Сучасний етап розвитку освіти характеризується активним впровадженням технологій штучного інтелекту (ШІ). Однак виникає суперечність: з одного боку, учні мають розуміти принципи роботи ШІ, з іншого – складність алгоритмів машинного навчання часто виходить за межі шкільної програми. Як було зазначено раніше, використання інтерактивних додатків дозволяє частково вирішити цю проблему. Зокрема, це можна зробити за допомогою ігрового симулятора «AI for Oceans», який закладає у учнів розуміння етичних аспектів та важливості якості вхідних даних.
Використання сервісу «Teachable Machine» від Google (режим доступу: https://teachablemachine.withgoogle.com/) є логічним етапом розвитку AI-компетентності учня.
Якщо в додатку «AI for Oceans» учні лише допомагали готовому алгоритму розрізняти сміття та рибу, то в сервісі «Teachable Machine» вони виступають у ролі дослідників даних, які самостійно проєктують архітектуру моделі.
Teachable Machine (TM) – це хмарний сервіс Google, що базується на бібліотеці TensorFlow.js. Він дозволяє створювати моделі трьох типів, кожен з яких має свої особливості використання:
- Image Project: Навчання моделей розпізнаванню об’єктів за допомогою веб-камери або архівів фото.
- Audio Project: Класифікація звукових фрагментів на основі аналізу спектрограм.
- Pose Project: Відстеження 17 ключових точок тіла для аналізу рухів.
Процес навчання моделі в середовищі «Teachable Machine» базується на принципах перенесення навчання. В основі сервісу лежить використання попередньо навченої нейронної мережі, яка адаптується під специфічні набори даних користувача.
На головній сторінці сервісу є чіткі і зрозумілі інструкції щодо створення своїх моделей для різних типів проєктів, переглядаючи які можна навчитися працювати з ресурсом. На прикладі проєкту типу «Image Project», розглянемо деякі тонкощі, на які варто звернути увагу. Для цього створимо модель, яка розрізнятиме апельсини від ківі.
З методичної точки зору важливо деталізувати кожен етап циклу навчання моделі.
Етап 1. Підготовка та валідація вхідних даних
Першочерговим завданням учнів є формування класів об’єктів, з якими працюватиме модель. На відміну від статичних зображень, сервіс дозволяє захоплювати відеопотік у реальному часі, що генерує десятки кадрів за секунду. На цьому етапі відбувається визначення категорій (класів) та збір навчальних зразків для кожного класу.
Рекомендації:
- Мінімальний обсяг: Для стабільної роботи моделі рекомендується збір не менше 300–500 зразків на кожен клас.
- Клас «Background» (або інша зрозуміла назва): Обов’язковим є створення контрольного класу (фонове зображення без об’єкта), що мінімізує кількість хибних спрацювань.
- Різноманітність: Варто акцентувати увагу на зміні кутів огляду, освітленості та дистанції до камери. Це дозволяє запобігти проблемі «перенавчання», коли модель впізнає конкретне фото, а не загальні ознаки об’єкта.
Етап 2. Налаштування параметрів навчання
Після збору даних відбувається етап навчання моделі. Хоча сервіс пропонує оптимальні налаштування за замовчуванням, можна проекспериментувати з розширеними параметрамии (Advanced) для поглибленого розуміння процесу.
- Epochs (Епохи): Збільшення кількості епох покращує точність, але може призвести до надмірної спеціалізації на тренувальних даних.
- Batch Size (Розмір пакету): Оптимальне значення (зазвичай 16 або 32) балансує між швидкістю навчання та стабільністю моделі.
- Learning Rate (Швидкість навчання): Занадто високе значення може призвести до того, що модель «перестрибне» оптимальне рішення, а занадто низьке – до надмірно тривалого навчання.
Етап 3. Первинне тестування моделі
Після того, як закінчився процес тренування моделі, можна здійснити її первинне тестування. Показуючи в об’єктив камери різні об’єкти, можна спостерігати три сценарії в роботі моделі (див. параметр Output):
Етап 4. Публікація моделі
Завершальним етапом є публікація моделі, що дозволяє винести її за межі навчального середовища Google та інтегрувати у власні розробки.
Для публікації:
- У вікні перегляду результатів роботи моделі достатньо натиснути кнопку Export.
- У вікні, що з’явилося, натиснути кнопку Upload my model
Дочекавшись кінця завантаження моделі в хмарне середовище, необхідно скопіювати посилання на модель і зберегти його для подальшого використання.
Рекомендації:
- На етапі публікації моделі варто звернути увагу учнів на те, що сервіс генерує унікальну URL-адресу, за якою у хмарі Google Cloud зберігаються три ключові компоненти, що є частинами навченої моделі:
- model.json – описує алгоритм обробки даних.
- weights.bin – містить накопичений досвід, який дозволяє точно розрізняти об’єкти.
- metadata.json – зберігає зрозумілі нам назви для цих об’єктів.
Цей крок є фундаментом для подальшої роботи: отримане посилання можна інтегрувати в різноманітні системи, які будуть «підтягувати» ці файли та виконувати обчислення уже в автономному режимі.
- Доцільно також акцентувати увагу на важливість здійснення зберігання всього проєкту – це дозволить в майбутньому вносити зміни в отриману модель. Для цього достатньо виконати команду Download project as file в головному меню проєкту.
Використання сервісу Teachable Machine доводить, що вивчення штучного інтелекту в школі може бути захопливим та інтерактивним процесом. Впровадження цього інструмента на уроках дозволяє реалізувати міжпредметні зв’язки – від біології до мистецтва – через створення власних класифікаторів зображень, звуків або жестів. Такий практичний підхід сприяє розвитку дослідницьких навичок учнів, готуючи їх до життя та роботи в цифровому світі, де ШІ стає невід’ємною частиною повсякденності.