פעילויות בכיתה לדיון על דיוק ואתיקה של למידת מכונה | Hello World #18 – Raspberry Pi

Share on facebook
Share on twitter
Share on linkedin
Share on telegram
Share on whatsapp
Share on email
פרסומת
MAGNEZIX מגנזיקס


בגיליון Hello World 18, זמין כהורדה בחינם ב-PDF, המורה מייקל ג'ונס משתף כיצד להשתמש ב-Teachable Machine עם לומדים בגילאי 13-14 בכיתה שלך כדי לחקור סוגיות של דיוק ואתיקה במודלים של למידת מכונה.

למידת מכונה: דיוק ואתיקה

הנוף לעבודה עם למידת מכונה/AI/למידה עמוקה גדל במידה ניכרת במהלך השנים האחרונות. תלמידים יכולים כעת לפתח את ההבנה שלהם מהקצה המקודד באמצעות משאבים כגון למידת מכונה לילדיםללכלך את ידיהם באמצעות חומרה זולה יחסית כגון Nvidia Jetson Nanoולבנות מכונת סיווג באמצעות משאבי ה-Teachable Machine המונעים על ידי Google. השתמשתי בכל שלושת האמור לעיל עם התלמידים שלי, ומאמר זה מתמקד במכונה ניתנת ללימוד.

עבור המודול הזה, אני מודאג יותר מהקצה המטושטש של AI, כולל עד כמה החלטות בינה מלאכותיות אמינות, ומהיבט הפיל-בחדר של הטיה ופוטנציאל לנזק.

מייקל ג'ונס

עבור המודאגים, אין שום קידוד במשאב הזה; ה'מכונה' מאחורי הפורטל עושה עבורך את העבודה הקשה. עבור השיעורים שלי לשנה 9 (סטודנטים בגילאי 13 עד 14) שעברו מודול קצר של שלושה שבועות, זה היה אידיאלי. הקידוד חשוב, אבל לא היה הפוקוס שלי. עבור המודול הזה, אני מודאג יותר מהקצה המטושטש של AI, כולל עד כמה החלטות בינה מלאכותיות אמינות, ומהיבט הפיל-בחדר של הטיה ופוטנציאל לנזק.

תחילת העבודה עם פעילויות של Teachable Machine

ישנם שלושה מסלולים אפשריים לשימוש ב-Teachable Machine, והפוקוס שלי הוא 'פרויקט התמונה', ובתוך זה, 'מודל התמונה הסטנדרטי'. משם, מוצגת לך תבנית תרחיש אימון בסיסי – ראה גליון שלום עולם 16 (עמודים 84–86) למדריך התקנה והדרכה שלב אחר שלב. עבור חלק זה של הפרויקט, התלמידים שלי אימנו את המכונה לזהות גזעים שונים של כלבים, עם בורדר קולי, לברדור, סלוקי וכן הלאה כשיעורים. כל מערכת בינה מלאכותית המוקדשת לזיהוי דורשת קבוצה משמעותית של נתוני אימון. למרבה המזל, ישנם מספר מערכי נתונים זמינים באופן חופשי באינטרנט (לדוגמה, הורד תיקייה של תמונות כלבים מופרדות לפי גזע על ידי גישה helloworld.cc/dogdata). שימו לב, אלה יכולים להיות גדולים, ומורכבים מאלפי תמונות. אם יש לך יותר זמן, ייתכן שתרצה להפעיל את התלמידים לאסוף נתונים להעלאה באמצעות מצלמה (רק שים לב שזה יכול להוות שיקולי הגנה). זוהי נקודת למידה מרכזית עם התלמידים שלך והזדמנות לדון בזמן שלוקח לאסוף נתונים כאלה, וגיוון בנתונים (לדוגמה, תמונות של כלבים מלפנים, מהצד או מלמעלה).

ציור של רובר למידת מכונה שמנסה להחליט אם הוא רואה חייזר או סלע.
זיהוי תמונה הוא יישום נפוץ של טכנולוגיית למידת מכונה.

לאחר שהורדת את התיקיות שלך, העלה את התמונות לפרויקט Teachable Machine שלך. אין זה סביר שתוכל להעלות תיקיית משנה שלמה בבת אחת – התלמידים שלי גילו שנראה שהמספר האופטימלי של תמונות הוא שתים עשרה. זכור לבנות את הזמן הזה להורדה והעלאה למערך השיעור שלך. זו הזדמנות טובה לדון בצורך באיזון בנתוני האימון. שאל שאלות כגון, "מה הסיכוי שהמודל יזהה סלוקי אם ערכת האילוף הכילה 10 סלוקי ו-30 מכלבים אחרים?" זוהי דרך בשדה השמאלי להפיל את רעיון ההטיה לתוך חקר הבינה המלאכותית – עוד על כך בהמשך!

