Σήμερα θα μάθουμε σε έναν υπολογιστή να αναγνωρίζει πλακέτες, μουσικά όργανα και ζώα, χωρίς να γράψουμε ούτε μία γραμμή κώδικα. Θα χρησιμοποιήσουμε το Teachable Machine της Google, ένα δωρεάν εργαλείο που τρέχει μέσα στον browser: teachablemachine.withgoogle.com.
Θα φτιάξουμε τρία μικρά projects. Σε κάθε ένα θα κάνουμε τέσσερα πράγματα: θα εκπαιδεύσουμε το μοντέλο, θα το δοκιμάσουμε, θα προσπαθήσουμε να το «σπάσουμε» και στο τέλος θα αναρωτηθούμε: τι κοιτάει τελικά η μηχανή;
Το τρίτο βήμα είναι το πιο σημαντικό. Μαθαίνουμε πολύ περισσότερα για την τεχνητή νοημοσύνη από τα λάθη της παρά από τις επιτυχίες της.
Οι ρόλοι στο τραπέζι
Κάθε τραπέζι έχει ένα laptop. Για να δουλεύουν όλοι, μοιράζουμε ρόλους και τους αλλάζουμε σε κάθε project:
- Χειριστής/τρια: κρατάει το ποντίκι και πατάει τα κουμπιά.
- Συλλέκτης/τρια δεδομένων: στέκεται μπροστά στην κάμερα ή στο μικρόφωνο και «δίνει» τα παραδείγματα.
- Δοκιμαστής/τρια: όταν το μοντέλο είναι έτοιμο, προσπαθεί να το ξεγελάσει.
- Καταγραφέας: σημειώνει σε post-it πότε το μοντέλο έκανε λάθος και γιατί νομίζει η ομάδα ότι έγινε.
Καλό να ξέρετε: Το Teachable Machine εκπαιδεύει το μοντέλο μέσα στον δικό σας browser. Οι φωτογραφίες και οι ηχογραφήσεις σας δεν ανεβαίνουν πουθενά, εκτός αν πατήσετε εσείς να αποθηκευτεί το project. Σήμερα δεν θα αποθηκεύσουμε τίποτα.
Πώς μαθαίνει μια μηχανή
Μέχρι τώρα, όταν προγραμματίζαμε ένα micro:bit ή ένα Arduino, γράφαμε κανόνες: «αν το φως πέσει κάτω από 50, άναψε το LED». Ο κανόνας ήταν δικός μας και τον καταλαβαίναμε.
Δοκιμάστε όμως να γράψετε έναν κανόνα που ξεχωρίζει ένα micro:bit από ένα Arduino σε μια φωτογραφία. «Το Arduino είναι μπλε»; Υπάρχουν και πράσινα. «Έχει τέσσερις γωνίες»; Και το βιβλίο έχει. Κάθε φορά που διορθώνουμε τον κανόνα για μια περίπτωση, χαλάει για μια άλλη. Εμείς όμως τα ξεχωρίζουμε σε ένα δέκατο του δευτερολέπτου.
Εδώ ξεκινάει η μηχανική μάθηση. Αντί να γράψουμε τον κανόνα, δείχνουμε παραδείγματα και αφήνουμε τον υπολογιστή να βρει μόνος του τι έχουν κοινό. Η διαδικασία έχει πάντα τέσσερα βήματα:
- Δεδομένα: μαζεύουμε πολλά παραδείγματα (φωτογραφίες, πόζες, ήχους).
- Ετικέτες: λέμε τι είναι το καθένα. Εδώ μπαίνει η δική μας, ανθρώπινη γνώση. Στο Teachable Machine οι ετικέτες λέγονται κλάσεις (Class).
- Εκπαίδευση: ο υπολογιστής ψάχνει τι έχουν κοινό τα παραδείγματα κάθε κλάσης. Αυτό που φτιάχνει λέγεται μοντέλο.
- Πρόβλεψη: δείχνουμε κάτι καινούργιο και το μοντέλο λέει σε ποια κλάση μοιάζει περισσότερο.
