Kurzübersicht
- Medienart
- Webseite
- Betriebssystem
- Browser-Version
- Kosten
- kostenlos
- Registrierung
- nicht erforderlich
- Konnektivität
- online
- Fach
- alle Fächer
- Klassenstufe
- Klasse 3-4
Teachable Machine
Wir lehren eine Maschine!
Beschreibung
Auf der Startseite der Anwendung können Sie nähere Informationen zur Anwendung finden, ein eigenes Modell zum maschinellen Lernen starten oder beispielhafte Modelle betrachten.
Mit Teachable Machine ist es möglich, schnell und intuitiv ein eigenes Modell zum maschinellen Lernen zu erstellen. So kann die Maschine die Unterscheidung von Bildern, Tönen oder Bewegungen erlernen und anschließend unterschiedlich präzise Ergebnisse ausgeben. Weshalb sind die Ergebnisse unterschiedlich präzise? Das hängt vom Training der Maschine und den eingegeben Daten ab, mit denen sie trainiert wird. Je mehr Daten die Maschine erhält, desto mehr Erfahrungswerte kann sie sammeln und kann anschließend meist bessere Entscheidungen treffen (mehr dazu siehe Exkurs: Maschinelles Lernen).
Auf der Startseite der Anwendung finden Sie unter der gleichen Überschrift ein Erklärvideo, in dem die Anwendung erklärt wird.
Hinweis: Das Video ist auf englischer Sprache mit Untertiteln verfügbar.
Maschinelles Lernen ist ein Teilgebiet der Informatik und wichtig für Künstliche Intelligenzen (Fraunhofer-Gesellschaft 2018).
Grundlegend besteht eine Maschine, z. B. ein Computer, und deren Programmierung aus diversen Algorithmen. Tatsächlich gibt es aber auch noch Aufgaben, zu denen es keine Algorithmen gibt, weil es beispielsweise Tätigkeiten sind, die der Mensch zwar problemlos erledigt, bei denen er aber nicht konkret erklären kann, wie er es tut (Alpaydin 2022). Wie können Sie beispielsweise die Gesichter Ihrer Freunde erkennen und unterscheiden?
Ziel des maschinellen Lernens ist, die Maschine dazu zu befähigen, solche Aufgaben dennoch auszuführen. Dies wird erreicht, indem die Maschine trainiert wird. Sie soll, genau wie wir Menschen, aus Erfahrungen lernen und somit Wissen generieren (Fröchte 2019). Die Erfahrungen, die die Maschine macht, bestehen aus verschiedenen Daten, die sie erhält und unter bestimmten Eigenschaften auswertet (Fröchte 2019; Schmid). Von Lernen spricht man dann, wenn die Maschine ihre Performanz hinsichtlich der Erledigung der Aufgabe mit zunehmender Datenanzahl verbessert (Schmid): mehr Erfahrungen à bessere Ergebnisse. Dass die Maschine die Aufgabe letztlich ausführen kann, bedeutet allerdings nicht, dass sie auch versteht, welche Aufgabe sie auf welche Weise und aus welchen Beweggründen erledigt (Fraunhofer-Gesellschaft 2018).
Maschinelles Lernen findet in verschiedenen Bereichen Anwendung. So können Maschinen beispielsweise radiologische Bilder auf dem Niveau von Ärzt*innen analysieren, in diversen Spielen gegen Menschen gewinnen, Spam-Nachrichten im E-Mail-Programm filtern oder große Datenmengen im wissenschaftlichen Bereich auswerten (Alpaydin 2022; Fraunhofer-Gesellschaft 2018; Schmid).
Ein eigenes Modell erstellen
Starten Sie ein eigenes Projekt, indem Sie auf Erste Schritte klicken. Sie landen in einem Menü der Teachable Machine und haben die Wahl, ein bereits bestehendes Projekt zu öffnen oder ein Neues zu beginnen. Möchten Sie ein neues Projekt starten, können Sie wählen zwischen einem Bild-, einem Audio- und einem Posenprojekt.
Bildprojekt: Bei einem Bildprojekt wird die Maschine mit Hilfe von Bildern (von Ihrer Webcam oder bereits vorhandene Bilder, die hochgeladen werden) trainiert und kann anschließend auch Bilder unterscheiden, z. B. Zeichnungen von Äpfeln vs. Zeichnungen von Katzen.
Audioprojekt: Bei einem Audioprojekt werden statt der Bilder Audiodateien, also kurze Töne, analysiert. Hierfür benötigen Sie entweder den Zugriff auf ein Mikrofon, mit dem Sie Beispieltöne in die Maschine einspeisen, oder vorhandene Tonaufnahmen.
