliche Arten der Verknüpfungen. Bestimmte Verknüpfungen, eigenen sich gut Teile aus Bildern zu erkennen und andere, sind gut darin, zeitliche Abfolgen wie bei Wörtern in Sätzen zu erkennen.

Begriffe wie Deep Learning, Deep Mind oder das Programm DeepL, das Text in eine andere Sprache übersetzt, beziehen sich auf die Struktur des Neuronalen Netzes - auf ein sogenanntes „tiefes“ Netz. Das Deep. Tief bedeutet nicht mehr, als dass es viele Schichten hintereinander gibt, bei der jede Schicht auf die Ausgaben der vorigen reagiert.

Das Lernen in einem Neuronalen Netz funktioniert vereinfacht gesagt so, dass auf der linken Seite Reize, z.B. Bilder, angelegt werden und dann geschaut wird, ob auf der rechten Seite der richtige Begriff entsteht. Wenn das nicht der Fall ist, wird von rechts nach links die Stärke der Verbindungen angepasst und das ganze wird wieder versucht, solange, bis das Netz richtig reagiert.

Das ständige Durchrechnen eines großen Netzes ist sehr aufwändig. Darum werden Aufgaben zur KI auf dem PC trainiert und nicht auf dem TXT 4.0.

An künstlicher Intelligenz wird schon seit vielen Jahrzehnten gearbeitet. Lange Zeit waren aber Rechner und Netze nicht leistungsstark genug, um größere Neuronale Netze zu trainieren. Um ein Netz von Grund auf so zu trainieren, dass es Gegenstände erkennen kann, werden Millionen von Bildern benötigt, für die das Netz ständig von links nach rechts durchgerechnet und dann wieder von rechts nach links korrigiert werden muss.

Damit eine KI irgendetwas tun kann, muss sie zuerst lernen und dann später das Gelernte anwenden. Das Grundprinzip läuft immer mit den folgenden drei Schritten:

Sammeln von Trainingsdaten – Beispiele werden gesammelt, aus denen die KI später lernen kann. Das können z.B. Bilder unterschiedlicher Tiere oder Gegenstände sein. Diese Bilder müssen wir anschließend benennen, dass die KI weiß, was sie lernen muss.
Trainieren der KI – In diesem Schritt zeigen wir der KI unsere Beispiele und was wir damit meinen. Anschließend passt sich die KI so an, dass sie möglichst gut zu einem vorgegebenen Bild den zugehörigen Begriff findet.
Nutzen der KI – Wenn das Training beendet ist, können wir das Netz nutzen und versuchen, neue oder andere Bilder zu erkennen.

Schnell werden wir feststellen, dass das mit dem Trainieren nicht ganz einfach ist. Es bedarf der richtigen Bilder, genügend vieler davon und auch die Lichtverhältnisse müssen stimmen. Aber das soll beim Erforschen und Experimentieren mit den Modellen selbst herausgefunden werden.

Damit das Trainieren der KI nicht zu schwer wird, nutzen wir bei unseren Beispielen eine vortrainierte KI als Grundlage. Diese ist in der Lage, Objekte zu erkennen und es muss ihr nur noch die „Namen“ der Dinge beigebracht werden, die sie erkennen soll. Diese Art des Lernens wird als Transfer-Lernen bezeichnet.

Bei unseren Versuchen mit dem TXT gehen wir immer folgendermaßen vor: Wir nutzen das Modell, um Bilder für das Lernen zu sammeln. Dazu müssen wir ein Programm schreiben, das Bilder aufnimmt und sie in Gruppen einteilt

bei einer Schranke z.B. in Bildgruppen, die das Schließen und Öffnen der Schranke regeln sollen. Das Programm sammelt dann auf dem TXT alle Bilder und benennt sie passend.

Obwohl der TXT 4.0 ein sehr leistungsstarker Controller ist, braucht das Trainieren einer KI etwas mehr Rechenpower. Deshalb übertragen wir die Daten auf den PC oder Laptop und führen das Training dort durch. Nach wenigen Minuten kann das trainierte KI-Modell auf den TXT übertragen werden kann.

Jetzt können wir die KI mit einem anderen Programm auf dem TXT nutzen.

Um zu bewerten, wie gut eine KI im Erkennen von Dingen ist, benutzt man typischerweise eine sogenannte Wahrheitsmatrix. Dafür werden der KI nur die Gegenstände einer Art gezeigt und gezählt, wie viele davon richtig erkannt wurden. Das sind die sogenannten „wahren richtigen“ (true positives). Die fälschlicherweise falsch erkannten Gegenstände werden als die „falsch falschen“ (false negatives) bezeichnet.

Beide Zahlen werden durch die Anzahl der gezeigten Gegenstände geteilt und man erhält als Ergebnis einen Verhältniswert.

Je näher an der 1 die ersten beider Werte und je näher an der 0 die zweiten beiden Werte sind, umso zuverlässiger erkennt Deine KI die Gegenstände richtig.

Die Entwicklung von KI in den letzten Jahren ist faszinierend und beispiellos. Von selbstfahrenden Autos, Spracherkennung, Film-Vorschläge bei Video-Streaming-Plattformen bis hin zu personalisierten Werbeanzeigen hat KI in fast allen Bereichen unseres Lebens Anwendung gefunden.

