Bakgrundsinformation om lärmaskinen
Lärmaskinen är den första applikation som utvecklats i vårt projekt och är speciellt utformad för användning av barn i grundskolan. Vårt projekts mål är att få elever, lärare och lärarstudenter att förstå säkerhetsfrågor, teknologier och modeller relaterade till artificiell intelligens/maskininlärning genom experiment och uppfinningar. All utvecklingsarbete är baserad på högkvalitativ internationell forskning.
I samband med utvecklingen av lärmaskinen har skolförsök genomförts i Joensuu och Oulu, med deltagande av flera hundra elever från årskurs 4 och 9. Med hjälp av erfarenheterna som erhölls har applikationen utvecklats vidare. Vi har publicerat undervisingsmaterial för denna applikation, som finns på adressen: https://www.generation-ai-stn.fi/materiaalit
Du kan använda applikationen på vilken enhet som helst
Applikationerna som utvecklas inom Generation AI-projektet är responsiva, vilket betyder att de fungerar på datorer, surfplattor och smartphones.
Du kan alltså välja en enhet som passar dig och använda lärmaskinen på den.
A. Lägga till träningsdata och lära artificiell intelligens: startskärm eller tom lärmaskinn
Lärmaskinen som utvecklats inom Generation AI-projektet representerar övervakad maskininlärning.
Träningsdata: I praktiken betyder detta att när träningsdata matas in, tillhandahålls även information om vilken kategori den tillagda bilden tillhör. OBS! Träningsdata kan samlas in tillsammans! Bakom de tre punkterna finns en funktion med vilken du kan lägga till t.ex. telefoner till arbetet.
Träning: Efter att träningsdata har matats in tränar den artificiella intelligensen med detta material och försöker ändra sitt neuralt nätverk så att det kan generalisera det den lärt sig till helt externt material.
Inmatning: Genom detta kan du visa den artificiella intelligensen bilder utanför träningsdatan. Den artificiella intelligensen bör kunna känna igen t.ex. katter och hundar när du sorterar, kanske en slumpmässig katt som hittades på nätet eller granngrannes pudel som du får i kameran.
Klassificerare: Från detta kan du se hur säker lärmaskinen är på att känna igen indatainnehållet som tillhörande någon av träningsdatakategorierna.
A. Lägga till träningsdata och lära artificiell intelligens: exempelmaterial
Exempelmaterialets träningsdata: I detta exempelmaterial är träningsdatan uppdelad i tre kategorier: 1) människa i spotlight; 2) illustrerad människa (dvs. en människa i en lärobok); 3) pinne-figur (linjritning). I detta fall har träningsdata hämtats från nätet, men det kan också fotograferas med en kamera.
Träning: I det här exemplet har träningsdatan redan lärt den artificiella intelligensen. Om ändringar gjordes av träningsdatan, skulle den artificiella intelligensen behöva tränas genom att trycka på knappen "träna klassificeraren".
Inmatning: Inmatningen innehåller en webbkameravy och en person är synlig i den bilden.
Klassificerare: Den artificiella intelligensen är 100% säker på att det är klassen "människa i spotlight".
B. Skapande av åtgärdskort: exempelmaterial
I vårt projekt har vi utvecklat ett enkelt sätt att implementera en synlig reaktion för användaren på bilden som klassificeraren känner igen - åtgärdskort.
Ett åtgärdskort kan innehålla följande innehåll: a) text; b) musik eller tal inspelat i applikationen; c) bild; d) Youtube-video eller liknande innehål.
Hittills har åtgärdskortsdelen saknats i lärmaskinerna riktade till barn i grundskolan.
Detta har gjort det svårt att använda lärmaskinerna pedagogiskt, eftersom maskininlärningsmodellerna har varit tvungna att överföras till något programkerings- eller robotikverktyg för att även enkla funktioner ska kunna implementeras. Enligt internationell forskning har detta ofta uppfattats som svårt och direkt hinder bland lärare.
Funktionsprincip
Lärmaskinen baseras på djupt lärande och neurala nätverk
Applikationen baseras på Googles utvecklade open source tensorflow-teknik. Detta är en maskininlärningsteknologi baserad på djupt lärande som används i stor utsträckning bl.a. i IT-applikationer och olika vardagsmaskiner och enheter.
Djupt lärande (Deep Learning) är en typ av maskininlärning baserad på artificiella neurala nätverk, där algoritmer konstrueras skiktvis för att skapa ett djupt neuralt nätverk. Det artificiella neurala nätverket lär sig och kan fatta intelligenta beslut på egen hand.
Djupt lärande representerar artificiell intelligens funktionering dvs. resonemangstekniker, men dessutom måste artificiell intelligens också tränas. De mest vanliga tillvagagångssätten för träning är 1) övervakad inlärning, 2) oövervakad inlärning och 3) förstärkningsinlärning.
Generation AI lärmaskinen lär sig under övervakning
Lärmaskinen som utvecklats i vårt projekt lär sig genom att träningsdata matas in till den. Det är kopplat till information om vilken kategori eller klass den bör tillhöra.
Efter att träningsdata har matats in tränar den artificiella intelligensen med detta material och försöker ändra sitt neurala nätverk så att det kan generalisera det den lärt sig till helt externt material.
Hur kan lärmaskinen fungera på en telefon?
Du kanske har använt lärmaskinen vi utvecklat på en smartphone eller surfplatta. Visste du att den artificiella intelligensen dvs. maskininlärningsmodellen laddas in i enhetens minne för användning och de komplicerade beräkningarna utförs i enheten?
Men faktiskt börjar vår lärmaskinen inte allt från början, utan den använder sig av en mycket populär maskininlärningsteknologi som kallas transferinlärning. Med andra ord är en betydande del av applikationens artificiella intelligens redan tränad och nu utnyttjas den för att lösa ett nytt problem.
Transferinlärning gör det möjligt för lärmaskinen att fungera på vilken smartphone, surfplatta eller dator som helst. Du behöver inte ens en internetanslutning. Maskininlärningsmodellen laddas in på enheten och bara det första lagret av det neurala nätverket tränas på ny data.
Hur är lärmaskinen praktiskt implementerad dvs. hur fungerar appen?
Applikationen baseras på node.js (javascript) programmeringsverktyg, npm pakethantering och react användargränssnittsbibliotek. Applikationens olika funktioner kan användas tillsammans från olika enheter, vilket i sin tur implementeras med WebRTC-teknik och projektets egen signaleringserver.
Kombinationen av dessa verktyg säkerställer att GenAI lärmaskinen uppfyller de moderna tillgänglighets-, användbarhets- och responsivitetskrav som ställs på en webbapplikation.
När användaren startar lärmaskinen startar artificiell intelligens programvara i webbläsaren (representerar övervakad djupt lärande, baserad på transferinlärning, maskininlärningsmodell), som laddar en tidigare tränad Tensorflow-modell in i enheten för användning. Som redan nämnts tränar användaren bara ett litet ytskikt när han använder applikationen.
Mer information
Läs mer om artificiella neuronnät och djupinlärning på den kostnadsfria kursen Elements of AI: https://course.elementsofai.com/sv/
