- Teachable Machine ļauj izstrādāt attēlu, skaņas un pozu atpazīšanas modeļus, nerakstot kodu.
- Šis rīks demokratizē mākslīgo intelektu, atvieglojot mašīnmācīšanos netehniskiem profiliem un pedagogiem.
- Apmācītos modeļus ir iespējams eksportēt integrācijai tīmekļa lietojumprogrammās, lietu interneta projektos vai lokālā programmatūrā.
Vai esat kādreiz domājuši, ka mākslīgais intelekts ir paredzēts tikai datoru ģēnijiem vai matemātiķiem ar doktora grādu? Nu, atmetiet šo domu no galvas, jo mūsdienās ikviens var eksperimentēt ar mašīnmācīšanos, necīnoties ar nevienu koda rindiņu. Pateicoties intuitīviem rīkiem, piekļuve šai tehnoloģijai ir demokratizēta, ļaujot ikvienam, sākot no studentiem līdz uzņēmējiem, spert savus pirmos soļus mākslīgā intelekta pasaulē pilnīgi vizuālā veidā.
Viens no spilgtākajiem piemēriem šajā jomā ir Teachable Machine — Google tīmekļa platforma, kas pārveido modeļu apmācību gandrīz par spēli. Tā nav par sarežģīta tērzēšanas robota izveidi, bet gan par tādu sistēmu izstrādi, kas spēj klasificēt attēlus, atpazīt skaņas vai noteikt ķermeņa pozas reāllaikā. Tas ir ideāls sākumpunkts tiem, kas vēlas saprast, kā mašīna "mācās" no piemēriem un kā šīs zināšanas pielietot izglītības vai radošos projektos.
Pamatjēdzieni, lai neapmaldītos ceļā
Pirms ķerties pie šī rīka izpētes, ir lietderīgi saprast, kas ir mašīnmācīšanās . Būtībā tā ir mākslīgā intelekta (AI) nozare, kas ļauj datoriem mācīties no datiem, nevis soli pa solim sekot ieprogrammētām instrukcijām. Iedomājieties, ka esat bērns, kurš mācās atšķirt ābolu no bumbiera; jūsu vecāki jums rāda dažādus augļus un pasaka, kurš ir kurš. AI modelis dara to pašu: tas analizē sniegto datu modeļus , lai pieņemtu lēmumus par lietām, ko tas nekad iepriekš nav redzējis.
Šie modeļi ir virzītājspēks tehnoloģijām, kuras mēs jau izmantojam ikdienā, piemēram, Alexa tipa balss asistentiem vai Netflix ieteikumu sistēmām. Izglītības jomā tas ir nenovērtējami, jo ļauj studentiem izprast mākslīgā intelekta iekšējo darbību un attīstīt kritiskās domāšanas prasmes par to, kā informācija tiek apstrādāta digitālajā laikmetā.
Soli pa solim, lai izveidotu savu pirmo modeli
Ja vēlaties sākt darbu, process ir pārsteidzoši vienkāršs. Vispirms dodieties uz oficiālo Teachable Machine vietni un izvēlieties projekta veidu, kas jūs visvairāk interesē: attēli, skaņas vai pozas . Piemēram, ja izvēlaties attēlus, redzēsiet, ka sistēma lūdz definēt "klases". Klase ir vienkārši kategorija, kuru vēlaties, lai mākslīgais intelekts atpazītu. Ja vēlaties, lai tas atšķirtu pildspalvu no piezīmju grāmatiņas, izveidojiet katrai klasei atsevišķu klasi.
Lai gūtu šīs mācības, jums ir divas iespējas: izmantot tīmekļa kameru, lai uzņemtu fotoattēlus reāllaikā, vai augšupielādēt failus, kas jau ir saglabāti datorā vai Google diskā. Knifs, lai nodrošinātu modeļa precizitāti, ir nodrošināt dažādību; neuzņemiet desmit identiskus fotoattēlus, bet gan uzņemiet objektu no dažādiem leņķiem, apgaismojuma un pozīcijām . Jo vairāk tīru un daudzveidīgu piemēru ir ierīcei, jo mazāk kļūdu tā pieļaus.
