Γ’ Γυμνασίου – Ενότητα 4

• διερευνά και να προγραμματίζει σε ειδικά εκπαιδευτικά προγραμματιστικά περιβάλλοντα απλές εφαρμογές Τεχνητής Νοημοσύνης
• αναγνωρίζει τα βασικά χαρακτηριστικά και τη λειτουργία ενός νευρωνικού δικτύου
• αναπτύσσει εφαρμογές Τεχνητής Νοημοσύνης για κινητά τηλέφωνα ή ταμπλέτες.

Είναι πολύ σημαντικό να αναγνωρίσουν οι μαθητές και οι μαθήτριες τον μηχανισμό λειτουργίας ενός νευρωνικού δικτύου, ώστε να καταλάβουν ότι όλα αυτά τα εργαλεία που χαρακτηρίζονται ως εργαλεία Τεχνητής Νοημοσύνης, στην ουσία δεν σκέφτονται, αλλά προσπαθούν να ικανοποιήσουν προσεγγιστικά τον υπολογισμό μια συνάρτησης. Ανάλογα με το αποτέλεσμα που απαιτείται, διορθώνουν λίγο τα βάρη, μέχρι να πλησιάσουν πολύ κοντά σε αυτό που θέλουν. Έχουν δηλαδή, έναν αντίστροφο μηχανισμό, ο οποίος «μαθαίνει» από το αποτέλεσμα και διορθώνει ανάλογα τις παραμέτρους (βάρη) του νευρωνικού δικτύου.

Ο αλγόριθμος με τον οποίο γίνεται αυτό (Gradient Descent) μπορεί να εξηγηθεί με απλοποιημένο τρόπο στα παιδιά αλλά ξεφεύγει από τους σκοπούς του μαθήματος της Πληροφορικής στο Γυμνάσιο.

Αν ο/η εκπαιδευτικός θεωρεί ότι το σχήμα με τα βάρη-μεταβλητές θα δυσκολέψει τα παιδιά, μπορεί να χρησιμοποιήσει το παρακάτω σχήμα, όπου έχουμε θέσει απευθείας τις τιμές των εισόδων και των βαρών:

Θέλουμε Σ>0 άρα σκεφτόμαστε τι αλλαγές να κάνουμε στα βάρη ώστε να έχουμε αυτό το αποτέλεσμα.

Αν θέλουμε να εξηγήσουμε στους μαθητές και τις μαθήτριες την έννοια του βάρους, μπορούμε να δώσουμε ένα παράδειγμα από τον σταθμισμένο μέσο όρο των μαθημάτων, όπου κάποια μαθήματα έχουν διαφορετικό συντελεστή ανάλογα με τη βαρύτητα που έχουν.

Για παράδειγμα έστω οι παρακάτω βαθμοί:

Ο τελικός βαθμός είναι :

Πώς πρέπει να τροποποιήσουμε τους συντελεστές ώστε το 14 να γίνει 16; Προσοχή, το άθροισμα των συντελεστών πρέπει να παραμείνει 5, ώστε να έχουμε σωστό υπολογισμό του σταθμισμένου όρου. Έτσι, αν αυξήσουμε έναν συντελεστή κατά 0,5 θα πρέπει να μειώσουμε κάποιον άλλο κατά το ίδιο.

Αν μειώσουμε τη βαρύτητα της Ιστορίας σε 0,5 και αυξήσουμε τη Φυσική σε 1,5 έχουμε :

Είδαμε τι αποτέλεσμα θέλαμε και σκεφτήκαμε αντίστροφα, τροποποιώντας τις βαρύτητες των μαθημάτων, ώστε να πάρουμε αυτό που θέλουμε. Σαν να αλλάζουμε τους κανόνες ενός παιχνιδιού για να κερδίζουμε εμείς.

Στη συνέχεια, αναπτύσσουμε μια απλή εφαρμογή μηχανικής μάθησης για κινητό με χρήση του App Inventor. Λαμβάνοντας υπόψη το πλαίσιο χρήσης των κινητών τηλεφώνων, ο/η εκπαιδευτικός μπορεί να κάνει επίδειξη της εφαρμογής και οι μαθητές και οι μαθήτριες να την υλοποιήσουν ως άσκηση στο σπίτι ή να χρησιμοποιήσουν tablet του εργαστηρίου υπολογιστών.

Η βιβλιοθήκη Look1 δεν χρειάζεται εκπαίδευση. Αναγνωρίζει αντικείμενα από φωτογραφία του κινητού. Οι μαθητές και οι μαθήτριες θα χρειαστεί να έχουν κατεβάσει στο κινητό ή στο tablet την εφαρμογή MIT AI2 Companion.

Προτείνεται η ανάπτυξη της εφαρμογής να γίνει βήμα-βήμα όπως δίνεται και στο υλικό, και όχι να δοθεί αμέσως ο τελικός κώδικας στους μαθητές και τις μαθήτριες.

Στο τέλος, αν υπάρχει χρόνος προτείνεται να χρησιμοποιηθεί η βιβλιοθήκη PersonalImageClassifier, αν θέλουμε να εκπαιδεύσουμε το δικό μας νευρωνικό δίκτυο, ώστε να αναγνωρίζει συγκεκριμένου τύπου εικόνες. Μπορούμε, επίσης, να ζητήσουμε από τους μαθητές και τις μαθήτριες να σκεφτούν και να υλοποιήσουν μια χρήσιμη εφαρμογή για την καθημερινότητά τους.

Σε περίπτωση που ο/η εκπαιδευτικός θεωρεί ότι η χρήση του App Inventor ίσως δυσκολέψει τα παιδιά ή δεν έχει επαρκή χρόνο, προτείνεται εναλλακτικά η υλοποίηση μιας απλής δραστηριότητας από την εκπαιδευτική ιστοσελίδα machine learning for kids.