Rozgrzewka

Buduj emocje!

Motywuj: Wyjaśnij uczniom cele dzisiejszych zajęć. Zaczną używać nowego narzędzia, które pozwoli im wytrenować prawdziwy model uczenia maszynowego, pewną formę sztucznej inteligencji.

Wideo: Pierwszym poziomem tych zajęć jest wideo, które przybliża ważny kontekst wokół sztucznej inteligencji i uczenia maszynowego. Obejrzyj go z klasą i podsumuj na końcu, aby pomóc uczniom w zrozumieniu tego, co widzieli.

Aktywność

Ogólne wsparcie

Ogólne wsparcie: Jako nauczyciel, Twoim zadaniem jest przede wszystkim wspieranie uczniów podczas ich przechodzenia przez samouczek. Oto kilka wskazówek, które powinny pomóc uczniom bez względu na poziom, nad którym pracują

• Współpraca z sąsiadami: Zachęć uczniów, aby porozumieli się ze sąsiadem w celu omówienia tego, czego doświadczają. Ponieważ ten samouczek obejmuje filmy, a uczniowie mogą mieć założone słuchawki, łatwo jest „wpaść w bańkę”. Pomóż przełamać te bariery, aktywnie łącząc uczniów w pary.
• Przeczytaj instrukcje: Instrukcje zwykle zawierają pomocne informacje o tym, co dzieje się za kulisami.
• Wróć i spróbuj różnych rzeczy: Jeśli uczniowie szybko skończą, zachęć ich do powrotu do „Trenuj więcej”. W ostatniej części zajęć uczniowie mogą również wrócić i wybrać „Nowe słowo”. Więcej danych treningowych sprawia, że ​​model uczenia maszynowego jest bardziej dokładny i spójny. Uczniowie mogą się także uczyć, celowo trenując swój model niepoprawnie lub w ogóle go nie trenując.

Poziom 1 - Uczenie maszynowe

<!- miejsce, w którym chcesz ikonę ->

Wideo: AI: Nauka maszynowa - Wideo

Szybkie udostępnianie: Gdzie widziałeś lub doświadczyłeś sztucznej inteligencji w swoim życiu? Przykłady z wideo obejmują:

• filtry e-mail
• autouzupełnianie tekstu
• systemy rekomendacji wideo
• rozpoznawanie głosu
• aplikacje do tłumaczenia
• asystenci cyfrowi
• rozpoznawanie obrazu

Zachęta: Na podstawie tego, co widziałeś na filmie, czym jest uczenie maszynowe?

<!- miejsce, w którym chcesz ikonę ->

Omów: Począwszy od małych grup, a następnie przechodząc do całej klasy, uczniowie dzielą się swoimi odpowiedziami.

Powiedz: Uczenie maszynowe jest związane z komputerem, który rozpoznaje wzorce i podejmuje decyzje nie będąc specjalnie zaprogramowanym. W tym ćwiczeniu dostarczysz dane do szkolenia własnego modelu uczenia maszynowego. Wyobraź sobie ocean, który zawiera stworzenia takie jak ryby, ale także śmieci wyrzucane przez ludzi. A co, jeśli moglibyśmy wyszkolić komputer, aby odróżniał, a następnie użyć tej technologii do czyszczenia oceanu?

Poziomy 2-4 - Trenuj AI, aby oczyścić ocean

<!- miejsce, w którym chcesz ikonę ->

Uczniowie mogą pracować na pierwszych trzech poziomach samodzielnie lub z partnerem. Aby zaprogramować A.I., użyj przycisków, aby oznaczyć obraz jako „Ryba” lub „Nie Ryba”. Każdy obraz i etykieta staje się częścią danych wykorzystywanych do szkolenia A.I., robi to samodzielnie. Po przeszkoleniu, A.I. podejmie próbę samodzielnego oznakowania 100 nowych zdjęć, a następnie zaprezentuje wybór, który według jego szkolenia ma największe prawdopodobieństwo bycia „Rybą”. Uczniowie, którzy konsekwentnie prawidłowo opisują rzeczy, powinni zobaczyć ocean pełen różnych rodzajów stworzeń morskich, bez wielu (lub jakichkolwiek) innych przedmiotów.

Poziom 5 - Dane treningowe i stronniczość

Szybkie udostępnianie: Jak dobrze A.I. postępuje? Jak myślisz, czy zdecydował, co znajduje się w oceanie?

Wideo: AI: Dane treningowe i skłonność - Wideo

Zachęta: W jaki sposób dane treningowe wpływają na wyniki, które A.I. tworzy?