Kad dati ir gatavi, ir pienācis laiks noklikšķināt uz pogas “Sagatavot modeli” . Šeit notiek burvība: sistēma apstrādā attēlus un sāk apmācību. Lai izvairītos no kļūdām, ir svarīgi šajā procesā neaizvērt cilni vai neatvērt resursietilpīgas programmas. Pēc tam varat pārbaudīt rezultātu priekšskatījumā, novietojot objektu kameras priekšā un redzot, kā mākslīgais intelekts piešķir veiksmes varbūtību katrai kategorijai.
Padomi un datu optimizācija
Tas ne vienmēr darbojas perfekti pirmajā reizē, un tā ir daļa no prieka. Ja pamanāt, ka jūsu modelis kļūst neskaidrs, iespējams, ir jāattīra datu kopa . Piemēram, ja klasificējat kukaiņus un skudru fotoattēlu fonā ir cilvēks, mākslīgais intelekts varētu domāt, ka cilvēki ir daļa no tā, kas definē skudru. Šo neatbilstošo attēlu noņemšana ir galvenais, lai iegūtu "tīrus" datus un veiktu efektīvu apmācību.
Tiem, kas meklē profesionālāku pieeju, tādi rīki kā Imageye Chrome paplašinājums ļauj lejupielādēt attēlus vairumā no Google, lai tos izmantotu modeļu apstrādē. Turklāt ir ļoti ieteicams saglabāt dažus paraugus testēšanai ; tas ir, saglabāt dažus fotoattēlus, ko mākslīgais intelekts nav redzējis apmācības laikā, lai pārbaudītu, vai tas patiešām ir iemācījies vispārināt vai vienkārši iegaumējis attēlus.
Eksports un reālās pasaules lietojumprogrammas
Pats labākais ir tas, ka jūsu darbam nav jāaprobežojas tikai ar Google vietni. Jūs varat eksportēt savu modeli TensorFlow.js formātā , kas ļauj to integrēt savā vietnē vai mobilajā lietotnē. Ir arī iespējas to lejupielādēt formātos, kas ir saderīgi ar TensorFlow Lite, kas ir ideāli piemēroti lietu interneta (IoT) projektiem vai lokālām ierīcēm.
No pedagoģiskā viedokļa skolotāji to var izmantot, lai radītu aktivitātes, kas ir saistītas ar reālās dzīves situācijām. Piemēram, viņi varētu apmācīt mākslīgo intelektu (MI) identificēt galaktiku tipus, pamatojoties uz Habla morfoloģiju, vai izveidot sistēmu, kas atpazīst ikdienas objektus, lai atrisinātu konkrētu klases problēmu. Tas pārveido skolēnus no pasīviem tehnoloģiju patērētājiem par aktīviem MI balstītu risinājumu radītājiem.
Citi rīki neekspertiem
Lai gan Teachable Machine ir fantastiska platforma, tirgū ir pieejamas arī citas iespējas tiem, kas meklē pieeju ar zemu koda apjomu . Google AutoML ir lielāks, jaudīgāks un uz uzņēmējdarbību orientēts līdzinieks, kas integrējas ar Google Cloud. Savukārt Lobe.ai piedāvā ārkārtīgi vienkāršu attēlu modeļu vilkšanas un nomešanas pieredzi, savukārt Runway ML ir paradīze digitālajiem māksliniekiem, kuri vēlas radīt mākslas darbus vai rediģēt video, izmantojot mākslīgo intelektu.
Ja jums ērtāk strādā ar Microsoft, Azure Machine Learning Studio ļauj izstrādāt sarežģītas darbplūsmas bez kodēšanas. Un, ja valoda un teksts ir jūsu gaumē, Hugging Face ir īstā platforma, kas piedāvā plašu iepriekš apmācītu modeļu bibliotēku, ko varat pielāgot, lai analizētu noskaņojumu vai tulkotu valodas. Visām šīm platformām ir kopīgs mērķis: novērst tehniskos šķēršļus , lai inovācijas būtu atkarīgas no idejām, nevis no zināšanām par koda rakstīšanas prasmēm.
Spēja apmācīt intelektuālās sistēmas ir kļuvusi pieejama ikvienam, ļaujot radošumam un izglītībai apvienoties ar jaunākajām tehnoloģijām. Apgūstot tādus rīkus kā Teachable Machines un to alternatīvas, jebkurš lietotājs var pārveidot vienkāršus datus funkcionālos modeļos, kas spēj atpazīt apkārtējo vidi, optimizēt procesus un pavērt durvis uz inovācijām, kas iepriekš bija pieejamas tikai datoru ekspertiem.