Metodika William & Meriwether PDF 2022/2023

metodický materiál AI dětem a časopisu Raketa k interaktivnímu příběhu William & Meriwether Materiál vypracovala: Eva Nečasová připomínkovací Metodická konzultantka: Anna Babanová Odborní garanti: Mikuláš Zelinka, Pavel...

metodický materiál AI dětem a časopisu Raketa k interaktivnímu příběhu William & Meriwether Materiál vypracovala: Eva Nečasová připomínkovací Metodická konzultantka: Anna Babanová Odborní garanti: Mikuláš Zelinka, Pavel Kordík, Radovan Lupták, formulář —→ Ondřej Lukáš, Lucie Borovičková, Bertík Ullrich, Ondřej Foltýn verze Výstupy RVP doplnila: Anna Drobná pro pilotáž Jazyková korektura: Marcela Wimmerová 04/2023 1/3 roboti.gg Pilotní vzdělávací program Umělá inteligence do základních škol 2022/23 realizuje Pražský inovační institut v rámci projektu iKAP II — Inovace ve vzdělávání. Registrační číslo: CZ.02.3.68/0.0/0.0/19_078/0021106.  Pro Úvod lekce učitelky Metodika 1/3 William & Meriwether a učitele Metodický materiál pro práci s interaktivním příběhem William & Meriwether Slovo úvodem Vážená paní učitelko, vážený pane učiteli, dostává se vám do rukou metodický materiál, který vás provede interaktivním příběhem William & Meriwether. Ten vznikl s cílem přiblížit vám fungování umělé inteligence a je koncipován ve struktuře E-U-R. V příběhu se žáci v roli robotích průzkumníků vydávají na neprobádaná území za Velkou zdí, aby pomocí nástrojů umělé inteligence posbírali poznatky o dávno zaniklé lidské civilizaci. Slouží k otevření tématu umělé inteligence na základních školách. Doufáme, že vám i žákům přinesou vědění i zábavu! — tým iniciativy AI dětem a časopisu Raketa Příběh vznikl na základě knihy Podivuhodná robotí expedice autorské dvojice Jindřicha Janíčka a Taťány Rubášové, kterou v Česku vydalo nakladatelství Labyrint a Take Take Take. Děkujeme autorům a nakladatelům, že s důvěrou a nezištně zapůjčili příběh i krásné ilustrace pro náš interaktivní příběh. Budeme moc rádi, pokud je podpoříte nákupem knih nebo třeba předplatným časopisu Raketa. Informace o lekci Celkový čas 60 přípravy na lekci minut Ročníky, časová dotace Výstupy RVP — Informatika 6. až 9. ročníky ZŠ, 45 minut (1/3 částí) — I-9-1-01 získá z dat informace, interpretuje data, odhaluje chyby v cizích interpretacích dat Výukové cíle — I-9-4-01 diskutuje o fungování digitálních technologií určujících 1) Žáci a žačky definují pojmy strojové učení, model strojového trendy ve světě učení a dataset. 2) Popíší proces trénování a testování modelu strojového učení. Učivo — data, informace: získávání, vyhledávání a ukládání dat obecně Aktivity a v počítači; proces komunikace, kompletnost dat, časté chyby 1) Žačky a žáci diskutují na téma inteligence a učení. při interpretaci dat 2) Procházejí první částí interaktivního příběhu William & Meriwether. — hardware a software: fungování nových technologií kolem žáka 3) Natrénují model strojového učení v aplikaci Teachable Machine. Digitální kompetence 4) Na konci lekce diskutují o tématu strojového učení. — ovládá běžně používaná digitální zařízení, aplikace a služby; využívá je při učení i při zapojení se do života školy a do společnosti; Pomůcky — chápe význam digitálních technologií pro lidskou společnost, Stolní počítač / notebook / Chromebook, připojení k internetu seznamuje se s novými technologiemi Na stránkách je technický problém, který vyžaduje okamžité řešení? Volejte Evě Nečasové: 777 570 836. Pokud jste narazili na nefunkčnost (a nespěchá to), prosíme, pište na [email protected]. roboti.gg 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. 