ATLAS – analoge Karten für die digitale Welt der künstlichen Intelligenz

This post represents my didactic concept for the AI course. It was awarded with the 3rd prize in the annual best teaching award competition of my university in 2019. In German (an enhanced English version is available as a technical report).

Abstract

Das Modul KI1 vermittelt die Grundlagen der künstlichen Intelligenz (KI) im fünften Semester des B.Sc. Informatik zu Beginn einer potentiell mehrsemestrigen Vertiefung bis über den Master hinaus. Zu KI hat jeder Studierende eine Meinung, scheint sie doch einen ureigenen Besitz jeden Individuums zum Thema zu haben, die Intelligenz. Um aus dieser Anfangsmotivation ein tragfähiges Fundament für lebenslanges Lernen & Arbeiten im Fachgebiet Informatik zu machen, benötigt es das Gegenteil von fertigen Lösungen sowie den Blick hinter die Fassaden aktueller Hypes und über den Tellerrand oberflächlichen Verständnisses von Technologie und Potential. Rundum, es braucht einen Atlas [1]: eine Sammlung von Landkarten und Einordnungen zum Fachgebiet, die (a) Übersicht geben in einem dy-namischen, komplexen Umfeld; die (b) die Schönheit einzelner Orte hervorheben; die aber (c) trotzdem nicht engführen auf eine einzelne Route. Das vorliegende Konzept gibt Einblick in die Konzeption dieses Kartenmaterials.

1. Was ist “Grundlagenwissen”?

Die Informatik als Wissenschaft ruht auf fünf Säulen: neben der theoretischen, technischen, praktischen und angewandten Informatik kommt so der künstlichen Intelligenz (KI) eine fundamentale Rolle innerhalb des Fachgebiets Informatik zu, die sich in unzähligen Curricula weltweit niederschlägt. Die für ein Grundlagenfach erstaunliche Tatsache, dass KI-Syllabi typischer Weise erst im Fachstudium angesiedelt sind, erklärt sich dabei aus dem Fakt, dass KI wiederum vor allem mathematische Voraussetzungen hat, die zunächst gut verankert sein wollen. Dies beschert der Lehrperson den Vorteil bereits “reiferer” Studierender, die den Einfluss der KI auf wesentliche Aspekte ihrer Profession (wegweisende Entwicklungen wie die Computermaus oder objektorientierte Programmierung entstammen der KI Forschung) und ihr zukünftiges realistisches Potential im Kontext der digitalen Transformation der Gesellschaft (Stichwort Automatisierung kognitiver Arbeit) besser einordnen können.

Vor diesem Hintergrund halten wir die folgenden Aspekte der Grundlagenvermittlung für essentiell:

• Kanonisierung: Seit 2016 erleben wir (wieder) einen KI-Hype, die Presse überschlägt sich mit futuristischen Artikeln, täglich werden hunderte potentiell zukunftsrelevante Forschungsartikel veröffentlicht [2], und selbst unser exzellent zusammenfassendes Lehrbuch fasst über 1100 Seiten in 27 Kapiteln. Zentrales Anliegen des Moduls KI1 ist daher eine zeitgemässe Stoffauswahl, die Wesentliches in seiner historischen Entwicklung und zukünftigen Relevanz zusammenstellt und so die grossen Linien und Prinzipien erfahrbar macht. Dies geht bewusst zu Lasten manch spannender Details oder formaler Herleitung.

• Dekonstruktion: Mit dem aktuellen KI-Hype einher gehen viele naive Vorstellungen, etwa die Idee, KI beschäftige sich im Kern mit dem Verständnis von Intelligenz oder der Schaffung künstlichen Bewusstseins, dass den Menschen irgendwann (bald?) übertreffen könnte [3]. Hier ist zunächst eine Entmythologisierung zu leisten, welche den Spagat wagt, die anfängliche Begeisterung [4] in realistische Bahnen zu kanalisieren und dort wieder freizusetzen.