Σκεφτείτε: Το μοντέλο δεν μαθαίνει μόνο του όσο το χρησιμοποιούμε. Για να γίνει καλύτερο, πρέπει να του δώσουμε καλύτερα παραδείγματα και να το εκπαιδεύσουμε ξανά. Οι εφαρμογές που σας προτείνουν βίντεο κάνουν ακριβώς αυτό: κάθε βίντεο που βλέπετε ή προσπερνάτε είναι ένα καινούργιο παράδειγμα για την επόμενη εκπαίδευση.
Μέρος 1: Ποια πλακέτα είναι;
Στο εργαστήριο έχουμε πολλές διαφορετικές πλακέτες. Θα μάθουμε στον υπολογιστή να τις ξεχωρίζει με την κάμερα. Στο τραπέζι σας έχετε ένα Arduino, ένα micro:bit και ένα Makey Makey.
Βήμα 1: Νέο project εικόνας
Ανοίγουμε το Teachable Machine και πατάμε Get Started. Διαλέγουμε Image Project και μετά Standard image model.
Βήμα 2: Φτιάχνουμε τις κλάσεις
Βλέπουμε δύο κουτιά, Class 1 και Class 2. Πατάμε το μολύβι δίπλα στο όνομα και τις μετονομάζουμε σε Arduino και micro:bit. Με το Add a class προσθέτουμε δύο ακόμα: Makey Makey και Τίποτα.
Σκεφτείτε: Γιατί χρειάζεται κλάση «Τίποτα»; Το μοντέλο δεν μπορεί να πει «δεν ξέρω». Θα διαλέξει πάντα μία από τις κλάσεις που του δώσαμε. Χωρίς «Τίποτα», ένα άδειο τραπέζι θα βγει κάποια πλακέτα.
Βήμα 3: Μαζεύουμε παραδείγματα
Στην κλάση Arduino πατάμε Webcam. Ο/η συλλέκτης κρατάει το Arduino μπροστά στην κάμερα και ο/η χειριστής κρατάει πατημένο το Hold to Record. Μαζεύουμε περίπου 100 φωτογραφίες. Επαναλαμβάνουμε το ίδιο για κάθε κλάση. Για το «Τίποτα» δείχνουμε το άδειο τραπέζι και άδεια χέρια.
Ενώ τραβάμε φωτογραφίες, γυρνάμε την πλακέτα σιγά-σιγά, την φέρνουμε λίγο πιο κοντά και λίγο πιο μακριά, αλλάζουμε γωνία.
Σκεφτείτε: Γιατί γυρνάμε την πλακέτα; Αν όλες οι φωτογραφίες είναι ίδιες, το μοντέλο μαθαίνει μόνο αυτή τη μία εικόνα. Όσο πιο διαφορετικά τα παραδείγματα, τόσο καλύτερα αναγνωρίζει κάτι που δεν έχει ξαναδεί.
Βήμα 4: Εκπαίδευση
Πατάμε Train Model και περιμένουμε λίγα δευτερόλεπτα. Ενώ εκπαιδεύεται, δεν αλλάζουμε καρτέλα στον browser, γιατί η εκπαίδευση σταματάει.
Βήμα 5: Δοκιμή
Στα δεξιά εμφανίζεται το Preview. Δείχνουμε μια πλακέτα στην κάμερα και κοιτάμε τις μπάρες στο Output. Κάθε μπάρα λέει πόσο σίγουρο είναι το μοντέλο για κάθε κλάση.
Βήμα 6: Σπάστε το!
Τώρα αρχίζει ο/η δοκιμαστής. Προσπαθήστε να ξεγελάσετε το μοντέλο. Ο/η καταγραφέας σημειώνει κάθε λάθος.
- Δείξτε την πλακέτα ανάποδα, πολύ κοντά ή πολύ μακριά.
- Αλλάξτε φόντο: βάλτε από πίσω ένα τετράδιο ή ένα μπουφάν.
- Δείξτε ένα μπλε αντικείμενο που δεν είναι πλακέτα (βιβλίο, κασετίνα).
- Δείξτε μια φωτογραφία πλακέτας στην οθόνη ενός κινητού.
Σκεφτείτε: Η μπάρα στο 95% δεν σημαίνει «έχω δίκιο κατά 95%». Σημαίνει «από όσα ξέρω, αυτό μοιάζει περισσότερο». Το ίδιο συμβαίνει και με τα chatbot: μια απάντηση μπορεί να ακούγεται σίγουρη και να είναι λάθος.
