Introduzione

Crea entusiasmo!

Motivare: Spiega agli alunni gli obiettivi dell'attività odierna. Inizieranno a utilizzare un nuovo strumento che consentirà loro di addestrare un vero modello di apprendimento automatico, una forma di intelligenza artificiale.

Video: Il primo livello di questa attività è un video che fornisce un contesto importante sull'intelligenza artificiale e l'apprendimento automatico. Guardalo come una lezione e poi fai una serie di domande per aiutare gli alunni a creare connessioni con il contenuto.

Attività

Supporto generale

Supporto generale: In qualità di insegnante, il tuo ruolo è principalmente quello di supportare gli alunni mentre si fanno strada attraverso il tutorial. Ecco alcuni suggerimenti che dovrebbero aiutare gli alunni indipendentemente dal livello su cui stanno lavorando

• Collabora con i vicini: Incoraggia gli alunni i a confrontarsi con i compagni vicini per discutere di ciò che stanno vivendo. Poiché questo tutorial include dei video, gli alunni potrebbero indossare le cuffie ed è facile che “vadano nel pallone”. Aiutaci a rompere queste barriere unendo gli alunni in coppie.
• Leggi le istruzioni: Le istruzioni di solito forniscono informazioni utili su ciò che sta accadendo dietro le quinte.
• Torna indietro e prova cose diverse: Se gli studenti finiscono velocemente, incoraggiali a tornare su "Allenati di più". Nell'ultima parte dell'attività, gli alunni possono anche tornare indietro e scegliere una "Nuova parola". Più dati di formazione tendono a rendere il modello di apprendimento automatico più accurato e coerente. Gli alunni possono apprendere anche addestrando il modello in modo intenzionalmente errato o non addestrandolo affatto.

Livello 1 - Machine Learning

Video: IA: Apprendimento Automatico (Machine Learning) - Video

Condivisione rapida: Dove hai visto o sperimentato l'intelligenza artificiale nella tua vita? Esempi dal video includono:

• filtri di posta elettronica
• testo a completamento automatico
• sistemi di video raccomandazione
• riconoscimento vocale
• app di traduzione
• assistenti digitali
• riconoscimento delle immagini

Suggerimento: In base a ciò che hai visto nel video, cos'è l'apprendimento automatico?

Confronto: Iniziando in piccoli gruppi e poi passando all'intera classe, gli alunni condividono le loro risposte.

Spiega: L'apprendimento automatico si riferisce a un computer in grado di riconoscere schemi e prendere decisioni senza essere programmato esplicitamente. In questa attività fornirai i dati per addestrare il tuo modello di apprendimento automatico. Immagina un oceano che contiene creature come i pesci, ma contiene anche rifiuti scaricati dagli esseri umani. E se potessimo addestrare un computer a capire la differenza e quindi utilizzare quella tecnologia per aiutare a pulire l'oceano?

Livelli 2-4 - Train AI to Clean the Ocean

Gli alunni possono lavorare attraverso i primi tre livelli da soli o con un compagno. Per programmare l'Intelligenza Artificiale, utilizza i pulsanti per etichettare un'immagine come "pesce" o "non pesce". Ogni immagine ed etichetta diventa parte dei dati utilizzati per addestrare I.A. a farlo da sola. Una volta addestrata, I.A. tenterà di etichettare 100 nuove immagini da sola, quindi presenterà una selezione che risulta avere la più alta probabilità di essere "pesce" in base al suo addestramento. Gli alunni che etichettano correttamente le cose in modo coerente dovrebbero vedere un oceano pieno di diversi tipi di creature marine, senza molti (o nessun) altro oggetto.

Livello 5 - Training Data & Bias

Condivisione rapida: Quanto ha funzionato l'Intelligenza artificiale? In che modo pensi che abbia deciso cosa includere nell'oceano?

Video: IA: Dati di apprendimento e distorsioni - Video

Suggerimento: In che modo i tuoi dati dell'addestramento influenzano i risultati prodotti dall'Intelligenza Artificiale?

