AI, slim bekeken · Havo-vwo 2-3 · 1. Train je eigen model
AI, SLIM BEKEKEN
Train je eigen model
Train een beeldherkenner, test hem met criteria en ontdek waar hij faalt
HAVO-VWO 2-3 · LES 1 · 50 MIN
Lesduur is: 50 minIntroductie
Instructies
Onderdelen in deze les
AI, SLIM BEKEKEN
Train je eigen model
Train een beeldherkenner, test hem met criteria en ontdek waar hij faalt
HAVO-VWO 2-3 · LES 1 · 50 MIN
AI, slim bekeken: leerlijn AI-geletterdheid. Havo-vwo 2-3, les 1 van 4 (50 minuten). Lijn: snappen.
Kerndoel: VO 21D: experimenteren met het trainen van AI-systemen; beschrijven van de rol van data; aanvulling havo-vwo: gangbare manieren om AI-systemen te trainen, reflecteren op mogelijkheden en beperkingen.
AILit: Engage 2, Shape 1, Shape 2, Shape 3.
Voorbereiding: Test vooraf Teachable Machine van Google (teachablemachine.withgoogle.com) op een schoollaptop: werkt in de browser zonder account, heeft een webcam nodig. De website is in het Engels. Per tweetal een laptop met webcam en drie schoolspullen (pen, gum, schaar of iets vergelijkbaars). Geen webcams of geen toegang? Doe de training klassikaal op het digibord.
De volledige docentenhandleiding staat als bijlage bij deze les. Image credit: Anthony Da Cruz / Unsplash
HAVO-VWO 2-3 · LES 1 · SNAPPEN
Dit ga je leren
Ik kan een beeldherkenningsmodel trainen en uitleggen wat trainingsdata, labels en een testset zijn.
Ik kan een model testen met criteria en uitleggen wat overfitting is.
Ik kan beoordelen of een model klaar is voor gebruik in de echte wereld.
AI, SLIM BEKEKEN
Lees de doelen voor en vraag wat de leerlingen al weten. Kom er aan het eind van de les op terug.
Hoeveel voorbeelden heeft een computer nodig om een pen te herkennen?
1
Ongeveer 10
Ongeveer 100
Duizenden of meer
AI, SLIM BEKEKEN · HAVO-VWO 2-3 · LES 1 · SNAPPEN
Laat stemmen en toon de uitslag. 2. Zeg: 'Dat hangt ervan af. Een model dat vanaf nul leert, heeft er duizenden nodig. Maar vandaag gebruik je een model dat al op heel veel foto's getraind is. Dan zijn enkele tientallen genoeg. Dat ga je zelf ontdekken.' 3. Vraag: 'Hoeveel voorbeelden had jij als kind nodig om een pen te herkennen?' Verwacht: een paar. Zeg: 'Mensen leren veel sneller van weinig voorbeelden. Dat is een groot verschil met AI.'
HAVO-VWO 2-3 · LES 1 · SNAPPEN
Zo leert een beeldherkenner
Je maakt klassen: de groepen die het model moet herkennen, zoals pen, gum en niets.
Per klasse geef je voorbeelden: foto's met het goede antwoord erbij, het label.
Bij het trainen zoekt het model welke patronen in de pixels bij welke klasse horen.
Voor een nieuw beeld geeft het per klasse een zekerheid, bijvoorbeeld 92 procent pen.
AI, SLIM BEKEKEN
Zeg: 'Dit heet gesuperviseerd leren: leren van voorbeelden waarbij het goede antwoord bekend is.' 2. Vraag: 'Waarom zou je een klasse niets maken?' Verwacht: 'Anders moet het model altijd iets kiezen, ook als er niets in beeld is.' 3. Zeg: 'Precies. Een model kent alleen de klassen die jij hebt gemaakt. Houd je een banaan voor de camera, dan kiest het toch pen, gum of niets.' Misvatting: het model ziet wat wij zien. Zeg: 'Het ziet alleen getallen: de kleur van elke pixel.'
Image credit: Behnam Norouzi / Unsplash
HAVO-VWO 2-3 · LES 1 · SNAPPEN
Trainingsset en testset
De trainingsset zijn de voorbeelden waarvan het model leert.
De testset zijn voorbeelden die het model nog nooit zag. Daarmee meet je hoe goed het is.
Vergelijk het met een oefentoets: antwoorden uit je hoofd leren zegt niets over de echte toets.
Vaak gebruik je ongeveer 80 procent van de data om te trainen en 20 procent om te testen.
AI, SLIM BEKEKEN
Lees de bullets voor. 2. Zeg: 'Stel dat je docent de oefentoets als echte toets geeft. Dan haal je misschien een tien, maar weet je of je het snapt?' Verwacht: nee. 3. Zeg: 'Voor een model geldt hetzelfde. Daarom test je straks met nieuwe foto's, een andere achtergrond en de hand van een ander.' Misvatting: testen is hetzelfde als nog een keer kijken of het werkt. Zeg: 'Testen betekent: bewust zoeken naar situaties die het model nog niet kent.'