2  Pro Zdroje pro přípravu učitelky Metodika 1/3 William & Meriwether a učitele Úvodem Základní informace Formáty provedení expedice.roboti.gg Ideální formát provedení Na této adrese se příběh nachází. Doména.gg je zkratkou 3 Každou vyučovací hodinu otevírá vyučovací pro Good Game, což děti rády slyší. hodiny i uzavírá krátká diskuze, která potvrzuje, že došlo ke splnění výukových cílů. V tomto formátu zvládne provést příběhem pouze jeden pedagog (i bez Zařízení informatického vzdělání). Funkční formát provedení 1 Nejčastěji byl příběh testován v rámci projektový den projektového dne. To ale vyžaduje účast není optima- notebook, optimalizováno více pedagogů, protože každý žák lizováno Chromebook nebo pouze pro iPad, postupuje jinou rychlostí, a je tedy třeba pro mobilní PC jsou ideálním ne pro tablety individuálních konzultací. Při 30 žácích byl zařízení zařízením s OS Android ideální počet pedagogů 4. Příběh není optimalizován pro mobilní zařízení ani pro tablety se systémem Android. Časová dotace dle věku žáků (na celý příběh) Na iPad je třeba předem nainstalovat aplikaci Teachable Dle zkušeností, které jsme získali během testování, vyplývá, Machine, jinak funguje bez problémů. že žáci nemají problém s pochopením aktivit, kvízů či Ideálními zařízeními jsou PC, notebook nebo Chromebook. her. Mladší žáci (4. a 5. ročník) si ojediněle stěžovali na Není třeba nic instalovat ani se přihlašovat. náročnost čtení. 4. třída — 4 hod. Jak to funguje 5. třída — 3,5 hod. Příběh je koncipován jako webové stránky a funguje 6. třída — 2,5 hod. v prohlížeči (testováno na Chrome a Edge). Žáci příběhem 7. třída — 2 hod. postupují po jednotlivých stránkách, dál se vždy dostanou 8. třída — 1,5 hod. klikem na tlačítko. Interaktivními prvky příběhu jsou kvízy, 9. třída — 1,5 hod. hry a pracovní listy — ty je třeba vždy před hodinou vytisknout. Příběh má celkem 29 webových stran. Na následující straně je popsán pohyb po nich i jejich členění na 3 vyučovací Doporučení hodiny. Doporučujeme, aby si v rámci přípravy pedagog prošel celý příběh a úkoly nejdříve zkusil udělat sám (na zařízení, které bude ve výuce). Teachable Machine Považujeme za důležité upozornit žáky a žačky, aby V rámci příběhu žáci 2× pracují s aplikací Teachable Machine pozorně četli všechny texty v příběhu a také že každý může od Google (bez registrace, zdarma, v prohlížeči). Ta slouží postupovat vlastním tempem — cílem není skončit jako první. k jednoduchému trénování modelů strojového učení. Použité symboly Příběh Číslo stránky Příběh se odehrává na Zemi více než 10 tis. let po vyhynutí Teachable Pracovní Machine lidstva (laděn je ale spíše komicky). Robotí společenství Heslo Kvíz Hra vysílá své dva zástupce — Williama a Meriwethera — na list dobrodružnou výpravu za Velkou zeď, aby zmapovali území, které se za ní nachází. 05 roboti.gg 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. 3  Pro Zdroje pro přípravu učitelky Metodika 1/3 William & Meriwether a učitele Pro koho je příběh určen Věk žáků Příběh byl formou projektového dne testován více než 500 žáky od 4. do 9. třídy. Rozdíly v pochopení a měřitelný přínos se velmi lišily dle jejich věku. Přestože nám na některých školách příběh dobře fungoval i v nižších ročnících (na 1. stupni), naše doporučení zní provádět ho až od 6. třídy. Viz časová dotace dle věku žáků na předchozí straně. V případě, že se rozhodnete zkoušet ho s mladšími žáky, vyhraďte si více vyučovacích hodin. Jaké dovednosti a znalosti by měli žáci mít Žáci a žačky by měli zvládat základní obsluhu 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 Během testování jsme prováděli průzkum, který vycházel z finského průzkumu nazvaného Jak děti vidí AI. Jeho shrnutí naleznete zde. Z našeho průzkumu vyplývají podobná data. Hlavní zjištění: 1. Děti nezmiňují úlohu dat. 2. Často vnímají AI jako deterministický algoritmus.