- Teachable Machine võimaldab luua pildi-, heli- ja poosituvastusmudeleid ilma koodi kirjutamata.
- See tööriist demokratiseerib tehisintellekti, muutes masinõppe mitte-tehniliste profiilide ja õpetajate jaoks lihtsamaks.
- Treenitud mudeleid on võimalik eksportida veebirakendustesse, IoT-projektidesse või kohalikku tarkvarasse integreerimiseks.
Kas olete kunagi mõelnud, et tehisintellekt on ainult arvutigeeniustele või doktorikraadiga matemaatikutele? Noh, visake see mõte peast välja, sest tänapäeval saab igaüks masinõppega katsetada ilma ühegi koodireaga maadlemata. Tänu intuitiivsetele tööriistadele on juurdepääs sellele tehnoloogiale demokratiseeritud, võimaldades kõigil alates õpilastest kuni ettevõtjateni teha oma esimesed sammud tehisintellekti maailmas täiesti visuaalsel viisil.
Üks eredamaid näiteid selles valdkonnas on Teachable Machine, Google'i veebiplatvorm, mis muudab mudelikoolituse peaaegu mängu sarnaseks. Asi ei ole keerulise vestlusroboti loomises, vaid süsteemide kavandamises, mis on võimelised pilte klassifitseerima, helisid tuvastama või kehaasendeid reaalajas tuvastama. See on ideaalne alguspunkt neile, kes soovivad mõista, kuidas masin näidetest "õpib" ja kuidas neid teadmisi hariduslikes või loomingulistes projektides rakendada.
Põhimõisted, et teel ära ei eksiks
Enne tööriista süvenemist on kasulik mõista, mis on masinõpe . Põhimõtteliselt on see tehisintellekti haru, mis võimaldab arvutitel õppida andmetest, selle asemel et samm-sammult programmeeritud juhiseid järgida. Kujutage ette, et olete laps, kes õpib õuna pirnist eristama; teie vanemad näitavad teile erinevaid puuvilju ja ütlevad, milline on milline. Tehisintellekti mudel teeb sama asja: see analüüsib esitatud andmetes mustreid, et teha otsuseid asjade kohta, mida ta pole kunagi varem näinud.
Need mudelid on liikumapanev jõud tehnoloogiate taga, mida me juba iga päev kasutame, näiteks Alexa-tüüpi häälassistendid või Netflixi soovitussüsteemid. Haridusvaldkonnas on see hindamatu väärtusega, kuna see võimaldab õpilastel mõista tehisintellekti sisemist toimimist ja arendada kriitilise mõtlemise oskusi selle kohta, kuidas infot digitaalajastul töödeldakse.
Samm-sammult oma esimese mudeli loomiseks
Alustamiseks on protsess üllatavalt lihtne. Kõigepealt minge Teachable Machine'i ametlikule veebisaidile ja valige projekti tüüp, mis teid kõige rohkem huvitab: pildid, helid või poosid . Näiteks piltide valimisel palub süsteem teil määratleda "klassid". Klass on lihtsalt kategooria, mida soovite, et tehisintellekt tuvastaks. Kui soovite, et see eristaks pliiatsit ja märkmikku, loote iga klassi jaoks eraldi.
Nende õppetundide andmiseks on teil kaks võimalust: jäädvustada reaalajas fotosid veebikaameraga või laadida üles faile, mis teil on juba arvutisse või Google Drive'i salvestatud. Mudeli täpsuse tagamiseks on üks nipp pakkuda mitmekesisust; ärge tehke kümmet identset fotot, vaid jäädvustage objekti erinevate nurkade, valgustuse ja positsioonide alt . Mida rohkem puhtaid ja mitmekesiseid näiteid masinal on, seda vähem vigu see teeb.
