- Teachable Machine מאפשרת פיתוח מודלים של זיהוי תמונה, צליל ותנוחות מבלי לכתוב קוד.
- הכלי הופך את הבינה המלאכותית לבלתי נגרמת על ידי הפיכת למידת מכונה לקלה יותר עבור פרופילים שאינם טכניים ומחנכים.
- ניתן לייצא את המודלים שאומנו לצורך שילוב ביישומי אינטרנט, פרויקטים של IoT או תוכנה מקומית.
האם אי פעם חשבתם שבינה מלאכותית היא רק לגאוני מחשבים או למתמטיקאים עם תואר דוקטור? ובכן, תוציאו את הרעיון הזה מהראש, כי היום כל אחד יכול להתנסות בלמידת מכונה מבלי להתמודד עם שורת קוד אחת. הודות לכלים אינטואיטיביים, הגישה לטכנולוגיה הזו הפכה לדמוקרטית, ומאפשרת לכולם, מסטודנטים ועד יזמים, לעשות את צעדיהם הראשונים בעולם הבינה המלאכותית בצורה ויזואלית לחלוטין.
אחת הדוגמאות הבולטות ביותר בתחום זה היא Teachable Machine, פלטפורמת אינטרנט של גוגל שהופכת אימון מודלים למשהו שכמעט דומה למשחק. לא מדובר ביצירת צ'אטבוט מורכב, אלא בתכנון מערכות המסוגלות לסווג תמונות, לזהות צלילים או לזהות תנוחות גוף בזמן אמת. זוהי נקודת הכניסה המושלמת עבור אלו שרוצים להבין כיצד מכונה "לומדת" מדוגמאות וכיצד ליישם את הידע הזה בפרויקטים חינוכיים או יצירתיים.
מושגים בסיסיים כדי לא ללכת לאיבוד בדרך
לפני שצוללים לתוך הכלי, כדאי להבין מהי למידת מכונה . בעיקרון, זהו ענף של בינה מלאכותית המאפשר למחשבים ללמוד מנתונים במקום לעקוב אחר הוראות מתוכנתות שלב אחר שלב. דמיינו שאתם ילדים שלומדים להבחין בין תפוח לאגס; ההורים שלכם מראים לכם פירות שונים ואומרים לכם איזה מהם. ובכן, מודל הבינה המלאכותית עושה את אותו הדבר: הוא מנתח דפוסים בנתונים המסופקים כדי לקבל החלטות לגבי דברים שמעולם לא ראו קודם לכן.
מודלים אלה הם הכוח המניע מאחורי טכנולוגיות שאנו כבר משתמשים בהן מדי יום, כמו עוזרות קוליות בסגנון אלקסה או מערכות המלצה של נטפליקס. בתחום החינוכי, זה בעל ערך רב, שכן זה מאפשר לתלמידים להבין את אופן פעולתה הפנימי של הבינה המלאכותית ולפתח מיומנויות חשיבה ביקורתית לגבי אופן עיבוד המידע בעידן הדיגיטלי.
שלב אחר שלב ליצירת המודל הראשון שלך
אם אתם רוצים להתחיל, התהליך פשוט באופן מפתיע. ראשית, גשו לאתר הרשמי של Teachable Machine ובחרו את סוג הפרויקט שמעניין אתכם ביותר: תמונות, צלילים או תנוחות . אם תבחרו תמונות, לדוגמה, תראו שהמערכת מבקשת מכם להגדיר "מחלקות". מחלקה היא פשוט הקטגוריה שאתם רוצים שהבינה המלאכותית תזהה. אם אתם רוצים שהיא תבחין בין עט למחברת, תיצרו מחלקה לכל אחת מהן.
כדי להזין את השיעורים הללו, יש לכם שתי אפשרויות: להשתמש במצלמת הרשת שלכם כדי לצלם תמונות בזמן אמת או להעלות קבצים שכבר שמרתם במחשב או ב-Google Drive. טריק כדי להבטיח שהמודל מדויק הוא לספק גיוון; אל תצלמו עשר תמונות זהות, אלא צלמו את האובייקט מזוויות , תאורה ומיקומים שונים . ככל שלמכונה יהיו יותר דוגמאות נקיות ומגוונות, כך היא תעשה פחות שגיאות.
