- Teachable Machine permet desenvolupar models de reconeixement d'imatges, sons i posis sense escriure codi.
- L'eina democratitza la intel·ligència artificial i facilita l'aprenentatge automàtic a perfils no tècnics i educadors.
- És possible exportar els models entrenats per integrar-los en aplicacions web, projectes de IoT o programari local.
Algun cop t'has quedat pensant que la intel·ligència artificial és cosa de genis de la informàtica o matemàtics amb doctorats? Doncs treu-te aquesta idea del cap perquè avui dia qualsevol persona pot experimentar amb el Machine Learning sense haver de barallar-se amb una sola línia de codi. Gràcies a eines intuïtives, l'accés a aquesta tecnologia s'ha democratitzat, permetent que des d'estudiants fins a emprenedors facin els seus primers passos al món de la IA de manera totalment visual.
Una de les joies més brillants en aquest sentit és Teachable Machine, una plataforma web de Google que converteix l'entrenament de models en una cosa gairebé semblant a un joc. No es tracta de crear un xatbot complex, sinó de dissenyar sistemes capaços de classificar imatges, reconèixer sons o detectar postures corporals en temps real. És la porta d'entrada perfecta per als que volen entendre com una màquina “aprèn” a partir d'exemples i com aplicar aquests coneixements en projectes educatius o creatius.
Conceptes bàsics per no perdre's al camí
Abans de llançar-nos a l'eina, convé tenir clar què és l' aprenentatge automàtic o Machine Learning . Bàsicament, és una branca de la IA que permet que els ordinadors aprenguin de les dades en comptes de seguir instruccions programades pas a pas. Imagina't que ets un nen aprenent a distingir una poma d'una pera; els teus pares et mostren diverses fruites i et diuen quina és quina. Doncs bé, el model d'IA fa el mateix: analitza patrons en les dades proporcionades per prendre decisions sobre elements que mai no ha vist abans.
Aquests models són el motor de tecnologies que ja fem servir diàriament, com els assistents de veu tipus Alexa o els sistemes de recomanació de Netflix. A nivell educatiu, això és or pur, ja que permet als alumnes comprendre el funcionament intern de la IA i desenvolupar un pensament crític sobre com es processa la informació a l'era digital.
Pas a pas per crear el teu primer model
Si vols posar-te fil a l'agulla, el procés és sorprenentment senzill. El primer és entrar a la web oficial de Teachable Machine i triar el tipus de projecte que més et moli: imatges, sons o posis . Si escolliu imatges, per exemple, veureu que el sistema us demana definir «classes». Una classe és simplement la categoria que vols que la IA reconegui. Si vols que distingeixi entre un bolígraf i un quadern, crearàs una classe per a cadascú.
Per alimentar aquestes classes, tens dues opcions: utilitzar la càmera web per capturar fotos al moment o pujar arxius que ja tinguis guardats al teu ordinador oa Google Drive. Un truc perquè el model sigui necessari és aportar varietat; no treguis deu fotos iguals, sinó que capturis l'objecte des de diferents angles, llums i posicions . Com més exemples nets i variats tingui la màquina, menys errors cometrà.
Quan tinguis les teves dades llestes, arriba el moment de prémer el botó de «Preparar model» . Aquí és on passa la màgia: el sistema processa les imatges i comença a entrenar. És fonamental no tancar la pestanya ni obrir programes pesants durant aquest procés per evitar fallades. Després, podràs provar el resultat a la vista prèvia, posant l'objecte davant de la càmera i veient com la IA assigna una probabilitat d'encert a cada categoria.
Consells avançats i optimització de dades
No sempre surt bé a la primera, i vet aquí la gràcia. Si notes que el teu model es confon, probablement necessitis netejar el teu set de dades . Per exemple, si estàs classificant insectes ia les fotos de formigues apareix una persona al fons, la IA podria pensar que les persones són part del que defineix una formiga. Eliminar aquestes imatges irrellevants és clau per obtenir dades «netes» i un entrenament eficient.
Per als que busquen una mica més professional, hi ha eines com l'extensió Imageye de Chrome, que permet descarregar imatges massivament des de Google per alimentar els models. A més, és molt recomanable reservar algunes mostres per al testeig ; és a dir, desar unes quantes fotos que la IA no hagi vist durant l'entrenament per comprovar si realment ha après a generalitzar o si simplement ha memoritzat les imatges.
Exportació i aplicacions reals
El millor de tot és que la teva feina no ha de quedar-se tancat a la web de Google. Pots exportar el teu model en format TensorFlow.js , cosa que et permet integrar-lo a la teva pròpia pàgina web oa una aplicació mòbil. També hi ha opcions per descarregar-lo en formats compatibles amb TensorFlow Lite, ideal per a projectes d' Internet de les Coses (IoT) o dispositius locals.
Des del punt de vista pedagògic, els docents poden fer servir això per crear activitats que connectin amb la vida real. Per exemple, entrenar una IA per identificar tipus de galàxies basant-se en la morfologia de Hubble, o crear un sistema que reconegui objectes quotidians per resoldre un problema específic a l'aula. Això transforma l'alumne d'un consumidor passiu de tecnologia a un creador actiu de solucions basades en IA.
Altres eines per a no experts
Tot i que Teachable Machine és fantàstica, hi ha més opcions al mercat per als que busquen l'enfocament low-code . Google AutoML és el germà gran, més potent i orientat a empreses, integrant-se amb Google Cloud. D'altra banda, Lobe.ai ofereix una experiència d'arrossegar i deixar anar extremadament senzilla per a models d'imatge, mentre que Runway ML és el paradís per als artistes digitals que volen generar art o editar vídeos amb IA.
Si et mous més a l'entorn de Microsoft, Azure Machine Learning Studio permet dissenyar fluxos de treball complexos sense programar. I si el que és teu és el llenguatge i els textos, Hugging Face és la referència absoluta, oferint una biblioteca immensa de models preentrenats que pots personalitzar per analitzar sentiments o traduir idiomes. Totes aquestes plataformes comparteixen un objectiu comú: eliminar les barreres tècniques perquè la innovació depengui de la idea i no de saber escriure codi.
La capacitat d'entrenar sistemes intel·ligents s'ha tornat accessible per a tothom, cosa que permet que la creativitat i l'educació es fusionin amb la tecnologia d'avantguarda. En dominar eines com Teachable Machine i les alternatives, qualsevol usuari pot transformar dades simples en models funcionals capaços de reconèixer l'entorn, optimitzant processos i obrint la porta a innovacions que abans estaven reservades només per als experts en computació.