Lezione 9 - Salvataggio di modelli in Laboratorio IA

Discussione: le persone spesso pubblicano informazioni su se stesse sui social media come:

• Il loro nome e la loro età
• La scuola che frequentano
• Dove vivono
• Film preferiti
• Ristoranti in cui sono stati
• Il loro compleanno

Se tutti questi dati sono stati raccolti, qual è una cosa che pensi che un modello di apprendimento automatico potrebbe provare a prevedere da questi dati?

Obiettivo della discussione: la risposta può variare, ma potrebbe includere consigli su film o ristoranti locali, nomi di persone con interessi simili, quanti soldi spendono, un regalo di compleanno da comprare. Non esiste un'unica risposta corretta a questa richiesta: concentrati invece sulle scelte che gli studenti stanno facendo in merito a quali caratteristiche enfatizzare e cosa vogliono prevedere in primo luogo. Anche con lo stesso insieme di dati, gli studenti possono fare scelte radicalmente diverse su come potrebbe apparire un modello con questi dati.

Questa è una situazione comune nell'apprendimento automatico: le persone hanno un insieme di dati che hanno raccolto e quindi devono decidere cosa vogliono prevedere in base ai dati. E ci sono molte decisioni da prendere per addestrare un modello come questo! Oggi vedremo come utilizzare le schede modello per tenere traccia di tutte le decisioni necessarie all'addestramento di un modello di apprendimento automatico

Domanda del giorno: come posso usare le Schede modello per documentare le mie decisioni durante l'addestramento di un modello di apprendimento automatico?

Video: mostra agli studenti il video Model Cards in AI Lab, che riassume le schede modello che gli studenti hanno visto ieri e mostra come possono essere salvate in Laboratorio IA.

Scatole nere: questo video fa riferimento al modo in cui i modelli di intelligenza artificiale vengono talvolta definiti «scatole nere» e a quanto possa essere difficile scoprire come funziona un modello una volta addestrato. Esempi di ciò possono essere visti nella serie giornalistica ProPublica Breaking the Black Box . Questa è una serie in 4 parti che include brevi video e risorse aggiuntive su diverse indagini sugli algoritmi di apprendimento automatico. Uno dei video sui prezzi illustra come i prodotti online possano avere prezzi diversi a seconda del codice postale dell'utente, un problema comune che riguarda i pregiudizi nei modelli di apprendimento automatico in cui un codice postale può essere utilizzato come indicatore della razza o dello status socioeconomico.

Questi video non sono destinati all'uso in classe, ma puoi decidere di condividerne alcuni con gli studenti per continuare le conversazioni sui pregiudizi nell'apprendimento automatico e sulla necessità di trasparenza tramite Schede modello.

Code Studio: chiedi agli studenti di accedere a Code Studio. I primi tre esercizi rappresentano l'insieme di dati dello zoo in Laboratorio IA in cui gli studenti possono addestrare un modello.

Distribuisci a ogni studente la guida alle attività Zoo Models.

Mostra la diapositiva con lo scenario dell'attività odierna, in cui siamo stati incaricati da uno zoo per creare diverse app con cui i clienti possano interagire all'interno dello zoo. Chiedi agli studenti di leggere la diapositiva ad alta voce.

Fai questo: chiedi agli studenti di completare i primi tre esercizi di Code Studio. Gli studenti addestreranno e salveranno 3 modelli utilizzando il set di dati Zoo. Annoteranno anche alcune delle loro risposte nella guida alle attività.

Girando tra i banchi: fai il controllo iniziale con gli studenti mentre addestrano i loro modelli. Gli studenti dovrebbero dedicare del tempo a iterare sulle caratteristiche che stanno selezionando. La sezione «Risultati precedenti» della schermata dei risultati può essere utile agli studenti per trovare combinazioni di caratteristiche che funzionino con la loro etichetta. Gli studenti dovrebbero anche utilizzare la guida alle attività per esercitarsi a compilare la propria scheda modello .

Selezione di un'etichetta: questa è la prima volta che gli studenti possono scegliere l'etichetta per il proprio modello. Il processo è identico alla selezione delle funzionalità, ma tieni presente che alcuni studenti potrebbero inizialmente essere sorpresi da questa fase aggiuntiva del processo. Gli studenti possono accedere a una risorsa nella sezione Aiuto e suggerimenti di Code Studio che spiega come selezionare un'etichetta in Laboratorio IA

Revisiting Past Screens: fai sapere agli studenti che è possibile tornare indietro e rivisitare le schermate precedenti per migliorare il loro modello o prendere decisioni diverse: questa è una parte importante del processo e qualcosa che gli studenti dovrebbero esercitarsi a questo esercizio. Gli studenti potrebbero iniziare a muoversi con fluidità tra le schermate dei test, delle funzionalità e delle etichette mentre perfezionano e migliorano il loro modello di apprendimento automatico.