Posenprojekt: Das Posenprojekt fokussiert sich auf Bewegungen und kann ebenfalls mit Bildern der Webcam oder vorhandenen Bildern trainiert werden.
In der folgenden Beschreibung wird ein Bildprojekt erstellt. Tippen Sie auf Bildprojekt und wählen Sie zu Beginn zwischen Standard- und eingebetteten Bildern.
Nun erscheint die Arbeitsoberfläche, in der ein Modell erstellt werden kann.
Auf der linken Seite sehen Sie zwei abgerundete, weiße Rechtecke mit den Inhalten Class 1, Class 2 und den Hinweisen Bildbeispiele hinzufügen. Class 1 und Class 2 sind Textfelder. Die Texte, die hier stehen, werden die Ausgabekategorien sein, nach denen die Maschine letztendlich unterscheiden wird.
Möchten Sie der Maschine beibringen, Zeichnungen von Äpfeln und Zeichnungen von Katzen zu unterscheiden, geben Sie hier einmal Apfel und einmal Katze ein.
Fügen Sie anschließend in beiden Felder die Trainingsdaten ein, indem Sie Bilder über die Schaltfläche Webcam oder Hochladen einspeisen.
In der Form mit dem Titel Apfel laden Sie die Bilder der Apfelzeichnungen hoch. In die Form mit dem Titel Katze werden die Katzenzeichnungen hineingeladen. Empfehlung: Nutzen Sie mindestens drei verschiedene Bilder. Bilder werden auf eine quadratische Form zugeschnitten.
Haben Sie die Trainingsdaten erfolgreich in die Maschine eingebunden, kann das Training der Maschine starten. Tippen Sie hierfür auf Modell trainieren und lassen Sie während des Vorgangs das Browserfenster geöffnet. Ist das Modell fertig trainiert, verändert sich die Vorschauansicht auf der rechten Seite.
Sie haben die Möglichkeit, zu überprüfen, inwiefern die Maschine die Aufgabe erfolgreich erlernt hat. Um dies zu tun, müssen Sie Beispielbilder als Test hochladen, welche die Maschine analysiert. Auch hier können Sie Bilder der Webcam oder bereits vorhandene Bilder nutzen. Wählen Sie die von Ihnen gewünschte Art über das Dropdown-Menü aus und laden Sie anschließend Bilder hoch bzw. starten Sie die Webcam.
Die Maschine analysiert das Bild und zeigt Ihnen ihr Ergebnis in den darunterliegenden Balken an. Die Anzahl der Prozent gibt an, wie sicher sich die Maschine mit dem Ergebnis ist.
Laden Sie eine weitere Zeichnung eines Apfels als Test hoch. Erkennt die Maschine den Apfel, hat sie die Aufgabe erfolgreich erlernt. Kann sie auch eine weitere Zeichnung einer Katze erkennen?
Sind Sie zufrieden mit Ihrem Modell und möchten damit weiterarbeiten oder es zu einem späteren Zeitpunkt erneut verwenden, können Sie es exportieren.
Beispiel: Was tut die Maschine, wenn Sie ein Bild einer Bananenzeichnung hochladen? Getrost nach dem Satz „Was ich nicht weiß, macht mich nicht heiß.“ versucht die Maschine, die Banane in die Klassen Apfel oder Katze einzuordnen. Immerhin haben Sie der Maschine die Klasse Banane noch nicht beigebracht.
Um die unbekannte Zeichnung erkennen zu können, müssen Sie dem Modell eine weitere Klasse hinzufügen. Tippen Sie dafür auf die Schaltfläche Klasse hinzufügen und geben Sie den Titel sowie die Trainingsdaten (Bilder) ein. Tippen Sie erneut auf Modell trainieren und laden Sie anschließend das Testbild hoch.
Wird die Banane nun erkannt?
Kinder könnten nach dem Durchführen aller Schritte denken, die Maschine könnte die Begriffe Banane, Apfel und Katze problemlos unterscheiden und wäre intelligent. Jedoch weiß die Maschine nur, was sie gelernt hat.
Der Begriff Apfel hat für die Maschine keinerlei weitere Bedeutung bis auf die erlernten Eigenschaften der Bilder. Insofern könnte die Klasse Apfel umbenannt werden, zum Beispiel in Orange. Die Klasse Katze wird zur Klasse Hund und die Klasse Banane wird zur Klasse Melone.
Wird die Maschine erneut trainiert und werden Beispielbilder getestet, unterscheidet die Maschine also nicht mehr zwischen Apfel, Katze und Banane, sondern zwischen Orange, Hund und Melone, und das genauso erfolgreich wie vorher.