Πρόκληση: Uno, Nano ή Mega;
Η πρώτη δοκιμή ήταν εύκολη, γιατί οι τρεις πλακέτες έχουν διαφορετικό χρώμα και σχήμα. Τώρα δοκιμάζουμε κάτι πιο δύσκολο: τρία Arduino που μοιάζουν πολύ μεταξύ τους.
Από το μενού (≡) πάνω αριστερά ανοίγουμε New Project και φτιάχνουμε τις κλάσεις Uno, Nano, Mega και Τίποτα. Μαζεύουμε παραδείγματα, εκπαιδεύουμε και δοκιμάζουμε όπως πριν. Μετά φέρνουμε το Uno πολύ κοντά στην κάμερα. Τι λέει το μοντέλο;
Σκεφτείτε: Εμείς ξέρουμε ότι το Mega είναι μεγαλύτερο από το Uno. Η κάμερα όμως δεν ξέρει τι είναι «μέγεθος». Βλέπει μόνο πόσο χώρο πιάνει κάτι μέσα στην εικόνα. Ένα Uno πολύ κοντά πιάνει όσο χώρο ένα Mega πιο μακριά. Πώς θα μπορούσατε να βοηθήσετε το μοντέλο να τα ξεχωρίζει καλύτερα;
Πρόκληση: Μπορεί να μας αναγνωρίσει;
Τώρα θα δοκιμάσουμε να μάθουμε στο μοντέλο τα πρόσωπα της ομάδας.
Πρώτα ρωτάμε. Κάθε μέλος της ομάδας αποφασίζει αν θέλει να δώσει το πρόσωπό του. Όποιος δεν θέλει, μπαίνει με μια ζωγραφισμένη μάσκα ή βοηθάει στη δοκιμή. Κανένας δεν χρειάζεται να εξηγήσει γιατί.
- Νέο Image Project. Μία κλάση για κάθε μέλος, με το όνομά του.
- Κάθε μέλος κάθεται μπροστά στην κάμερα και μαζεύουμε περίπου 100 φωτογραφίες.
- Εκπαίδευση και δοκιμή. Μάλλον θα δουλεύει καλά.
- Τώρα αλλάξτε μπουφάν ή φούτερ μεταξύ σας και ξαναδοκιμάστε. Ποιον βλέπει τώρα το μοντέλο;
Σκεφτείτε: Αν το μοντέλο «ακολούθησε» το μπουφάν, τότε δεν έμαθε πρόσωπα. Έμαθε χρώματα, γιατί αυτά ήταν η πιο εύκολη διαφορά στις φωτογραφίες σας. Φανταστείτε μια κάμερα στον δρόμο που αναγνωρίζει ανθρώπους με τον ίδιο τρόπο. Τι θα μπορούσε να πάει στραβά; Και ποιος θα έπρεπε να αποφασίζει αν θα υπάρχει;
Στο τέλος δεν αποθηκεύουμε το project με τα πρόσωπα. Κλείνουμε την καρτέλα και οι φωτογραφίες σβήνονται. Τα πρόσωπα είναι προσωπικά δεδομένα και τα προστατεύουμε.
Μέρος 2: Η αόρατη ορχήστρα
Σηκωνόμαστε όρθιοι! Θα μάθουμε στον υπολογιστή να καταλαβαίνει ποιο μουσικό όργανο «παίζουμε» στον αέρα, μόνο από τη στάση του σώματός μας.
Βήμα 1: Νέο project πόζας
Από το μενού (≡) ανοίγουμε New Project και διαλέγουμε Pose Project.
Τοποθετούμε το laptop στην άκρη του τραπεζιού και γερνάμε λίγο την οθόνη προς τα πίσω. Ο/η «μουσικός» στέκεται 1,5 μέχρι 2 μέτρα μακριά. Πρέπει να φαίνεται από τη μέση και πάνω, με τα χέρια μέσα στην εικόνα.