Image credit: YY TEOH / Unsplash
Waarom test je een model met beelden die het nog nooit zag?
Om te zien of het ook nieuwe gevallen goed doet
Omdat het de oude beelden al vergeten is
Omdat testen met veel beelden sneller gaat
Om het model zo extra trainingsdata te geven
Laat antwoorden en bespreek. 2. Misvatting: wie 'extra trainingsdata' kiest, haalt trainen en testen door elkaar. Zeg: 'Testdata mag je juist niet gebruiken om te trainen, anders is de test niet eerlijk meer.' Wie 'vergeten' kiest, denkt dat een model als een mens vergeet. Zeg: 'Een getraind model verandert niet meer, tot je het opnieuw traint.'
HAVO-VWO 2-3 · LES 1 · SNAPPEN
Train je eigen beeldherkenner
MET AI
Open teachablemachine.withgoogle.com, kies Get Started, Image Project, Standard image model.
Maak drie klassen: twee schoolspullen en niets. Geef ze een naam.
Maak per klasse minstens 30 foto's met de webcam. Varieer: draai, dichtbij, ver weg.
Klik op Train Model en test in het voorbeeldvenster rechts. Noteer wat opvalt.
14
minute
00
second
14 minuten
AI, SLIM BEKEKEN
Doe de eerste twee stappen voor op het digibord. 2. Zeg: 'Fotografeer alleen voorwerpen, geen gezichten. Je hebt geen account nodig en je slaat het project niet op, dus de foto's blijven op deze laptop.' 3. Wijs op de knop Hold to Record om snel veel foto's te maken. Het trainen duurt meestal minder dan een minuut; laat het tabblad open. 4. Loop rond en vraag: 'Hoe zeker is het model? Wat gebeurt er als je de pen half achter je hand houdt?' 5. Goed resultaat: een model dat de spullen herkent op de eigen tafel. Geen webcams? Train klassikaal op het digibord met leerlingen die voorwerpen voor de camera houden.
HAVO-VWO 2-3 · LES 1 · SNAPPEN
Test je model met criteria
Nauwkeurig
Hoeveel van tien nieuwe testbeelden herkent het goed?
Robuust
Werkt het nog bij ander licht, een andere achtergrond of afstand?
Eerlijk
Werkt het net zo goed als een ander de voorwerpen vasthoudt?
Zeker
Hoe zeker is het bij twijfelgevallen? Klopt die zekerheid wel?
AI, SLIM BEKEKEN
Zeg: 'Vakmensen testen een model niet met een gevoel, maar met criteria. Dat gaan jullie ook doen.' 2. Loop de kaarten langs. 3. Vraag: 'Waarom zou een model minder goed werken als een ander de pen vasthoudt?' Verwacht: 'Andere huidskleur, andere hand, andere mouw, dat zat niet in de trainingsfoto's.' 4. Zeg: 'Dat is dezelfde reden waarom echte gezichtsherkenning bij sommige groepen slechter werkte.' Misvatting: 99 procent zeker betekent 99 procent kans dat het klopt. Zeg: 'Een model kan heel zeker en toch fout zijn.'
HAVO-VWO 2-3 · LES 1 · SNAPPEN
Stresstest: laat je model falen
TWEETALLEN
Test tien keer op de gewone tafel en noteer hoe vaak het model goed zit.
Verander één ding: drukke achtergrond, ander licht, grotere afstand of andere hand.
Test weer tien keer. Wat gebeurt er met de score?
Voeg foto's toe die het model mist, train opnieuw en test nog één keer.
8
minute
00
second
8 minuten
AI, SLIM BEKEKEN
Zeg: 'Je doel is nu niet een goed model, maar een model laten falen. Zo leer je waar de zwakke plekken zitten.' 2. Laat tweetallen een simpele turflijst maken: situatie, aantal goed van 10. 3. Na 6 minuten vraag je drie tweetallen: 'Wanneer ging het mis?' Verwacht: bij een andere achtergrond of als de klasse niets een lege tafel was en er nu een tas lag. 4. Vraag: 'Wat hielp na het bijtrainen?' Verwacht: foto's met meer variatie. Zeg: 'Dat is precies wat echte ontwikkelaars doen: testen, fouten vinden, data aanvullen, opnieuw trainen.'
HAVO-VWO 2-3 · LES 1 · SNAPPEN
Overfitting: te goed uit je hoofd
Bij overfitting leert een model de trainingsvoorbeelden te precies, inclusief toevallige details.
Het scoort dan goed op de trainingsdata, maar slecht in nieuwe situaties.
Voorbeeld uit onderzoek: een model dat wolf en husky moest onderscheiden, keek vooral naar sneeuw.