Esercizio 2 - Dove sono i tavoli? nell'esercizio 2, gli studenti prevedono il tipo di animale che stanno guardando (come mammiferi, rettili, ecc.). Questa colonna ha troppi valori possibili e così tante tabelle di visualizzazione dei dati non verranno visualizzate. Questo è intenzionale, poiché sfida gli studenti a utilizzare intenzionalmente l'iterazione delle funzionalità e le schermate dei risultati precedenti per trovare le funzionalità che funzionano. Devono avere fiducia nel fatto che, se ci sono schemi nei dati, Bot IA li troverà e produrrà un modello accurato anche quando ci sono troppi dati da visualizzare. Ciò prepara anche gli studenti a esempi più realistici in cui in genere ci sono più di 4 o 5 valori per una funzionalità.

Accuratezza e rappresentazione dei dati: gli studenti potrebbero essere in grado di scoprire alcune combinazioni curiose che offrono un'accuratezza del 100%. Ciò può essere dovuto al fatto che le caratteristiche particolari che hanno scelto non sono ben rappresentate nel set di dati: ad esempio, solo 8 animali su 100 sono considerati velenosi. Ciò potrebbe comportare un aumento dell'accuratezza, soprattutto se tali animali non sono ben rappresentati nel set di test. Se noti modelli di formazione come questo, chiedi loro di verificare a fondo i loro modelli e confrontare i risultati con le loro esperienze reali per assicurarti che il modello corrisponda alla realtà. Ricorda loro che solo perché un modello ha un'elevata accuratezza nei dati di test non significa che avrà un'elevata accuratezza nel mondo reale.

Code Studio: chiedi agli studenti di passare all'esercizio successivo. Questo è un esercizio di Sviluppo App in cui gli studenti possono importare il proprio modello addestrato e iniziare a personalizzare la propria app.

Girando tra i banchi: aiuta gli studenti a importare la loro app e a verificare che il modello funzioni correttamente prima di passare all'esercizio 3. Gli studenti dovrebbero utilizzare il tempo rimanente per personalizzare la propria app, rafforzando le competenze acquisite nell'ultima lezione su come rendere la loro app più intuitiva.

Concentrati su Laboratorio IA, non su Sviluppo App: anche se gli studenti potrebbero essere entusiasti di usare i loro modelli in Sviluppo App, l'obiettivo principale di questa lezione è esercitarsi a addestrare modelli accurati in Laboratorio IA e utilizzare Schede modello per documentare tali decisioni. Questi esercizi finali vengono prsentati per completare l'intero ciclo di importazione di un modello addestrato in Sviluppo App, ma non è previsto che gli studenti completino un'app completamente progettata nel tempo a disposizione. Invece, la lezione di domani si concentra interamente su Sviluppo App, dove gli studenti possono creare un'app in modo più completo.

Elementi di progettazione esterni alla schermata: a seconda del numero di caratteristiche che gli studenti utilizzano nel loro modello, alcuni dei loro elementi di progettazione potrebbero apparire fuori dallo schermo. Questo tende a verificarsi quando si utilizzano più di 6 caratteristiche in un modello.

Questo particolare problema viene risolto nelle lezioni successive, ma se gli studenti lo incontrano qui, ci sono due strategie che puoi usare per aiutare gli studenti a risolverlo:

Strategia #1: crea nuovi elementi. Gli studenti possono utilizzare la modalità interfaccia per trascinare nuovi elementi da utilizzare nella loro app. Possono anche decidere di spostare gli elementi su schermate diverse per rendere l'app più facile da usare. Dopo aver aggiunto questi nuovi elementi della modalità interfaccia, gli studenti dovranno aggiornare il codice per utilizzare anche i nuovi elementi.

Strategia #2: riposiziona gli elementi. Anche se gli elementi sono fuori dalla schermata, puoi utilizzare la modalità interfaccia per selezionarli manualmente e riposizionarli in modo che siano sullo schermo. Ciò comporta la modifica della proprietà della posizione y su 0 in modo che sia visualizzata sullo schermo e quindi la ridisposizione dell'elemento come faresti normalmente.

Riflessione: perché una scheda modello è utile quando si crea un modello in Laboratorio IA? In che modo è utile una scheda modello quando si crea un'app in Sviluppo App?

Gli studenti possono rispondere nella loro guida alle attività o come compito finale.

Obiettivo della discussione: gli studenti possono riferire punti simili a quelli del video di apertura, ossia che una scheda modello aiuta a documentare le decisioni e a fornire trasparenza e può essere utilizzata in Sviluppo App per contribuire ad arricchire la progettazione, ma le loro risposte dovrebbero basarsi maggiormente sulle loro esperienze in questa lezione, soprattutto dopo aver selezionato la propria etichetta e aver addestrato il proprio modello.