האם עלינו ללמד AI ו- ML אחרת לתחומים אחרים של מדעי המחשב? אתגר – פטל פטל

התנהגות מכונה – תחום לימוד חדש?

הרציונל מאחורי עבודת הדוברים הוא מושג שהם מכנים מערכת אינטראקציה היברידית, בהתייחסו לאופן בו בני אדם ומכונות מתקיימים. כדי להסביר מושג זה, התייחס קרסטן מאמר משנת 2019 שפורסם ב- Nature מאת איאד רהואן ועמיתיו: התנהגות מכונה. כותבי המאמר מציעים כי מחקר סוכני AI (אלגוריתמים מורכבים ופשוטים המקבלים החלטות) צריך להיות תחום מחקר נפרד, בין-תחומי, בשל הימצאותם ומורכבותם של מערכות AI, ומכיוון שלמערכות אלה יכולות להיות תועלת וגם השפעות מזיקות על האנושות, שיכולות להיות קשות להערכה. (שֶׁלָנוּ סמינר קודם מאת מהרי אייטן המחברים קובעים שכדי ללמוד תחום זה, עלינו להיעזר בשיטות מדעיות מתחומים שונים, כפי שמוצג להלן:

בביסוס הטיעון שלהם, המחברים משווים את המחקר על התנהגות בעלי חיים והתנהגות מכונה, תוך ציון ששני התחומים שוקלים היבטים כגון מנגנון, התפתחות, אבולוציה ותפקוד. הם מתארים כיצד חלק מתחום התנהגות המכונה המוצע הזה עשוי להתמקד בלימוד ההתנהגות של מכונות בודדות, בעוד מכונות קולקטיביות ומה שהם מכנים ניתן ללמוד גם 'התנהגות אנושית-מכונה היברידית'. על ידי התמקדות במורכבות האינטראקציות בין מכונות לבני אדם, אנו יכולים לחשוב הן על מכונות המעצבות התנהגות אנושית והן על בני אדם המעצבים התנהגות מכונה, ועל מעין "התנהגות משותפת" בזמן שהם עובדים יחד. לפיכך, המחברים מסיקים שהתנהגות מכונה היא תחום בין -תחומי שעלינו ללמוד בצורה שונה ממדעי המחשב.

קרסטן וצוותו אמרו כי, כמחנכים, נצטרך להיעזר בפרמטרים ובמסגרות של תחום התנהגות מכונה זה בכדי שנוכל ללמד ביעילות AI ולמידת מכונה בבית הספר. הם טוענים כי הגישה שלנו צריכה להתרכז בנתונים, ולא בקוד. אני מאמין שזהו אתגר לאלו מאיתנו המפתחים כלים ומשאבים לתמיכה בצעירים, ושאנחנו צריכים להיות פתוחים לרעיונות אלה כשאנחנו מתקדמים בעבודתנו בתחום זה.

רעיונות או חפצי אמנות?

בתוך ה פרשנות של חשיבה חישובית שזכתה לפופולריות בשנת 2006 על ידי ג'נט ווינג, היא מציגה את החשיבה החישובית כעל "רעיונות, לא חפצי אמנות". כשאנחנו, קהילת החינוך למחשוב, התחלנו לחשוב על חשיבה חישובית, עברנו מהתמקדות בטכנולוגיה ספציפית – וכיצד להבין ולהשתמש בה – לרעיונות או לעקרונות העומדים בבסיס התחום. האתגר כעת הוא: האם הלכנו רחוק מדי בכיוון הזה?

קרסטן טען שאם נבין את התנהגות המכונה, ובמיוחד את ההתנהגות המשותפת בין אדם למכונה, שאליה הוא מתייחס כמערכת האינטראקציה ההיברידית, עלינו ללמוד חפצים כמו גם רעיונות.

במהלך כל הסמינר הזכירו לנו הדוברים לזכור חפצי אמנות, סוגיות של הטיה, תפקיד הנתונים והשלכות אפשריות על דרך הלימוד.

לימוד למידת מכונה: מיקוד אחר

בנוסף, קרסטן הדגיש מספר הבדלים בין לימוד ML לבין לימוד תחומים אחרים במדעי המחשב, כולל תכנות מסורתי:

1. תהליך פתרון הבעיות שונה. באופן מסורתי, אולי ננסה להבין את הבעיה, להפיק פתרון במונחים של אלגוריתם, ואז להבין את הפתרון. ב- ML, הנתונים מעצבים את המודל, ואיננו זקוקים להבנה מעמיקה של הבעיה או הפתרון.
2. הסובלנות שלנו לחוסר דיוק שונה. באופן מסורתי, אנו מלמדים צעירים לעצב תוכניות המובילות לפתרון מדויק. עם זאת, אופי ML פירושו שיהיה שיעור שגיאות, אותו אנו שואפים למזער.
3. תפקיד הקוד שונה. במקום שהקוד יעשה את העבודה כמו בתכנות מסורתי, הקוד הוא רק חלק קטן ממערכת ML בעולם.

הבדלים אלה מרמזים שגם ההוראה שלנו צריכה להסתגל.

