Hoe train je je eigen AI ?
1 / 32
Lesson duration is: 75 minIntroduction
In deze interactieve les duiken leerlingen zélf in de wereld van AI door een systeem te trainen en te ontdekken hoe data het gedrag van AI bepaalt. Ze ervaren spelenderwijs dat data nooit een perfect beeld van de werkelijkheid geeft en dat keuzes in data grote invloed hebben op de uitkomst.
Instructions
Voorkennis van leerlingen
Leerlingen hebben een introductieles over AI gehad. Ze hebben het woord neurale netwerken horen vallen, maar weten nog niet helemaal hoe het werkt.
Een voorbeeld van een introductie les is: ...
Voorbereiding van de docent
• Neem de les een keer door.
• Zorg voor een laptop per groep van 2 à 3 leerlingen.
Leerdoelen/vaardigheden
• De leerling kan experimenteren met het trainen van een AI systeem.
• De leerling kan beschrijven wat de rol en invloed van data is voor de werking van AI systemen.
• De leerling kan uitleggen dat een dataset een beperkt beeld geeft van de werkelijkheid.
Aansluiting curriculum
De les kan worden gebruikt voor digitale geletterdheid bij het kerndoel 21D: “de leerling verkent mogelijkheden en beperkingen van AI”.
In de les leren de leerlingen de rol en invloed van de kwaliteit en eigenschappen van data voor de werking en resultaten van AI-systemen. Daarnaast experimenteren de leerlingen met het trainen van AI-systemen en leren ze werken met een manier om een machine learning systeem te trainen.
Feedback
De makers van deze les willen graag weten wat je van de les vond. Ga daarvoor naar de (korte) vragenlijst. Heel veel dank!
Items in this lesson
Slide 1 - Slide
This item has no instructions
Slide 2 - Slide
This item has no instructions
Slide 3 - Slide
This item has no instructions
Vraag
Wat weet je al van neurale netwerken?
Slide 4 - Open question
Vraag hier de leerlingen wat ze al weten van neurale netwerken. Ga in gesprek en vul aan waar nodig.
In principe zouden leerlingen de term neurale netwerken al een keer gehoord moeten hebben.
Voorbeelden van antwoorden:
- AI - “het heeft iets te maken met kunstmatige intelligentie (zoals ChatGPT).”
- Leren - “de computer wordt beter door te oefenen met voorbeelden.
- Hersenen - “het is een soort ‘nep-hersenen’ in een computer met ‘neuronen’.”
- Neuronen - “dat zijn als het ware kleine ‘knopjes’ die dingen doorgeven.”
- Netwerk - “heel veel van die dingetjes zitten aan elkaar vast.”
- Input en output - “je stopt iets erin en er komt een antwoord uit.”
- Laagjes (layers) - “het heeft meerdere lagen.”
- Patronen herkennen - “het zoekt overeenkomsten, zoals in foto’s of tekst.”
- Data / voorbeelden - “je moet het veel voorbeelden geven, anders kan het niet goed leren.”
- Black box - “je ziet niet precies waarom het een keuze maakt.”
- Voorbeelden van toepassingen - “het wordt gebruikt voor dingen als gezichtsherkenning of aanbevelingen op TikTok/YouTube.”
Slide 5 - Slide
Leg hier uit dat je voor bepaalde types neurale netwerken heel veel data nodig hebt. Bijvoorbeeld het trainen van het herkennen van plaatjes.
Slide 6 - Slide
Neem het voorbeeld van de hond en leg uit dat je start met een afbeelding, dat je dan het neurale netwerk inzet voor een goede voorspelling.
Vraag
Wanneer zou beeld herkenning handig zijn in je dagelijks leven? Waar zou je het willen gebruiken?
Slide 7 - Open question
This item has no instructions
Slide 8 - Slide
Het netwerk leerde om kinder- en volwassen longen uit elkaar te houden omdat de trainingdata waar covid te zien was, bijna allemaal scans waren van volwassen longen.
Eventueel extra voorbeeld:
Ten tweede werd er getraind met een dataset van longscans van mensen met en zonder covid, maar deze scans hadden ook een probleem. Bij een deel van de mensen was de scan liggend genomen en bij een deel staand. Wat denk je dat hier mis ging?
De scans van mensen die covid hadden waren bijna allemaal liggende fotos (omdat deze mensen zo ziek waren dat ze niet staand de foto konden maken), waardoor het netwerk leerde staande en liggende scans uit elkaar te houden.
Slide 9 - Slide
Bijna alle CV’s waren van mannen en de mensen die bij Amazon waren aangenomen waren ook vooral mannen. Hierdoor begon de AI CV’s af te wijzen van vrouwen.
Slide 10 - Slide
This item has no instructions
Slide 11 - Slide
Leg uit hoe de Teachable Machine werkt. Het beste kun je ook even de website erbij pakken om de stappen te laten zien. Je kan de PDF bijgevoegd aan de les uitdelen aan de leerlingen zodat de stappen ook tijdens het maken van de opdracht helder zijn.
Slide 12 - Slide
Leg uit dat je op afbeeldingen moet zoeken. Als je een zoekopdracht hebt uitgevoerd, dan kun je geavanceerd zoeken zoals beschreven op de slide.
Slide 13 - Slide
This item has no instructions
Slide 14 - Slide
This item has no instructions
Slide 15 - Slide
This item has no instructions
Slide 16 - Slide
This item has no instructions
Slide 17 - Slide
This item has no instructions
Slide 18 - Slide
This item has no instructions
Slide 19 - Slide
Vraag of het iedereen is gelukt. Waren er dingen die lastig waren?
Slide 20 - Slide
Koppel groepjes aan elkaar en laat ze elkaars netwerk testen. In de slides hierna heb je uitleg over hoe je een netwerk kan testen
Slide 21 - Slide
This item has no instructions
Slide 22 - Slide
This item has no instructions
Slide 23 - Slide
This item has no instructions
Vraag
Is het je gelukt om je neurale netwerk een fout te laten maken?
Zo ja, hoe heb je dat gedaan?
Slide 24 - Open question
This item has no instructions
Vraag
Als jij je netwerk opnieuw zou trainen, welke eisen zou je dan aan de data stellen?
Slide 25 - Open question
Eisen die je kan stellen:
- Data is groot genoeg is (veel voorbeelden)
- Data klopt (weinig fouten),
- Data is goed verdeeld is (niet alleen één soort mensen/voorbeelden).
- Data past bij de taak (dus echt voorbeelden van wat ik moet leren)
Slide 26 - Slide
1. Goed beeld van de situaties – je moet data van honden en katten gebruiken en niet van kiwi's op het moment dat je algoritme honden en katten moet onderscheiden.
2. Genoeg data – Niet 10 kattenfoto’s en 10 hondenfoto’s, maar bijvoorbeeld honderden of duizenden per dier, zodat het netwerk niet per ongeluk alleen déze ene kat of déze ene hond leert herkennen.
3. Verschillende data – Foto’s van verschillende rassen en kleuren (zwarte kat, witte kat, labrador, chihuahua), verschillende groottes/leeftijden, verschillende houdingen (liggen, springen), en ook van verschillende camerahoeken (van voren, van boven, close-up).
Slide 27 - Slide
This item has no instructions
Slide 28 - Slide
This item has no instructions
Slide 29 - Slide
Link naar vragenlijst voor leerlingen:
ut.onl/leerling4tu
Slide 30 - Slide
Link naar vragenlijst voor docenten:
ut.onl/docent4tu
Slide 31 - Slide
This item has no instructions
Slide 32 - Slide
This item has no instructions