<!- miejsce, w którym chcesz ikonę ->

Dyskutuj: W małych grupach uczniowie dzielą się swoimi odpowiedziami. Chodź po klasie i słuchaj pomysłów uczniów. Następnie możesz przeprowadzić dyskusję w całej klasie lub uczniowie mogą wrócić do samouczka.

Poziomy 6 - Korzystanie z danych treningowych

<!- miejsce, w którym chcesz ikonę ->

W drugiej połowie zajęć uczniowie będą uczyć A.I. o wybranym przez nich słowie, pokazując przykłady tego rodzaju ryb. Tak jak poprzednio, A.I. nie zaczyna się od danych szkoleniowych na temat tych etykiet. Chociaż słowa na tym poziomie są dość obiektywne, możliwe jest, że uczniowie uzyskają różne wyniki na podstawie danych treningowych. Niektórzy uczniowie mogą nawet celowo trenować A.I. niepoprawnie, aby zobaczyć, co się stanie. Jeśli uczniowie zastanawiają się, jak działa uczenie maszynowe, to jest to zachęcające!

Poziom 7 - Wpływ na społeczeństwo

Wideo: AI: Oddziaływanie na społeczeństwo - Wideo

Powiedz: Systemy sztucznej inteligencji uczą się na podstawie danych, które im przekazujemy, ale dane te mogą być wiarygodne lub tendencyjne.

Powiedz: Przypomnij sobie przykłady sztucznej inteligencji, które omówiliśmy na początku. Pomyśl o czasach, w których uczenie maszynowe mogłoby przynieść coś złego w prawdziwym świecie? (Na przykład, rozpoznawanie głosu nie zrozumie Ciebie.)

Zachęta: W jaki sposób stronnicze dane mogą powodować problemy dla sztucznej inteligencji? Jakie są sposoby rozwiązania tego?

<!- miejsce, w którym chcesz ikonę ->

Omów: Zaczynając od małych grup, przechodząc do całej klasy, uczniowie dzielą się swoimi odpowiedziami.

Powiedz: Niektóre sposoby rozwiązania problemu stronniczości to użycie większego lub bardziej kompletnego zestawu danych treningowych. W końcowej części zajęć macie zamiar uczyć A.I. słowo, które można interpretować na różne sposoby.

Poziom 8 - Naucz A.I. nowego słowo

Tutaj, podobnie jak uprzednio, uczniowie wykorzystają dane treningowe do nauczania A.I. rozpoznawać różne rodzaje ryb. Słowa z tej listy są celowo bardziej subiektywne niż to, które do tej pory widzieli. Zachęć uczniów, aby sami zdecydowali, co sprawia, że ​​ryba wygląda na „zgniewaną” lub „zabawną”. Dwóch uczniów może wybrać tę samą etykietę i uzyskać zupełnie inny zestaw wyników, w oparciu o które cechy ryb były przedmiotem ich zainteresowania. Zachęć uczniów, aby omawiali ze sobą swoje odkrycia lub wrócili i wybrali nowe słowa. Każdy uczeń będzie polegał na własnych opiniach podczas szkolenia A.I. co oznacza, że ​​A.I. uczy się z tymi samymi uprzedzeniami, jakie mają uczniowie. Gdy uczniowie zaczną dostrzegać rolę, jaką odgrywają ich opinie, poproś ich, aby zastanowili się, czy jest to dobrze czy źle, i jak można się z nią uporać.

Pytanie otwarte: Jaki masz problem, na którym Ci zależy, by sztuczna inteligencja pomogła Ci w jego rozwiązaniu?

Wersja rozszerzona

Pomóż sklasyfikować zwierzęta w Mountain Zebra National Park

Snapshot Safari umieścił setki ukrytych kamer w południowej Afryce, rejestrujących miliony zdjęć pięknych i rzadkich zwierząt. Uczniowie mogą pomóc chronić zagrożoną zebrę górską, klasyfikując różne zwierzęta na tych obrazach. Możesz przeczytać o projekcie tutaj lub kliknąć poniżej, aby spróbować!

Snapshot Mountain Zebra - Zooniverse

Zakończenie

Świętuj i działaj dalej!

Wydrukuj świadectwa: Wydrukuj świadectwa dla uczniów, aby świętować ich osiągnięcie.

code.org/learn: Na koniec lekcji zachęć uczniów, aby udali się na Code.org/learn, gdzie mogą pozyskać pomysły sposobów utrzymania ich przygody z informatyką.