* 3. AI polidšťují. * Při stejném zadání dostaneme vždy stejný výsledek. Slovní mrak na otázku: Co se ti vybaví jako první, když se řekne umělá inteligence? Odpovědi (cca 500) žáků a žaček ze 4.—9. třídy ZŠ v České republice. roboti.gg 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. 4  Pro Zdroje pro přípravu učitelky Metodika 1/3 William & Meriwether a učitele Slovníček pojmů Inteligence — obecná definice Dataset Schopnost učit se, porozumět a přizpůsobovat se Velké množství dat, které se používá pro trénování novým situacím. modelů strojového učení. Mohou to být třeba hlasové záznamy, hudba, videa, obrazy, texty z knih, novin nebo Umělá inteligence sociálních sítí. (AI — Artificial Intelligence) Volba datasetu z velké části definuje, co bude model umět, jak se bude chovat a jaké problémy bude řešit. Žádná z definic termínu umělá inteligence vlastně není ustálená. Všechny se ale shodují v tom, že to je systém, Dataset by měl být co největší. Měl by obsahovat který simuluje lidské myšlení a akce. kvalitní a pro daný úkol relevantní data, aby se zajistilo, že model bude dobře fungovat. Umělá inteligence má obvykle formu počítačového programu a slouží k řešení úloh, k nimž byl dříve Cílem metod strojového učení je odhalit vzory potřeba značný lidský intelekt, a byly tedy doménou lidí. vyskytující se ve velkém množství dat. Je to také kromě jiného i vědecký obor s počátky sahajícími do první poloviny 20. století. Jeho důležitou Big data (velká data) vlastností je, že se inteligentním systémům snaží nejen Jedná se o různorodá data v mnoha formátech, lišící porozumět, ale zejména je tvořit. se velikostí a strukturou. Můžeme si je představit jako Více na: aidetem.cz/co-je-ai obrázky, videa, audia, texty nebo tzv. digitální stopy ve formě údajů o uživatelském chování. Jsou důsledkem zrychlení a vývoje internetu, kdy jeho Strojové učení (ML — Machine Learning) obsah vytváříme z velké míry my uživatelé. Stejně jako se člověk umí učit ze zkušeností, jsou toho Vznik velkých dat ovlivňuje také vývoj IoT technologií schopny i člověkem vytvořené stroje. A stejně jako my (internetu věcí — např. lednička, žaluzie... napojené lidé, tak i stroje k tomu potřebují data (a zkušenosti). na internet), které dokážou získávat data ze všech Stroje k učení využívají metodu, která se nazývá možných zdrojů. strojové učení. Ta umožňuje systémům umělé Roli hraje také výrazné zlevnění ukládání dat a jejich inteligence, aby nebyly jen souborem předem zpracování. Je jich typicky tolik, že jejich zpracování naprogramovaných akcí, ale aby samy přicházely vyžaduje nové přístupy. Například takové, kdy jsou data s novými řešeními. ukládána a zpracovávána za pomoci velkého množství Cílem metod strojového učení je odhalit vzory počítačů a jejich paměťových úložišť, a to platí i pro vyskytující se ve velkém množství dat. moderní metody strojového učení. Více na: aidetem.cz/strojove-uceni Předpojatost (bias) Model strojového učení Špatně připravená data nebo jejich nedostatek mohou Produktem strojového učení je model. K naučení způsobit, že umělá inteligence bude určitým způsobem modelu vždy potřebujeme data. Pod pojmem data si předpojatá. můžeme představit například tabulku, složku obrázků Pokud například budeme chtít, aby se umělá inteligence nebo textů. Pro jednoduché modely nám stačí několik naučila rozpoznávat boty, ale budeme jí ukazovat desítek datových vzorků. Složitější modely, například výhradně obrázky tenisek, nebude boty na vysokém neuronové sítě, jsou běžně trénovány i na tabulkách podpatku, sandály ani kozačky za boty považovat. s miliony řádků. Aby systémy umělé inteligence byly etické a riziko Své poznatky naučený model po natrénování využívá zkreslení co nejnižší, programátoři a programátorky k rozpoznávání nebo vytváření nových dat. je v tomto duchu neustále ladí a jejich data pečlivě Existuje mnoho typů modelů strojového učení, které posuzují. To je jediný způsob, jak zajistit, aby systémy se používají k řešení různých úloh. Například pro dobře pracovaly pro každého. rozpoznávání obrazu nebo hlasu, analýzu dat nebo Více na: aidetem.cz/predpojatost generování obrazů (Midjourney) či textů (ChatGPT). Chcete-li získat obecný přehled o umělé inteligenci, připravili jsme pro vás online příručku. roboti.gg 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. 