בעיות דיוק במודלים של למידת מכונה

אם הגעתם עד הלום, ההרמה הכבדה הושלמה ומנוע ההדרכה של גוגל יעשה עבורכם את העבודה. לאחר שהגדרת את המודל שלך לאימון שלו, עזוב את המערכת כדי להשלים את עבודתה – זה לוקח שניות, אפילו על קבוצות גדולות של נתונים. לאחר שזה יסתיים, אתה אמור להיות מוכן לבדוק את הדגם שלך. אם הכל הלך כשורה ומצלמת אינטרנט מחוברת למחשב שלך, חלון הפלט ייתן חיזוי של מה שנצפה. שוב, המאמר ב שלום עולם גיליון 16 לוקח אותך דרך השלבים המדויקים של תהליך זה. ודא שיש לך מספר תמונות מוכנות לבדיקה. לִרְאוֹת איור 1א על התגובה לתמונה של סלוקי שהוצגה לדוגמנית. כפי שניתן לצפות, הוא מופיע כתחזית של 100 אחוז.

צילומי מסך מ-Teachable Machine המציגים תמונות של כלבים המסווגים כגזעים ספציפיים עם דרגות שונות של ביטחון עצמי על ידי מודל למידת מכונה.
איור 1: פלטים של דגם של מכונת לימוד המסווגת תמונות של גזעי כלבים. 1a (משמאל): תמונה של סלוקי. 1b (ימין): תמונה של סמויד ושני אנשים.

זה יעורר דיון מעניין אם תנסה עכשיו את אותה פעולה עם תמונה עם פריטים אחרים מאשר זה שאתה בודק בה. למשל לראות איור 1ב, שבו שני אנשים נמצאים בתמונה יחד עם כלב הסמויד. המודל מתלבט, מכיוון שהאנשים משפיעים על התוצאה. זה מעלה את שאלת הדיוק. באילו תכונות נעשה שימוש כדי לזהות את הכלבים כבורדר קולי וסלוקי? מדוע בני האדם בתמונה זורקים את הדגם מהריח?

כשמתקרבים לבית, אימון דוגמנית על פנים אנושיים מספק הזדמנות לחקור את דיוק הבינה המלאכותית באמצעות השאלה מה עשוי להבדיל בין נקבה לפנים גבריות. אתה יכול למצוא דגם ב helloworld.cc/maleorfemale שמכיל 5418 תמונות מפוזרות כמעט באופן שווה על פני גברים ונשים (ראה איור 2). שימו לב שלדגם זה ייקח קצת יותר זמן להתאמן.

צילום מסך מ-Teachable Machine מראה שני מערכי נתונים של תמונות של פרצופים המסומנים זכר או נקבה.
איור 2: שני סטים של תמונות של פרצופים מתויגים זכר או נקבה, שהועלו ל-Teachable Machine.

לאחר הכשרה, נסה את הדגם. אביזרים באמת עוזרים – כובע, פאה וזקן נותנים לדוגמנית זמן בדיקה (משחק מילים). במבחן זה (ראה איור 3), הצגתי את עצמי מול הדוגמנית פנים מול פנים, ובאופן לא מפתיע, יצאתי כ-100 אחוז גבר. עם זאת, הוספת פאה של שופט מאלצת את הדוגמנית לחשוב מחדש, וזקן מייצר מגוון תוצאות, אך מותיר את הדוגמנית לא בטוחה. אולי סביר להניח שהדוגמנית שלנו משתמשת באורך השיער כמאפיין חזק. הוספת כובע צמרת לאנסמבל מחזירה את הדוגמנית לתחזית של 100 אחוז שהתמונה היא של זכר.

צילומי מסך מ-Teachable Machine המציגים שני מערכי נתונים של מודל המסווגים תמונות של אותם פנים כזכר או נקבה עם דרגות שונות של ביטחון, בהתבסס על הפנים שלובשים פאה, זקן מזויף או טופאט.
איור 3: פלטים של דגם של מכונת לימוד המסווגת תמונות של פניו של המחבר כזכר או נקבה בדרגות שונות של ביטחון. לחץ להגדלה.

למידת מכונה משתמשת בעקרון ההתאמה הטובה ביותר. לתפוקות, במקרה זה בין אם אני זכר או נקבה, יש ודאות גדולה יותר של זכר (65 אחוז) לעומת ודאות פחותה של נקבה (35 אחוז) אם אני עונד זקן (איור 3, תמונה שנייה מימין). הסר את הזקן והסבירות שאהיה נקבה עולה ב-2 אחוזים (איור 3, תמונה שנייה משמאל).

