Teachable Machine - Kostenloses Web-basiertes Tool für maschinelles Lernen ohne Code

什么是 Teachable Machine

Maschinelles Lernen – du hast den Begriff sicher schon gehört, vielleicht in Nachrichten über KI-Revolution oder in Tech-Podcasts. Aber was genau passiert eigentlich, wenn ein Computer „lernt"? Für die meisten Menschen bleibt das ein abstraktes Konzept, schwer greifbar und noch schwerer selbst auszuprobieren. Genau hier setzt Teachable Machine an.

Teachable Machine ist ein Web-basiertes Tool von Google Creative Lab, dasMaschinelles Lernen schnell, einfach und für alle zugänglich macht. Du brauchst keineProgrammierkenntnisse, keinen teuren Server und keine fortgeschrittenen technischen Fähigkeiten. Alles, was du brauchst, ist ein moderner Webbrowser – Chrome, Firefox oder Safari – und etwas Neugier.

Das Besondere an diesem Tool: Es wurde entwickelt, um die Mauer zwischen „komplexer Technologie" und „normalen Menschen" einzureißen. Stell dir vor, du könntest in wenigen Minuten dein eigenes Maschinelles Lernen-Modell erstellen, ohne eine einzige Zeile Code zu schreiben. Genau das macht Teachable Machine möglich.

Und das Beste: Es ist komplett kostenlos. Du musst dich nicht registrieren, keine Kreditkarte angeben, nichts bezahlen. Google stellt dieses Tool als Bildungsressource zur Verfügung. Außerdem kannst du wählen, ob deine Daten lokal auf deinem Gerät verarbeitet werden sollen – die Aufnahmen deiner Webcam oder deines Mikrofons müssen dann nie deinen Computer verlassen.

Weltweit nutzen bereits Millionen von Bildungsbeauftragten, Studierenden und Kreativen dieses Tool. Sogar renommierte Institutionen wie das MIT Media Lab und Ready AI setzen Teachable Machine in ihren Lehrplänen ein – ein deutliches Zeichen für die Qualität und den pädagogischen Wert dieser Plattform.

---

Teachable Machine 的核心功能

Lass uns einen genaueren Blick auf die Funktionen werfen, die Teachable Machine so vielseitig machen. Je nachdem, welche Art von Daten du verwenden möchtest, bietet das Tool drei verschiedene Modelltypen – jeder mit seinen eigenen Stärken.

Bildklassifizierung ist probably die bekannteste Funktion. Du kannst entweder Dateien hochladen oder deine Webcam verwenden, um dem Modell beizubringen, Bilder zu erkennen und in Kategorien einzuordnen. Das funktioniert über TensorFlow.js, die JavaScript-Bibliothek von Google für Maschinelles Lernen. Praktische Anwendungen reichen von der Erkennung von Objekten über Farbklassifizierung bis hin zur Analyse von Gesichtsausdrücken. Wenn du zum Beispiel möchtest, dass dein Computer unterscheidet, ob du einen Apfel oder eine Banane hältst, ist dies der richtige Modelltyp.

Audio-Klassifizierung funktioniert ähnlich, aber mit Tönen statt Bildern. Nimm kurze Audio-Samples mit deinem Mikrofon auf oder lade Audiodateien hoch, und das Modell lernt, verschiedene Klangmuster zu unterscheiden. Das eröffnet spannende Möglichkeiten für Sprachbefehl-Erkennung, Umgebungsgeräusch-Detektion oder sogar Musik-Genre-Klassifizierung. Du könntest beispielsweise ein Modell trainieren, das unterscheidet, ob du „Ja" oder „Nein" sagst – ganz ohne Sprachassistenz.

Der dritte Modelltyp ist die Posenerkennung. Hier nutzt du deine Webcam, um Körperhaltungen zu erfassen und klassifizieren zu lassen. Das basiert auf PoseNet oder ähnlichen Algorithmen zur Körperhaltungs-Erkennung. Diese Funktion eignet sich hervorragend für Gestensteuerung, interaktive Spiele oder Fitness-Anwendungen, bei denen Bewegungen analysiert werden sollen.

Unabhängig vom gewählten Modelltyp bietet Teachable Machine einen ein-Klick-Trainingsprozess. Du sammelst deine Daten, klickst auf „Trainieren" – und das war's. Der gesamte Prozess der Merkmalsextraktion und des Modelltrainings läuft automatisch im Hintergrund ab. Du musst nicht verstehen, wie neuronale Netze funktionieren, um ein funktionierendes Modell zu erhalten.