• Vernetzung: Ein tragfähiger Wissenskanon in den KI-Grundlagen der Informatik sowie ein sorgsamer Umgang mit wahrer und fehlgeleiteter Begeisterung für die technischen Möglichkeiten und gesellschaftlichen Folgen wird dann zum festen Fundament, wenn ein enges Netz an Bezügen zu anderen Fächern im Curriculum und vielfältigen Tätigkeiten in verschiedensten Rollen eines Informatiker-Berufslebens geknüpft wird.

Wieso tragen gerade diese drei Aspekte unseres Grundlagenverständnisses zu einem erfolgreichen Transfer der Grundlagen in Richtung beruflicher Praxis und eigener Problemlösungskompetenz bei? Zunächst gehen wir zwar von Russell und Norvigs renommierten Lehrbuch “Künstliche Intelligenz – Ein moderner Ansatz aus dem Jahr 2010 aus, treffen aber eine im Sinne der praxisrelevanten Kanonisierung deutlich andere Stoffauswahl als die vielen anderen darauf basierenden Kurse. Der Leitgedanke ist hier seit Konzeption der Veranstaltung im Jahr 2016, den ganzen Fächer relevanter Methoden zu unterrichten (von heuristischen Suchverfahren über logisches Planen hin zu maschinellem Lernen) - und dann aber jeden dieser Bereiche mit einem von den Studierenden in Gruppen selber zu lösenden Praxisbeispiel zu verknüpfen (Laborpraktika etwa zu einer automatischen Steuerung für eine angesagte Mobile Game App, zu einem Rasterfahndungstool gegen Insiderhandel, und zu einer Entscheidungshilfe für Fahrzeug-Occasionen). Andernorts werden die erstgenannten Themen oft als aufeinander aufbauende Hierarchie von Grundlagen verstanden, von denen lediglich der Abschluss (das maschinelle Lernen) aktuelle Relevanz habe und praktisch angewandt werden solle; wir zeigen die Bedeutung aller Zwischenschritte. Auch bei der Dekonstruktion dürfen die Studierenden selber tätig werden und sich anhand von Fachtexten und Programmierübungen, die sie sich selber erschliessen, eine Meinung bilden und diese darstellen (schriftlich und mündlich; siehe Abschnitt 5 später). Dies vernetzt effektiv die Grundlagen des Faches KI mit dem studentischen Handeln in der Praxis, indem es den Vortrag der Lehrperson mit eigener Erfahrung konfrontiert und anreichert.

2. Aufzeigen des Weges hin zum Berufsziel

IT-Studierenden schwebt meist ein Berufseinstieg als Softwareentwickler/-in vor. Bereits die Modulbeschreibung holt sie dort ab, und der Kurs setzt fort, aufzuzeigen, wie unterschiedliche Methoden der KI im Informatiker-Alltag regelmässig als Lösungsbaustein eine Rolle spielen. Hierbei helfen nicht zuletzt die ausnahmslos der Praxis entlehnten Laborpraktika (etwa automatische Stundenplanung, biometrische Zutrittskontrolle, Datenanalyse). Gleichzeitig werden den nachhaltig tiefer interessierten Studierenden regelmässig Querbezüge zu unserer Forschung aufgezeigt sowie die Möglichkeit, eine ganze Karriere auf KI bis über den PhD hinaus aufzubauen. Diese Möglichkeit ist für die Studierenden oft neu, aber immer mehr eine valable Option.

Abbildung 1: Beispiel zum Abschnitt “Where’s the Intelligence?”” aus den Vorlesungsunterlagen zu V09. Es greift sinnbildlich auch die diesem Lehrkonzept zugrundeliegende Idee der “Landkarte” auf, indem es die KI Methodenlandschaft als Atoll disjunkter, aber benachbarter Inseln darstellt.

