🎥KI als Co-Creator – Reflektierte KI-Nutzung und Grundlagenkompetenzen in der Musik- und Audioanalyse stärken

Kurzbeschreibung

Prof. Dr. Meinard Müller, Lehrstuhlinhaber für Semantische Audiosignalverarbeitung an den International Audio Laboratories Erlangen, integriert KI-Methoden ganzheitlich in Forschung und Lehre. Im Zentrum steht nicht die bloße Anwendung von KI-Werkzeugen, sondern das Verständnis der gesamten Prozesskette: von musikalischen Anwendungen über mathematische Modellierung bis zur Implementierung, dem Training neuronaler Netze und der kritischen Auswertung ihrer Ergebnisse.

Studierende lernen, KI nicht als Blackbox zu nutzen, sondern als Werkzeug zu begreifen, das neue Möglichkeiten in der Musik- und Audiosignalverarbeitung eröffnet. Gleichzeitig sensibilisiert Prof. Müller für die Risiken fehlerhafter Daten, verzerrter Annotationen und oberflächlicher KI-Nutzung.

„Man darf KI weder verherrlichen noch verteufeln. Für mich ist KI ein Werkzeug – aber ein sehr mächtiges!“ – Prof. Dr. Meinard Müller

Ausgangssituation

Mit der zunehmenden Verbreitung neuronaler Netze ist die Musik- und Audiosignalverarbeitung komplexer geworden. Studierende benötigen heute Kompetenzen aus mehreren Bereichen: Mathematik, Signalverarbeitung, Programmierung, Datenannotation, Software- und Hardware-Infrastruktur sowie die Fähigkeit, Ergebnisse kritisch zu evaluieren.

Die Herausforderung: Dieses breite Kompetenzspektrum kann leicht überfordern. Gleichzeitig verleitet die hohe Leistungsfähigkeit von KI-Tools dazu, Probleme vorschnell „per Blackbox“ zu lösen, ohne Aufgabenstellung, Datenqualität oder Modellgrenzen verstanden zu haben.

Ziele

Zentrale Ziele von Prof. Müllers Lehrkonzept sind der Aufbau tiefgreifender Kompetenzen und das reflektierte Anwenden von KI-Methoden:

• Studierende sollen die gesamte Prozesskette verstehen: von Anwendungsszenarien bis zur mathematischen Modellierung und Implementierung.
• KI wird als Werkzeug vermittelt, das Fehler hat, Annahmen trifft und hinterfragt werden muss.
• Datenqualität, Annotationen und Plausibilitätsprüfungen werden als zentrale Kompetenzen verankert.
• Die Lehre soll Studierende befähigen, KI-Ergebnisse nicht nur zu nutzen, sondern kritisch zu überprüfen und zu erklären.

Konzepte, Umsetzung, Methoden

Prof. Müllers Lehre folgt einer klar strukturierten Kompetenzkette: Zunächst wird eine musikalische Aufgabenstellung definiert (z. B. Beat-Tracking oder Tempoerkennung), anschließend mathematisch modelliert, implementiert, mit annotierten Daten trainiert und experimentell ausgewertet. Studierende lernen dabei, dass Probleme häufig nicht an der Umsetzung, sondern an Datenfehlern, verzerrten Annotationen oder probabilistischen Trainingseffekten liegen. Um ein tiefes Verständnis sicherzustellen, trennt Prof. Müller bewusst den Erwerb von Grundlagen (mathematische Modelle, Datenverständnis, plausibles Denken) von der praktischen Nutzung moderner KI-Tools. In manchen Lehrsituationen wird deshalb ohne Rechner gearbeitet – im Stuhlkreis, an der Tafel, mit analogen Diskussionen –, um Kernkonzepte klar herauszuarbeiten. KI-Tools wie ChatGPT werden nicht verboten, aber kontextsensitiv eingesetzt: Routinearbeiten dürfen KI-gestützt erfolgen, bei Kompetenzaufbau (z. B. wissenschaftliches Schreiben, algorithmisches Denken) verzichtet Müller bewusst darauf.

„Viele wenden Deep Learning an, ohne die Aufgabenstellung verstanden zu haben. Das ist genau das, wogegen ich in der Lehre arbeite.“ – Prof. Dr. Meinard Müller

Erfahrungen

• Studierende schätzen KI-Tools, nutzen sie aber oft zu früh – bevor Aufgabenstellung und Datenqualität verstanden sind.
• Die kritischsten Fehler entstehen durch unzureichende oder verzerrte Daten; KI reproduziert diese Verzerrungen zuverlässig.
• Mündliche Prüfungen und persönliche Code-Reviews sind besonders effektiv, um tatsächliche Kompetenzen sichtbar zu machen.
• Der bewusste Wechsel zwischen analogen und digitalen Lehrformen stärkt das Verständnis für abstrakte Konzepte.
• KI-gestützte Routinearbeiten entlasten, dürfen aber nicht zentrale Lernprozesse ersetzen.

„In wenigen Minuten sehe ich im Gespräch, was wirklich verstanden wurde – und was nur ein KI-Ghostwriter geliefert hat.“ – Prof. Dr. Meinard Müller

Erfolgskriterien

• Studierende können KI-Methoden erklären, statt sie nur anzuwenden – inklusive mathematischer Grundlagen und Datenabhängigkeiten.
• KI-Ergebnisse werden stets durch eigene Erwartungshaltungen und Plausibilitätschecks geprüft.
• Datenannotation und -aufbereitung werden als professionelle Kernkompetenzen anerkannt.
• Die Verbindung von Forschung und Lehre wird enger: Neue Entwicklungen fließen zeitnah in die Lehre ein, ohne die Grundlagen zu vernachlässigen.

Nur wer die Aufgabenstellung und die Daten versteht, kann KI-Ergebnisse richtig beurteilen.“ – Prof. Dr. Meinard Müller

Zurück zur Übersicht