Wenn dein Modell fertig ist, kannst du es in verschiedenen Formaten exportieren: TensorFlow.js für die direkte Einbindung in Websites, TensorFlow Lite für mobile Apps oder Keras für Python-Entwicklungsprojekte. Das gibt dir die Flexibilität, dein trainiertes Modell tatsächlich in echten Anwendungen zu nutzen.

---

谁在使用 Teachable Machine

Vielleicht fragst du dich jetzt: Ist dieses Tool eigentlich etwas für mich? Lass mich dir anhand konkreter Beispiele zeigen, welche Menschen und Organisationen Teachable Machine bereits nutzen – vielleicht erkennst du dich in einem dieser Szenarien wieder.

Im Bildungsbereich ist Teachable Machine besonders beliebt. Das MIT Media Lab nutzt es für Kurse in KI und Ethik, wo Schüler lernen, wie algorithmische Verzerrungen entstehen. Ready AI hat sogar einen vollständigen K-12-Lehrplan entwickelt, der Teachable Machine als zentrale Komponente verwendet. Wenn du Pädagoge bist und Maschinelles Lernen verständlich beibringen möchtest, ist dieses Tool dein idealer Einstieg. Du kannst abstrakte Konzepte wie „Classifier" oder „Training Data" greifbar machen, indem die Schüler ihre eigenen Modelle erstellen.

Für Maker und Bastler eröffnet Teachable Machine völlig neue Möglichkeiten. Das berühmte Tiny Sorter-Projekt – ein kleiner Pappsortierer, der mit Arduino verbunden ist – zeigt, wie du ML-Modelle in physische Projekte integrierst. Du verbindest die Webcam mit deinem Mikrocontroller und hast plötzlich einen intelligenten Sortierer, der Objekte selbstständig erkennt und kategorisiert.

Im Bereich derbarrierefreien Technologien leistet Teachable Machine einen wichtigen Beitrag. Steve Saling, der an ALS erkrankt ist, hat ein System entwickelt, das Gesichtsausdrücke und Gesten erkennt und sie in Sprache umwandelt. So können Menschen mit schweren motorischen Einschränkungen trotzdem kommunizieren – ein kraftvolles Beispiel dafür, wie Technologie Menschen befähigen kann.

Auch für Spieleentwickler und kreative Köpfe gibt es spannende Anwendungen. Das Projekt Teachable Snake zeigt, wie du einfaches Papier und eine Webcam in einen innovativen Spielcontroller verwandelst. Die Möglichkeiten sind wirklich nur durch deine Vorstellungskraft begrenzt.

Schließlich nutzen Entwickler und Produktteams das Tool für schnelle Prototypen. Bevor du Wochen in die Entwicklung eines ML-Features steckst, kannst du in wenigen Minuten ein Konzept validieren. Funktioniert die Grundidee? Ist der Ansatz vielversprechend? Teachable Machine gibt dir schnell eine Antwort.

---

快速开始：创建你的第一个模型

Jetzt wird es praktisch. Ich führe dich Schritt für Schritt durch die Erstellung deines ersten Maschinelles Lernen-Modells – und keine Sorge, es dauert nur wenige Minuten.

Schritt 1: Zugriff auf das Tool

Öffne deinen Browser und gehe auf teachablemachine.withgoogle.com. Du landest direkt auf der Startseite und kannst sofort beginnen. Eine Registrierung ist nicht erforderlich.

Schritt 2: Wähle deinen Datentyp

Klicke auf „Get Started" und du wirst gefragt, welche Art von Daten du verwenden möchtest. Für den Anfang empfehle ich das Image Project – du kannst einfach deine Webcam nutzen und sofort Ergebnisse sehen. Du kannst aber auch Audio oder Body Pose wählen, wenn dich das mehr interessiert.

Schritt 3: Daten sammeln

Jetzt kommt der spannende Teil: Du sammelst Beispieldaten. Nehmen wir an, du möchtest ein Modell erstellen, das unterscheidet, ob du einen Daumen hoch oder runter zeigst. Du erstellst eine Klasse „Daumen hoch" und nimmst mehrere kurze Videos auf, in denen du genau das zeigst. Dann erstellst du eine zweite Klasse „Daumen runter" und machst das Gleiche. Je mehr Beispiele, desto besser – aber für den Anfang reichen schon 20-30 Aufnahmen pro Klasse.