Βήμα 2: Κλάσεις
Φτιάχνουμε τις κλάσεις Κιθάρα, Βιολί, Πιάνο, Ντραμς και Ακροατής. Στον «Ακροατή» στεκόμαστε ήρεμα με τα χέρια κάτω. Είναι το «Τίποτα» αυτού του project.
Βήμα 3: Παραδείγματα
Σε κάθε κλάση πατάμε Webcam. Από το γρανάζι δίπλα στο κουμπί ηχογράφησης μπορούμε να βάλουμε μικρή καθυστέρηση (Delay), ώστε ο/η μουσικός να προλάβει να πάει στη θέση του. Μαζεύουμε περίπου 50 παραδείγματα ανά όργανο.
Αν προλαβαίνετε, δώστε παραδείγματα από δύο μέλη της ομάδας για κάθε όργανο.
Σκεφτείτε: Κοιτάξτε τις τελείες και τις γραμμές πάνω στο σώμα σας. Αυτός είναι ο «σκελετός» που βρίσκει το πρόγραμμα: 17 σημεία, όπως μάτια, ώμοι, αγκώνες και καρποί. Το μοντέλο πόζας δεν βλέπει τη φωτογραφία σας. Βλέπει μόνο πού βρίσκονται αυτά τα σημεία.
Βήμα 4: Εκπαίδευση και δοκιμή
Πατάμε Train Model. Μετά ένα μέλος της ομάδας «παίζει» και κοιτάμε το Preview.
Βήμα 5: Σπάστε το!
- Ανταλλάξτε μπουφάν, όπως στα πρόσωπα. Αλλάζει κάτι τώρα;
- Να παίξει κάποιος που δεν έδωσε παραδείγματα, πιο ψηλός ή πιο κοντός.
- Αριστερόχειρη κιθάρα: παίξτε την κιθάρα ανάποδα, σαν σε καθρέφτη.
- Παίξτε καθιστοί, ή με το μισό σώμα έξω από την εικόνα.
- Μπείτε δύο άτομα μαζί μπροστά στην κάμερα.
- Κρατήστε το χέρι ακίνητο στη θέση της κιθάρας και μετά «χτυπήστε» χορδές. Βλέπει διαφορά το μοντέλο;
- Ποια όργανα μπερδεύει μεταξύ τους;
Σκεφτείτε: Στα πρόσωπα το μπουφάν μάλλον ξεγέλασε το μοντέλο. Εδώ δεν πειράζει, γιατί ο σκελετός δεν έχει χρώματα. Αλλά ο σκελετός είναι μια στιγμιότυπο: το μοντέλο δεν ξέρει αν κουνιέστε. Για αυτό η «σωστή» και η «ψεύτικη» κιθάρα του φαίνονται ίδιες. Κάθε είδος μοντέλου βλέπει διαφορετικά πράγματα και κάνει διαφορετικά λάθη.
Παιχνίδι για όσους τελειώσουν νωρίς: ένα μέλος της ομάδας «παίζει» μπροστά στο laptop του διπλανού τραπεζιού. Μαντεύει σωστά το μοντέλο τους;
Μέρος 3: Η φάρμα
Για το τελευταίο project θα γίνουμε εμείς τα ζώα! Θα μάθουμε στον υπολογιστή να ξεχωρίζει τον σκύλο, τη γάτα και την κότα από τον ήχο.
Βήμα 1: Νέο project ήχου
Από το μενού (≡) ανοίγουμε New Project και διαλέγουμε Audio Project. Αν ο browser ρωτήσει, επιτρέπουμε τη χρήση του μικροφώνου.
Βήμα 2: Θόρυβος περιβάλλοντος
Η πρώτη κλάση υπάρχει ήδη και λέγεται Background Noise. Πατάμε Mic και μετά Record 20 Seconds. Όσο ηχογραφεί, δεν κάνουμε κανένα ζώο στο τραπέζι μας. Ακούγεται μόνο η τάξη, μαζί με όσα ζώα κάνουν τα άλλα τραπέζια. Πατάμε Extract Sample και τα 20 δευτερόλεπτα γίνονται 20 δείγματα. Το Teachable Machine δεν εκπαιδεύει μοντέλο ήχου χωρίς αυτή την κλάση.
