Преподаване на машинно обучение за K-12 с обучаема машина
От Ян Ченг
Като инструктор в нашата извънучилищна програма ReadyAI Lab всяка седмица говоря с ученици на възраст от 5 до 17 години за ИИ. Често ме изненадва колко дълбоко са мислили за AI, когато задават въпроси за автоматизацията и бъдещето на работата. Въпреки това, тъй като децата днес растат, използвайки AI приложения като втора природа, аз също виждам от първа ръка степента, до която те се доверяват, свързват и разчитат на AI. Изключително важно е да ги научите как работи ИИ, докато са малки. Колкото по-скоро отворите черната кутия на AI, толкова по-рано учениците осъзнават присъщата субективност на AI, което, надяваме се, ще ги накара да си помислят „как мога да направя това по-добре?“
В моите разговори с учители чух защо им е трудно да преподават машинно обучение (особено с по-малки ученици). Двете често срещани теми са, че 1) идеята за огромен набор от данни е твърде абстрактна и 2) липсата на практически примери за преподаване на пристрастност и качество на данните. Имайки предвид тези опасения, ние разработихме този урок с помощта на „Teachable Machine“ на Google, в която учениците действително си играят с данните и активно мислят за тях. Много учители познават Teachable Machine като страхотен инструмент, но често смятат, че материалите не са готови за класната стая. В ReadyAI говорим на езика на плановете за уроци.
Този урок е уникален с това, че ние правим сравнение, като караме ученици и машини да „учат“ паралелно. Представяме игра за класифициране без връзка, при която учениците получават два комплекта изображения на отровни и неотровни риби. Учениците имат за задача да открият какви физически черти правят една риба отровна.
За да направят това, те сравняват двата комплекта изображения и се опитват да намерят общи неща чрез съвпадение на шаблони. Това, което те получават в крайна сметка, е набор от правила, които могат да бъдат изразени в дърво на решенията. В нашия пилотен клас в училището Дейвид Е. Уилямс извън Питсбърг, учениците се забавляваха да решават този пъзел и да конструират своята хипотеза.
След като учениците достигнат до заключенията си, те поставят същия проблем на Teachable Machine. Чрез качване на данни и гледане на процесите на реални алгоритми за машинно обучение точно пред очите им, учениците изпитват чувство на вълнение и овластяване – „Обучавам собствен модел!“ След това, за да предадем въпроса на машината, ние ги питаме: „Кой мислите, че би бил по-добър в класификацията, хората или машините?“
Интересното е, че Teachable Machine понякога греши една от рибите: казва, че отровната риба не е отровна.
Това се превръща в мощна възможност да се разгледа по-отблизо алгоритмичното пристрастие. Какво би означавало в реалния свят, че предвиждаме грешна категория, било то одобрение на ипотеки или кандидатури за работа? Защо алгоритъмът греши? В нашия случай учениците осъзнават, че характеристиките на въпросната риба не са добре представени в групата от отровни риби.
Има повече възможни комбинации от черти за отровни риби, следователно е по-трудно всяка конкретна комбинация да бъде добре представена в малък размер на извадката.
Докато учениците, използвайки човешки логически разсъждения, успяха да обобщят своите правила за вземане на решения за всички риби по-рано, алгоритъмът има проблеми с това. Не само учениците, всички имаме възприятието, че машинното обучение и математиката са по своята същност обективни. Посочваме, че алгоритмите за машинно обучение всъщност са субективни и тяхната полезност зависи до голяма степен от това колко добри и представителни са входните данни.
Имайки предвид примера за лицево разпознаване в реалния свят, студентите екстраполират за приложенията на машинното обучение с положително въздействие. В нашия пилотен клас учениците представиха интересни идеи като приложение за идентификация на растения или софтуер за идентификация на тумори, за да освободят времето на лекарите.
Но краят на урока не е краят на ученето! Направихме „интерактивен урок + тест“, за да ангажираме допълнително отделните ученици и да консолидираме тяхното обучение. След като завършат теста, те ще спечелят значка, която да добавят към своето „AI Journey“, където виждат всички курсове, които са завършили на нашия сайт.
Моля, вижте пълния план на урока тук (безплатно след създаване на акаунт!).
Ако имате въпроси, не се колебайте да се свържете с мен на [email protected].
