- Teachable Machine omogoča razvoj modelov za prepoznavanje slik, zvoka in poz brez pisanja kode.
- Orodje demokratizira umetno inteligenco tako, da olajša strojno učenje za netehnične profile in vzgojitelje.
- Izurjene modele je mogoče izvoziti za integracijo v spletne aplikacije, projekte interneta stvari ali lokalno programsko opremo.
Ste kdaj pomislili, da je umetna inteligenca namenjena le računalniškim genijem ali matematikom z doktoratom? No, to idejo si preprosto izbijte iz glave, saj lahko danes vsakdo eksperimentira s strojnim učenjem, ne da bi se moral spopasti z eno samo vrstico kode. Zahvaljujoč intuitivnim orodjem je dostop do te tehnologije demokratiziran in omogoča vsem, od študentov do podjetnikov, da naredijo prve korake v svet umetne inteligence na popolnoma vizualen način.
Eden najsvetlejših primerov na tem področju je Teachable Machine, Googlova spletna platforma, ki učenje modelov spremeni v nekaj skoraj podobnega igri. Ne gre za ustvarjanje kompleksnega klepetalnega robota, temveč za oblikovanje sistemov, ki so sposobni razvrščati slike, prepoznavati zvoke ali zaznavati telesne drže v realnem času. To je odlična vstopna točka za tiste, ki želijo razumeti, kako se stroj "uči" iz primerov in kako to znanje uporabiti v izobraževalnih ali ustvarjalnih projektih.
Osnovni koncepti, da se ne izgubite na poti
Preden se poglobimo v orodje, je koristno razumeti, kaj je strojno učenje . V bistvu gre za vejo umetne inteligence, ki računalnikom omogoča učenje iz podatkov, namesto da bi korak za korakom sledili vnaprej programiranim navodilom. Predstavljajte si, da ste otrok, ki se uči razlikovati jabolko od hruške; starši vam pokažejo različno sadje in vam povedo, katero je katero. No, model umetne inteligence počne isto: analizira vzorce v posredovanih podatkih , da se odloča o stvareh, ki jih še nikoli ni videl.
Ti modeli so gonilna sila tehnologij, ki jih že uporabljamo vsak dan, kot so glasovni pomočniki tipa Alexa ali sistemi za priporočila Netflix. Na izobraževalnem področju je to neprecenljivo, saj študentom omogoča razumevanje notranjega delovanja umetne inteligence in razvoj kritičnega mišljenja o tem, kako se informacije obdelujejo v digitalni dobi.
Korak za korakom za ustvarjanje vašega prvega modela
Če želite začeti, je postopek presenetljivo preprost. Najprej obiščite uradno spletno stran Teachable Machine in izberite vrsto projekta, ki vas najbolj zanima: slike, zvoki ali poze . Če na primer izberete slike, boste videli, da vas sistem prosi, da definirate »razrede«. Razred je preprosto kategorija, ki jo želite, da umetna inteligenca prepozna. Če želite, da razlikuje med pisalom in zvezkom, boste za vsakega ustvarili razred.
Za lažje učenje imate dve možnosti: s spletno kamero lahko zajamete fotografije v realnem času ali pa naložite datoteke, ki ste jih že shranili v računalniku ali v storitvi Google Drive. Trik za zagotovitev natančnosti modela je raznolikost; ne posnemite deset enakih fotografij, temveč objekt posnemite iz različnih kotov, osvetlitev in položajev . Več čistih in raznolikih primerov kot ima naprava, manj napak bo naredila.
Ko so vaši podatki pripravljeni, je čas, da kliknete gumb »Pripravi model« . Tu se zgodi čarovnija: sistem obdela slike in začne z učenjem. Med tem postopkom je ključnega pomena, da ne zaprete zavihka ali odprete programov, ki porabljajo veliko virov, da se izognete napakam. Nato lahko rezultat preizkusite v predogledu tako, da postavite predmet pred kamero in vidite, kako umetna inteligenca vsaki kategoriji dodeli verjetnost uspeha .
Napredni nasveti in optimizacija podatkov
Ne deluje vedno popolnoma prvič, in to je del zabave. Če opazite, da je vaš model zmeden, morate verjetno očistiti nabor podatkov . Če na primer razvrščate žuželke in je v ozadju fotografij mravelj oseba, lahko umetna inteligenca misli, da so ljudje del tega, kar definira mravljo. Odstranjevanje teh nepomembnih slik je ključnega pomena za pridobitev "čistih" podatkov in učinkovito učenje.
Za tiste, ki iščejo bolj profesionalen pristop, orodja, kot je razširitev Imageye za Chrome, omogočajo množični prenos slik iz Googla za shranjevanje v modele. Poleg tega je zelo priporočljivo, da si nekaj vzorcev rezervirate za testiranje , torej shranite nekaj fotografij, ki jih umetna inteligenca med učenjem ni videla, da preverite, ali se je resnično naučila posploševati ali si je slike preprosto zapomnila.
Izvoz in aplikacije v resničnem svetu
Najboljše pri tem je, da vaše delo ni omejeno le na Googlovo spletno mesto. Svoj model lahko izvozite v formatu TensorFlow.js , kar vam omogoča, da ga integrirate v svoje spletno mesto ali mobilno aplikacijo. Na voljo so tudi možnosti za prenos v formatih, ki so združljivi s TensorFlow Lite, kar je idealno za projekte interneta stvari (IoT) ali lokalne naprave.
S pedagoškega vidika lahko učitelji to uporabijo za ustvarjanje dejavnosti, ki so povezane z resničnimi situacijami. Na primer, lahko usposobijo umetno inteligenco za prepoznavanje vrst galaksij na podlagi Hubblove morfologije ali ustvarijo sistem, ki prepoznava vsakdanje predmete za reševanje določenega problema v razredu. To učence iz pasivnih uporabnikov tehnologije spremeni v aktivne ustvarjalce rešitev, ki temeljijo na umetni inteligenci.
Druga orodja za nestrokovnjake
Čeprav je Teachable Machine fantastičen, je na trgu več možnosti za tiste, ki iščejo pristop z nizko kodo . Google AutoML je večji, zmogljivejši in poslovno usmerjen brat, ki se integrira z Google Cloud. Po drugi strani pa Lobe.ai ponuja izjemno preprosto izkušnjo povleci in spusti za slikovne modele, medtem ko je Runway ML raj za digitalne umetnike, ki želijo ustvarjati umetnine ali urejati videoposnetke z umetno inteligenco.
Če vam je Microsoft bolj všeč, vam Azure Machine Learning Studio omogoča oblikovanje kompleksnih delovnih procesov brez kodiranja. Če pa sta vam jezik in besedilo všeč, je Hugging Face platforma, ki ponuja obsežno knjižnico vnaprej naučenih modelov, ki jih lahko prilagodite za analizo čustev ali prevajanje jezikov. Vse te platforme imajo skupni cilj: odpraviti tehnične ovire , tako da so inovacije odvisne od idej, ne od znanja pisanja kode.
Sposobnost učenja inteligentnih sistemov je postala dostopna vsem, kar omogoča združitev ustvarjalnosti in izobraževanja z najsodobnejšo tehnologijo. Z obvladovanjem orodij, kot je Teachable Machines in njihovih alternativ, lahko vsak uporabnik preproste podatke pretvori v funkcionalne modele, ki so sposobni prepoznati njihovo okolje, optimizirati procese in odpreti vrata inovacijam, ki so bile prej rezervirane le za računalniške strokovnjake.