I projektet utvecklas olika verktyg och resurser som är särskilt utformade för barn och ungdomar. Det första verktyget är "GenAI lärbar maskin", som är ett förenklat exempel på övervakad maskininlärning.

Applikationen är implementerad så att bilder som laddas upp inte överförs någon annanstans från webbläsaren. Det är ett säkrare sätt att närma sig världen för maskininlärning och artificiell intelligens än kommersiella motsvarigheter just av denna anledning.

Starta GenAI bildklassificerare härifrån

Maskininlärning i vårt dagliga liv:

Den här applikationen är faktiskt en klassificerare

När det gäller maskininlärning fokuserar vi på den här kursen främst på övervakad maskininlärning och särskilt på ett av dess delområden, nämligen klassificering. Vid klassificering observerar vi en ingång, såsom en bild av ett trafikskylte, och försöker dra slutsatser om dess klass, såsom trafikskyltes syfte. Andra klassificeringsproblem inkluderar att identifiera falska konton på Twitter (ingången kan vara en lista över följare och information om hur snabbt följare har samlats in och klassen är antingen "falskt konto" eller "autentiskt konto") samt igenkänning av handskrivna siffror (ingången är en bild och klassen är en siffra mellan 0, 1, …, 9).

Från Elements of AI onlinekurs, avsnittet om klassificering på sidan som behandlar maskininlärning https://course.elementsofai.com/fi/4/1

Applikationens användargränssnitt

I praktiken lär användaren artificiell intelligens applikationen övervakad med hjälp av träningsdata. Träningsdata är material som användaren själv förbereder. I praktiken är materialet för den här applikationen bilder som kan hämtas från internetbildbibliotek eller fotograferas med en webbkamera.

Obs! Applikationen är utformad så att den kan användas på datorn samt även på tablet och telefon.

Starta GenAI lärbar maskin härifrån

A. Huvudvyn: GenAI lärbar maskin

Den här huvudvyn innehåller fem olika steg som vägleder användaren att göra en övervakad maskininlärningsmodell. De här stegen beskrivs nedan tillsammans med skärmbilder.

Obs! Längst upp på klassificeraren finns en spara-knapp med vilken du kan spara klassificeraren lokalt på din dator!

GenAI applikationens huvudvy

1. Steg: Skapa klasser och lägg till träningsdata

I bilden ovan finns ett enkelt exempel på sten-papper-sax som alla förstår att dess material är uppdelat i tre kategorier (klasser): sten, papper och sax. Dessutom finns det en fjärde klass, tom, som inte innehåller sten, papper eller sax. Detta utgör tillsammans träningsdata som används för att lära artificiell intelligens. Gör så här:

  • Dela upp det material som ska läras artificiell intelligens in i klasser, som till exempel kan vara tom, sax, papper, sten.
  • Lägg till klasser i GenAI applikationen och namnge dem.
  • Importera en tillräcklig mängd träningsdata till varje klass, genom vilken artificiell intelligens kommer att lära sig hur till exempel sten i sten-papper-sax exemplet ser ut. Det kan göras med en kamera eller fördefinierade bilder.

2. Steg: Lär maskininlärningsmodellen det material som läggs till i steg 1.

GenAI klassificeraren är baserad på övervakad inlärning. Du skapade precis klasser och importerade det nödvändiga träningsdata till dem. I det här steget tränas artificiell intelligens att känna igen skillnader och likheter mellan material uppdelat i olika klasser. Du behöver inte göra något annat än att trycka på knappen.

  • Tryck på knappen "träna klassificerare" och vänta tills "klassificerare tränad" visas.

3. Steg: Kontrollera hur klassificeraren som du just tränade fungerar?

Nu är det dags att utforska hur den övervakad tränade maskininlärningsmodellen fungerar? Kan den skilja mellan sten, papper och sax från varandra? Det ser du enkelt från procentstaplarna under "inmatning" kamerafönstret. Du kan gå tillbaka till steg 1 och förbättra träningsdata om igenkänningen är osäker eller om den till och med klassificerar fel. Om du ändrar träningsdata måste du också träna genom att trycka på "träna klassificerare"

  • För att veta om artificiell intelligens fungerar korrekt måste den testas. Testning görs genom att visa modellen en ny bild från de klassificerade innehållen. I användargränssnittsbilden har jag visat "saxgesten" för kameran med fingrarna (syns i inmatningsdelen).
  • Se klassificeringens säkerhet från procentstaplarna under "inmatning" skärmen. Du kan vid behov korrigera din modell genom att gå tillbaka till träningsdata (steg 1) och träna artificiell intelligens igen (steg 2)
  • När du är nöjd med klassificeraren trycker du på "nästa / next" och går till nästa steg

4. steg: Planera hur klassificeraren reagerar på sin observation

I det här steget kan du planera hur klassificeraren reagerar när den har noterat klassificerad data i inmatningen. Till exempel kan du planera hur GenAI klassificeraren reagerar när den noterar sax, papper, sten eller sax?

Du kan lägga till följande innehål:

  • Bild: du kan lägga till (eller dra) en bild, som också kan vara en animerad gif
  • Ljud: du kan lägga till eller spela in en ljudfil
  • Text: du kan lägga till text och formatera den med grundläggande verktyg
  • Länk: du kan lägga till till exempel en YouTube-video eller annat webinnehål (blockerat när inställningen är 4-9 klass i applikationens inställningar)

5. steg: Resultat

Det här "resultat" fönstret innehåller en förhandsgranskning av hur de olika funktionerna ser ut. I bilden har klassificeraren noterat "saxgesten" och visar både saxen som gif-animation och som text.

  • Obs! När du trycker på "deploy" knappen växlar du till helskärmläge.

B. Avslutningsvy: artificiell intelligens dold

"Applikationen" i helskärmläge och artificiell intelligens dold

I helskärmläge är själva artificiell intelligensen redan dold på samma sätt som den är dold till exempel i robotdammsugare, sociala medier eller till och med i bilar.

  • Du kan använda maskininlärningsmodellen antingen via webbkamera eller bildfiler (fältet längst ner).
  • Kameraförhandsvisningsfönstret underlättar användningen av webbkameran
  • Dessutom kan du justera volymen.
Starta GenAI bildklassificerare härifrån