- Teachable Machine tillater utvikling av modeller for bilde-, lyd- og positurgjenkjenning uten å skrive kode.
- Verktøyet demokratiserer kunstig intelligens ved å gjøre maskinlæring enklere for ikke-tekniske profiler og lærere.
- Det er mulig å eksportere de trente modellene for integrering i webapplikasjoner, IoT-prosjekter eller lokal programvare.
Har du noen gang tenkt at kunstig intelligens bare er for datagenier eller matematikere med doktorgrad? Vel, få den ideen ut av hodet, for i dag kan hvem som helst eksperimentere med maskinlæring uten å måtte slite med en eneste kodelinje. Takket være intuitive verktøy har tilgangen til denne teknologien blitt demokratisert, slik at alle fra studenter til gründere kan ta sine første skritt inn i AI-verdenen på en helt visuell måte.
Et av de lyseste eksemplene på dette området er Teachable Machine, en nettplattform fra Google som forvandler modelltrening til noe nesten som et spill. Det handler ikke om å lage en kompleks chatbot, men om å designe systemer som er i stand til å klassifisere bilder, gjenkjenne lyder eller oppdage kroppsstillinger i sanntid. Det er det perfekte inngangspunktet for de som ønsker å forstå hvordan en maskin «lærer» av eksempler og hvordan de kan anvende den kunnskapen i pedagogiske eller kreative prosjekter.
Grunnleggende konsepter for å unngå å gå seg vill underveis
Før du dykker ned i verktøyet, er det nyttig å forstå hva maskinlæring er . I hovedsak er det en gren av AI som lar datamaskiner lære av data i stedet for å følge programmerte instruksjoner trinn for trinn. Se for deg at du er et barn som lærer å skille et eple fra en pære; foreldrene dine viser deg forskjellige frukter og forteller deg hvilken som er hvilken. Vel, AI-modellen gjør det samme: den analyserer mønstre i de gitte dataene for å ta avgjørelser om ting den aldri har sett før.
Disse modellene er drivkraften bak teknologier vi allerede bruker daglig, som for eksempel Alexa-lignende stemmeassistenter eller Netflix-anbefalingssystemer. Innen utdanningsfeltet er dette uvurderlig, ettersom det lar studentene forstå hvordan AI fungerer og utvikle kritisk tenkning om hvordan informasjon behandles i den digitale tidsalderen.
Steg for steg for å lage din første modell
Hvis du vil komme i gang, er prosessen overraskende enkel. Gå først til det offisielle nettstedet til Teachable Machine og velg den typen prosjekt som interesserer deg mest: bilder, lyder eller positurer . Hvis du for eksempel velger bilder, vil du se at systemet ber deg om å definere «klasser». En klasse er rett og slett kategorien du vil at AI-en skal gjenkjenne. Hvis du vil at den skal skille mellom en penn og en notatbok, oppretter du en klasse for hver.
For å gi disse lærdommene videre har du to alternativer: bruk webkameraet ditt til å ta bilder i sanntid eller last opp filer du allerede har lagret på datamaskinen eller i Google Drive. Et triks for å sikre at modellen er nøyaktig, er å sørge for variasjon; ikke ta ti identiske bilder, men fang heller objektet fra forskjellige vinkler, belysning og posisjoner . Jo flere rene og varierte eksempler maskinen har, desto færre feil vil den gjøre.
Når dataene dine er klare, er det på tide å klikke på knappen «Forbered modell» . Det er her magien skjer: systemet behandler bildene og begynner treningen. Det er avgjørende å ikke lukke fanen eller åpne ressurskrevende programmer under denne prosessen for å unngå feil. Etterpå kan du teste resultatet i forhåndsvisningen ved å plassere objektet foran kameraet og se hvordan AI-en tildeler en sannsynlighet for suksess til hver kategori.
Avanserte tips og dataoptimalisering
Det fungerer ikke alltid perfekt første gang, og det er en del av moroa. Hvis du merker at modellen din blir forvirret, må du sannsynligvis rense datasettet ditt . Hvis du for eksempel klassifiserer insekter og det er en person i bakgrunnen på maurbildene, kan AI-en tro at mennesker er en del av det som definerer en maur. Å fjerne disse irrelevante bildene er nøkkelen til å få "rene" data og effektiv trening.
For de som ønsker en mer profesjonell tilnærming, lar verktøy som Imageye Chrome-utvidelsen deg laste ned bilder i bulk fra Google for å mate modellene. I tillegg anbefales det på det sterkeste å reservere noen eksempler for testing ; det vil si å lagre noen bilder som AI-en ikke har sett under trening for å bekrefte om den virkelig har lært å generalisere eller bare memorert bildene.
Eksport og applikasjoner i den virkelige verden
Det beste er at arbeidet ditt ikke trenger å begrenses til Googles nettsted. Du kan eksportere modellen din i TensorFlow.js-format , slik at du kan integrere den i ditt eget nettsted eller mobilapp. Det finnes også muligheter for å laste den ned i formater som er kompatible med TensorFlow Lite, ideelt for tingenes internett (IoT) -prosjekter eller lokale enheter.
Fra et pedagogisk perspektiv kan lærere bruke dette til å lage aktiviteter som knytter seg til virkelige situasjoner. For eksempel kan de trene en AI til å identifisere galaksetyper basert på Hubbles morfologi, eller lage et system som gjenkjenner hverdagsobjekter for å løse et spesifikt klasseromsproblem. Dette forvandler elever fra passive forbrukere av teknologi til aktive skapere av AI-baserte løsninger.
Andre verktøy for ikke-eksperter
Selv om Teachable Machine er fantastisk, finnes det flere alternativer på markedet for de som ønsker en lavkodetilnærming . Google AutoML er den større, kraftigere og bedriftsorienterte søskengruppen, som integreres med Google Cloud. På den annen side tilbyr Lobe.ai en ekstremt enkel dra-og-slipp-opplevelse for bildemodeller, mens Runway ML er et paradis for digitale kunstnere som ønsker å lage kunst eller redigere videoer med AI.
Hvis du er mer komfortabel med Microsoft, lar Azure Machine Learning Studio deg designe komplekse arbeidsflyter uten koding. Og hvis språk og tekst er din greie, er Hugging Face plattformen du bør velge, og tilbyr et stort bibliotek med forhåndstrente modeller som du kan tilpasse for å analysere sentimenter eller oversette språk. Alle disse plattformene har et felles mål: å eliminere tekniske barrierer slik at innovasjon avhenger av ideer, ikke av å vite hvordan man skriver kode.
Muligheten til å trene intelligente systemer har blitt tilgjengelig for alle, noe som gjør at kreativitet og utdanning kan smelte sammen med banebrytende teknologi. Ved å mestre verktøy som Teachable Machines og alternativer til disse, kan enhver bruker transformere enkle data til funksjonelle modeller som er i stand til å gjenkjenne omgivelsene sine, optimalisere prosesser og åpne døren for innovasjoner som tidligere bare var forbeholdt dataeksperter.