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!
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.
45—90 minut, 3.—5. ročníky ZŠ
Pedagog: projekční zařízení a prezentaci k promítnutí, fotoaparát
Žáci: potřeby na tvůrčí činnost, zařízení do skupin
Předpojatost
Pokud připravíme špatná data, ze kterých se počítače učí rozpoznávat různé věci, tak je tyto počítače také špatně rozpoznávají.
Na základě porozumění konceptu předpojatosti kriticky posuzují fungování systému umělé inteligence.
Připraví data pro trénink modelu strojového učení a otestují, zda model dokáže s těmito daty správně rozpoznávat různé věci.
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
Zapamatování: Žáci vysvětlí pojem předpojatost.
Aplikace: Připraví data pro trénink modelu strojového učení.
Hodnotit: Vyhodnotí fungování modelu strojového učení.
Informace a komunikace
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.
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)