ProDaBi: תוכנית להוראת AI, מדעי הנתונים ו- ML בבית הספר התיכון

בגרמניה, החינוך מועבר לממשלות המדינה. למרות שמדעי המחשב (הידועה בשם אינפורמטיקה) הוצג רק בשנה שעברה כנושא חובה בבתי הספר התיכוניים בצפון ריין-וסטפליה, שם נמצא פדרבורן, הוא נלמד שנים רבות ברמות התיכון. ProDaBi הוא פרויקט שמפעילים חוקרים באוניברסיטת פדרבורן מאז 2017, במטרה לפתח תכנית לימודים של תיכון סביב מדעי הנתונים, AI ו- ML.

תכנית הלימודים של ProDaBi כוללת:

• שני מודולים לגילאי 11 עד 12 המכסים עצי החלטה ומודעות לנתונים (היבטים אתיים), הוצגו השנה
• קורס קצר לגילאי 13 המכסה היבטים של בינה מלאכותית, באמצעות המשחק Hexapawn
• סט מודולים לבני 14 עד 15, המכסים מדעי נתונים, חקר נתונים, עצי החלטות, רשתות עצביות ומודעות נתונים (היבטים אתיים), תוך שימוש במחברות Jupyter.
• קורס מבוסס פרויקטים לבני 18, הכולל את הנושאים לעיל ברמה מתקדמת יותר, באמצעות מחברות Codap ו- Jupyter לפיתוח כישורים מעשיים באמצעות פרויקטים; קורס זה רץ הכי הרבה זמן ונמצא כעת באיטרציה הרביעית שלו

למרות שאתר הפרויקטים של ProDaBi הוא בגרמנית, יש תרגום לאנגלית.

הדוברים שלנו תיארו פעילויות לדוגמא מתוך שלושה מהמודולים:

• Hexapawn, משחק של שני שחקנים בהשראת עבודתו של דונלד מיצ'י בשנת 1961. מטרת הפעילות היא לתמוך בלומדים בהרהורים על הדרך שבה המכונה לומדת. לאחר מכן ילדים יכולים לקשר את הפעילות להתנהגותם של סוכני AI כגון מכוניות אוטונומיות. קיימת גרסה באנגלית של הפעילות.
• כרטיסי נתונים, סדרה של פעילויות ללמד על עצי החלטה. הקלפים מעוצבים בסגנון 'טופ טראמפ', ומבוססים על פריטי מזון, עם אלמנטים לא מחוברים לדיגיטל.
• מודעות לנתונים, מודול המתמקד בכמות הנתונים שאדם יכול לייצר כשהוא עובר בעיר, במקרה זה דרך רשת הטלפונים הניידים. ילדים מעודדים להרהר בנתונים אישיים בהקשר של האינטראקציה בין החפץ האנושי מונע הנתונים, וכיצד השקפתם על העולם משפיעה על הפרשנות שלהם לנתונים שהם מקבלים.

שאלה כיצד עלינו ללמד AI ו- ML בבית הספר

היה הרבה לעכל בסמינר הזה: רעיונות מאתגרים וכמה מושגים חדשים, בשבילי בכל אופן. תפקיד חשוב בשבילי היה עד כמה איננו יודעים עדיין על המושגים והכישורים שעלינו ללמד בבית הספר סביב AI ו- ML, ועל הגישות שבהן עלינו להשתמש כדי ללמד אותן ביעילות. מחקרים כמו זה שנערך בפדרבורן, המדגים גישה ממוקדת נתונים, יכולים באמת להגדיל את ההבנה שלנו, ואני מצפה לעקוב אחר עבודתם של קרסטן וצוותו.

קרסטן ועמיתיו סיימו בסיכום ונקודת דיון זו לקהל:

"חינוך לבינה מלאכותית" דורש פיתוח תמונה הולמת של מערכת האינטראקציה ההיברידית-מעין מערכת אקולוגית המתהווה, שצריכה להיעשות במפורש כדי להבין את התפקיד הטרנספורמטיבי כמו גם את היסודות הטכנולוגיים של כלי הבינה המלאכותית הללו וכיצד הם קשורים למדעי הנתונים ".

תוכל להתעדכן בסמינר, כולל שאלות ותשובות עם קרסטן ועמיתיו, כאן:

הצטרף לסמינר הבא שלנו

סמינר זה באמת הרחיב את החשיבה שלנו על חינוך AI, ואנו מצפים להציג נקודות מבט חדשות של חוקרים שונים בכל חודש. בסמינר הבא שלנו בנושא יום שלישי 2 בנובמבר בשעות 17: 00-18: 30 BST / 12: 00-13: 30 EDT / 9: 00-10: 30 PDT / 18: 00-19: 30 CEST, נקבל בברכה את פרופסור מתי טדר והנריקקה ורטייינן (אוניברסיטת מזרח פינלנד). שני החוקרים הפינים ידברו עליהם מסלולים מתפתחים בחינוך ML ל- K-12. אנו מצפים לפגוש אותך שם.

קרסטן ועמיתיהם מנהלים גם סדרת סמינרים בנושא AI ומדעי נתונים: אתה יכול לברר על אלה בדף הרישום שלהם.

אתה יכול להגדיל את ההבנה שלך לגבי למידת מכונה על ידי הצטרפות לקורס המקוון החינמי האחרון שלנו!

[1] Rahwan, I., Cebrian, M., Obradovich, N., Bongard, J., Bonnefon, JF, Breazeal, C.,… & Wellman, M. (2019). התנהגות מכונה. טֶבַע, 568(7753), 477-486.