5  Pro Zdroje pro přípravu učitelky Metodika 1/3 William & Meriwether a učitele Mapa stránek v příběhu Na každou stránku v příběhu se můžete snadno dostat pomocí tzv. přesměrování (2. sloupec v tabulce). Spadne-li například žákovi prohlížeč, nemusí příběh proklikat znovu celý, ale může navázat zadáním např. této URL: expedice.roboti.gg/exit (dostane se rovnou na stranu 20). Jedničky a nuly v URL po přesměrování ukrývají stejná slova, ale v binárním kódu. č. přesměrování heslo / URL 0 heslo heslo je: rýč a klobouk (na pořadí nezáleží) 1 zaciname 1111010 1100001 1100011 1101001 1101110 1100001 1101101 1100101 2 zed 1111010 1100101 1100100 1. vyučovací hodina 3 strojove-uceni 1110011 1110100 1110010 1101111 1101010 1101111 1110110 1100101 101101 1110101 1100011 1100101 1101110 1101001 4 prekazka 1110000 1110010 1100101 1101011 1100001 1111010 1101011 1100001 5 amazonka 1100001 1101101 1100001 1111010 1101111 1101110 1101011 1100001 6 strom 1110011 1110100 1110010 1101111 1101101 7 picto 1110000 1101001 1100011 1110100 1101111 8 testovani 01110100 01100101 01110011 01110100 01101111 01110110 01100001 01101110 01101001 heslo2 heslo je: list, ryba a pták (na pořadí nezáleží) 9 putovani 01110000 01110101 01110100 01101111 01110110 01100001 01101110 01101001 10 ikaros 01101001 01101011 01100001 01110010 01101111 01110011 11 hory 01101000 01101111 01110010 01111001 12 jeti 01101010 01100101 01110100 01101001 2. vyučovací hodina 13 pad 01110000 01100001 01100100 14 dopad 01100100 01101111 01110000 01100001 01100100 15 hluboko 01101000 01101100 01110101 01100010 01101111 01101011 01101111 16 most 01101101 01101111 01110011 01110100 17 utok 01110101 01110100 01101111 01101011 18 mapa 01101101 01100001 01110000 01100001 19 shledani 01110011 01101000 01101100 01100101 01100100 01100001 01101110 01101001 20 exit 01100101 01111000 01101001 01110100 heslo3 heslo je: plechovka, rádio, šroubovák (na pořadí nezáleží) 21 hangar 01101000 01100001 01101110 01100111 01100001 01110010 22 pramati 01110000 01110010 01100001 01101101 01100001 01110100 01101001 heslo4 heslo je: V, T, A, M, D, P (na pořadí nezáleží) 3. vyučovací hodina 23 system 01110011-01111001-01110011-01110100-01100101-01101101 24 system2 01110011 01111001 01110011 01110100 01100101 01101101 00110010 25 oni 01101111 01101110 01101001 26 laska 01101100 01100001 01110011 01101011 01100001 27 domu 01100100 01101111 01101101 01110101 28 zaver 01111010 01100001 01110110 01100101 01110010 29 ahoy 01100001 01101000 01101111 01111001 roboti.gg 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. 6  Pro Lekce ve struktuře E-U-R učitelky Metodika 1/3 William & Meriwether a učitele Evokace 5 minut Žáci zatím nezapínají zařízení, diskutujte: Když se řekne „učit se”, co nebo jaké činnosti si pod tím představíš? Učení je proces, k němuž dochází v důsledku prožitých zkušeností. Vede k rozvoji nebo proměně Zamysli se schopností. Pozn.: Přiveďte žáky spíše k obecnější definici, abyste mohli navázat dalším bodem. Myslíš si, že se dokáží učit i stroje? Děti často vnímají AI jako deterministický algoritmus. To je takový, který nám na stejné zadání vytvoří vždy stejný výsledek. AI se liší od deterministických algoritmů tím, že se učí samostatně rozhodovat na základě