Kurikulum umělé inteligence pro základní a střední školy

Umelá inteligencia v informatike na úrovni 1

Ju a Pi na nákupoch

Predsudky
Lekcia 07

Prepojenie

Aby roboty vedeli, na čo sa pozerajú, musíme im ukázať veľa vecí a pomenovať ich. Keď však robotom ukážeme nesprávne príklady alebo im ich dáme príliš málo, niekedy sú zmätené. Tentoraz deti čaká dobrodružstvo v supermarkete!

Ako lekcia funguje

Hodina sa začína príbehom, v ktorom sa roboti Ju a Pi vyberú na nákup s úlohou priniesť jablká a ananásy. Hoci majú odborné knihy plné informácií, nedokážu nájsť ovocie, pretože očakávajú, že nájdu jablone alebo ker plný ananásov. Učiteľ vedie diskusiu o tom, že ľudia si vytvárajú predstavy na základe rôznych skúseností a príkladov, zatiaľ čo stroje sa učia len z údajov, ktoré im poskytneme. Deti uvažujú o tom, aké rôzne podoby môže mať jablko alebo ananás a ako môže byť ťažké ich rozpoznať, ak model nebol vycvičený na dostatočne rôznorodom súbore obrázkov. V praktickej činnosti si žiaci vyskúšajú natrénovať vlastný model strojového učenia pomocou aplikácie Teachable Machine - pripravia si tréningovú sadu a potom otestujú, ako dobre model rozpoznáva rôzne objekty. Potom nasleduje diskusia o tom, ako vzniká skreslenie a ako môže ovplyvniť rozhodovanie systémov umelej inteligencie, napríklad pri rozpoznávaní tvárí alebo odporúčacích algoritmoch. Hodina sa končí reflexiou, v ktorej sa deti podelia o svoje postrehy a diskutujú o tom, ako by sa modely strojového učenia mohli zlepšiť poskytnutím lepších a rozmanitejších údajov.

Informácie o lekcii

Dotácie a roky

45-90 minút, 3.-5. ročník základnej školy

Pomôcky

Učiteľ: premietacie zariadenie a prezentácia na premietanie, kamera
Žiaci: vybavenie na tvorivé aktivity, vybavenie na skupinové aktivity

Stavebné kamene

Predsudky

Čo sa žiaci naučia

Ak pripravíme zlé údaje, na základe ktorých sa počítače naučia rozpoznávať veci, potom ich tieto počítače tiež rozpoznávajú zle.

Prečo sa to učí

Na základe pochopenia konceptu zaujatosti kriticky hodnotia fungovanie systému umelej inteligencie.

Ako zistíme, či sa naučili

Pripravia údaje na trénovanie modelu strojového učenia a otestujú, či model dokáže správne rozpoznať veci pomocou týchto údajov.

Výstupy RVP

Informatika:
Údaje, informácie a modelovanie:
I-5-1-01 uvádza príklady údajov zo svojho okolia, ktoré mu môžu pomôcť lepšie sa rozhodovať; vyjadruje odpovede na základe údajov
I-5-1-03 získava informácie z daného modelu

Bloomova taxonómia

Zapamätanie: žiaci vysvetlia pojem zaujatosť.
Aplikácia: pripravuje údaje na trénovanie modelu strojového učenia.
Hodnotenie: Vyhodnoťte výkonnosť modelu strojového učenia.

Digitálne kompetencie

Informácie a komunikácia

Bloomova taxonómia

Aplikácia: Študenti pripravia údaje na trénovanie modelu strojového učenia.
Analýza: Žiaci analyzujú, ako kvalita a rôznorodosť trénovaných údajov ovplyvňuje presnosť modelu.
Vyhodnotenie: Vyhodnotia výkonnosť modelu strojového učenia.

Päť veľkých myšlienok

2-A-IV Reprezentácia (vektory príznakov)
2-C-II Odvodzovanie (odvodzovacie algoritmy)
3-A-VI Povaha učenia (učenie zo skúseností)
3-C-III Súbory údajov (skreslenie)

Metodický materiál

Verzia: 03
Počet pilotov: 02
Posledná aktualizácia: 01/2025

Autor: Bára Karpíšková
Koncept: Eva Nečasová
Garanti: Zbyněk Filipi, Tomáš Mlynář, Pavel Kordík
Grafická úprava: Jindra Janíček
Jazyková korektúra: Marcela Wimmerová