Von Theorie zu Praxis: KI-Projekte im Klassenzimmer selber bauen

„KI ist so abstrakt“ – Schüler sagen das immer. Die Antwort ist einfach: Baue etwas.

Dieser Leitfaden zeigt 5 praktische KI-Projekte, die Schüler (High School oder Early University) in 2-4 Wochen bauen können. Keine Vorkenntnisse nötig.

## Project 1: Sentiment-Analyse Chatbot (2 Wochen, Anfänger)

**Lernziele:**
– Versteh wie Text-Classification funktioniert
– Nutze bestehende KI-Modelle (nicht bauen von Grund aus)
– Real Text analysieren

**Das Projekt:**
Schüler bauen ein Chatbot, das „Ist dieses Review positiv oder negativ?“ beantwortet.

**Step-by-Step:**

1. **Setup (1 Stunde):**
– Google Colab öffnen (kostenlos)
– Hugging Face Library importieren
– Sentiment Model laden (Distilbert)

2. **Code (3-5 Stunden):**
„`python
from transformers import pipeline
sentiment = pipeline(„sentiment-analysis“)
result = sentiment(„I love this movie!“)
print(result) # Output: [{‚label‘: ‚POSITIVE‘, ’score‘: 0.99}]
„`

3. **Test & Understand (3-5 Stunden):**
– Teste 20 verschiedene Texte
– Beobachte: Wann wird es falsch?
– z.B. Sarkasmus: „Oh great, another delay“ – Modell sagt Negativ (richtig! aber Kontext ist Sarkasm)
– Schreib Beobachtungen

4. **Scale (2-3 Stunden):**
– Bekomme 100 Amazon Reviews
– Analyze alle mit deinem Modell
– Visualisiere: Wie viele positiv/negativ?
– Find: Welche Worte am Höchsten mit Positiv?

5. **Project (3-5 Stunden):**
– Erstelle ein simple Web-Interface (Streamlit)
– Nutzer gibt einen Review ein
– Modell gibt Sentiment

**Extensions:**
– Train ein custom Modell auf deine Domäne (z.B. Movie-spezifischer)
– Multi-label: Nicht nur Positiv/Negativ, aber „Happy, Sad, Angry“
– Vergleiche verschiedene Modelle

**Grading Rubrik:**
– Code funktioniert (40%)
– Versteht Output (30%)
– Extensions / Kreativität (30%)

—

## Project 2: Image-Classifier (3 Wochen, Anfänger-Intermediate)

**Lernziele:**
– Versteh wie Computer Vision funktioniert
– Trainiere ein Model auf deine eigene Daten

**Das Projekt:**
Schüler klassifiziert Pflanzen: „Ist das eine Rose, Lilie, oder Tulpe?“

**Phase 1: Daten sammeln (1 Woche)**
– Finde 200 Bilder (je 200 Rose, 200 Lilie, 200 Tulpe)
– Organisiere in Folders: `/data/rose`, `/data/lily`, `/data/tulip`
– (Kaggle hat kostenlos datasets)

**Phase 2: Training (3-5 Tage)**
„`python
from tensorflow import keras
model = keras.applications.MobileNetV2(weights=’imagenet‘)
# Transfer Learning: Nutze bestehenden Model, trainiere letzten Layer
„`

**Phase 3: Test (3-5 Tage)**
– Teste auf neue Bilder (nicht in Training)
– Misst Accuracy: „Wieviele davon sind richtig?“
– Erwarten: 85-95% Accuracy (sehr gut)

**Phase 4: Deploy (1-2 Tage)**
– Streamlit Web-App
– Upload dein Bild, bekomme Prediction

**Extensions:**
– Explain: „Warum denkt Model, es ist eine Rose?“ (Visualisiere welche Pixel wichtig sind)
– Vergleiche Modelle: MobileNet vs ResNet vs VGG
– Zu Problematischen Cases: „Warum verwechselt es Rose mit Lilie?“

—

## Project 3: Generative AI: Schreib-Bot (2-3 Wochen, Intermediate)

**Lernziele:**
– Versteh wie Generative Models (wie GPT) funktionieren
– Prompt Engineering
– Kontrolle über AI Output

**Das Projekt:**
Schüler generiert eine Kurzgeschichte in einem bestimmten Style.

**Phase 1: Prompt Experimente (1 Woche)**
– Nutze ChatGPT/Claude kostenlos
– Teste Prompts systematisch:
– „Schreib eine Fantasy-Geschichte“ (vage)
– „Schreib eine 500-Wort Fantasy-Story über einen Dragon der Angst vor Höhe hat“ (präzise)
– Beobachte: Präzision changes Output massively

**Phase 2: Build Prompt Library (1 Woche)**
– Für verschiedene Stile: Action, Romantik, Comedy, Horror
– Für verschiedene Längen: 100, 500, 2000 Wörter
– Für verschiedene Constraints: „Muss ein bestimmtes Wort haben“, „keine Gewalt“, etc.
– Dokumentiere: Beste Prompts für jeden Style

**Phase 3: Analysis (1 Woche)**
– Generiere 20 Stories mit gleicher Prompt
– Vergleiche: Sind sie identisch? (Nein, random variance)
– Analysiere: Was ist konsistent, was variiert?
– Schreib: „Was sind die Stärken/Schwächen von KI-Schreiben?“

**Phase 4: Custom Model (Advanced, optional)**
– Fine-tune ein Modell auf deine Lieblings-Author (z.B. Shakespeare)
– Generiere „Shakespeare-Stil“ Text
– Vergleiche mit Original

