Actividad previa

Desarrolla el entretenimiento

Motiva: Explica a los estudiantes las metas de la actividad de hoy. Van a comenzar a usar una nueva herramienta que les permita entrenar a un modelo de aprendizaje automático.

Video: El primer nivel de esta actividad es un video que debería motivar a los estudiantes para competir la actividad y explicar cómo funcionará. Considera mirarlo en clase y rápidamente hacer preguntas para resolver cualquier consulta.

Actividad

Soporte General

Soporte General: Como profesor, tu rol principal es apoyar a los estudiantes que avanzan en el tutorial. Estas son algunas sugerencias que deberían ayudar a los estudiantes sin importar el nivel en el que están trabajando

• Colaborar con los compañeros: Alienta a los estudiantes a compartir inquietudes con un compañero si se quedan atascados. Debido a que este tutorial incluye videos y los estudiantes pueden tener auriculares puestos, es fácil "quedar atrapado en una burbuja". Ayuda a romper esas barreras juntando a un par de estudiantes si parece que necesitan ayuda.

• Leer las instrucciones: Las instrucciones generalmente brindan información útil sobre lo que sucede detrás de escena.

• Regresa y prueba cosas diferentes: Si los estudiantes terminan rápidamente, anímalos a volver a "Entrena más". En la última parte de la actividad, los estudiantes también pueden regresar y elegir una "Palabra nueva". Más datos de entrenamiento tienden a hacer que el modelo de aprendizaje automático sea más preciso y consistente. Los estudiantes también pueden aprender entrenando intencionalmente su modelo incorrectamente, o sin entrenarlo en absoluto.

Nivel 1 - Aprendizaje automatico

Video: AI: aprendizaje automático - Video

Compartir con la clase: ¿En qué áreas de tu vida has visto la inteligencia artificial? Ejemplos en el video:

• filtros de correo electrónico
• texto de autocompletar
• sistemas de recomendación de videos
• reconocimiento de voz
• aplicaciones de traducción
• asistentes digitales
• reconocimiento de imagen

Mensaje: Según lo que viste en el video, ¿qué es el aprendizaje automático?

Discutir: Comenzando en grupos pequeños y luego pasando a toda la clase, los estudiantes comparten sus respuestas.

Decir: El aprendizaje automático se refiere a una computadora que puede reconocer patrones y tomar decisiones sin estar programada explícitamente. En esta actividad, proporcionará los datos para entrenar su propio modelo de aprendizaje automático. Imagínate un océano que contiene criaturas como peces, pero también contiene basura arrojada por humanos. ¿Qué pasaría si pudiéramos entrenar una computadora para notar la diferencia y luego usar esa tecnología para ayudar a limpiar el océano?

Niveles 2-4 - Entrena a la IA para limpiar el océano

Los estudiantes pueden trabajar en los primeros tres niveles por su cuenta o con un compañero. Para programar IA, usa los botones para etiquetar una imagen como "pez" o "no pez". Cada imagen y etiqueta se convierte en parte de los datos utilizados para entrenar a la IA para hacerlo por su cuenta. Una vez entrenada, la IA intentará etiquetar 100 imágenes nuevas por sí sola y luego presentará una selección que, según su entrenamiento, tenga la mayor probabilidad de ser "pez". Los estudiantes que etiquetan correctamente las cosas de manera consistente deberían ver un océano lleno de diferentes tipos de criaturas marinas, sin muchos (o cualquier otro) objeto.

Nivel 5 - Sesgo y datos de entrenamiento

Reparto rápido: ¿Qué tan bien le fue a la IA? ¿Cómo crees que decidió qué incluir en el océano?

Video: AI: datos de entrenamiento - Video

Aviso: ¿Cómo crees que influyen tus datos de entrenamiento en los resultados que la IA ha producido?

Discutir: En grupos pequeños, los estudiantes comparten sus respuestas. Circula el salón y escucha las ideas de los estudiantes. Esto se puede seguir con una discusión completa de la clase, o los estudiantes pueden regresar directamente al tutorial.

Niveles 6 - Uso de datos de entrenamiento

En la segunda mitad de la actividad, los estudiantes enseñarán IA sobre una palabra de su elección mostrándole ejemplos de ese tipo de pez. Como antes, la IA no comienza con ningún dato de entrenamiento sobre estas etiquetas. Aunque las palabras en este nivel son bastante objetivas, es posible que los estudiantes terminen con resultados diferentes según sus datos de entrenamiento. Algunos estudiantes pueden incluso entrenar intencionalmente a la IA incorrectamente para ver qué pasa. Si los estudiantes están reflexionando sobre cómo funciona el aprendizaje automático, ¡debería animarse!

Nivel 7 - Impactos en la sociedad

Video: AI: implicaciones para la sociedad - Video

Decir: Los sistemas de inteligencia artificial aprenden de los datos que les proporcionamos, pero esos datos pueden estar basados ​​en opiniones o estar sesgados.

Decir: Piensa en los ejemplos de inteligencia artificial que discutimos al principio. ¿Piensa en un momento en el que el aprendizaje automático podría haber fallado en algo en el mundo real? (Por ejemplo, el reconocimiento de voz no te entiende.)

Pregunta: ¿Cómo podrían los datos sesgados generar problemas para la inteligencia artificial? ¿Cuáles son las formas de abordar esto?

<! - lugar donde le gustaría el icono ->

Discutir: Comenzando en grupos pequeños y luego pasando a toda la clase, los estudiantes comparten sus respuestas.

Decir: Algunas formas de abordar el sesgo son utilizar un conjunto de datos de entrenamiento más grande o más inclusivo. En la parte final de la actividad vas a enseñar IA una palabra que podría interpretarse de diferentes formas.