Σκεφτείτε: Γιατί το Teachable Machine μας υποχρεώνει να ξεκινήσουμε από τον θόρυβο; Θυμηθείτε την κλάση «Τίποτα» στις πλακέτες. Ένα μικρόφωνο δεν ακούει ποτέ τέλεια ησυχία, άρα το μοντέλο πρέπει να μάθει πώς ακούγεται το «τίποτα σημαντικό». Η δική μας τάξη σήμερα θα είναι μια πολύ θορυβώδης φάρμα!
Βήμα 3: Τα ζώα
Με το Add a class φτιάχνουμε τις κλάσεις Σκύλος, Γάτα και Κότα. Σε κάθε κλάση πατάμε Mic και ο/η συλλέκτης κάνει το ζώο μπροστά στο μικρόφωνο. Χρειάζονται τουλάχιστον 8 δείγματα ανά ζώο. Αν μπορείτε, κάντε κάθε ζώο λίγο διαφορετικά κάθε φορά.
Σκεφτείτε: Κοιτάξτε τα δείγματα που ηχογραφήσατε. Δεν είναι κυματάκια, είναι χρωματιστές εικόνες. Το πρόγραμμα μετατρέπει τον ήχο σε μια «φωτογραφία»: ποιες νότες (συχνότητες) ακούγονται και πόσο δυνατά. Άρα και το μοντέλο ήχου είναι στην ουσία ένα μοντέλο εικόνας!
Βήμα 4: Εκπαίδευση και δοκιμή
Πατάμε Train Model και μετά κάνουμε τα ζώα μπροστά στο laptop. Στο Preview βλέπουμε ποιο ζώο «ακούει» το μοντέλο.
Βήμα 5: Σπάστε το!
- Να κάνει το ζώο άλλο μέλος της ομάδας, με πιο ψιλή ή πιο χοντρή φωνή.
- Πείτε τη λέξη αντί για τον ήχο: «γαβ» αντί για γάβγισμα.
- Κάντε ένα ζώο που δεν έχει κλάση, όπως αγελάδα.
- Παίξτε ένα αληθινό γάβγισμα από ένα βίντεο σε κινητό.
Σκεφτείτε: Αναγνώρισε το μοντέλο τον αληθινό σκύλο; Αν όχι, γιατί; Το μοντέλο δεν έμαθε πώς γαβγίζει ένας σκύλος. Έμαθε πώς γαβγίζει ένα παιδί της ομάδας σας. Το μοντέλο ξέρει μόνο όσα υπήρχαν στα δεδομένα του. Αυτό ισχύει και για τα μεγάλα συστήματα τεχνητής νοημοσύνης: αν λείπουν κάποιοι άνθρωποι ή κάποιες γλώσσες από τα δεδομένα, τα συστήματα δουλεύουν χειρότερα για αυτούς.
Τι κοιτάει τελικά η μηχανή;
Φτιάξαμε τρία μοντέλα και κανένα δεν «κατάλαβε» πραγματικά τι είναι μια πλακέτα, μια κιθάρα ή ένας σκύλος. Κάθε μοντέλο βρήκε μοτίβα στα δεδομένα που του δώσαμε.
| Μοντέλο | Τι «βλέπει» | Πού έκανε λάθος |
|---|---|---|
| Εικόνα | Χρώματα, σχήματα και πόσο χώρο πιάνει κάτι στην εικόνα | Uno και Mega από κοντά, πρόσωπα με αλλαγμένα ρούχα |
| Πόζα | Μόνο τα 17 σημεία του σκελετού, σε μία στιγμή | Αριστερόχειρες, κίνηση |
| Ήχος | Μια «φωτογραφία» του ήχου | Άλλη φωνή, ο αληθινός σκύλος |
Η συμπεριφορά ενός μοντέλου εξαρτάται από τα δεδομένα του. Και τα δεδομένα τα διάλεξαν άνθρωποι, όπως εσείς σήμερα.
Τα post-it μας
Πριν φύγουμε, κάθε τραπέζι κολλάει τα post-it του στον τοίχο, στις τρεις στήλες:
- Τι κοιτάει τελικά η μηχανή;
- Πότε έκανε λάθος με σιγουριά;
- Μια ανησυχία ή μια ιδέα για την τεχνητή νοημοσύνη στη ζωή μου