Zagłębianie się w widok informacji

Na ekranie wyników końcowych można wyświetlić wizualizację modelu uczenia maszynowego A.I., klikając .

Przykład 1: Trening oparty na jednej cesze (kształt ciała)

Jako przykład przyjrzyjmy się uczniowi, który trenuje A.I. rozpoznawać „okrągłe” ryby, wybierając je tylko na podstawie jednej cechy:

Kształty ciała „okrągłe”:

Po około 30 zestawach danych treningowych możemy zobaczyć, że A.I. potrafi doskonale klasyfikować ryby. Z powodzeniem rozpoznał kształt: wszystkie ryby wybrane przez ucznia miały jeden ten sam z dwóch kształtów ciała.

„Okrągła” ryba - szkolenie: 30
_ Klikając przycisk informacji, możemy zobaczyć, że A.I. jest bardzo pewny, że „ciało” jest najważniejszym składnikiem u ryb, które według niego są „okrągłe” ._	Poszczególne ryby można sprawdzić, klikając na nich. Informacje tutaj pokazują, że dla tej ryby A.I. ustalił, że kształt jej ciała był pozytywnym wskaźnikiem, że była to „okrągła” ryba .

| Ryba „nieokrągła” - szkolenie: 30 \| \| ----------------------------------------------------------------------------------------------------------- \| ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- \| \| \| Przełączając widok, możemy również przeanalizować pierwsze ryby określone przez A.I. jako „nieokrągłe”. Zielone paski skierowane w prawo oznaczają, że cecha jest „okrągła”. Czerwone paski skierowane w lewo sygnalizują, że „nie jest okrągła”. A.I. decyduje, jak sklasyfikować każdą rybę, ważąc *wszystkie składowe, nawet te, których nie ma na liście.* \|

Co z pozostałymi cechami?

Być może zauważyłeś, że inne cechy, takie jak kolor, wydają się mieć znaczenie dla A.I. mimo że uczeń koncentrował się tylko na kształcie ciała. Poza oczywistym faktem, że A.I. nie może czytać w naszych myślach, jest jeszcze jeden powód, że A.I. może wyciągnąć błędne wnioski.

Ryby w tym samouczku są generowane losowo. Ryba, którą uczeń oznaczył jako „okrągła”, przypadkowo może mieć kilka takich samych kolorów. Jeśli zestaw danych treningowych nie obejmował ryb zielonych z okrągłymi ciałami, A.I. będzie mniej pewny, czy zaliczyć ją do „okrągłych”, nawet jeśli tak postanowił uczeń.

Przykład 2: Użycie podglądu Informacje do ulepszenia modelu

Dodanie większej ilości danych treningowych nie tylko zmienia wyniki, ale także dane pokazane w widoku informacji. Czasami pokazany wykres wyników może wyjaśnić, dlaczego wyniki nie spełniają oczekiwań.

Rozważmy uczniów, którzy chce trenować A.I. rozpoznać „gniewną” rybę. Chcą to osiągnąć, wybierając dowolną rybę z brwiami skierowanymi do wewnątrz i ze skrzywionymi ustami. Oznaczą rybę jako „gniewną”, jeśli ma kombinację tych cech:

„Gniewne” oczy: „Gniewne” usta:

Czy A.I. poznać, co robi uczeń nie będąc na to zaprogramowanym? Zależy to od ilości danych treningowych dostarczonych przez ucznia i jakości danych w zestawie.

| Ryba „gniewna” - szkolenie: 30 | Ryba „gniewna” - szkolenie: 200 \| \| -------------------------------------------------- -------------------------------------------------- -------------------------------------------------- -------------------------------------------------- -------------------------------------------------- -------------------------------------------------- -------------------------------------------------- -------------------------------------------------- -------------------------------------------------- --------------------------------------- \| -------------------------------------------------- ------------------------ \| \| \| \| | _ Tutaj możemy zobaczyć, że A.I. od razu przyjął, że „oczy” są najważniejszą cechą, ale zaraz po nich pojawia się „kolor”, ale nie „usta”. Na lewym zdjęciu jest kilka fioletowych ryb, które mają usta inne niż te, na które wybierał uczeń. Być może wiele „gniewnych” ryb, które początkowo wybrał uczeń, były fioletowych? Jednym ze sposobów ulepszenia modelu byłoby kontynuowanie treningu, dopóki kilka fioletowych „nie gniewnych” ryb zostanie poprawnie oznakowanych ._ | Poprawione wyniki po dodatkowym szkoleniu. \|