Metodický materiál AI pro interaktivní příběh

Metodický materiál AI pro děti

• Materiál vypracovala: Eva Nečasová
• Metodická konzultantka: Anna Babanová
• Odborní garanti: Mikuláš Zelinka, Pavel Kordík, Radovan Lupták, Ondřej Lukáš, Lucie Borovičková, Bertík Ullrich, Ondřej Foltýn
• Jazyková korektura: Marcela Wimmerová

Pilotní vzdělávací program Umělá inteligence

• Realizován Pražským inovačním institutem v rámci projektu iKAP II
• Registrační číslo: CZ.02.3.68/0.0/0.0/19_078/0021106

Interaktivní příběh William & Meriwether

• Cílem je přiblížit fungování umělé inteligence
• Koncipován ve struktuře E-U-R
• Žáci hrají roli robotických průzkumníků, kteří sbírají poznatky o dávno zaniklé lidské civilizaci
• Slouží k otevření tématu umělé inteligence na základních školách

Základní informace o příběhu

• Příběh se odehrává na Zemi více než 10 tisíc let po vyhynutí lidstva
• Robotí společenství vysílá své dva zástupce - Williama a Meriwethera - na dobrodružnou výpravu za Velkou zeď
• Příběh je koncipován jako webové stránky a funguje v prohlížeči (testováno na Chrome a Edge)

Dostupnost a formaty

• Ideální zařízeními jsou PC, notebook nebo Chromebook
• Není třeba nic instalovat ani se přihlašovat
• Příběh má celkem 29 webových stránek
• Vhodné pro 6.-9. třídy

Dovednosti a znalosti žáků

• Základní obsluha počítače
• Chápat strukturu složek a vědět, kam se ukládají soubory
• Znát základní operace (drag and drop, copy and paste)
• Umět rozbalit ZIP soubor
• Zvládnout základní obsluhu prohlížeče

Jak děti vidí AI

• Průzkum provedený mezi žáky 4.-9. třídy ZŠ v České republice
• Hlavní zjištění:
  • Děti nezmiňují úlohu dat.
  • Často vnímají AI jako deterministický algoritmus.
  • AI polidšťují.

Slovníček pojmů

• Inteligence: schopnost učit se, porozumět a přizpůsobovat se novým situacím
• Umělá inteligence: systém, který simuluje lidské myšlení a akce
• Strojové učení:.metoda, která umožňuje systémům umělé inteligence, aby se učily ze zkušeností
• Model strojového učení: produktem strojového učení
• Dataset: velké množství dat, které se používají pro trénování modelů strojového učení
• Big data: různorodá data v mnoha formátech, lišící se velikostí a strukturou
• Předpojatost: špatně připravená data nebo jejich nedostatek mohou způsobit, že umělá inteligence bude určitým způsobem předpojatá### Vyučovací hodina
• Strojové učení je jeden ze způsobů, jak se umělá inteligence učí
• Model strojového učení rozpoznává vzory v datech a je natrénován pomocí datasetu
• Dataset je anotovaná a roztříděná data

Pojmy

• Strojové učení: jedna z metod, díky níž se umělá inteligence učí
• Model strojového učení: program, který se naučí v různých datech rozpoznávat vzory
• Dataset: anotovaná a roztříděná data

Roboti.gg

• Expedice.roboti.gg: interaktivní příběh o dvou robotech, díky němuž porozumíme základům strojového učení
• Žáci a žačky musí vybrat obrázky rýče a klobouku a stisknout tlačítko JDI!
• Expedice.roboti.gg/heslo: žáci a žačky musí vybrat obrázky rýče a klobouku a stisknout tlačítko JDI!
• Expedice.roboti.gg/zaciname: seznámení s roboty, uvedení do příběhu
• Expedice.roboti.gg/strojove-uceni: vysvětlení pojmů strojového učení a modelu strojového učení

Strojové učení

• Strojové učení s učitelem: lidská pomoc umělé inteligenci "porozumět" tomu, co "vidí"
• Data: různorodá, nesetříděná data
• Dataset: anotovaná, roztříděná data

Příklady

• Rozpoznávání koček a psů: model strojového učení rozpoznává vzory v datech a s jistotou blížící se k 100 % rozpoznává kočky a psy
• Třídění vzorků ryb: žáci a žačky musí třídit malé a velké ryby do správných boxíků tak, aby jich byl vyvážený počet

Inovace ve vzdělávání

• Projekt iKAP II: Vznik metodiky podpořil Pražský inovační institut v rámci projektu iKAP II — Inovace ve vzdělávání.

• Registrační číslo: CZ.02.3.68/0.0/0.0/19_078/0021106.### Strojové učení

• Model strojového učení rozpoznává věci z reálného světa pomocí kamery (pokud je k dispozici)

• Reflexe: 5 minut

Vytváření modelu

• V první fázi získáváme data (obrázky)
• Ve fázi anotace dat jsou rozdělovány do kategorií (tříd, classes)
• Takto rozdělená data jsou předkládána modelu strojového učení a model je tzv. trénován
• V testovací fázi ukazujeme modelu obrázky, které nikdy neviděl, a hledá vzory, které identifikoval v trénovací fázi

Rozdíl mezi daty a datasetem

• Data: různorodá, nesetříděná data
• Dataset: anotovaná, roztříděná data

Odkazy

• Projekt iKAP II — Inovace ve vzdělávání
• Registrační číslo: CZ.02.3.68/0.0/0.0/19_078/0021106