vstupních dat. Odpověď je tedy ano — stroje se dokážou učit pomocí metody strojového učení. Můžeme si to představit následovně: → Například chceme-li stroj naučit rozpoznávat věci na obrázcích, označíme každý obrázek dle toho, co na něm vidíme (pes, kočka, auto...). Na základě takto popsaných obrázků si stroj vytvoří vlastní reprezentaci, díky níž může rozpoznávat obrázky, které ještě nikdy neviděl. Co si představíš pod pojmem inteligence? Schopnost učit se, porozumět a přizpůsobovat se novým situacím. Pohled na to, co lidé považují za inteligentní chování, se liší nejen v různých kulturách, ale také časech. Lidé navíc studují inteligenci zvířat a rostlin. A dokonce si svou vlastní Popiš inteligenci sami vytvářejí. Říká se jí umělá. Zkus ji popsat nebo řekni slova, která tě první napadnou, když se řekne umělá inteligence. Je to systém, který simuluje lidské myšlení a akce. Má obvykle formu počítačového programu a slouží k řešení úloh, k nimž byl dříve potřeba značný lidský intelekt, a byly tedy doménou lidí. Pomocí umělé inteligence se mohou stroje učit — podobně jako my lidé — z dat a zkušeností. Nás nyní čeká interaktivní příběh o dvou robotech, díky němuž porozumíme základům toho, jak se umělá inteligence učí. Žáci zapnou zařízení, otevřou si prohlížeč (testováno na Chrome a Edge) a přejdou na adresu: expedice.roboti.gg. Na úvodní stránce klepnou na tlačítko JDU NA TO!. Následuje zadání hesla (rýč a klobouk) pro vstup, viz fáze uvědomění. roboti.gg 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. 7  Pro Lekce ve struktuře E-U-R učitelky Metodika 1/3 William & Meriwether a učitele Uvědomění 35 minut expedice.roboti.gg/heslo 00 Žáci a žačky vyberou obrázky: rýč a klobouk (na pořadí nezáleží) a stisknou tlačítko JDI! a pak ZAČÍNÁME. expedice.roboti.gg/zaciname 01 Seznámení s roboty, uvedení do příběhu. Na další stranu žáci přejdou pomocí tlačítka NA CO SE CHYSTÁME? expedice.roboti.gg/zed 02 Seznámení s roboty, uvedení do příběhu. expedice.roboti.gg/strojove-uceni 03 Vysvětlení pojmů strojového učení a model strojového učení. Strojové učení je jedna z metod, díky níž se umělá inteligence učí. Stejně jako se člověk umí učit z dat a zkušeností, jsou toho schopny i člověkem vytvořené stroje. Strojové učení umožňuje, aby stroje nebyly jen souborem předem naprogramovaných akcí, ale aby samy přicházely s novými řešeními. Cílem metod strojového učení je odhalit vzory vyskytující se ve velkém množství dat. Lze si to představit pomocí následujícího příkladu. Potřebujeme vytvořit aplikaci, která rozpoznává na obrázcích kočky a psi. Při strojovém učení s učitelem (jsou ještě další typy, ale ty nejsou v interaktivním příběhu zmíněny) to uděláme následovně: Nasazení modelu Zdrojová data Anotace dat Trénování Model strojového Testování Mnoho obrázků Lidé určí, na kterých Fáze, v níž trénujeme učení Fáze, v níž koček a psů. obrázcích je kočka model strojového předkládáme modelu a na kterých pes. učení. obrázky koček a psů, které nikdy neviděl. Získáme nejdříve velké množství obrázků koček a psů. Ve fázi anotace dat je rozdělíme do kategorií „kočky” a „psi”. Takto rozdělená data (říká se jim dataset) předložíme modelu strojového učení a model tzv. natrénujeme. Když je hotov, přejdeme do testovací fáze, kde modelu ukazujeme obrázky koček a psů, které nikdy neviděl. Ten vyhledává vzory, které v trénovací fázi identifikoval, a s určitou pravděpodobností odhaduje, zda se jedná o obrázek kočky, nebo psa. Tomuto typu strojového učení se říká „s učitelem”, protože lidé jsou ti učitelé a pomáhají umělé inteligenci „porozumět” tomu, co „vidí”. Více na: aidetem.cz/strojove-uceni expedice.roboti.gg/strojove-uceni-kviz 03 Kvíz: Co je to model strojového učení? Správná odpověď: Program, který se naučí v různých datech (například v obrázcích) rozpoznávat vzory. expedice.roboti.gg/prekazka 04 Příběh. roboti.gg 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. 