Discussione: In piccoli gruppi, gli alunni condividono le loro risposte. Gira tra i banchi e ascolta le idee degli alunni. Quest'attività può essere seguita da un'ampia discussione in classe, oppure gli alunni possono tornare subito al tutorial.

Livello 6 - Using Training Data

Nella seconda parte dell'attività gli alunni insegneranno all'Intelligenza Artificiale una parola a loro scelta mostrandogli esempi di quel tipo di pesce. Come prima, I.A non inizia con alcun dato di addestramento su queste etichette. Anche se le parole in questo livello sono abbastanza oggettive, è possibile che gli alunni ottengano risultati diversi in base ai dati di addestramento. Alcuni alunni possono persino addestrare intenzionalmente I.A. in modo errato per vedere cosa succede. Se gli alunni stanno riflettendo su come funziona l'apprendimento automatico, dovrebbero essere incoraggiati!

Livello 7 - Impacts on Society

Video: IA: Ripercussioni sociali - Video

Spiega: I sistemi di intelligenza artificiale imparano dai dati che forniamo, ma tali dati potrebbero essere basati su opinioni o non essere oggettivi.

Spiega: Ripensa agli esempi di intelligenza artificiale di cui abbiamo discusso all'inizio. C'è un momento in cui l'apprendimento automatico potrebbe aver sbagliato qualcosa nel mondo reale? (Ad esempio, il riconoscimento vocale non riesce a capirti.)

Suggerimento: In che modo i dati distorti possono causare problemi all'intelligenza artificiale? In quali modi si può affrontare questo problema?

Confronto: Iniziando con piccoli gruppi e poi passando all'intera classe, gli alunni condividono le loro risposte.

Spiega: Alcuni modi per affrontare le distorsioni consistono nell'usare una serie di dati di addestramento più ampio o più inclusivo. Nella parte finale dell'attività insegnerai all'I.A. una parola che potrebbe essere interpretata in modi diversi.

Livello 8 - Teach A.I. a new word

Qui, come prima, gli alunni useranno i dati d'addestramento per insegnare all'Intelligenza Artificiale a riconoscere diversi tipi di pesce. Le parole in questo elenco sono volutamente più soggettive di quelle che gli alunni avranno visto finora. Incoraggia gli alunni a decidere da soli cosa rende un pesce "arrabbiato" o "divertente". Due alunni possono scegliere la stessa etichetta e ottenere una serie di risultati molto diversi in base alle caratteristiche dei pesci sulle quali si sono concentrati. Incoraggia gli alunni a discutere tra loro delle loro scoperte o a tornare indietro e scegliere nuove parole. Ogni alunno farà affidamento sulle sue opinioni per addestrare l'Intelligenza Artificiale il che significa che I.A. imparerà con gli stessi pregiudizi degli alunni. Quando gli alunni iniziano a vedere il ruolo che la loro opinione sta giocando, chiedigli di riflettere a pensare se questo è positivo o negativo e in che modo si potrebbe affrontare.

Domanda aperta: Qual è un problema a cui sei interessato e che l'intelligenza artificiale potrebbe aiutare a risolvere?

Approfondimenti

Aiuta a classificare gli animali nel Parco nazionale di Mountain Zebra

Snapshot Safari ha posizionato centinaia di telecamere nascoste in tutta l'Africa meridionale, catturando milioni di immagini di animali belli e rari. Gli studenti possono aiutare a proteggere la Zebra di Cape Mountain in via di estinzione classificando i diversi animali in queste immagini. Puoi consultare il progetto here o cliccare qui sotto per provare!

Snapshot Mountain Zebra - Zooniverse

Conclusione

Festeggia e continua ad andare!

Stampa i Certificati: Print certificates per gli alunni per celebrare i loro risultati.

code.org/learn: Alla fine della lezione, incoraggia gli alunni a visitare Code.org/learn dove possono trovare idee su altri modi per portare avanti la loro avventura con l'informatica.