Ein weiterer Baustein zur Herstellung dieser Bezüge ist der Abschnitt “Where’s the Intelligence?” am Ende jeder Vorlesung (siehe Abb. 1): Er zeigt, warum das Wochenthema eine “clevere”” Lösung darstellt, aber auch, wo die Lücke wäre zu “echter”” Intelligenz. Dies macht die Diskrepanz deutlich zwischen gerechtfertigter Begeisterung (für eine praktische Methodik) und übertreibendem Hype; es schärft den Blick der Studierenden für die Art der Aufgaben, die sie später mit Hilfe der erlernten Grundlagen angehen können.

Durch die Anknüpfung an typische Softwareentwickler-Aufgaben in den Praktika sehen die Studierenden deutlich, wie sie durch diese Grundlagen besser werden in ihrem ursprünglichen Berufsziel; durch die Konfrontation mit den neuen Möglichkeiten durch Data Science und KI in Wirtschaft und Forschung werden die Studierenden zusätzlich auf eine neue, noch nicht breit im öffentlichen Bewusstsein verankerte Berufsoption als “Data Scientist” aufmerksam.

3. Verdeutlichung des Kerns des Fachgebiets

KI als grundlegendes Fachgebiet hat kein singuläres Ziel (“Intelligenz”), sondern stellt einen methodischen Werkzeugkasten für multiple Ziele bereit (“Lösen komplexer Probleme”). Vielmehr als eine Technologie ist KI daher im Kern eine Haltung: Entwickler von KI Methoden zeichneten sich von Beginn in den 1950er Jahren an dadurch aus, dass sie die von Kollegen anderer Fachdisziplinen als “zu schwierig” gemiedenen Problemstellungen, für welche nur der Mensch als Lösungsmethode in Frage kam, kreativ und pragmatisch angingen. Sie praktizierten dabei eine interdisziplinär ausgerichtete “let’s do it”“-Mentalität. Diese differenziert bis heute die Arbeit des KI-Ingenieurs von den ebenfalls “Modellierung” genannten Vorgehensweisen des Softwareengineers, Datenbankdesigners, Statistikers oder Systemintegrators, obwohl Fähigkeiten in all diesen Gebieten für Erfolg in und mit KI relevant sind.

Abbildung 2: “Pen-and-paper” Aufgabe am Ende der Vorlesung V03. Die mitgegebene Musterlösung erleichtert das Nachvollziehen des Lösungsweges für alle Leistungsniveaus.

Den Studierenden wird diese Haltung in den oben bereits erwähnten Laborpraktika erfahrbar gemacht: Hier sind Programmierskills nicht mehr der Kern der Sache, sondern Mittel zu einem anderen Zweck, der die Problemanalyse und das Experimentieren in den Vordergrund rückt. Ergänzt werden diese Praktika durch in die Vorlesung eingebettete “Pen & Paper”” Übungen. Abb. 2 etwa zeigt eine Aufgabe, deren Lösung den Unterschied zwischen KI (“intelligent wirken”) und Intelligenz deutlich aufzeigt: hier wird eine klassische “Denksportaufgabe” durch “brute force”” (genauer: durch effiziente Suche in allen Kombinationen möglicher Lösungsschritte) angegangen, was exakt der Vorstellung einer guten KI Lösung für dieses Problem entspricht (aber nicht jeder “intelligent” nennen würde).

Schliesslich wird der Kurs durch wöchentliche Lesungen in einem der meistzitierten wissenschaftlichen Lehrbücher begleitet. Die dort weitergegebenen Anekdoten und historischen Bezüge tragen in besonderer Weise zur Sozialisierung der Studierenden bei und verfestigen sich durch die spielerischen Anreize [5], welche die Laborpraktika setzen.

4. Einbettung in das weitere Curriculum und die berufliche Praxis

KI1 nimmt Bezug auf viele Module in den ersten beiden Studienjahren und bietet so für so manchen Studierenden eine nachträgliche Absolution für die Beschwerlichkeiten mathematischer Grundlagen: KI ist undenkbar ohne einen Hintergrund in Analysis, linearer Algebra und Stochastik, benötigt solide Fähigkeiten in Programmierung, und baut auf die informatikspezifischen Grundlagen von “Algorithmen und Datenstrukturen” auf.

