- Teachable Machine muliggør udvikling af billed-, lyd- og poseringsgenkendelsesmodeller uden at skrive kode.
- Værktøjet demokratiserer kunstig intelligens ved at gøre maskinlæring nemmere for ikke-tekniske profiler og undervisere.
- Det er muligt at eksportere de trænede modeller til integration i webapplikationer, IoT-projekter eller lokal software.
Har du nogensinde tænkt, at kunstig intelligens kun er for computergenier eller matematikere med ph.d.'er? Nå, få den idé ud af hovedet, for i dag kan alle eksperimentere med maskinlæring uden at skulle kæmpe med en eneste linje kode. Takket være intuitive værktøjer er adgangen til denne teknologi blevet demokratiseret, hvilket giver alle fra studerende til iværksættere mulighed for at tage deres første skridt ind i AI's verden på en fuldstændig visuel måde.
Et af de klareste eksempler på dette område er Teachable Machine, en Google-webplatform, der forvandler modeltræning til noget, der næsten minder om et spil. Det handler ikke om at skabe en kompleks chatbot, men om at designe systemer, der er i stand til at klassificere billeder, genkende lyde eller registrere kropsstillinger i realtid. Det er det perfekte udgangspunkt for dem, der ønsker at forstå, hvordan en maskine "lærer" af eksempler, og hvordan man anvender den viden i uddannelsesmæssige eller kreative projekter.
Grundlæggende koncepter for at undgå at fare vild undervejs
Før man dykker ned i værktøjet, er det nyttigt at forstå, hvad maskinlæring er . Det er i bund og grund en gren af AI, der giver computere mulighed for at lære af data i stedet for at følge forprogrammerede instruktioner trin for trin. Forestil dig, at du er et barn, der lærer at skelne et æble fra en pære; dine forældre viser dig forskellige frugter og fortæller dig, hvilken der er hvilken. AI-modellen gør det samme: den analyserer mønstre i de leverede data for at træffe beslutninger om ting, den aldrig har set før.
Disse modeller er drivkraften bag teknologier, vi allerede bruger dagligt, såsom Alexa-lignende stemmeassistenter eller Netflix-anbefalingssystemer. Inden for uddannelsesområdet er dette uvurderligt, da det giver eleverne mulighed for at forstå, hvordan AI fungerer , og udvikle kritisk tænkning om, hvordan information behandles i den digitale tidsalder.
Trin for trin til at skabe din første model
Hvis du vil i gang, er processen overraskende enkel. Gå først til den officielle Teachable Machine-hjemmeside og vælg den type projekt, der interesserer dig mest: billeder, lyde eller positurer . Hvis du f.eks. vælger billeder, vil du se, at systemet beder dig om at definere "klasser". En klasse er simpelthen den kategori, du vil have AI'en til at genkende. Hvis du vil have den til at skelne mellem en pen og en notesbog, skal du oprette en klasse for hver.
For at understøtte disse lektioner har du to muligheder: brug dit webcam til at tage billeder i realtid eller upload filer, du allerede har gemt på din computer eller i Google Drev. Et trick til at sikre, at modellen er nøjagtig, er at sørge for variation; tag ikke ti identiske billeder, men optag i stedet objektet fra forskellige vinkler, belysning og positioner . Jo flere rene og varierede eksempler maskinen har, jo færre fejl vil den lave.
Når dine data er klar, er det tid til at klikke på knappen "Forbered model" . Det er her, magien sker: Systemet behandler billederne og begynder træningen. Det er afgørende ikke at lukke fanen eller åbne ressourcekrævende programmer under denne proces for at undgå fejl. Bagefter kan du teste resultatet i forhåndsvisningen ved at placere objektet foran kameraet og se, hvordan AI'en tildeler en sandsynlighed for succes til hver kategori.
Avancerede tips og dataoptimering
Det fungerer ikke altid perfekt første gang, og det er en del af det sjove. Hvis du bemærker, at din model bliver forvirret, skal du sandsynligvis rense dit datasæt . Hvis du for eksempel klassificerer insekter, og der er en person i baggrunden af myrebillederne, kan AI'en tro, at mennesker er en del af det, der definerer en myre. Fjernelse af disse irrelevante billeder er nøglen til at opnå "rene" data og effektiv træning.
For dem, der søger en mere professionel tilgang, giver værktøjer som Imageye Chrome-udvidelsen dig mulighed for at downloade billeder i bulk fra Google for at give modellerne adgang til dem. Derudover anbefales det kraftigt at reservere nogle eksempler til test ; det vil sige at gemme et par fotos, som AI'en ikke har set under træningen, for at verificere, om den virkelig har lært at generalisere eller blot har husket billederne.
Eksport og applikationer i den virkelige verden
Det bedste er, at dit arbejde ikke behøver at være begrænset til Googles hjemmeside. Du kan eksportere din model i TensorFlow.js-format , så du kan integrere den i din egen hjemmeside eller mobilapp. Der er også muligheder for at downloade den i formater, der er kompatible med TensorFlow Lite, hvilket er ideelt til Internet of Things (IoT) -projekter eller lokale enheder.
Fra et pædagogisk perspektiv kan lærere bruge dette til at skabe aktiviteter, der relaterer sig til virkelige situationer. For eksempel kan de træne en AI til at identificere galaksetyper baseret på Hubbles morfologi eller skabe et system, der genkender hverdagsgenstande for at løse et specifikt klasseværelsesproblem. Dette forvandler elever fra passive forbrugere af teknologi til aktive skabere af AI-baserede løsninger.
Andre værktøjer til ikke-eksperter
Selvom Teachable Machine er fantastisk, er der flere muligheder på markedet for dem, der søger en low-code- tilgang . Google AutoML er den større, mere kraftfulde og virksomhedsorienterede søskende, der integreres problemfrit med Google Cloud. På den anden side tilbyder Lobe.ai en ekstremt simpel træk-og-slip-oplevelse til billedmodeller, mens Runway ML er et paradis for digitale kunstnere, der ønsker at skabe kunst eller redigere videoer med AI.
Hvis du er mere fortrolig med Microsoft, giver Azure Machine Learning Studio dig mulighed for at designe komplekse arbejdsgange uden kodning. Og hvis sprog og tekst er din ting, er Hugging Face den foretrukne platform, der tilbyder et stort bibliotek af præ-trænede modeller, som du kan tilpasse til at analysere sentiment eller oversætte sprog. Alle disse platforme deler et fælles mål: at eliminere tekniske barrierer , så innovation afhænger af ideer, ikke af at vide, hvordan man skriver kode.
Muligheden for at træne intelligente systemer er blevet tilgængelig for alle, hvilket gør det muligt for kreativitet og uddannelse at smelte sammen med banebrydende teknologi. Ved at mestre værktøjer som Teachable Machines og deres alternativer kan enhver bruger omdanne simple data til funktionelle modeller, der er i stand til at genkende deres omgivelser, optimere processer og åbne døren for innovationer, der tidligere kun var forbeholdt computereksperter.