Oplossing: meer variatie in de data, en altijd testen met nieuwe voorbeelden.
AI, SLIM BEKEKEN
Koppel aan de stresstest: 'Wie zag dat het model de achtergrond had geleerd in plaats van het voorwerp?' 2. Vertel het wolf-husky-voorbeeld: 'Op bijna alle wolvenfoto's lag sneeuw. Het model leerde dus: sneeuw betekent wolf. Een husky in de sneeuw werd een wolf.' 3. Zeg: 'Het model deed niets fout volgens zijn eigen opdracht. Het vond het makkelijkste patroon dat bij de labels paste.' Misvatting: overfitting betekent te veel data. Zeg: 'Het gaat juist vaak mis met te weinig of te eenzijdige data.'
Je model herkent je pen alleen op je eigen bureau. Wat is er aan de hand?
Het kreeg te veel verschillende foto's
De webcam heeft een te lage resolutie
Het heeft ook de achtergrond geleerd
Pennen zijn te moeilijk voor een AI
Laat antwoorden en bespreek. 2. Zeg: 'Dit is overfitting. Het model heeft het bureau gekoppeld aan het label pen.' 3. Misvatting: wie 'te veel verschillende foto's' kiest, denkt dat variatie het model in de war brengt. Zeg: 'Juist variatie helpt het model om te leren wat echt bij een pen hoort.' Wie 'resolutie' kiest, zoekt de fout in de hardware. Zeg: 'Dan zou het op elke plek slecht werken, niet alleen buiten je bureau.'
HAVO-VWO 2-3 · LES 1 · SNAPPEN
Van klaslokaal naar echte wereld
Echte modellen trainen op miljoenen voorbeelden, niet op dertig.
Die voorbeelden worden vaak door mensen gelabeld, soms door laagbetaalde klikwerkers in landen als Kenia.
Na het trainen blijven ontwikkelaars testen, want de wereld verandert: nieuwe producten, nieuw licht.
Een fout in een schoolproject is onschuldig. In een auto of ziekenhuis niet.
AI, SLIM BEKEKEN
Zeg: 'Wat jullie deden, is in het klein wat grote bedrijven doen.' 2. Vertel: 'Iemand moet al die miljoenen foto's labelen. Dat werk wordt vaak uitbesteed. Journalisten van TIME onthulden in 2023 dat Keniaanse werknemers voor minder dan 2 dollar per uur schokkende teksten labelden om een chatbot veiliger te maken.' 3. Vraag: 'Welke criteria zijn belangrijk voor een model dat voetgangers herkent in een zelfrijdende auto?' Verwacht: robuust (nacht, regen), eerlijk (iedereen herkennen, ook kinderen en rolstoelgebruikers), heel nauwkeurig.
Stelling: Als een model 95 procent van de testbeelden goed heeft, is het klaar voor gebruik.
Eens
Oneens
Weet ik nog niet
AI, SLIM BEKEKEN · HAVO-VWO 2-3 · LES 1 · SNAPPEN
Laat kiezen en vraag om argumenten. Voor: 95 procent is heel goed, mensen maken ook fouten. Tegen: het hangt af van de gevolgen van een fout (spam of een ziekte missen); de 5 procent fouten kunnen steeds dezelfde groep treffen; de testset kan te veel lijken op de trainingsset. 2. Zeg tot slot: 'Een getal zegt pas iets als je weet waarop getest is en wat een fout kost.'
Wat is overfitting?
Een model heeft te lang staan rekenen
Een model leert de trainingsdata te precies
Een model moet te veel klassen herkennen
Een model is getraind met gelabelde data
Exit-vraag: laat iedereen zelfstandig antwoorden. 2. Misvatting: wie 'gelabelde data' kiest, verwart overfitting met gesuperviseerd leren. Wie 'te lang rekenen' kiest, zit er niet helemaal naast: heel lang trainen op dezelfde data kan overfitting veroorzaken, maar de kern is dat het model de voorbeelden uit het hoofd leert en niet generaliseert. 3. Zeg: 'Onthoud: goed op de oefentoets, slecht op de echte toets.'
HAVO-VWO 2-3 · LES 1 · SNAPPEN
Woorden van vandaag
klasse Een groep die een model moet herkennen, zoals pen of gum.
trainingsset De voorbeelden met labels waarvan het model leert.
testset Voorbeelden die het model niet eerder zag, om te meten hoe goed het werkt.
overfitting Een model leert de trainingsvoorbeelden te precies en werkt slecht bij nieuwe gevallen.
robuust Een model blijft goed werken als de omstandigheden veranderen.
transfer learning Een al getraind model leert er een nieuwe taak bij met weinig voorbeelden.
AI, SLIM BEKEKEN
Herhaal de woorden kort. Laat leerlingen er een zin mee maken of er een aanwijzen die ze nu beter snappen.
