Ein Rechner, zwei Mikrocontroller und drei bis vier einfache Arbeitsschritte – mehr braucht es nicht, um ein eigenes KI-Modell zu trainieren. Das macht Wirtschaftsingenieurin Julia Tremp bei ihrer Präsentation zu „Create AI“ deutlich. Erster Schritt: einen micro:bit mit dem Rechner verbinden – das ist der Empfänger. Der zweite micro:bit wird zum Sender, mit einer Batterie versorgt und körpernah getragen. Sobald die Verbindung steht, beginnt die Datenerfassung: Die integrierten Bewegungssensoren messen Beschleunigungen entlang der X-, Y- und Z-Achse, also in alle Raumrichtungen. Auf der webbasierten „Create AI“-Plattform wird ein Projekt angelegt. Jetzt heißt es: Bewegungen aufnehmen. Wie sehen die Daten beim Sitzen, Gehen oder Springen aus? Worin unterscheidet sich Laufen von Gehen? Die Antwort liefern farbige Signalverläufe auf dem Bildschirm – rot, blau und grün für die drei Raumachsen. Schritt drei: Das Modell wird mit diesen Daten trainiert, getestet und weiter verfeinert. „Ich freue mich immer, wenn Dinge schön aussehen. Das ist hier der Fall“, sagt Julia, als sie zehn kurze Bewegungssequenzen aufnimmt. Die Unterschiede sind klar erkennbar, mal verlaufen die Kurven gleichmäßig wie sanfte Wellen, mal hektisch im Zickzack. Jede Bewegung erzeugt ein eigenes Muster. Auch ein kleiner Ausreißer, ein plötzlicher Ausschlag in der Kurve, als Julia leicht über ein Kabel stolpert, wird sichtbar. Solche Ausreißer lassen sich gezielt aus den Trainingsdaten entfernen oder bewusst beibehalten, um zu sehen, wie das Modell darauf reagiert.

Der Computer lernt aus Daten, ähnlich wie der Mensch aus Erfahrung – das ist das Grundprinzip Maschinellen Lernens. In diesem Fall wählt Julia zunächst ein LED-Symbol aus und macht dann eine bestimmte Bewegung, die damit verknüpft wird. Die Symbole dienen in „Creative AI“ als sogenannte Labels für die Trainingsdaten. Damit kann das System später erkennen, welche Bewegung zu welchem Zeichen gehört. Nach dem Training nutzt das System dieselben LED-Symbole, um anzuzeigen, welche Bewegung es erkannt hat. So helfen die Symbole sowohl beim Erstellen als auch beim Auswerten der Daten. Hierbei handelt es sich um sogenanntes „supervised learning“, die Daten werden im Vorfeld mit Labels versehen. Das Modell lernt also gezielt, welche Muster zu welchen Vorgaben gehören. Anders wäre es beim unüberwachten Lernen (unsupervised learning), bei dem das System ohne Vorgaben selbstständig nach Mustern, Gruppen oder Zusammenhängen in den Daten sucht.

Das lässt der Fantasie freien Lauf: Die Messdaten im Koordinatensystem können interpretiert werden – welche Bewegung gehört zu welchem Muster? Und erkennt man vielleicht sogar, wer sich da bewegt hat? „Wie bei einem Memory: Was passt zusammen“, so der Vorschlag von Christina Rehder. Die Informatik-Quereinsteigerin ist überzeugt: „Das ist so einfach umzusetzen, der Lerneffekt sofort sichtbar – meine Klasse hätte Spaß daran.“ Die Stadtteilschule Helmuth Hübener, an der sie unterrichtet, ist eine „voll digitalisierte Schule“. So wie das Gymnasium Rahlstedt, wie Rehder auf der Fortbildung erfuhr. Sich vernetzen, Synergien schaffen, voneinander lernen, das sei das A und O zum Start eines neuen Unterrichtsfachs. Zu dessen Erfolg beitragen, das wollen auch NXP und NAT.