Nivel 8 - Enseñar a la IA una palabra nueva

Aquí, como antes, los estudiantes usarán los datos de entrenamiento para enseñar IA para reconocer diferentes tipos de peces. Las palabras en esta lista son intencionalmente más subjetivas de lo que los estudiantes habrán visto hasta ahora. Anima a los estudiantes a decidir por sí mismos qué hace que un pez se vea "enojado" o "divertido". Dos estudiantes pueden elegir la misma etiqueta y obtener un conjunto de resultados muy diferente según los rasgos de los peces que se centraron en ellos. Anima a los estudiantes a discutir sus hallazgos entre ellos o regresa y elige nuevas palabras. Cada estudiante se basará en sus propias opiniones para capacitar a la IA lo que significa que la IA aprenderá con los mismos prejuicios que tienen los alumnos. A medida que los estudiantes comiencen a ver el papel que juega su opinión, pídeles que reflexionen sobre si esto es bueno o malo y cómo podría abordarse.

Pregunta abierta: ¿Qué problema te importa y que la inteligencia artificial podría ayudar a resolver?

Aprendizaje Extendido

Ayuda a clasificar animales en el Parque Nacional Mountain Zebra

Snapshot Safari ha colocado cientos de cámaras trampa en el sur de África, para capturar millones de imágenes de animales hermosos y raros. Los estudiantes pueden clasificar los diferentes animales en estas imágenes para ayudar a proteger a la cebra de Cape Mountain en peligro de extinción. ¡Lee sobre el proyecto a continuación, y luego haz clic en "Clasificar" para probarlo!

Snapshot Mountain Zebra - Zooniverse

Actividad de Cierre

Celebra y avanza

Imprime certificados: Imprime certificados para que los estudiantes celebren sus logros.

code.org/learn: Al final de la lección, alienta a que los estudiantes visiten la página de Code.org/learn en donde puedan obtener ideas sobre más formas de continuar su aventura con las ciencias de computación.

Explorando la Vista de Información

En la pantalla de resultados finales, se puede ver una visualización del modelo de aprendizaje automático de IA haciendo clic en .

Ejemplo 1: entrenamiento basado en un rasgo (forma del cuerpo)

Como ejemplo, veamos a un estudiante que está entrenando en IA para reconocer peces "circulares" mediante la selección de peces con alguna rasgo en particular:

Cuerpos "circulares":

Después de unos 30 conjuntos de datos de entrenamiento, podemos ver que IA es capaz de clasificar el pez perfectamente. Ha reconocido con éxito un patrón: todos los peces que el estudiante seleccionó tenían una de las mismas dos formas corporales.

Pez "circular" - entrenamiento: 30
Al hacer clic en el botón de información, podemos ver que IA está muy segura de que, en general, el "cuerpo" es el componente más importante de los peces y ha determinado que son "circulares".	Se puede hacer clic en un pez para inspeccionarlo. La información aquí muestra que, para este pez, IA determinó que la forma de su cuerpo era un indicador positivo de que se trataba de un pez "circular".

Pez "no circular" - entrenamiento: 30
	Al alternar la vista, también podemos analizar el pez que IA determinó que "no es circular". Las barras verdes que apuntan a la derecha representan una señal de que el rasgo es "circular". Las barras rojas que apuntan a la izquierda indican que "no es circular". IA decide cómo clasificar cada pez según *todos los componentes, incluso aquellos que no se muestran en la lista.*

¿Qué pasa con los otros rasgos?

Es posible que hayas notado que otros rasgos como el color parecen importarle a IA, a pesar de que el estudiante solo estaba mirando la forma del cuerpo. Además del hecho obvio de que IA no puede leer nuestras mentes, hay otra razón por la que IA podría sacar algunas de las conclusiones equivocadas.

Los peces en este tutorial se generan al azar. Los peces que el estudiante etiquetó como "circulares" tuvieron aleatoriamente algunos de los mismos colores. Si el conjunto de datos de entrenamiento no incluye peces verdes con cuerpos redondos, IA tendrá menos confianza en clasificar uno como "circular" incluso si eso es lo que pretendía el estudiante.

Ejemplo 2: uso de la vista de información para mejorar el modelo

Agregar más datos de entrenamiento no solo cambia los resultados, sino los datos que se muestran en la vista de Información. A veces, el gráfico de resultados que se muestra puede aclarar por qué los resultados no coinciden con las expectativas.

Ahora consideremos a un estudiante que quiere entrenar en IA para reconocer un pez "enojado". Para lograr esto, deben seleccionar cualquier pez con cejas que apunten hacia adentro y bocas fruncidas. Etiquetarán a un pez como "enojado" si tiene una combinación de estos rasgos:

Ojos "enojados": bocas "enojadas":

Can A.I. figure out what the student is doing without being explicitly programmed? It depends on how much training data the student provides and the quality of data in the set.

¿IA puede averiguar qué está haciendo el estudiante sin ser programado explícitamente? Depende de la cantidad de datos de entrenamiento que proporcione el estudiante y la calidad de los datos en el conjunto.

Pez "enojado" - entrenamiento: 30	Pez "enojado" - entrenamiento: 200
Aquí podemos ver que IA entendió de inmediato que los "ojos" eran el rasgo más importante, pero seguido de cerca por el "color", y no la "boca". Hay algunos peces morados en la imagen de la izquierda que tienen bocas que son diferentes de lo que el estudiante estaba apuntando. ¿Quizás muchos de los peces "enojados" que el estudiante seleccionó inicialmente eran morados? Una forma de mejorar el modelo sería continuar entrenando, asegurándose de continuar hasta que varios peces morados "no enojados" hayan sido etiquetados correctamente.	Mejoró los resultados después de un mayor entrenamiento.