הטיה במודלים של למידת מכונה

בתוך סט קטן למדי של פרמטרים, רוב הפנים האנושיות דומות. עם זאת, כאשר אתה מתחיל לחפור, המחקר מצביע על הטיה ב-AI (אם זה מודע או לא מודע זה דיון ליום אחר!). אתה יכול להדגים זאת על ידי יצירת תחילה כיתות עם תוויות כגון 'צעיר חכם', 'חכם זקן', 'צעיר לא חכם' ו'ישן לא חכם'. בחר תמונות שלדעתך יתאימו לשיעורים, והאמן אותן ב-Tachable Machine. לאחר מכן תוכל לבדוק את המודל על ידי בקשת התלמידים שלך למצוא תמונות שלדעתם מתאימות לכל קטגוריה. הפעל אותם נגד המודל ובקש מהתלמידים להתווכח אם ה-AI פועל בהגינות, ואם לא, מדוע הם חושבים שכן. מי מכשיר את הדגמים הללו? אילו תמונות הם מקבלים? באופן דומה, אתה יכול ליצור כיתות של תמונות של פושעי עבר וגיבורים ידועים. אמנו את הדגם לפני שתציבו את עצמכם מולו. עד כמה אתה נמצא בסולם האחוזים לקראת היותך פושע? עד מהרה זה הופך מדאיג להחריד שאם אתה לבן ולכאורה ממעמד הביניים, בינה מלאכותית עשויה להתברר לך כבעייתית, החל מהחלטות על מוצרים פיננסיים כמו משכנתאות ועד למעצר וזיהוי שגויים.

עד מהרה זה הופך מדאיג להחריד שאם אתה לבן ולכאורה ממעמד הביניים, בינה מלאכותית עשויה להתברר לך כבעייתית, החל מהחלטות על מוצרים פיננסיים כמו משכנתאות ועד למעצר וזיהוי שגויים.

מייקל ג'ונס

עודדו את תלמידיכם לדון כיצד הם יכולים להשפיע על נושא זה של הטיית גזע, כיתה ומגדר – למשל, באילו כללים הם ישתמשו לזיהוי תמונות מתאימות למערך נתונים? יש כמה מאמרים מעניינים בנושא זה שתוכלו לשתף בהם את התלמידים שלכם helloworld.cc/aibias1 ו helloworld.cc/aibias2.

איפה הלאה עם הלומדים שלך?

בכיתה, לאחר מכן תוכל לעקוב אחר המסלול של בניית מודלים המזהים אותיות למילים, למשל. אחד התלמידים שלי בנה דגם שיכול לזהות מגוון של כפות ומזלגות. ייתכן שתבחין שניתן להפעיל את Teachable Machine גם על לוחות Arduino, מה שמוסיף מימד נוסף. למה שלא תגרמו לתלמידים שלכם ליצור עוזר AI משלהם שמגיב לפקודות? ישנן האפשרויות כדי לבחון אותן. אם אתה משתמש במצלמות אינטרנט כדי לאסוף תמונות בעצמך, למה שלא תיצור מערכת שתזהה תלמידים? אם יתמזל מזלך שיש לך קבוצה של תאומים זהים בכיתה שלך, זה מוסיף רק קצת יותר טעם! Teachable Machine מציעה דרך מעשית להדגים את סוגיות הדיוק וההטיה של AI, ומעניקה לתלמידים הזדמנות בריאה לוויכוח.

מייקל ג'ונס הוא מנהל מדעי המחשב במכללת Northfleet Technology College בבריטניה. הוא מנהיג מומחה לחינוך ואלוף מדעי המחשב של המרכז הלאומי לחינוך מחשוב.

משאבים נוספים לחינוך לבינה מלאכותית ומדעי נתונים

בקרן, חינוך לבינה מלאכותית הוא אחד מתחומי המיקוד שלנו. הנה איך אנחנו כבר תומכים בך ובלומדים שלך בתחום זה:

  • גיליון 12 של Hello World מתמקד בחינוך לבינה מלאכותית ולמידת מכונה, עם משאבים מעשיים רבים, ראיונות מעוררי תובנה ותכונות מעוררות השראה של מחנכים למדעי המחשב. הורד את העותק בחינם של גיליון 12 עכשיו.
  • בגיליון Hello World 16, ההתמקדות היא בכל הקשור למדעי נתונים ואוריינות נתונים עבור הלומדים שלך. כמו תמיד, אתה יכול להוריד עותק חינם של הבעיה.
  • עַל הפודקאסט Hello World שלנויש לנו פרקים שבהם אנחנו מדברים עם מחנכי מחשוב מתרגלים על איך הם מביאים בינה מלאכותית, אתיקה של בינה מלאכותית, מכונות…



קישור לכתבת המקור – 2022-08-10 17:17:38

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn
Share on telegram
Telegram
Share on whatsapp
WhatsApp
Share on email
Email
פרסומת
תכנון תשתיות רפואיות

עוד מתחומי האתר