Kurikulum umělé inteligence pro základní a střední školy

AI v informatice na 1. stupni

Ju a Pí na nákupu

Předpojatost
Lekce 07

Přepojatost

Aby roboti věděli, na co se zrovna dívají, musíme jim ukázat spousty a spousty věcí a pojmenovat je. Jenže když ukážeme robotům špatné příklady nebo jim jich dáme příliš málo, jsou občas popletení. Tentokrát děti čeká dobrodružství v supermarketu!

Jak lekce probíhá

Lekce začíná příběhem, ve kterém se roboti Ju a Pí vydávají na nákup s úkolem přinést jablka a ananas. Přestože mají odborné knihy plné informací, nejsou schopni najít ovoce, protože očekávají, že budou hledat jabloně (stromy) nebo keř plný ananasů. Učitel vede diskuzi o tom, jak si lidé vytvářejí představy na základě různorodých zkušeností a příkladů, zatímco stroje se učí pouze z dat, která jim poskytneme. Děti se zamýšlejí nad tím, jaké různé podoby může mít jablko nebo ananas a jak by mohlo být obtížné rozpoznat je, pokud model nebyl trénován na dostatečně rozmanité sadě obrázků. V praktické aktivitě si žáci zkoušejí trénovat vlastní model strojového učení pomocí aplikace Teachable Machine – připravují trénovací sadu a poté testují, jak dobře model rozpoznává různé objekty. Následuje diskuze o tom, jak předpojatost vzniká a jak může ovlivnit rozhodování AI systémů, například v rozpoznávání obličejů nebo v doporučovacích algoritmech. Lekce končí reflexí, kde děti sdílejí své postřehy a diskutují o tom, jak by bylo možné zlepšit modely strojového učení tím, že jim poskytneme kvalitnější a rozmanitější data.

Informace o lekci

Dotace a ročníky

45—90 minut, 3.—5. ročníky ZŠ

Pomůcky

Pedagog: projekční zařízení a prezentaci k promítnutí, fotoaparát
Žáci: potřeby na tvůrčí činnost, zařízení do skupin

Stavební kameny

Předpojatost

Co se žáci učí

Pokud připravíme špatná data, ze kterých se počítače učí rozpoznávat různé věci, tak je tyto počítače také špatně rozpoznávají.

Proč se to učí

Na základě porozumění konceptu předpojatosti kriticky posuzují fungování systému umělé inteligence.

Jak poznáme, že se to naučili

Připraví data pro trénink modelu strojového učení a otestují, zda model dokáže s těmito daty správně rozpoznávat různé věci.

Výstupy RVP

Informatika:
Data, informace a modelování:
I-5-1-01 uvede příklady dat, která ho obklopují a která mu mohou pomoci lépe se rozhodnout; vyslovuje odpovědi na základě dat
I-5-1-03 vyčte informace z daného modelu

Bloomova taxonomie

Zapamatování: Žáci vysvětlí pojem předpojatost.
Aplikace: Připraví data pro trénink modelu strojového učení.
Hodnotit: Vyhodnotí fungování modelu strojového učení.

Digitální kompetence

Informace a komunikace

Bloomova taxonomie

Aplikace: Žáci připraví data pro trénink modelu strojového učení.
Analýza: Analyzují, jak kvalita a rozmanitost tréninkových dat ovlivňují přesnost modelu.
Hodnocení: Vyhodnotí fungování modelu strojového učení.

Pět velkých myšlenek

2-A-IV Reprezentace (příznakové vektory)
2-C-II Usuzování (usuzovací algoritmy)
3-A-VI Podstata učení (učení se ze zkušenosti)
3-C-III Datové sady (předpojatost)

Metodický materiál

Verze: 03
Počet pilotáží: 02
Poslední aktualizace: 01/2025

Autorka: Bára Karpíšková
Koncepce: Eva Nečasová
Garanti: Zbyněk Filipi, Tomáš Mlynář, Pavel Kordík
Výtvarné zpracování: Jindra Janíček
Jazyková korektura: Marcela Wimmerová