- Met Teachable Machine kunnen modellen voor beeld-, geluids- en houdingsherkenning worden ontwikkeld zonder code te schrijven.
- De tool democratiseert kunstmatige intelligentie door machine learning toegankelijker te maken voor niet-technische profielen en docenten.
- Het is mogelijk om de getrainde modellen te exporteren voor integratie in webapplicaties, IoT-projecten of lokale software.
Heb je ooit gedacht dat kunstmatige intelligentie alleen weggelegd is voor computergenieën of wiskundigen met een doctoraat? Nou, vergeet dat idee maar, want tegenwoordig kan iedereen experimenteren met machine learning zonder ook maar één regel code te hoeven schrijven. Dankzij intuïtieve tools is deze technologie voor iedereen toegankelijk geworden, waardoor iedereen, van studenten tot ondernemers, op een volledig visuele manier zijn of haar eerste stappen in de wereld van AI kan zetten.
Een van de meest treffende voorbeelden op dit gebied is Teachable Machine, een webplatform van Google dat modeltraining transformeert tot iets dat bijna op een spel lijkt. Het gaat niet om het creëren van een complexe chatbot, maar om het ontwerpen van systemen die in staat zijn om afbeeldingen te classificeren, geluiden te herkennen of lichaamshoudingen in realtime te detecteren. Het is de perfecte instap voor iedereen die wil begrijpen hoe een machine "leert" van voorbeelden en hoe die kennis kan worden toegepast op educatieve of creatieve projecten.
Basisbegrippen om te voorkomen dat je onderweg verdwaalt.
Voordat we dieper ingaan op de tool, is het handig om te begrijpen wat machine learning is . In essentie is het een tak van kunstmatige intelligentie (AI) waarmee computers kunnen leren van data in plaats van stap voor stap voorgeprogrammeerde instructies te volgen. Stel je voor dat je als kind leert een appel van een peer te onderscheiden; je ouders laten je verschillende soorten fruit zien en vertellen je welke welke is. Welnu, het AI-model doet hetzelfde: het analyseert patronen in de aangeleverde data om beslissingen te nemen over dingen die het nog nooit eerder heeft gezien.
Deze modellen vormen de drijvende kracht achter technologieën die we dagelijks gebruiken, zoals spraakassistenten zoals Alexa of aanbevelingssystemen van Netflix. In het onderwijs is dit van onschatbare waarde, omdat het leerlingen in staat stelt de interne werking van AI te begrijpen en kritisch denkvermogen te ontwikkelen over hoe informatie in het digitale tijdperk wordt verwerkt.
Stap voor stap je eerste model maken
Als je wilt beginnen, is het proces verrassend eenvoudig. Ga eerst naar de officiële website van Teachable Machine en kies het type project dat je het meest interesseert: afbeeldingen, geluiden of houdingen . Als je bijvoorbeeld voor afbeeldingen kiest, zie je dat het systeem je vraagt om 'klassen' te definiëren. Een klasse is simpelweg de categorie die je wilt dat de AI herkent. Als je wilt dat de AI onderscheid maakt tussen een pen en een notitieboekje, maak je voor elk een klasse aan.
Om deze lessen te voeden, heb je twee opties: je webcam gebruiken om foto's in realtime te maken of bestanden uploaden die je al op je computer of in Google Drive hebt opgeslagen. Een truc om ervoor te zorgen dat het model nauwkeurig is, is om variatie aan te brengen; maak geen tien identieke foto's, maar leg het object vast vanuit verschillende hoeken, met verschillende belichting en posities . Hoe meer duidelijke en gevarieerde voorbeelden de machine heeft, hoe minder fouten hij zal maken.
Zodra je gegevens gereed zijn, klik je op de knop "Model voorbereiden" . Hier gebeurt het: het systeem verwerkt de afbeeldingen en begint met trainen. Het is cruciaal om het tabblad niet te sluiten of programma's te openen die veel systeembronnen verbruiken om fouten te voorkomen. Daarna kun je het resultaat in de preview testen door het object voor de camera te plaatsen en te zien hoe de AI een succeskans toekent aan elke categorie.
Geavanceerde tips en data-optimalisatie
Het werkt niet altijd meteen perfect, en dat is juist een deel van de lol. Als je merkt dat je model in de war raakt, moet je waarschijnlijk je dataset opschonen . Als je bijvoorbeeld insecten classificeert en er staat een persoon op de achtergrond van de mierenfoto's, kan de AI denken dat mensen onderdeel zijn van wat een mier definieert. Het verwijderen van deze irrelevante afbeeldingen is essentieel voor het verkrijgen van "schone" data en een efficiënte training.
Voor wie een meer professionele aanpak zoekt, bieden tools zoals de Imageye Chrome-extensie de mogelijkheid om afbeeldingen in bulk van Google te downloaden en aan de modellen te voeden. Daarnaast is het sterk aan te raden om een aantal testfoto's te bewaren ; dat wil zeggen, sla een paar foto's op die de AI niet tijdens de training heeft gezien om te controleren of het model daadwerkelijk heeft geleerd te generaliseren of de afbeeldingen simpelweg heeft onthouden.
Export en praktijktoepassingen
Het mooiste is dat je werk niet beperkt hoeft te blijven tot de website van Google. Je kunt je model exporteren in TensorFlow.js-formaat , waardoor je het kunt integreren in je eigen website of mobiele app. Er zijn ook opties om het te downloaden in formaten die compatibel zijn met TensorFlow Lite, ideaal voor Internet of Things (IoT) -projecten of lokale apparaten.
Vanuit een pedagogisch perspectief kunnen docenten dit gebruiken om activiteiten te creëren die aansluiten bij situaties uit het dagelijks leven. Ze zouden bijvoorbeeld een AI kunnen trainen om sterrenstelsels te identificeren op basis van de morfologie van de Hubble-telescoop, of een systeem kunnen ontwikkelen dat alledaagse objecten herkent om een specifiek probleem in de klas op te lossen. Dit transformeert leerlingen van passieve gebruikers van technologie in actieve makers van AI-gebaseerde oplossingen.
Andere hulpmiddelen voor niet-experts
Hoewel Teachable Machine fantastisch is, zijn er meer opties op de markt voor wie een low-code aanpak zoekt . Google AutoML is de grotere, krachtigere en meer op bedrijven gerichte variant, die naadloos integreert met Google Cloud. Lobe.ai biedt daarentegen een extreem eenvoudige drag-and-drop-ervaring voor beeldmodellen, terwijl Runway ML een paradijs is voor digitale kunstenaars die kunst willen maken of video's willen bewerken met behulp van AI.
Als je je meer op je gemak voelt met Microsoft, kun je met Azure Machine Learning Studio complexe workflows ontwerpen zonder te hoeven programmeren. En als taal en tekst jouw ding zijn, is Hugging Face hét platform, met een uitgebreide bibliotheek aan voorgeïnstalleerde modellen die je kunt aanpassen om sentiment te analyseren of talen te vertalen. Al deze platforms hebben een gemeenschappelijk doel: technische drempels wegnemen , zodat innovatie afhangt van ideeën, niet van de kennis van programmeren.
De mogelijkheid om intelligente systemen te trainen is voor iedereen toegankelijk geworden, waardoor creativiteit en onderwijs samensmelten met de nieuwste technologie. Door tools zoals Teachable Machines en hun alternatieven te beheersen, kan elke gebruiker eenvoudige data omzetten in functionele modellen die hun omgeving herkennen, processen optimaliseren en de weg vrijmaken voor innovaties die voorheen alleen waren weggelegd voor computerdeskundigen.