In diesem praxisorientierten Workshop erhalten Jugendliche einen Einblick in die Welt der Künstlichen Intelligenz (KI), Programmierung, Linux und Datenschutz. Zu Beginn setzen die Teilnehmer ein Linux-System in einer virtuellen Maschine (VM) auf und lernen grundlegende Programmierkonzepte mithilfe von Scratch. So tauchen sie spielerisch und intuitiv in die Welt der Programmierung ein.
Anschließend arbeiten die Jugendlichen an einem praktischen KI-Projekt, das innerhalb der VM läuft. Dabei setzen sie drei von fünf verfügbaren KI-Modellen ein:
- BLIP für Bilderkennung
- DistilBERT für Textverarbeitung und Sentimentanalyse
- GPT-2 für Textgenerierung
- EasyOCR für Texterkennung
- Real-ESRGAN für Bildverbesserung
Die Teilnehmer haben die Möglichkeit, diese Modelle auszuwählen und in ihr Projekt zu integrieren. Ziel ist es, dass sie in der Lage sind, einfache Prompts zu formulieren, mit denen sie GPT-4 über Duck.AI nutzen, um Backend in Python und Frontend in HTML, CSS und Javascript automatisch zu generieren.
Das Projekt basiert ausschließlich auf Open-Source-Software. Die Jugendlichen arbeiten mit frei verfügbaren Tools und Technologien, erhalten einen praktischen Einblick in deren Funktionsweise und lernen, wie sie diese für ihre eigenen Projekte effizient einsetzen können.
Zusätzlich zum technischen Wissen lernen die Teilnehmenden, wie sie GitHub-Projekte klonen, Abhängigkeiten mit APT verwalten und Verschlüsselungstechniken wie OTR anwenden. Der sichere Umgang mit Tor ist ebenfalls Bestandteil des Programms. Ein Vortrag zu Social Media und Datenschutz vermittelt zusätzlich sichere Kommunikation im digitalen Raum.
Die Teilnehmer arbeiten in kleinen Gruppen an Aufgaben, was Teamarbeit und Problemlösungsfähigkeiten fördert. Durch die Erstellung einer eigenen VM und das Arbeiten an einem realitätsnahen Projekt erhalten sie nicht nur wertvolle technische Kenntnisse, sondern auch einen greifbaren Nachweis ihrer Arbeit, der später als Referenz bei Bewerbungsgesprächen genutzt werden kann.
Abgerundet wird das Programm durch einen Crashkurs in HTML und CSS, unterstützt durch Duck.AI, eine Einführung in PIP sowie eine Einheit zu Fake News und deren Entlarvung mit Fact-Checking-Plattformen wie Mimikama. Zudem werden datenschutzfreundliche Alternativen zu Big-Tech-Diensten vorgestellt, darunter Signal für sichere Kommunikation, das Fediverse als dezentrale Social-Media-Plattform und F-Droid als alternative App-Quelle für freie Software.
Mein KI-Projekt auf minimaler Hardware
Mein KI-Projekt zeigt, dass Künstliche Intelligenz nicht zwingend leistungsstarke Hardware benötigt, um sinnvoll eingesetzt zu werden. Mit einer cleveren Architektur ist der Betrieb auch auf schwacher Hardware möglich. Die gesamte Anwendung läuft auf meinem alten Notebook mit einem Intel N3150 (4 × 1,6 GHz) und nur 4 GB RAM.
Um die begrenzten Ressourcen optimal zu nutzen, laufen die fünf KI-Modelle in einer isolierten Umgebung. Drei davon – BLIP, DistilBERT und GPT-2 – werden innerhalb einer virtuellen Maschine betrieben. Jedes Modell läuft in einer eigenen Python-Umgebung, wodurch Konflikte zwischen Abhängigkeiten vermieden werden. Die VM selbst hat nur 3 GB RAM zur Verfügung, dennoch laufen die Modelle gleichzeitig und liefern brauchbare Ergebnisse.
Real-ESRGAN stellt eine besondere Herausforderung dar. Da es Vulkan-Unterstützung benötigt, kann es nicht in der VM ausgeführt werden. Stattdessen läuft es direkt auf dem Notebook außerhalb der VM. Die Flask-App übernimmt die Steuerung. Sie baut eine SSH-Verbindung zum Hostsystem auf, überträgt Bilder per SFTP und startet die Verarbeitung mit Real-ESRGAN. Sobald das Modell die Bilder verbessert hat, werden sie zurück in die Weboberfläche geladen.
Das Webinterface wurde mit Bootstrap gestaltet, um eine einfache und intuitive Nutzung zu ermöglichen. Leider kann EasyOCR nicht verwendet werden, da der Prozessor kein AVX unterstützt. Diese Einschränkung ist bei moderner Software oft vorausgesetzt.
Trotz dieser technischen Hürden laufen alle anderen Modelle stabil und parallel auf der minimalistischen Hardware. Das Projekt zeigt eindrucksvoll, dass KI nicht zwingend High-End-GPUs erfordert. Mit der richtigen Software-Architektur lassen sich selbst auf schwachen Geräten leistungsfähige KI-Systeme betreiben.
Bilder zum Projekt