Beispiel für die Einbindung der Anwendung in den Kunstunterricht
Im Nachgang der Unterrichtsstunde Abstrahieren eines Gegenstands der Lernumgebung GPS-Zeichnungen kann die Klasse spielerisch mit der Thematik maschinelles Lernen in Berührung kommen.
Hierfür spielt die Klasse zuerst ein Spiel basierend auf der Vorgehensweise von Quick, Draw!:
| Variante A | Ein Kind muss die Zeichnungen der Kinder erraten. Dieses verlässt zu Beginn des Spiels kurz den Raum. In dieser Zeit gibt die Lehrkraft der Klasse einen Begriff vor. Die Kinder zeichnen zu dem Begriff jeweils auf ein Blatt Papier. Das Kind kommt anschließend wieder in das Zimmer und errät anhand der Zeichnungen den Begriff. |
|---|---|
| Variante B | Alternativ kann das Spiel in umgekehrter Weise gespielt werden. Dafür zeichnet ein Kind etwas zu einem vorgegeben Begriff an die Tafel. Die Klasse muss den Begriff erraten. Hierbei wäre auch die Möglichkeit gegeben, die Kinder in Gruppen aufzuteilen. |
Im Anschluss daran sagt die Lehrkraft, dass sie eine Maschine kennt, die genau wie die Kinder Zeichnungen erkennen kann. Sie öffnet Quick, Draw! und spielt das Spiel gemeinsam mit den Kindern. Dabei kann sie die ersten Bilder zeichnen, alternativ kann ein Kind sechs Bilder zeichnen oder jeweils ein Kind eine Zeichnung erstellen. Mehrere Durchgänge sind möglich.
Sind die Kinder mit dem Spiel vertraut, fragt die Lehrkraft die Kinder, wie die Maschine wohl erkennen kann, was die Kinder zeichnen. Gemeinsam werden Antworten überlegt. Danach erklärt die Lehrkraft über die Auswertung einer Zeichnung bei Quick, Draw! (Details zur Zeichnung, Ähnlichkeiten der Zeichnung mit anderen Begriffen) das Vorgehen des Programms bei der Analyse der Zeichnungen. Dabei erwähnt sie auch, dass das Programm dieses Vorgehen erlernt hat, indem ganz viele Personen zu den Begriffen etwas gezeichnet haben. Beispielhaft können die Datenbank eines Begriffes aufgerufen und die unzähligen Bilder den Kindern gezeigt werden. Die Kinder erkennen dabei, dass die Zeichnungen zu einem Begriff zwar unterschiedlich sind, aber Gemeinsamkeiten aufweisen. Anhand dieser Gemeinsamkeiten kann die Maschine die Zeichnung einem bestimmten Begriff zuordnen.
Wie eine Maschine diese Fähigkeit erlernen kann, wird den Kindern über Teachable Machine gezeigt. Dabei erstellt die Klasse gemeinsam ein Modell, in welchem die Maschine die Zeichnungen der Kinder aus der ersten Phase den verschiedenen Begriffen zuordnen soll. Gestartet wird mit zwei Klassen (zwei Begriffen). Das Modell kann erweitert werden, wenn die Kinder das grundlegende Vorgehen verstanden haben.
Zuletzt wird darüber gesprochen, welche Nutzungsmöglichkeiten maschinelles Lernen haben kann und wo den Kinder maschinelles Lernen im Alltag begegnet. Beispiele: einige Handys können Fotos in der Fotogalerie nach Gesichtern gruppieren, selbstfahrende Autos können Verkehrsschilder und Ampelfarben erkennen, Pflanzenbestimmungs-Apps können hochgeladene Bilder einer Pflanzenart zuordnen (z. B. Flora Incognita)
Literatur
- Alpaydin, E. (2022). Maschinelles Lernen. Oldenbourg: De Gruyter.
- Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V. (Hrsg.) (2018). Maschinelles Lernen. Eine Analyse zu Kompetenzen, Forschung und Anwendung [PDF-Dokument]. Verfügbar unter https://www.bigdata-ai.fraunhofer.de/content/dam/bigdata/de/documents/Publikationen/Fraunhofer_Studie_ML_201809.pdf
- Fröchte, J. (2019). Maschinelles Lernen: Grundlagen und Algorithmen in Python. Carl Hanser Verlag GmbH & Co. KG.
- Schmid, U. (unbekannt). Maschinelles Lernen [Web-Dokument]. Verfügbar unter https://www.bidt.digital/?glossary=maschinelles-lernen
Weitere, für Sie vorgeschlagene Inhalte
GPS-Zeichnungen
Digitales Zeichnen mittels GPS-Tracking
Flora Incognita