Image: (CC-0) Künstliche Intelligenz & Bildung Nicht nur für ExpertInnen

Transkript

1 Image: (CC-0) Künstliche Intelligenz & Bildung Nicht nur für ExpertInnen

2 Künstliche Intelligenz Was ist das überhaupt? Was kann sie (nicht)?

3 KI - Definitonen "Künstliche Intelligenz ist die Erforschung und Entwicklung intelligenter Maschinen" (McCarthy 1956) "Die Erforschung und Entwicklung Künstlicher Intelligenz zielt darauf ab, dass Computer Verhaltensweisen zeigen, von denen man bis vor kurzem dachte, dass sie menschliche Intelligenz benötigen. (Moore, 2017)

4 Wie können Maschinen überhaupt so etwas wie Intelligenz aufweisen? Termiten in einer Simulation folgen sehr einfachen Regeln: 1. Laufe einen Schritt in eine zufällige Richtung 2. Wenn du dabei auf ein Holzstücken triffst a. und nichts trägst: Holzstück aufheben b. und auf ein Holzstück triffst: Holzstück fallen lassen und einige Schritte weggehen. Was wird passieren? 1. Ständige zufällige Veränderungen, das Muster bleibt chaotisch. 2. Große Strukturen und Muster entstehen. 3. Viele unregelmäßige Häufchen entstehen. 4. Ein einzelner runder Haufen entsteht.

5 Das Grundproblem: Anthropomorphisierung Der Begriff "Künstliche Intelligenz" impliziert menschliches Verhalten. Aber: Kein heutiges Computerprogramm verhält sich wie ein Mensch.

6 Beispiel: Wortlisten durchsuchen DEMO

7 Beispiele: Puzzle, Schach spielen Computer können all das besser als Menschen, gelten dann aber nicht als intelligent. Wir halten Menschen für intelligent, die... gut rechnen können sich Dinge gut merken können komplexe logische Schlüsse ziehen können Rätsel und Puzzle lösen können gut Schach spielen können...

8 Symbolische KI Subsymbolische KI Künstliche Intelligenz Hauptrichtungen

9 Was können Computer erst seit kurzem (fast) so gut wie Menschen? Objekte in Bildern erkennen Auto fahren Kundenverhalten vorhersagen Maschinelle Übersetzung Spracherkennung

10 Maschinelle Übersetzung Englischer Text: DVV, Übersetzung: DeepL

11 Spracherkennung

12 Maschinelles Lernen "Maschinelles Lernen ist die Erforschung von Algorithmen, die sich durch Erfahrung automatisch verbessern." Tom M. Mitchell, Machine Learning, McGraw Hill, 1991

13 Künstliche Neuronale Netze = >3? 0 McCullogh, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, Rosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain. Psychological review, 65(6), 386. Minsky, M., & Papert, S. (1969). Perceptrons: An essay in computational geometry.

14 Künstliche Neuronale Netze = >3? 1 McCullogh, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, Rosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain. Psychological review, 65(6), 386. Minsky, M., & Papert, S. (1969). Perceptrons: An essay in computational geometry.

15 Künstliche Neuronale Netze 0 1 oder 1 0?? + >? 1 Wie müssen die drei Gewichte gewählt werden, damit das Neuron feuert, wenn eine der beiden Eingaben 1 und die andere 0 ist? (ENTWEDER-ODER-Problem)

16 Entweder Oder >0 1 1 > > < >0 1 >0

17 Rumelhart, D. E., McClelland, J. L., & PDP Research Group. (1987). Parallel distributed processing (Vol. 1). Cambridge, MA: MIT press. Multi-Layer-Perceptron Pixel Pixel Pixel 1 (Wahrscheinlichkeit, dass Eingabe 1 ist) Trainingsbilder mit je 28x28 = 784 Pixeln Input Layer Hidden Layer Hidden Layer Output Layer DEMO

18 Durchbruch BIG DATA GPU Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp ). (> citations) NEUE NETZARCHITEKTUREN

19 "Lernen" in Künstlichen Neuronalen Netzen Trainieren neuronaler Netze: Viele Daten immer wieder präsentieren. Hoffnung: Fehlertolerantes und verallgemeinerndes Lernen.

20 Künstliche Neuronale Netze können Dinge, die Menschen nicht gut oder schnell können Xue, T., Rubinstein, M., Liu, C., & Freeman, W. T. (2015). A computational approach for obstruction-free photography. ACM Transactions on Graphics (TOG), 34(4), 79.

21

22 Neuronale Netze machen Fehler, die Menschen nicht machen

23 Probleme subsymbolischer KI Für das Training sind sehr, sehr viele Daten notwendig Erfolgreiches Trainieren erfordert viel Ausprobieren ("Trial and Error") Neuronale Netze können überraschende Fehler machen Es ist nicht möglich, einfach zu erklären, weshalb ein Neuronales Netz zu einem Ergebnis kommt

24 Symbolische Künstliche Intelligenz

25 Tierraten Errate das Tier, an das ich denke. Stelle Fragen, die ich mit "ja" oder "nein" beantworten kann. Rainer Zenz - CC-BY-SA

26 Beispiel: Groß- und Kleinschreibung erklären groß Ja Satzanfang? Nein Name? Erst seit wenigen tagen war Harry in der zauberschule. Er fand es jeden morgen schwer, den weg ins Ja Nein klassenzimmer zu finden. groß klein

27 Annotation von Aufgaben Erst seit wenigen Tagen war Harry in der Zauberschule. +Satzanfang - Name -Nomen +Adverb... -Satzanfang - Name +Nomen +abstrakt +Kopf NP... -Satzanfang +Name +Nomen +konkret +Kopf NP... -Satzanfang +Nomen +konkret +nach Artikel +Kopf NP...

28 Kommatrainer

29 Statt maschinellem Lernen: Expertenwissen modellieren

30 Erklärbarkeit von Rechtschreibleistungen Ziel: <HEFTE> Schreibung: <Y> Erklärungen und Analysen immer nur innerhalb eines definierten Rahmens

31 Definierter Rahmen: Curriculum und Kompetenzen Bäcker Konkretes Nomen Verwandt mit backen Schärfung / Silbengelenk Reduktionssilbe

32 Adaptivität im DVV-Lernportal Verschiedene Schreibungen für <Bäcker>: Becker Bäker Bka beka... DEMO

33 Fazit

34 Was muss man über KI wissen? Computer sind nicht "wirklich" intelligent, sie wirken nur manchmal menschlich Computern fehlt aber: Verstand Manche Tätigkeiten benötigen weniger Verstand als gedacht Was kann KI für die Bildung leisten? Wenn Wissensgebiete gut beschreibbar sind: Individuelle Empfehlungen Auswahl passender Aufgaben Einblicke in Lernprozesse

35 Vielen Dank!