- Pinapayagan ng Teachable Machine ang pagbuo ng mga modelo ng pagkilala sa imahe, tunog, at pose nang hindi nagsusulat ng code.
- Pinapadali ng tool na ito ang paggamit ng artificial intelligence sa pamamagitan ng pagpapadali ng machine learning para sa mga hindi teknikal na profile at mga tagapagturo.
- Posibleng i-export ang mga sinanay na modelo para sa integrasyon sa mga web application, mga proyekto ng IoT, o lokal na software.
Naisip mo na ba na ang artificial intelligence ay para lamang sa mga henyo sa computer o mga matematiko na may PhD? Alisin mo na sa isip mo iyan dahil ngayon, kahit sino ay maaaring mag-eksperimento sa machine learning nang hindi na kailangang mag-abala sa kahit isang linya ng code. Dahil sa mga madaling gamiting tool, ang access sa teknolohiyang ito ay naging mas epektibo, na nagpapahintulot sa lahat, mula sa mga estudyante hanggang sa mga negosyante, na gawin ang kanilang mga unang hakbang sa mundo ng AI sa isang ganap na biswal na paraan.
Isa sa mga pinakamaliwanag na halimbawa sa larangang ito ay ang Teachable Machine, isang web platform ng Google na ginagawang halos parang laro ang pagsasanay sa modelo. Hindi ito tungkol sa paglikha ng isang kumplikadong chatbot, kundi tungkol sa pagdidisenyo ng mga sistemang may kakayahang uriin ang mga imahe, kilalanin ang mga tunog, o matukoy ang mga postura ng katawan sa totoong oras. Ito ang perpektong punto para sa mga gustong maunawaan kung paano "natututo" ang isang makina mula sa mga halimbawa at kung paano ilapat ang kaalamang iyon sa mga proyektong pang-edukasyon o malikhain.
Mga pangunahing konsepto upang maiwasan ang pagkaligaw sa daan
Bago tayo sumisid sa tool na ito, makakatulong na maunawaan kung ano ang Machine Learning . Sa esensya, ito ay isang sangay ng AI na nagbibigay-daan sa mga computer na matuto mula sa data sa halip na sundin ang mga naka-program na tagubilin nang paunti-unti. Isipin na ikaw ay isang batang natututong makilala ang isang mansanas mula sa isang peras; ipinapakita sa iyo ng iyong mga magulang ang iba't ibang prutas at sinasabi sa iyo kung alin ang alin. Buweno, ginagawa rin ng modelo ng AI ang parehong bagay: sinusuri nito ang mga pattern sa ibinigay na data upang makagawa ng mga desisyon tungkol sa mga bagay na hindi pa nito nakikita noon.
Ang mga modelong ito ang puwersang nagtutulak sa likod ng mga teknolohiyang ginagamit na natin araw-araw, tulad ng mga voice assistant na tipong Alexa o mga sistema ng rekomendasyon ng Netflix. Sa larangan ng edukasyon, napakahalaga nito, dahil nagbibigay-daan ito sa mga mag-aaral na maunawaan ang panloob na paggana ng AI at malinang ang mga kasanayan sa kritikal na pag-iisip tungkol sa kung paano pinoproseso ang impormasyon sa digital na panahon.
Hakbang-hakbang na paggawa ng iyong unang modelo
Kung gusto mong magsimula, ang proseso ay nakakagulat na simple. Una, pumunta sa opisyal na website ng Teachable Machine at piliin ang uri ng proyektong pinaka-interesante para sa iyo: mga imahe, tunog, o mga pose . Halimbawa, kung pipili ka ng mga imahe, makikita mo na hihilingin sa iyo ng system na tukuyin ang "mga klase." Ang isang klase ay ang kategoryang gusto mong makilala ng AI. Kung gusto mong makilala nito ang pagkakaiba sa pagitan ng panulat at kuwaderno, gagawa ka ng klase para sa bawat isa.
Para maituro ang mga aral na ito, mayroon kang dalawang opsyon: gamitin ang iyong webcam para kumuha ng mga larawan nang real time o mag-upload ng mga file na na-save mo na sa iyong computer o sa Google Drive. Ang isang paraan para matiyak na tumpak ang modelo ay ang pagbibigay ng iba't ibang uri; huwag kumuha ng sampung magkakaparehong larawan, sa halip ay kumuha ng bagay mula sa iba't ibang anggulo, ilaw, at posisyon . Kung mas malinis at iba't ibang halimbawa ang mayroon ang makina, mas kaunting error ang magagawa nito.