Gleichzeitig bietet KI1 als dediziertes Grundlagenmodul viele explizite Vorwärtsverweise, seien es im gleichen Studiengang etwa auf die Fortsetzung KI2 (Spezialisierung in Deep Learning), die Wahlmodule zu Information Engineering oder Programmierparadigmen, die anstehenden Projekt- und Bachelorarbeiten mit vielfältigen Anwendungsmöglichkeiten für das Erlernte, oder sogar weiterführende Studien etwa im Master of Science in Engineering (Vertiefungsrichtung Data Science). Dies schlägt die Brücke zu unterschiedlichen Berufsbildern, denn sowohl angehende Softwareentwickler und -Entwicklerinnen, Consultants oder Data Scientists können die Grundlagen gewinnbringend einsetzen. Die Liste der Kurs-Alumni mit herausragenden Abschlussarbeiten und/oder anschliessenden Karrieren im Fachgebiet ist ein schönes Zeugnis dafür, dass diese Anschlussfähigkeit bei den Studierenden “ankommt”.

Regelmässig lassen wir weiterhin Fachpersonen aus der Praxis regional verankerter Unternehmen in Gastvorträgen auftreten oder berichten über die Erfolge weiterführender Arbeiten von Kurs-Alumni. Hierbei ermutigen wir die Teilnehmenden sehr, sich aktiv mit Fragen und Ideen in diese Unterrichtsein-heiten einzubringen, was entgegen der häufigen Prädisposition unserer Studierenden zum schüchternen Konsumieren gerne angenommen wird - wir werten dies als Beleg echten Interesses an dem Berufsfeld und den dortigen Entwicklungsmöglichkeiten.

5. Didaktische Settings für Verantwortungsübernahme und Kompetenzentwicklung

KI1 erweitert das im Engineering bewährten Muster aus vom Umfang her gleichwertiger Vorlesung und Laborpraktikum gezielt: Die Vorträge in den Vorlesungen werden ergänzt durch Recherche-, Diskussions- und Denkaufträge im Klassenraum oder auch eine Gitarre spielende Lehrperson; die Praktika beinhalten nicht nur Programmier- und Entwicklungsaufgaben, sondern Fragen zum Weiterdenken oder das Schreiben von Essays auf einem Blog. So deckt das Modul mit seinen Lernzielen Fach- und Methodenkompetenz auf den Stufen K1-K4 ab, indem es KI als soziotechnisch breit zu durchdringendes Grundlagenthema begreift.

Folgende didaktische Szenarien möchten wir herausstellen:

• Reflektion: Praktikum P01 widmet sich den eingangs erwähnten vielfältigen Vorstellungen von KI und bittet um die Anfertigung eines Blogbeitrags, der fundiert und begründet die eigene Meinung im Verhältnis zu einem futuristischen Aufsatz darstellen soll. Am Ende des Moduls darf im Praktikum P01b selber eine Replik formuliert werden, die im Lichte der neu erlernten Grundlagen die ursprüngliche Meinung reflektiert. Erhärten oder Verwerfen der ursprünglich vertretenen Thesen sind gleichermassen willkommen - auf die Selbstreflektion kommt es an.

• Eigenverantwortung & Motivation: 20 Prozent der Modulendnote werden während des Semesters in den Laborpraktika erlangt. Hierzu dürfen die Studierenden aus den existierenden sechs Arbeitsaufträgen, die sich zeitlich gleichmässig über das Semester verteilen, zwei auswählen, die sie in Form eines kurzen bewerteten Colloquiums mit der Lehrperson besprechen [6]. Hierdurch können die Studierenden eine für sie Sinn machende Schwerpunktsetzung in ihren persönlichen Lernzielen vornehmen und auch den eigenen Einsatz zeitlich steuern.

