Session 1: Einführung in KI Systeme

In der ersten Sitzung wurde der Kurs „Einführung in KI-Systeme in Gestaltung und Informationskontexten“ vorgestellt. Dabei ging es zunächst darum, ein gemeinsames Verständnis davon zu entwickeln, was Künstliche Intelligenz ist und welche Rolle sie im gestalterischen und gesellschaftlichen Kontext spielen kann. Außerdem wurde der Aufbau des Semesters vorgestellt. 

Für mich war die erste Sitzung vor allem ein Einstieg in das Thema des Kurses und in die unterschiedlichen Bereiche, die im Laufe des Semesters behandelt werden sollten.

Session 2: KI und materielle Grundlagen

In der zweiten Sitzung ging es zunächst um die materiellen und gesellschaftlichen Grundlagen von KI-Systemen. Dazu beschäftigten wir uns mit den Kapiteln „Earth“ und „Labor“ aus Kate Crawfords Bich „Atlas of AI“. 

Im Mittelpunkt standen dabei Fragen danach, welche materiellen und ökologischen Prozesse hinter KI stehen, welche geopolitischen Interessen und Machtverhältnisse damit verbunden sind und welche Formen menschlicher Arbeit für KI-Systeme notwendig sind. 

Dabei wurde auch die oft unsichtbare bzw. wenig wahrgenommene menschliche Arbeit thematisiert.

Session 3:

In dieser Session ging es um K-Nearest Neighbor (KNN) und Decision Trees. Dabei wurde weiter erklärt, wie Machine Learning mit Daten funktioniert.

Wir haben uns außerdem genauer mit dem Thema Daten beschäftigt. Dafür sollten wir das Kapitel „Data“ aus Atlas of AI lesen. Als Aufgabe haben wir zwei Beispiele für Datennutzung recherchiert. Eines sollte zeigen, wie Daten ethisch und verantwortungsvoll genutzt werden können. Das andere sollte eine problematische oder unethische Nutzung zeigen.

Für die Aufgabe habe ich Too Good To Go und personalisierte Preisgestaltung untersucht. Dabei ging es auch darum, welche Rolle Daten bei Entscheidungen spielen und wie dadurch unterschiedliche Formen von Macht entstehen können.

Session 4: Random Forest & Computer Vision

In dieser Session ging es um Random Forest und Computer Vision. Dabei wurde das Thema Klassifikation weiter vertieft.

Als Hausaufgabe sollten wir das Kapitel „Classification“ aus Atlas of AI lesen. Dazu sollten wir ein Beispiel untersuchen, bei dem Menschen oder Inhalte durch ein digitales System klassifiziert werden. Dabei ging es unter anderem darum, welche Merkmale verwendet werden, wer die Kategorien festlegt und welche Probleme durch Klassifikation entstehen können.

Dazu haben wir in Gruppen verschiedene Beispiele angeschaut. Ein Beispiel war Spotify.

Dabei ging es unter anderem um Klickverhalten, Suchanfragen, Standort und die Nutzung dieser Daten für personalisierte Profile.

Session 5 – Prototyping mit KI

In dieser Session ging es um Prototyping mit KI. Wir haben zum ersten Mal mit Teachable Machine gearbeitet und ausprobiert, wie das System auf verschiedene Farben, Formen und Gesten reagiert. Dadurch konnte ich besser verstehen, wie ein KI-Modell mit Beispielen arbeitet und wie sich unterschiedliche Trainingsdaten auf das Ergebnis auswirken.

Bei dieser Aufgabe kamen mir auch zum ersten Mal grobe Gedanken für mein späteres Endprojekt. Zu diesem Zeitpunkt war die Idee aber noch nicht genau ausgearbeitet. Es ging erstmal darum, verschiedene Möglichkeiten auszuprobieren und ein Gefühl dafür zu bekommen, was mit solchen KI-Tools möglich ist.

Session 6 – Prototyping mit KI

In dieser Session haben wir weiter mit **Prototyping und KI-Tools** gearbeitet. Dabei ging es darum, erste Ideen auszuprobieren und zu schauen, wie verschiedene Tools und Datensätze miteinander verbunden werden können.

Außerdem wurde die **Konzeptpräsentation** vorbereitet. Die Projektidee musste dabei noch nicht komplett ausgearbeitet sein. Es ging vor allem darum, eine Richtung und ein Thema zu zeigen. Dabei sollten auch die verwendeten Daten und möglichen Tools berücksichtigt werden.

Für mich war diese Phase wichtig, um meine ersten Ideen weiterzuentwickeln und zu überlegen, wie ich KI später für mein eigenes Projekt einsetzen könnte.