Bereits im Jahr 1726 beschrieb Jonathan Swift in seinem Roman "Gullivers Reisen" eine computerähnliche Maschine namens "Engine", die zur Erweiterung des Wissens und der Verbesserung mechanischer Abläufe eingesetzt wird.

Tatsächlich gelten aber die 1950er Jahre als das Jahrzehnt, in dem die ersten bedeutende Durchbrüche in den Möglichkeiten zur Schaffung intelligenter Maschinen erzielt wurden.

Die Entwicklung der ersten schachspielenden Computerprogramme (1950 Claude Shannon,1952 Arthur Samuel).
Alan Turing veröffentlichte 1950 seine Abhandlung über „Computing Machinery and Intelligence“ (Rechenmaschinen und Intelligenz), in der er den „Turing-Test“ vorschlug, mit dem die Fähigkeit einer Maschine, wie ein Mensch zu denken, geprüft wurde.
Die Entwicklung des ersten AI-Computerprogramms The Logic Theorist (1955 - Allen Newell, Herbert Simon,Cliff Shaw).
John McCarthy, ein amerikanischer Informatiker, und sein Team schlugen 1955 einen Workshop zur „künstlichen Intelligenz“ vor, der 1956 auf einer Konferenz am Dartmouth College zur Geburtsstunde des Begriffs „künstliche Intelligenz“ führte.

Ende der 1960er Jahre wurde das Programm „ELIZA“ entwickelt (Joseph Weizenbaum), eine Art Chatbot, der erstmals in einem simulierten Arzt-Patienten-Gespräch getestet wurde. Später flossen die Erkenntnisse aus ELIZA in sogenannte „Expertensysteme“ ein. Edward H. Shortliffe entwickelte MYCIN, ein Expertensystem, das die Diagnoseentscheidungen von Ärzten unterstützen sollte.

Auch in den 80er Jahren gab es Entwicklungen, die zur Gestaltung der Zukunft der KI beitrugen. 1984 wird mit der Entwicklung des Roboters RB5X ein Meilenstein erreicht. Dessen selbstlernende Software ermöglicht die Vorhersage künftiger Ereignisse auf Grundlage historischer Daten. NETtalk 1986 (Terrence Joseph Sejnowski, Charles Rosenberg) war eines der ersten Programme, das künstliche neuronale Netze verwendete. NETtalk kann Wörter lesen und korrekt aussprechen sowie das Gelernte auf ihm unbekannte Wörter anwenden.

In den 90er Jahren wurden erste Algorithmen entwickelt, die es Systemen ermöglichten, automatisch Entscheidungen zu treffen und Probleme zu lösen, indem sie auf gespeicherte Daten und Informationen zurückgriffen. 1997 besiegte in einem Turnier die KI-Schachmaschine „Deep Blue“ der Firma IBM den amtierenden Schachweltmeister Garry Kasparov. Dies gilt als historischer Erfolg der Maschinen in einem Bereich, der bislang vom Menschen dominiert wurde. Kritiker werfen jedoch ein, dass „Deep Blue“ nicht durch kognitive Intelligenz, sondern nur durch das Berechnen aller denkbaren Züge gewonnen habe.

2016 besiegte das System „AlphaGo“ den Südkoreaner Lee Sedol, einen der weltbesten Go-Spieler. Technologiesprünge bei der Hard- und Software bahnen Künstlicher Intelligenz den Weg in unseren Alltag. Insbesondere Sprachassistenten erfreuen sich großer Beliebtheit: Apples „Siri“ kommt 2011 auf den Markt, 2014 stellt Microsoft die Software „Cortana“ vor und Amazon präsentiert 2015 Amazon Echo mit dem Sprachdienst „Alexa“. Im Unternehmensumfeld manifestiert sich die KI-Entwicklung in Form von Automatisierung, Deep Learning und dem Internet of Things. Neben Industrierobotern werden immer mehr Serviceroboter entwickelt.

2020 brach ein neues Jahrzehnt für die KI an. OpenAI hat in den letzten Jahren eine Reihe von bahnbrechenden KI-Modellen entwickelt, darunter GPT-3, GPT-4, DALL-E und GLIDE. Diese Modelle zeigen, dass KI in der Lage ist, komplexe Aufgaben wie Textgenerierung, Software-Programmierung und Bildverarbeitung zu lösen.

Trotz jahrzehntelanger Forschung steht die Entwicklung der Künstlichen Intelligenz noch relativ am Anfang. Auch werden mögliche Maßnahmen zur Regulierung von KI immer mehr zum Thema. Um in sensiblen Bereichen wie dem automatisierten Fahren oder der Medizin eingesetzt werden zu können, muss sie zuverlässiger und sicherer gegen Manipulationen werden.

Das KI-Gesetz der Europäischen Union fordert in weiten Bereichen eine Transparenz für KI-Systeme, damit Menschen die Denkweise der KI nachvollziehen können.

STEM Coding Ultimate AI Add On: Vision AI

Die Zukunftstechnologie entdecken

Infos zum Produkt

Didaktisches Begleitmaterial

Trainer GUI

Teachable Machine

Intelligente Schranke

Sortieranlage