Kui andmed on valmis, on aeg klõpsata nupul „Valmista mudel ette“ . Siin toimubki maagia: süsteem töötleb pilte ja alustab treenimist. Vigade vältimiseks on oluline selle protsessi ajal vahekaarti mitte sulgeda ega ressursimahukaid programme avada. Pärast seda saate tulemust eelvaates testida, asetades objekti kaamera ette ja vaadates, kuidas tehisintellekt määrab igale kategooriale edukuse tõenäosuse .
Täiustatud näpunäited ja andmete optimeerimine
See ei tööta alati esimesel korral ideaalselt ja see ongi osa lõbust. Kui märkad, et su mudel läheb segaseks, pead ilmselt oma andmestikku puhastama . Näiteks kui klassifitseerid putukaid ja sipelgate fotode taustal on inimene, võib tehisintellekt arvata, et inimesed on osa sellest, mis sipelgat defineerib. Nende ebaoluliste piltide eemaldamine on "puhaste" andmete saamise ja tõhusa treenimise võti.
Neile, kes otsivad professionaalsemat lähenemist, võimaldavad sellised tööriistad nagu Imageye Chrome'i laiendus teil Google'ist hulgi pilte alla laadida, et mudeleid toita. Lisaks on tungivalt soovitatav jätta mõned näidised testimiseks ; see tähendab, et salvestage paar fotot, mida tehisintellekt pole treeningu ajal näinud, et kontrollida, kas see on tõesti õppinud üldistama või on pildid lihtsalt meelde jätnud.
Eksport ja reaalmaailma rakendused
Parim osa on see, et teie töö ei pea piirduma Google'i veebisaidiga. Saate oma mudeli eksportida TensorFlow.js-vormingus , mis võimaldab teil selle oma veebisaidile või mobiilirakendusse integreerida. Samuti on võimalik see alla laadida TensorFlow Lite'iga ühilduvates vormingutes, mis sobib ideaalselt asjade interneti (IoT) projektide või kohalike seadmete jaoks.
Pedagoogilisest vaatenurgast saavad õpetajad seda kasutada tegevuste loomiseks, mis on seotud reaalsete olukordadega. Näiteks võivad nad treenida tehisintellekti tuvastama galaktikatüüpe Hubble'i morfoloogia põhjal või luua süsteemi, mis tunneb ära igapäevaseid objekte, et lahendada konkreetne klassiruumis esinev probleem. See muudab õpilased tehnoloogia passiivsetest tarbijatest tehisintellektil põhinevate lahenduste aktiivseteks loojateks.
Muud tööriistad mitte-ekspertidele
Kuigi Teachable Machine on fantastiline, on turul rohkem valikuid neile, kes otsivad vähese koodiga lähenemist . Google AutoML on suurem, võimsam ja ettevõttekesksem sugulane, mis integreerub Google Cloudiga. Teisest küljest pakub Lobe.ai äärmiselt lihtsat lohistamiskogemust pildimudelite jaoks, samas kui Runway ML on paradiis digikunstnikele, kes soovivad luua kunsti või monteerida videoid tehisintellekti abil.
Kui tunned end Microsoftiga mugavamalt, võimaldab Azure Machine Learning Studio sul kujundada keerulisi töövooge ilma kodeerimiseta. Ja kui keel ja tekst on sinu teema, on Hugging Face õige valik, pakkudes laia valikut eelkoolitatud mudeleid, mida saad kohandada sentimentaalsuse analüüsimiseks või keelte tõlkimiseks. Kõigil neil platvormidel on ühine eesmärk: kõrvaldada tehnilised tõkked , et innovatsioon sõltuks ideedest, mitte koodi kirjutamise oskusest.
Intelligentsete süsteemide koolitamise võimalus on muutunud kättesaadavaks kõigile, võimaldades loovusel ja haridusel ühineda tipptehnoloogiaga. Selliste tööriistade nagu Teachable Machines ja nende alternatiivide valdamise abil saab iga kasutaja muuta lihtsad andmed funktsionaalseteks mudeliteks, mis on võimelised ära tundma oma keskkonda, optimeerima protsesse ja avama ukse uuendustele, mis varem olid reserveeritud ainult arvutiekspertidele.