Du kannst entweder die Webcam live nutzen oder bereits vorhandene Bilder oder Audiodateien hochladen. Für Audio funktioniert das Mikrofon genauso.

Schritt 4: Modell trainieren

Sobald du genug Daten hast, klickst du unten auf den grünen Button „Train Model". Abhängig von der Datenmenge dauert das Training nur wenige Sekunden bis maximal ein paar Minuten. Während des Trainings siehst du einen Fortschrittsbalken – das ist der Moment, in dem das neuronale Netz tatsächlich „lernt".

Schritt 5: Modell testen

Nach dem Training kannst du das Modell sofort ausprobieren. Die Vorschau zeigt dir in Echtzeit, wie sicher sich das Modell seiner Sache ist. Wenn du „Daumen hoch" zeigst, sollte die Wahrscheinlichkeit bei der entsprechenden Klasse hochspringen. Falls nicht, weißt du, dass du mehr oder bessere Beispieldaten sammeln musst.

Schritt 6: Modell exportieren (optional)

Wenn du mit dem Ergebnis zufrieden bist, kannst du das Modell exportieren. Wähle das gewünschte Format – TensorFlow.js für Websites, TensorFlow Lite für Apps oder Keras für Python. Dann erhältst du einen Download-Link und kannst das Modell in deine eigene Anwendung einbetten.

---

技术特点与架构

Für diejenigen, die es genauer wissen möchten: Lass uns einen Blick unter die Haube werfen. Wie funktioniert Teachable Machine technisch eigentlich?

Browser-basiert, keine Server

Der vielleicht wichtigste technische Aspekt: Teachable Machine läuft vollständig in deinem Browser. Es gibt keine Server-seitige Verarbeitung – alle Berechnungen passieren lokal auf deinem Computer. Das hat zwei große Vorteile: Erstens ist es extrem schnell, weil keine Daten über das Netzwerk gesendet werden müssen. Zweitens bedeutet es, dass du das Tool theoretisch sogar offline nutzen könntest, wenn die Seite einmal geladen ist.

TensorFlow.js als Grundlage

Das gesamte Maschinelle Lernen basiert auf TensorFlow.js, der JavaScript-Implementierung von Google's Open-Source-ML-Framework. Das bedeutet, dass dein Browser die ml5.js-Bibliothek nutzt, um neuronale Netze direkt auf deinem Gerät auszuführen. Moderne Browser haben dafür optimierte Grafikprozessoren (GPUs), die diese Berechnungen erstaunlich schnell durchführen können.

Datenschutz durch Design

Ein zentrales Design-Prinzip von Teachable Machine ist der Datenschutz. Standardmäßig bleiben alle Daten, die du über Webcam oder Mikrofon aufnimmst, auf deinem Computer. Es gibt einen speziellen „Privacy-Modus", bei dem wirklich keine Daten jemals Google-Server erreichen. Das ist besonders wichtig für Bildungseinrichtungen, wo Datenschutz eine große Rolle spielt, und für Projekte mit sensiblen Daten.

Unterstützte Datentypen und Formate

Das Tool unterstützt drei Hauptkategorien von Eingabedaten: Bilder über Webcam oder Datei-Upload, Audio über Mikrofon oder Audio-Dateien, und Körperhaltungen über die Webcam mit PoseNet-basierter Erkennung. Jede Kategorie verwendet spezialisierte ML-Modelle, die für diese Art von Daten optimiert sind.

Beim Export hast du die freie Wahl: TensorFlow.js für die direkte Einbindung in Webseiten, TensorFlow Lite für mobile Anwendungen auf Android oder iOS, und Keras für die Arbeit mit Python – dem Standard in der Datenwissenschaft. Diese Flexibilität bedeutet, dass dein gelerntes Modell nicht in einer Sackgasse endet, sondern tatsächlich produktiv genutzt werden kann.

Browser-Kompatibilität

Teachable Machine funktioniert in allen modernen Browsern, wobei Chrome die beste Leistung bietet, da Google hier die engste Integration mit TensorFlow.js erreicht hat. Firefox und Safari werden ebenfalls unterstützt, können aber in manchen Funktionen leicht eingeschränkt sein.

---

常见问题