Lezione 15 - Dati e apprendimento automatico

Discussione: un computer ti ha mai consigliato qualcosa? Come pensi che abbia imparato a farlo?

Obiettivo: le risposte possono variare e possono dipendere dalle precedenti esperienze degli studenti con sistemi di raccomandazione o altri tipi di intelligenza artificiale. Cerca di indirizzare la discussione verso conversazioni sul ruolo che gli esseri umani svolgono nell'apprendimento automatico. Non è un problema se qui la discussione sarà breve: stai preparando il terreno per l'attività imminente.

Discussione: chiedi agli studenti di fare una riflessione libera in silenzio ognuno per conto proprio, poi di condividerla con i compagni e infine con tutta l'aula.

Oggi impareremo di più sull'apprendimento automatico e sui suoi impatti.

Domanda del giorno: come possono «imparare» le macchine?

Video: riproduci il video «Cos'è l'apprendimento automatico».

Alternative a "IA per gli oceani": "IA per gli oceani" è stata originariamente sviluppata come attività dell'Ora del Codice che può essere completata dagli studenti con qualsiasi dispositivo disponibile. L'abbiamo modificato per il suo utilizzo qui. A seconda della situazione in classe, potresti scegliere di sostituire l'attività con:

• Teachable Machines - Teachable Machine è uno strumento basato sul Web che rende la creazione di modelli di apprendimento automatico rapida, facile e accessibile a tutti. Teachable Machine è flessibile: usa file o acquisisci esempi dal vivo. È rispettoso del tuo modo di lavorare. Puoi persino scegliere di utilizzarlo interamente sul dispositivo, senza che i dati della webcam o del microfono escano dal computer.

  • Se i dispositivi della tua classe sono dotati di telecamere, Teachable Machines offre un modo coinvolgente per creare set di allenamento. Incoraggia gli studenti a insegnare alla macchina a rappresentare pietra, carta o forbici con gesti delle mani. Quali sono alcuni modi possibili per far entrare i pregiudizi?

• Machine Learning for Kids - Questo strumento gratuito introduce l'apprendimento automatico fornendo esperienze pratiche per addestrare i sistemi di apprendimento automatico e costruire oggetti con essi. Fornisce un ambiente guidato facile da usare per addestrare i modelli di apprendimento automatico a riconoscere testo, numeri, immagini o suoni.

  • Machine Learning for Kids è un'ottima opzione se i tuoi studenti vogliono lavorare con esempi di testo. Insegna alla macchina a riconoscere parole o brani allegri o tristi. C'è molto da giocare qui!

L'apprendimento automatico si riferisce a un computer in grado di riconoscere schemi e prendere decisioni senza essere programmato esplicitamente. In questa attività fornirai i dati per addestrare il tuo modello di apprendimento automatico. Immagina un oceano che contiene creature come i pesci, ma contiene anche spazzatura scaricata dagli umani. E se potessimo addestrare un computer a distinguere la differenza e quindi utilizzare quella tecnologia per aiutare a pulire l'oceano?

Fai questo: fai andare gli studenti agli esercizi 2-5 di Code Studio. Gli studenti dovrebbero dedicare circa cinque minuti in totale a questi esercizi. Stimolali a riflettere sulla funzione «Considera» sulla diapositiva. Per programmare l'Intelligenza Artificiale, utilizza i pulsanti per etichettare un'immagine come "pesce" o "non pesce". Ogni immagine ed etichetta diventa parte dei dati utilizzati per addestrare I.A. a farlo da sola. Una volta addestrata, I.A. tenterà di etichettare 100 nuove immagini da sola, quindi presenterà una selezione che risulta avere la più alta probabilità di essere "pesce" in base al suo addestramento. Gli alunni che etichettano correttamente le cose in modo coerente dovrebbero vedere un oceano pieno di diversi tipi di creature marine, senza molti (o nessun) altro oggetto.

Ogni immagine in questa parte della lezione viene inserita in una rete neurale che è stata pre-addestrata su un enorme set di dati chiamato ImageNet. Il database contiene oltre 14 milioni di immagini annotate a mano. ImageNet contiene più di 20.000 categorie con una categoria tipica, come «palloncino» o «fragola», composta da diverse centinaia di immagini. Quando l'intelligenza artificiale esegue la scansione di nuove immagini e fa le proprie previsioni nella lezione, sta effettivamente confrontando le possibili categorie per la nuova immagine con i modelli trovati nel set di dati di addestramento.

Discussione: quanto bene ha funzionato l'IA? Come pensi che abbia deciso cosa includere nell'oceano?

Video: riproduci il video «Dati di apprendimento e distorsioni».

Discussione: in che modo pensi che i tuoi dati di apprendimento abbiano influenzato i risultati prodotti dall'IA?

Obiettivo: incoraggia gli studenti a riflettere sull'esperienza svolta finora. A questo punto è importante che si rendano conto che l'etichettatura che stanno facendo è in realtà una programmazione del computer. Gli esempi che mostrano l'IA sono i «dati di addestramento».