• Kooperative Kompetenzentwicklung: Die Laborpraktika werden idealerweise in Zweierteams bearbeitet; so können die Studierenden Kompetenzen und Einsatz gezielt kombinieren und voneinander lernen. Unterstützung zwischen Teams ist erlaubt, solange sie offengelegt wird (wissenschaftlicher Umgang mit Quellen als Grundlage), und kompetitive Settings wie im Praktikum P02 (s.o.) erhöhen den Reiz und die Notwendigkeit für gute Teamarbeit.

• Aktivierung der Studierenden: Pro Vorlesungsblock von 90 Minuten gibt es einen Teil von bis zu 30 Minuten, der das Heft der Handlung in die Hände der Studierenden legt. Dies kann die gemeinsame Lösung eines Rätsels (“Entkomme der Wumpus-Welt” in V06a), die Arbeit an Aufgaben in Teams (Logiktraining in V06b) oder die Exploration der Möglichkeiten von Open Source Werkzeugen sein (selbständiges Kennenlernen von OpenAI Gym in V02).

• Social Learning: Die Forschungsarbeiten und Karrieren von Kurs-Alumni werden im Modul prominent dargestellt. Die entstehende “Sogwirkung” wird unterstützt durch die Verknüpfung zur eigenen Forschung an der ZHAW. Eine Schlüsselrolle kommt hierbei den in den Laborpraktika bewusst eingesetzten jüngeren Mitgliedern die Forschungsgruppe zu: Diese meist doktorierenden Mitarbeitenden leiten einzelne Praktikumsgruppen selbständig. Die Studierenden nutzen diese Möglichkeit gerne, um sich eine Zweitmeinung auf die Thematik von einer bezüglich ihres Alters noch als “Peer” wahrgenommenen Person zu sichern. Ungezählte Lunches, Kaffeeeinladungen und Feierabendgespräche sind auf diese Weise schon zwischen den Lehrpersonen und interessierten Studierenden zustande gekommen, und wir sind froh, hier und dort wesentliche Impulse haben geben zu können.

• Open Educational Resources und Blended Learning: Die Kursmaterialen stehen allen Interessierten im Web offen. Hierzu zählen auch die Aufzeichnungen der Vorlesungen. Dies ermöglicht vor allem eine Flexibilisierung des vertieften Lernens: Es zeigt sich, dass der Besuch der Präsenzveranstaltungen dadurch nicht messbar beeinflusst wird, jedoch geben viele Studierende in den obligatorischen Feedbacks an, durch die Möglichkeit des nochmaligen Ansehens eine deutliche Entspannung im Hinblick auf die Lernphase vor der Semesterendprüfung zu spüren - und entspannter lässt sich grundlegendes, teilweise philosophisch angehauchtes Wissen besser aufnehmen als unter dem Stress, alles auf einmal verarbeiten zu müssen.

Was können die Studierenden nach Besuch des Moduls - welche Kompetenzen haben sie spezifisch durch dieses didaktische Design erworben? Sie identifizieren selbständig Fragestellungen in ihrer Arbeit, für welche KI Lösungsstrategien hilfreich wären (denn das haben sie in mehreren Praktika geübt); sie arbeiten sich selbständig weiter ein, um vom Grundlagenwissen her praktische Lösungen zu finden (die spezifisch auf notwendige Nachforschung ausgelegten Laboranleitungen ermutigten immer wieder hierzu; ohne selbständiges Weiterdenken ist eine Lösung nicht möglich gewesen); sie sind neugierig und nicht scheu, ihr Wissen einzubringen und durch Nachfrage zu erweitern (denn dazu hatten sie in den Colloqia der Laborpraktika, den Gastvorträgen und mit den Tutoren Gelegenheit). Sie können alle Fakten später nochmal durchgehen, denn die Gestaltung des Kurses als Open Educational Ressource stellt ihnen alle Materialien und Inhalte dauerhaft flexibel zur Verfügung - aber sie haben einen Überblick, eine Karte der Lösungsmöglichkeiten durch KI, im Kopf.