לאחר שהנתונים שלכם מוכנים, הגיע הזמן ללחוץ על כפתור "הכן מודל" . כאן קורה הקסם: המערכת מעבדת את התמונות ומתחילה באימון. חשוב מאוד לא לסגור את הכרטיסייה או לפתוח תוכניות עתירות משאבים במהלך תהליך זה כדי למנוע שגיאות. לאחר מכן, תוכלו לבדוק את התוצאה בתצוגה המקדימה על ידי הצבת האובייקט מול המצלמה וצפייה כיצד הבינה המלאכותית מקצה הסתברות להצלחה לכל קטגוריה.
טיפים מתקדמים ואופטימיזציה של נתונים
זה לא תמיד עובד בצורה מושלמת בפעם הראשונה, וזה חלק מהכיף. אם אתם שמים לב שהמודל שלכם מתבלבל, כנראה שאתם צריכים לנקות את מערך הנתונים שלכם . לדוגמה, אם אתם מסווגים חרקים ויש אדם ברקע של תמונות הנמלים, הבינה המלאכותית עשויה לחשוב שאנשים הם חלק ממה שמגדיר נמלה. הסרת תמונות לא רלוונטיות אלו היא המפתח להשגת נתונים "נקיים" ולאימון יעיל.
עבור אלו המחפשים גישה מקצועית יותר, כלים כמו התוסף Imageye לכרום מאפשרים להוריד תמונות בכמות גדולה מגוגל כדי להזין אותן למודלים. בנוסף, מומלץ מאוד לשמור כמה דוגמאות לבדיקה ; כלומר, לשמור כמה תמונות שהבינה המלאכותית לא ראתה במהלך האימון כדי לוודא שהיא באמת למדה להכליל או פשוט שינן את התמונות.
ייצוא ויישומים בעולם האמיתי
החלק הכי טוב הוא שהעבודה שלך לא חייבת להיות מוגבלת לאתר האינטרנט של גוגל. אתה יכול לייצא את המודל שלך בפורמט TensorFlow.js , מה שמאפשר לך לשלב אותו באתר האינטרנט או באפליקציה לנייד שלך. יש גם אפשרויות להוריד אותו בפורמטים התואמים ל-TensorFlow Lite, אידיאלי לפרויקטים של האינטרנט של הדברים (IoT) או למכשירים מקומיים.
מנקודת מבט פדגוגית, מורים יכולים להשתמש בכך כדי ליצור פעילויות שמתחברות למצבים מהחיים האמיתיים. לדוגמה, הם יכולים לאמן בינה מלאכותית לזהות סוגי גלקסיות על סמך המורפולוגיה של האבל, או ליצור מערכת שמזהה חפצים יומיומיים כדי לפתור בעיה ספציפית בכיתה. זה הופך תלמידים מצרכנים פסיביים של טכנולוגיה ליוצרים פעילים של פתרונות מבוססי בינה מלאכותית.
כלים נוספים למי שאינם מומחים
בעוד ש-Teachable Machine היא תוכנה נהדרת, ישנן אפשרויות נוספות בשוק עבור אלו המחפשים גישה של קוד נמוך . Google AutoML היא האח הגדולה, החזקה והמכוונה לארגונים, המשתלבת בצורה חלקה עם Google Cloud. מצד שני, Lobe.ai מציעה חוויית גרירה ושחרור פשוטה ביותר עבור מודלים של תמונות, בעוד ש- Runway ML היא גן עדן לאמנים דיגיטליים שרוצים ליצור אמנות או לערוך סרטונים בעזרת בינה מלאכותית.
אם אתם מרגישים יותר בנוח עם מיקרוסופט, Azure Machine Learning Studio מאפשר לכם לעצב זרימות עבודה מורכבות ללא צורך בקידוד. ואם שפה וטקסט הם הקטע שלכם, Hugging Face היא הפלטפורמה המועדפת, המציעה ספרייה עצומה של מודלים מאומנים מראש שניתן להתאים אישית כדי לנתח סנטימנט או לתרגם שפות. לכל הפלטפורמות הללו מטרה משותפת: לבטל מחסומים טכניים כך שהחדשנות תלויה ברעיונות, לא בידיעה כיצד לכתוב קוד.
היכולת לאמן מערכות חכמות הפכה לנגישה לכולם, מה שמאפשר ליצירתיות ולחינוך להתמזג עם טכנולוגיה מתקדמת. על ידי שליטה בכלים כמו Teachable Machines והחלופות שלהם, כל משתמש יכול להפוך נתונים פשוטים למודלים פונקציונליים המסוגלים לזהות את סביבתם, לייעל תהליכים ולפתוח דלת לחידושים שהיו שמורים בעבר רק למומחי מחשבים.