**Extensions:**
– Create a Story-Pipeline: KI schreib, dann Mensch edits, dann generiere Illustrationen mit DALL-E
– Analyze: Unterschied zwischen KI-generated und Mensch-written Stories (Sentiment, creativity markers)
– Debate: „Ist KI-Schreiben Kunst?“

—

## Project 4: Chatbot mit Memory (3-4 Wochen, Intermediate-Advanced)

**Lernziele:**
– Versteh Conversational AI
– Nutze LangChain zum Bauen von komplexeren Systeme
– Arbeite mit APIs (kostenpflichtig, aber klein)

**Das Projekt:**
Ein Chatbot, das „sich erinnert“ von vorherigen Konversation und personalisiert antwortet.

**Phase 1: Simple Chatbot (1 Woche)**
„`python
from langchain import ChatOpenAI, ConversationChain
llm = ChatOpenAI(model=“gpt-3.5-turbo“)
conversation = ConversationChain(llm=llm)
conversation.run(„Mein Name ist Alice“)
conversation.run(„Was ist mein Name?“) # Output: „Dein Name ist Alice“
„`

**Phase 2: Add Knowledge (2 Wochen)**
– Give Chatbot ein PDF oder Website Content
– Botton kann Dokumentation durchsuchen
– z.B. „Chatbot über unsere Schule“
– „Wann sind Ferien?“ → Bot sucht in Schulkalender
– „Wie ist Schulleiter Name?“ → Bot sucht in Info

**Phase 3: Personalisierung (1-2 Wochen)**
– Store User Preferences
– z.B. „Bot weiß meine Lieblingssubjekt“
– Gibt Empfehlungen basierend auf das

**Extensions:**
– Multi-language: Bot spricht Englisch, Deutsch, Spanisch
– Sentiment-aware: Wenn Schüler traurig ist, offeringzt Supportive Tone
– Integrationiert mit School-System: „Wann ist mein nächste Klasse?“

—

## Project 5: Full ML-Pipeline (4-6 Wochen, Advanced)

**Für ernsthaft Schüler, die mögen wollen vorstudium vorbereitet.**

**Das Projekt:**
Ein komplettes ML-System von Data bis Deployment.

**Topic-Ideas:**
– House Price Prediction (Linear Regression)
– Customer Churn Prediction (Classification)
– Weather Prediction (Time-Series)
– Recommendation System (wie Netflix schlägt vor)

**Struktur:**
1. **Problem Definition (1 Woche)** – Was versuchen Sie vorherzusagen?
2. **Data Collection (1-2 Wochen)** – Sammeln, bereinigen, analysieren
3. **Feature Engineering (1 Woche)** – Was sind die Eingangs-Variablen?
4. **Model Training (1-2 Wochen)** – Verschiedene Modelle versuchen
5. **Evaluation (1 Woche)** – Misst Accuracy, generalisieren Sie?
6. **Deployment (1 Woche)** – Deployed Web-Service

**Grading:** Großes Projekt, muss höher-level sein.

—

## Ressourcen & Setup

**Free/Low-Cost Tools für Anfänger:**
– Google Colab (kostenlos, GPU Included)
– Hugging Face (kostenlos Models)
– Streamlit (kostenlos Deployment)
– Kaggle (kostenlos Daten + Notebooks)

**Kosten:**
– Sentiment Project: $0
– Image Classifier: $0
– Generative AI Project: $0 (ChatGPT Free) oder $20 (Plus)
– Chatbot: $0 (LangChain kostenlos) + $5-20 OpenAI API
– Full ML: $0-20

**Zeitrahmen für Teachers:**
– Zu Unterrichten: 1-2 Stunden Planung
– Zu Graden: 5-10 Minuten pro Schüler (bei gut-structured Rubrik)

—

## Common Mistakes zu Vermeiden

❌ **Zu Ambitiös:** „Baue GPT-4 von Grund auf“ (Unmöglich in 4 Wochen)
✅ **Realistisch:** „Nutze bestehenden Models, verstehe wie sie funktionieren“

❌ **Zu Tech-Heavy:** 100% Coding, 0% Understanding
✅ **Balance:** 40% Coding, 60% Analysis und Reflection

❌ **Kein Assessment Plan:** „Schüler bauen etwas, aber ich weiß nicht wie grad“
✅ **Rubrik First:** Define Expectations vorher

❌ **Ignore Schüler-Diversität:** Ein Projekt für alle
✅ **Differentiate:** Anfänger-Projekt und Advanced-Projekt parallel

—

## Erfolgs-Metriken

**Technisch (leicht zu messen):**
– Code funktioniert? (Y/N)
– Accuracy Score (wenn Klassifikation)
– Deployment funktioniert? (Y/N)

**Lerning (schwärer zu messen, wichtiger):**
– „Was hast du über KI gelernt?“ (Essay)
– „Wo hat dich dein Projekt überrascht?“ (Reflection)
– „Was Grenzen sehen Sie in KI?“ (Kritisches Denken)
– „Würdest du ein anderes ML-Projekt machen?“ (Engagement)

—

## Fazit: Theorie → Praxis

Die beste Art, um KI zu verstehen, ist zu bauen. Diese Projekte – von Sentiment bis Full Pipeline – ermöglichen das.

Schüler, die ein KI-Projekt bauen, verstehen mehr in 4 Wochen als Semester Theorie-Vorlesung.

Start mit Project 1 oder 2 (einfach, low-stakes). Iteriere. Scale.

Die Zukunft ist nicht „Schüler lernen über KI“ – es ist „Schüler bauen mit KI.“