Scavando nella visualizzazione delle informazioni

Nella schermata dei risultati finali, è possibile vedere una visualizzazione del modello di apprendimento automatico dell'I.A. facendo clic su .

Esempio 1: Allenamento basato su un tratto (forma del corpo)

Ad esempio, diamo un'occhiata a un alunno che sta addestrando I.A. riconoscere il pesce "circolare" selezionando il pesce con rispetto a un singolo tratto:

"Circolare" forme del corpo:

Dopo circa 30 serie di dati di addestramento, possiamo vedere che I.A. è in grado di classificare perfettamente il pesce. Ha riconosciuto con successo uno schema: tutti i pesci selezionati dall'alunno avevano una delle stesse due forme del corpo.

Pesce "Circolare" - addestramento: 30
Facendo clic sul pulsante delle informazioni, possiamo vedere che I.A. è molto fiducioso che il "corpo" sia la componente più importante nel pesce che ha determinato essere "circolare".	Un singolo pesce può essere ispezionato facendo clic su di esso. Le informazioni qui mostrano che per questo pesce, I.A. ha determinato che la sua forma del corpo era un indicatore positivo del fatto che si trattava di un pesce "circolare".

Pesce "Non circolare" - addestramento: 30
	Commutando la visualizzazione, possiamo anche analizzare che le prime I.A. determinate sono "non circolari". Le barre verdi che puntano a destra rappresentano un segnale che il tratto è "circolare". Le barre rosse che puntano a sinistra segnalano che "non è circolare". I.A. decide come classificare ogni pesce pesando * tutti i componenti, anche quelli che non sono presenti nell'elenco*

E gli altri tratti?

Potresti aver notato che gli altri tratti come il colore sembrano avere importanza per I.A. anche se l'alunno si stava concentrando solo sulla forma del corpo. Oltre al fatto ovvio che I.A non può letteralmente leggere le nostre menti, c'è un altro motivo per cui I.A. potrebbe trarre alcune delle conclusioni sbagliate.

I pesci in questo tutorial vengono generati in modo casuale. Il pesce che l'alunno ha etichettato come "circolare", casualmente, ha alcuni degli stessi colori. Se la serie di dati di addestramento non includeva pesci verdi con corpi rotondi, I.A. sarà meno sicuro di classificarne uno come "circolare" anche se questo è ciò che l'alunno intendeva.

Esempio 2: Utilizzo della visualizzazione Informazioni per migliorare il modello

L'aggiunta di altri dati di addestramento non solo modifica i risultati, ma anche i dati mostrati nella visualizzazione Informazioni. A volte il grafico dei risultati mostrato può rendere più chiaro il motivo per cui i risultati non corrispondono alle aspettative.

Consideriamo un alunno che vuole formare I.A. a riconoscere il pesce "arrabbiato". Vogliono farlo selezionando qualsiasi pesce con le sopracciglia che puntano verso l'interno e le bocche tristi. Identificheranno un pesce come "arrabbiato" se ha una combinazione di questi tratti:

Occhi "arrabbiati": Bocche "arrabbiate":

L'Intelligenza artificiale può capire cosa sta facendo l'alunno senza essere programmata esplicitamente? Dipende dalla quantità di dati di addestramento forniti dall'alunno e dalla qualità dei dati nella serie.

Pesce "arrabbiato" - addestramento: 30	Pesce "arrabbiato" - addestramento: 200
Qui possiamo vedere che I.A ha colto subito il fatto che "occhi" è il tratto più importante, ma seguito da "colore", non "bocca". Ci sono alcuni pesci viola nell'immagine a sinistra che hanno bocche diverse da ciò che l'alunno stava pensando. Forse molti dei pesci "arrabbiati" inizialmente selezionati dall'alunno erano viola? Un modo per migliorare il modello sarebbe continuare l'addestramento, assicurandosi di andare avanti fino a quando diversi pesci viola "non arrabbiati" non saranno stati etichettati correttamente.	Risultati migliorati dopo un addestramento aggiuntivo.