8  Pro Lekce ve struktuře E-U-R učitelky Metodika 1/3 William & Meriwether a učitele expedice.roboti.gg/amazonka 05 V této části roboti překonávají řeku. Součástí je hra pro jednoho hráče (herní čas je 60 vteřin). Cílem je třídit malé a velké ryby do správných boxíků tak, aby jich byl vyvážený počet. Když vytváříme dataset, kterým chceme trénovat model strojového učení, data by měla být vyvážená. Pokud se vrátíme k příkladu koček a psů, tak pokud bychom modelu předložili pouze jediný obrázek psa a tisíc obrázků koček, velmi pravděpodobně by nerozpoznával zvířata správně, protože by nezískal vyvážené reprezentace vzorů. V této fázi ale žákům nic neříkáme, pouze je necháme zahrát si hru. Na třídění vzorků ryb se odkazujeme v pozdější části příběhu. Pozn.: Nacházíte-li se kurzorem myši na okně s hrou, nelze se posouvat kolečkem po stránce. Je třeba najet kurzorem na okraj stránky. velké ryby, velké ryby, malé ryby, malé ryby, časomíra správné umístění špatné umístění správné umístění špatné umístění sem patří sem patří velké ryby malé ryby expedice.roboti.gg/strom 06 K velkému rozmachu AI v posledních letech došlo zejména díky neustále rostoucímu výpočetnímu výkonu, ruku v ruce s masivním nárůstem dat a díky pokrokům ve výzkumu algoritmů, na kterých je AI založena. expedice.roboti.gg/picto 07 TM Na této stránce žáci a žačky natrénují model strojového učení pomocí aplikace Teachable Machine od Google. Nejprve se ale dozvědí, jaký je rozdíl mezi daty a datasetem: data → různorodá, nesetříděná data dataset → anotovaná, roztříděná data Opakujeme, že model strojového učení rozpoznává vzory v datech — ukazujeme na velmi zjednodušujícím příkladu letícího objektu — pokud model při trénování viděl hodně obrázků ptáků, mohl rozpoznat například vzory křídel a zobáku. Ve fázi testování následně letící objekt dle nich rozpozná jako ptáka. Pod velkou modrou šipkou žáci a žačky stáhnou trénovací data: „jdeme-trenovat-vzorky.zip”. Ta je třeba rozbalit. Hned pod šipkou je video, které jim krok za krokem ukáže, jak rozbalit ZIP soubor. Pozn.: Doporučujeme s žáky probrat rozbalení ZIP souboru před lekcí. Jeví se to jako nejproblematičtější součást příběhu. Video navíc ukazuje pouze jeden způsob (Windows). Liší se na Chromebooku nebo iPadu. roboti.gg 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. 9  Pro Lekce ve struktuře E-U-R učitelky Metodika 1/3 William & Meriwether a učitele Žáci a žačky najdou v souboru, který rozbalili, 20 obrázků. Ty je třeba ve fázi anotace rozdělit do 5 kategorií po 4 obrázcích. Kategorie: — Malé vzorky na vodní pohon (malé ryby) — Velké vzorky na vodní pohon (velké ryby) — Fotosyntetické materiály (listy) — Dutá cylindrická tělesa neznámého účelu (plechovky) — Létající vzorky (ptáci) Pod kategoriemi se dozvědí, jak probíhá trénování modelu. Ve videu, které následuje, je krok za krokem popsán postup trénování modelu. Doporučujeme vám ho zhlédnout a před lekcí si vyzkoušet celý postup trénování. Nejčastější chyby: — Žáci v Teachable Machine (dále jako TM) nahrají všechny obrázky do jedné kategorie (Class). Toto pak nefunguje, protože data nejsou správně anotována (TM neví, co je co, protože vše je jen v jedné kategorii). — Žákům se často při uploadu obrázků do TM nezobrazí náhledy v aplikaci Průzkumník (Windows). Je to tím, že se pokoušejí nahrávat obrázky ze zazipované složky a ne z té rozbalené. — Žáci někdy zkoušejí měnit nastavení trénování modelu (epochy a další). To může způsobit špatné fungování modelu. — Někdy se stává (málokdy), že se model natrénuje špatně, i když bylo všechno uděláno správně. Stačí pak kliknout znovu na tlačítko „Train”. — Pokud stránku s natrénovaným modelem načtete znovu (např. přes F5), veškerá práce se ztratí. Doporučení: — Upozorněte žáky a žačky, aby po natrénování modelu nezavírali okno s natrénovaným modelem. Po natrénování se žáci vrátí do okna s příběhem a kliknou na tlačítko „Jdeme na testování!”