Nella seconda parte dell'attività, insegnerai all'IA una parola a tua scelta mostrandole esempi di quel tipo di pesce. Come prima, l'IA non inizia con alcun dato di allenamento su queste etichette. Anche se le parole di questo esercizio sono contraddistinte da una certa oggettività, è possibile che otterrai risultati diversi in base ai dati di addestramento. Potresti persino addestrare intenzionalmente l'IA in modo errato per vedere cosa succede!

I pesci di questo tutorial vengono generati casualmente sulla base di alcuni componenti predefiniti, tra cui bocca, coda, occhi, squame e pinne, con un colore del corpo, una forma e una dimensione scelti a caso. Invece di guardare i dati reali delle immagini, l'IA sta ora cercando modelli in questi componenti in base a come lo studente classifica ogni pesce. Sarà più probabile etichettare un pesce nello stesso modo in cui lo farebbe lo studente se avesse caratteristiche corrispondenti.

Fai questo: fai andare gli studenti agli esercizi 6-7 su Code Studio. Gli studenti dovrebbero dedicare circa cinque minuti in totale a questi esercizi. Stimolali a riflettere con la funzione «Considerazione» sulla diapositiva. Qui, come in precedenza, gli studenti utilizzeranno i dati di formazione per insegnare all'IA a riconoscere diversi tipi di pesce. Le parole di questo elenco sono intenzionalmente più soggettive di quelle che gli studenti avranno visto finora. Incoraggia gli studenti a decidere da soli cosa fa sembrare un pesce «arrabbiato» o «divertente». Due studenti possono scegliere la stessa etichetta e ottenere una serie di risultati molto diversa in base a quali caratteristiche del pesce erano il loro obiettivo. Incoraggia gli studenti a discutere le loro scoperte o a tornare indietro e scegliere nuove parole. Ogni studente farà affidamento sulle proprie opinioni per addestrare l'IA, il che significa che l'IA imparerà con gli stessi pregiudizi degli studenti. Quando gli studenti iniziano a capire il ruolo che la loro opinione sta giocando, chiedi loro di riflettere se questo è positivo o negativo e come potrebbe essere affrontato.

Discussione: in che modo dati distorti possono causare problemi all'intelligenza artificiale? Quali sono i modi per risolvere questo problema?

Obiettivo: a questo punto, gli studenti dovrebbero avere alcune riflessioni preliminari su come i dati distorti portino a problemi per l'intelligenza artificiale. Potrebbero far capire che se gli insiemi di dati vengono addestrati in modo errato, ci saranno conclusioni errate o interpretate male. Può essere affrontato attraverso diversi insiemi (set) di formazione. Il seguente video approfondisce ulteriormente questo argomento.

Video: riproduci il video «Come combatto i pregiudizi negli algoritmi» con Joy Buolamwini.

Discussione:

• Quali sono gli altri modi in cui i pregiudizi umani potrebbero apparire nell'apprendimento automatico?
• Come possiamo cercare di evitare questo pregiudizio?

Consenti agli studenti di discutere questi suggerimenti con un compagno, quindi condividi le idee con tutta la classe. Questa potrebbe essere la prima volta che gli studenti prendono in considerazione questioni di parzialità tecnologica, quindi va bene non arrivare a conclusioni consolidate e partire con altre domande.

Visualizza il grafico del processo di risoluzione dei problemi con "empatia" al centro.

L'apprendimento automatico ha portato a innovazioni in medicina, economia e scienza, ma le informazioni scoperte in questo modo sono state utilizzate per danneggiare o escludere gruppi di individui.

Come abbiamo visto, i problemi di parzialità sono spesso creati dal tipo o dalla fonte di dati raccolti. La raccolta di più dati non significa che la distorsione venga rimossa.

I programmatori (incluso te!) dovrebbeto agire per ridurre i pregiudizi nelle app e nei siti Web che utilizziamo. Una strategia importante per questo è al centro del nostro processo di risoluzione dei problemi: empatizzare con gli altri e assicurarci che nessun gruppo sia escluso dal nostro lavoro. Fai attenzione ai pregiudizi e sii empatico e inclusivo per cercare di evitarli!

Ripasso: guarda il video «Impatto sulla società» che riassume i concetti discussi oggi.

Discussione: qual è il punto più importante della lezione di oggi, sull'apprendimento automatico o su come si manifestano i pregiudizi nella tecnologia?

Puoi condividere queste storie con la tua classe per aiutarli a vedere come l'IA avrà un impatto sul futuro.

• Lo spreco alimentare è un problema serio. L'IA sta cercando di risolverlo
• La tecnologia AI può identificare i disturbi genetici dal viso di una persona
• Come una startup AI ha progettato un potenziale farmaco in soli 46 giorni
• Lo strumento del MIT AI può predire il cancro al seno con 5 anni di anticipo
• [L'esercito accelera il passo con le auto a guida autonoma][7]
• [San Francisco afferma che utilizzerà l'IA per ridurre i pregiudizi quando accusano le persone di crimini][8]
• [La IA sta aiutando gli studiosi a restaurare testi greci antichi su tavolette di pietra][9]

Discussione: a questo punto della lezione il tempo potrebbe essere agli sgoccioli. Incoraggia gli studenti a condividere le proprie idee con un vicino o con tutta la classe.