Kapag handa na ang iyong data, oras na para i-click ang button na "Ihanda ang modelo" . Dito nangyayari ang mahika: pinoproseso ng system ang mga imahe at sinisimulan ang pagsasanay. Mahalagang huwag isara ang tab o buksan ang mga programang masinsinang gumagamit ng resources habang ginagawa ito upang maiwasan ang mga error. Pagkatapos, maaari mong subukan ang resulta sa preview sa pamamagitan ng paglalagay ng object sa harap ng camera at pagtingin kung paano nagtatalaga ang AI ng probabilidad ng tagumpay sa bawat kategorya.
Mga advanced na tip at pag-optimize ng data
Hindi ito laging gumagana nang perpekto sa unang pagkakataon, at bahagi iyon ng kasiyahan. Kung mapapansin mong nalilito ang iyong modelo, malamang na kailangan mong linisin ang iyong dataset . Halimbawa, kung inuuri mo ang mga insekto at may isang tao sa background ng mga larawan ng langgam, maaaring isipin ng AI na ang mga tao ay bahagi ng kung ano ang tumutukoy sa isang langgam. Ang pag-alis ng mga hindi nauugnay na larawang ito ay susi sa pagkuha ng "malinis" na data at mahusay na pagsasanay.
Para sa mga naghahanap ng mas propesyonal na diskarte, ang mga tool tulad ng Imageye Chrome extension ay nagbibigay-daan sa iyong mag-download ng mga larawan nang maramihan mula sa Google para ipakain sa mga modelo. Bukod pa rito, lubos na inirerekomenda na magreserba ng ilang sample para sa pagsubok ; ibig sabihin, mag-save ng ilang larawan na hindi nakita ng AI noong pagsasanay upang mapatunayan kung talagang natutunan nitong gawing pangkalahatan o sadyang kabisado na lamang ang mga larawan.
Mga aplikasyon sa pag-export at totoong mundo
Ang pinakamagandang bahagi ay hindi kailangang limitado ang iyong trabaho sa website ng Google. Maaari mong i-export ang iyong modelo sa format na TensorFlow.js , na nagbibigay-daan sa iyong isama ito sa iyong sariling website o mobile app. Mayroon ding mga opsyon para i-download ito sa mga format na tugma sa TensorFlow Lite, na mainam para sa mga proyektong Internet of Things (IoT) o mga lokal na device.
Mula sa pananaw ng pedagogy, magagamit ito ng mga guro upang lumikha ng mga aktibidad na nauugnay sa mga totoong sitwasyon sa buhay. Halimbawa, maaari nilang sanayin ang isang AI upang matukoy ang mga uri ng kalawakan batay sa morpolohiya ng Hubble, o lumikha ng isang sistema na kumikilala sa mga pang-araw-araw na bagay upang malutas ang isang partikular na problema sa silid-aralan. Binabago nito ang mga mag-aaral mula sa mga pasibong mamimili ng teknolohiya tungo sa mga aktibong tagalikha ng mga solusyon na nakabatay sa AI.
Iba pang mga kagamitan para sa mga hindi eksperto
Bagama't kamangha-mangha ang Teachable Machine, mas maraming opsyon sa merkado para sa mga naghahanap ng low-code approach . Ang Google AutoML ay ang mas malaki, mas malakas, at enterprise-oriented na kapatid, na isinasama sa Google Cloud. Sa kabilang banda, ang Lobe.ai ay nag-aalok ng napakasimpleng drag-and-drop na karanasan para sa mga image model, habang ang Runway ML ay isang paraiso para sa mga digital artist na gustong lumikha ng sining o mag-edit ng mga video gamit ang AI.
Kung mas komportable ka sa Microsoft, hinahayaan ka ng Azure Machine Learning Studio na magdisenyo ng mga kumplikadong daloy ng trabaho nang walang coding. At kung ang wika at teksto ang hilig mo, ang Hugging Face ang go-to platform, na nag-aalok ng malawak na library ng mga paunang sinanay na modelo na maaari mong i-customize upang suriin ang sentimyento o isalin ang mga wika. Ang lahat ng mga platform na ito ay may iisang layunin: alisin ang mga teknikal na hadlang upang ang inobasyon ay nakasalalay sa mga ideya, hindi sa pag-alam kung paano sumulat ng code.
Ang kakayahang magsanay ng mga intelligent system ay naging abot-kaya na ng lahat, na nagpapahintulot sa pagkamalikhain at edukasyon na pagsamahin sa makabagong teknolohiya. Sa pamamagitan ng pag-master ng mga tool tulad ng Teachable Machines at ng kanilang mga alternatibo, maaaring baguhin ng sinumang user ang simpleng data sa mga functional model na may kakayahang kilalanin ang kanilang kapaligiran, i-optimize ang mga proseso, at buksan ang pinto sa mga inobasyon na dating nakalaan lamang para sa mga eksperto sa computer.