Das vorliegende Lehrkonzept versprach “analoge Karten für die digitale Welt der künstlichen Intelligenz””. KI ist zweifelsohne ein Treiber der digitalen Transformation, und entsprechend spielt das Digitale im Unterricht zu KI1 seine Rolle - sei es in den Laborpraktika am Computer, in Selbststudiumssequenzen mit Lernvideos und Webrecherchen während der Vorlesungen, im Blogging als Arbeitsauftrag oder in der Aufrechterhaltung des Wettbewerbsgeistes in Praktikum P02 über ein webbasiertes Leaderboard [7]. Der Nutzen der “Landkarten”-haften Präsentation des Faches anstelle fertiger Rezepte erklärte sich weiter oben aus der Komplexität der Fragestellungen in KI mit daraus resultierender Methodenvielfalt. Was macht diesen Atlas aber zu einer Sammlung analoger Karten, wie der Titel suggeriert? Die Karten entstehen erst im Kopf des Betrachters. Sie werden analog erzeugt (durch die didaktischen Szenarien, welche eingangs dieses Abschnitts herausgestellt wurden, inklusive begeisternde Vorträge in den Vorlesungen) und analog gespeichert (in biologischen neuronalen Netzen). So ist es in der Praxis mit den Grundlagen der KI: die künstliche ersetzt nicht die natürliche Intelligenz, wie auch das Digitale das Analoge nicht in erster Linie ersetzt, sondern anreichert. Künstliche Intelligenz findet seine besten Einsatzbedingungen dort, wo sie einen Menschen ergänzt, da beide komplementäre Stärken und Schwächen haben.

Anhang: Dem Lehrkonzept zu Grunde liegende Fragestellungen gemäss Ausschreibung Lehrpreis

1. Auf welchem Verständnis von “Grundlagenwissen” beruht das Lehrkonzept?

2. Wie wird den Studierenden vermittelt, dass das Grundlagenwissen den Weg zu ihrem Berufsziel ebnet?

3. Wie wird den Studierenden deutlich gemacht, dass sie durch den Erwerb der fachlichen Grundlagen den Kern des Faches entdecken und dadurch jene Kompetenzen entwickeln, die sie später in der Berufspraxis benötigen?

4. Wird das gelehrte Grundlagenwissen in einen erweiterten Zusammenhang des Curriculums gesetzt, so dass Studierende Bezüge zu anderen Modulen und zur Praxis herstellen können?

5. Welche didaktischen Settings ermöglichen den Studierenden aus den einzelnen Wissens- und Erkenntnisteilen ein Gesamtbild über ihr Studium, ihre Motivationen, die Bedeutung des Kernwissens für die Berufspraxis zu gewinnen und dadurch Kompetenzen auf höheren Taxonomiestufen zu entwickeln?

Fussnoten

[1] In Gerhard Mercartors ursprünglichem “Atlas sive Cosmographicae Meditationes de Fabrica Mundi et Fabricati Figura” wurden Karten und dazugehörige Erklärungen der Welt zusammengefasst (vgl. Wikipedia).

[2] Google Scholar zählt ca. 450 wiss. Veröffentlichungen pro Tag aus dem KI-Teilgebiet maschinelles Lernen im Jahr 2018.

[3] Eine ausführlichere Begründung, warum diese Vorstellung unzutreffend ist, findet sich zum Beispiel in dem Aufsatz Wie maschinelles Lernen den Markt verändert.

[4] Obschon KI1 als Wahlmodul im letzten Studienjahr angelegt ist, wird es von ca. 90% der möglichen Studierenden besucht.

[5] Der Wettbewerb um den besten KI-Agenten für das populäre Spiel “2048” in P02 lässt Studierende hier regelmässig weit mehr Zeit als üblich investieren.

[6] Typischer Weise bearbeiten alle Studierenden alle Aufgaben, investieren aber deutlich mehr Zeit in die beiden zur Vorführung auserkorenen Aufgaben.

[7] Der eigens entwickelte Webservice wurde aufgrund administrativer Schwierigkeiten im vergangenen Herbst durch ein einfacheres Google Sheet ersetzt.

Written on September 10, 2019 (last modified: November 18, 2020)