Maskininlärning och träningsdata
Tid: ca 60 min
Ämne: Samhällskunskap
AI är alltså en konstgjord intelligens som självständigt kan ta in information, ta beslut, lära sig av erfarenhet och utveckla sitt tänkande. Vi kommer att titta på lite enklare tillämpningar av AI som inte riktigt kan kallas intelligenta, men de använder samma teknik, nämligen maskininlärning. Vi introducerar tre nya begrepp:
- Maskininlärning: Metoder för att med data träna datorer att upptäcka och lära sig regler, dvs algoritmer, för att lösa en uppgift.
- Träningsdata: Den informationsmängd som används för att lära upp AI
- Testdata: Den information som matas in för att se om AI-maskinen funkar
I denna lektion ska ni få skapa en AI själva, med hjälp av maskininlärning, men vi börjar med att testa att låta en AI gissa vad ni ritar, för att öka förståelsen på ett roligt sätt.
Övning: Rita och gissa
Ju mer man använder en AI-tjänst desto mer lär den sig. Det kallas maskininlärning, alltså hur maskingen AI lär sig. Quickdraw är ett program som bygger på den AI-tekniken och visar hur det funkar på ett begripligt och roligt sätt. Varje gång någon ritar tex ett äpple får AI:n en ny bild i sin bildbank som visar hur ett äpple kan se ut.
Låt eleverna testa Quickdraw på en dator, surfplatta eller mobil. Quickdraw är ett AI-experiment framtaget av Google.
Fundera tillsammans på hur det fungerar.
Här kan ni se hur Quickdraw funkar: https://quickdraw.withgoogle.com/data
Övning - Maskininlärning
Nu ska ni lära en maskin att skilja på katter och hundar. Den ska få träna genom att titta på olika bilder på katter och hundar (träningsdata). Sen ska ni testa den genom att visa bilder på andra katter och hundar (testdata), och notera hur många rätt och fel den har.
Förberedelser:
På sidorna 38-68 i detta material (av Google/MIT Media Lab) finns bilder på katter och hundar. Skriv ut dem och låt eleverna klippa ut dem
Till den här övningen behövs en eller flera datorer med inbyggd kamera. Ni kan antingen göra övningen i helklass med lärarens dator eller i grupper.
Steg 1. Börja med att titta på den här filmen:
Google’s Teachable Machine (video 2 min)
Steg 2. Sortera katt- och hundbilder i följande högar:
- Träningsdata hundar
- Träningsdata katter
- Testdata (blandat hundar och katter)
Fundera på hur ni vet om det är en hund eller katt, och hur du skulle förklara skillnaden för en maskin.
Steg 3. Öppna Google’s Teachable Machine
Gå till: https://teachablemachine.withgoogle.com/
- Klicka Get Started
- Välj Image Project
- Välj Standard image model
- Döp en class till Katter och en till Hundar
Steg 4. Träna din AI på kattbilder
Klicka på Webcam i class Katter.
Håll fram en bild i taget från Träningsdata Katter framför webbkameran och klicka på Hold to Record3. Repetera med övriga träningsdata för katter.
När man klickar på Hold to Record tas en sekvens av bilder. Om du bara vill ta en bild i taget kan du klicka på kugghjulet bredvid knappen och välja FPS 1 och spara. FPS står för frames per second (bilder per sekund).
Steg 5. Träna din AI på hundbilder
Gör likadant för class hundar. Använd nu bilderna i högen "Träningsdata hundar"
Steg 6. Testa din modell
Nu kan du testa hur bra den fungerar med andra hundar och katter. Klicka på Train Model. Använd bilderna från Testdata.
Eventuella snabba grupper kan testa att lägga till klasser med bilder på vad som helst som finns att tillgå, kanske penna eller bok.
Frågor - Maskininlärning
Diskutera gärna i helklass:
-
- Hur bra fungerade det?
- Fungerade det bättre för katter eller hundar? Vad tror ni att det beror på?
Kommentar: Parametrar som kan avgöra är hur många bilder man tränat den på, och hur olika de katterna och hundarna är. Kanske var det en ovanlig sort som var svår att klassbestämma. För att bygga en riktigt bra maskin behöver man träna på stora mängder data (bilder) och på många olika sorter.
Läxtips - ta med en egen bild på en hund eller katt
Ta med en bild på en katt eller hund och testa vad maskinen tror att det är för typ. Om du har bilden i mobilen och inte på papper så kan du bara hålla fram bildskärmen framför webbkameran.
Bra jobbat!