. expedice.roboti.gg/testovani 08 TM Žáci nejprve zhlédnou video, jak model otestovat. Je nutné zhlédnout jej pozorně až do konce, protože tam se dozvědí úkol. Následně pomocí velké žluto-modré šipky stáhnou testovací data. Soubor musí znovu rozbalit. Obsahuje 3 složky: — 01_vzorky-z-trenovacich-dat — 02_nove-vzorky — 03_uplne-odlisne-vzorky Přejdou znovu k natrénovanému modelu v aplikaci TM a tam dle návodu nahrají postupně obrázky ze všech tří složek. Nejčastější chyby: — Pokud se nezobrazí možnost nahrání obrázku, je třeba v roletkovém menu vpravo nahoře přepnout z „webcam” na „file”. — Někdy nelze nahrát obrázek a nefunguje ani kamera. Bývá to proto, že je INPUT nastaven na OFF. — Žáci mají často tendenci nahrávat v testovací fázi více než jeden obrázek, což nelze. Vždy je možné nahrát pouze jeden. roboti.gg 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. 10  Pro Lekce ve struktuře E-U-R učitelky Metodika 1/3 William & Meriwether a učitele Žáci a žačky postupně nahrají obrázky ze všech tří složek a pozorují rozdíly: — První složka obsahuje obrázky z trénovací sady, tedy úplně stejné, kterými byl model natrénován. Model je tedy rozpoznává téměř na 100 %. — Druhá složka obsahuje obrázky, které pasují do 5 vytvořených kategorií, ale model je nikdy neviděl. Rozpoznává je s jistotou blížící se k 100 %. — Obrázky ve třetí složce se úplně liší. Nespadají do žádné z kategorií, přesto je model s relativně vysokou pravděpodobností rozpoznává jako objekty z jedné vytvořené kategorie, popř. jako objekty z více vytvořených kategorií. Model to jinak neumí a je to podstata strojového učení s učitelem. Co ho nenaučíme, neví. Pouze hledá vzory a s určitou pravděpodobností odhaduje, do které kategorie (Class) spadají. Říkáme žákům, ať si představí, že by se po světě pohyboval robot, který by znal pouze těchto 5 kategorií — „myslel” by si, že vše, co vidí kolem sebe, spadá do jedné z nich. Datasety pro aplikace AI (například samořiditelná auta, autonomní roboti...) musí být opravdu rozsáhlé (miliony anotovaných obrazů), aby fungovaly správně. Pozn.: Pokud někteří žáci nebo žačky stihli trénování a testování výrazně rychleji než ostatní, můžete jim doporučit natrénovat si vlastní aplikaci v TM. Případně k tomu mohou využít kameru (pokud ji na zařízení mají) a rozpoznávat věci z reálného světa. Reflexe 5 minut Diskutujte s žáky: Sdílej Jak dopadlo testování tvého modelu strojového učení? Proč model rozpoznával chybně obrázky z poslední složky? Viz vysvětlení výše na této stránce. Vysvětli Pozn.: Pro vysvětlení můžete použít analogii s robotem: Pokud by se mezi námi pohyboval robot, který by znal pouze 5 kategorií (jako náš model), jak by viděl svět? Co je model strojového učení? Popiš Je to program, který (mimo jiné) hledá vzory v datech. Jak probíhá vytváření modelu při strojovém učení s učitelem? Získáme nejdříve data — v našem případě to byly obrázky. Ve fázi anotace dat je rozdělíme do kategorií (tříd, classes). Takto rozdělená data předložíme modelu strojového učení a model tzv. natrénujeme. Když je hotov, přejdeme do testovací fáze, kde modelu ukazujeme obrázky, které nikdy neviděl. Ten vyhledává vzory, které v trénovací fázi identifikoval, a s určitou pravděpodobností odhaduje, o jakou třídu se jedná. Jaký je rozdíl mezi daty a datasetem? data → různorodá, nesetříděná data dataset → anotovaná, roztříděná data roboti.gg 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. 11