Session 7 – Konzeptpräsentation

In dieser Session haben wir unsere ersten Projektkonzepte vorgestellt. Dabei ging es darum, die Idee, die geplante Funktionsweise, die verwendeten Daten und die Zielgruppe vorzustellen. Das Projekt musste zu diesem Zeitpunkt noch nicht fertig ausgearbeitet sein, sondern sollte vor allem eine klare Richtung zeigen.

Session 8 – Prompt Engineering

In dieser Session ging es um Prompt Engineering. Wir haben uns damit beschäftigt, wie man Anweisungen an KI-Systeme formuliert, damit die Ergebnisse möglichst passend und gezielt ausfallen. Dabei spielen zum Beispiel der Kontext, die Rolle, das Ziel und bestimmte Vorgaben eine wichtige Rolle. Prompting wurde dabei als Prozess verstanden, bei dem man Prompts immer wieder testet und verbessert. Am Zielführendsten erweist sich meist, dem Agent ein klares Profil zu geben, nach welchem er handeln soll. 

„Act as a developer“ - Bringt zum Beispiel genauere Befehle beim Coden. 

Es wurden verschiedene Methoden des sogenannten „Role Prompting“, „Context Prompting“, „Constraint Prompting“ und „Few-shot Prompting“ vorgestellt. Auch Open-Source-Angebote und die Academic Cloud wurden im Zusammenhang mit Datenschutz und Transparenz besprochen.

Im Zusammenhang mit der vorherigen Konzeptpräsentation sollten wir außerdem das Konzept eines Kommilitonen oder einer Kommilitonin analysieren.

Session 9-11: Design Thinking

Design Thinking

In diesem Teil des Kurses haben wir den Design-Thinking-Prozess mit den Phasen Empathize, Define, Ideate und Prototype kennengelernt. Zu Beginn ging es darum, Nutzer:innen in ihrem tatsächlichen Kontext zu verstehen. Dafür wurden Methoden wie Interviews, Beobachtungen und Feldforschung vorgestellt. Dabei wurde auch besprochen, dass KI zwar beim Transkribieren und Strukturieren von Interviews helfen kann, den direkten Kontakt zu Menschen aber nicht ersetzen sollte.

Danach ging es darum, die gesammelten Informationen zu strukturieren und daraus Bedürfnisse, Pain Points, Personas und Design Opportunities abzuleiten. Wir haben dafür auch mit NotebookLM gearbeitet und uns mit RAG-Systemen beschäftigt. Dabei wurde gezeigt, wie KI mit eigenen Dokumenten und Research-Daten arbeiten kann. Gleichzeitig wurde auf die Gefahr hingewiesen, dass KI-generierte Personas auf Annahmen oder Stereotypen basieren können.

In der Ideate-Phase haben wir verschiedene Methoden zur Ideenentwicklung kennengelernt, zum Beispiel Brainstorming, Clustering, Moodboards und Mindmaps. Eine Idee sollte anschließend als Proof of Concept auf ihre grundsätzliche technische und konzeptionelle Machbarkeit getestet werden. Dafür wurden unter anderem Obsidian, LM Studio und MediaPipe vorgestellt.

Zum Schluss ging es stärker um die praktische Prototype-Phase. Wir sollten mit kleinen interaktiven Prototypen experimentieren und dabei unter anderem Teachable Machine, MediaPipe, Three.js und GitHub Copilot einsetzen. Auch der Einsatz von sogenannten Skills für LLMs wurde erklärt, mit denen bestimmte Arbeitsabläufe und Aufgaben für KI strukturierter und wiederholbarer werden können.

Für mein eigenes Projekt war diese Phase besonders wichtig, weil ich dadurch verschiedene Möglichkeiten für die technische Umsetzung ausprobieren konnte. Vor allem MediaPipe wurde später für mein Projekt relevant.

Endprojekt – Focus detector

Aus meiner ersten Konzeptidee des Attention Detectors entwickelte ich im weiteren Verlauf des Kurses mein konkretes Endprojekt. 

Die ursprüngliche Idee war, über eine Webcam die Aufmerksamkeit einer Person zu erkennen und unterschiedliche Zustände zu klassifizieren. 

Während der praktischen Arbeit habe ich jedoch gemerkt, dass die geplante Umsetzung mit Teachable Machine nicht so gut funktioniert, wie ich es mir am Anfang vorgestellt hatte.

Durch die Arbeit mit verschiedenen KI- und Computer-Vision-Tools habe ich deshalb meine technische Umsetzung verändert. Ich bin von Teachable Machine zu MediaPipe gewechselt und habe damit Gesicht und Körper über verschiedene Landmarken analysiert. So entstand aus der ersten Idee Schritt für Schritt der Focus Detector.