У попередній публікації, присвяченій інструменту «Teachable Machine», були розглянуті особливості створення власних моделей штучного інтелекту (режим доступу: https://stem.ort.org/2026/02/03/ai-in-school-teachable-machine/).
Завершальним і найбільш значущим етапом навчального циклу у цьому напрямку – є винесення навченої моделі за межі «лабораторного» середовища Google. Для цього нами було розроблено та впроваджено спеціалізований веб-сервіс верифікації, який дозволяє учням протестувати свої роботи у форматі реального програмного додатку TM Studio (режим доступу: devs.ort.education/ai/tm-studio).
Технічна логіка інтеграції
Процес взаємодії між Teachable Machine та авторським сервісом TM Studio базується на використанні API та бібліотеки TensorFlow.js. Методика реалізації складається з таких кроків:
- Отримання унікальної URL-адреси для моделі.
- Вибір правильного інструменту в сервісі (Image, Pose, Sound) в залежності від типу проєкту, де відбувалося навчання моделі.
- Отримане посилання на модель вводиться в інтерфейс авторського сервісу.
- Відбувається динамічне завантаження файлів моделі.
- На відміну від більшості хмарних систем, розпізнавання відбувається безпосередньо на пристрої користувача, що дозволяє демонструвати високу швидкість обробки кадрів без затримок мережі.
Педагогічна доцільність та переваги верифікації
Використання сервісу TM Studio для верифікації моделей вирішує низку важливих дидактичних завдань:
- Подолання ефекту «пісочниці»: Учень усвідомлює, що створена ним модель – це не просто вправа в браузері, а повноцінний інтелектуальний модуль, який можна інтегрувати в сучасні системи.
- Стрес-тестування моделі: В інтерфейсі Teachable Machine умови часто є ідеальними. В зовнішніх же системах учні стикаються з реальністю: інший масштаб вікна камери, інша освітленість тощо. Це спонукає до критичного аналізу: «Чому в середовищі Google модель працювала на 99%, а тут – лише на 80%?».
- Аналіз вхідних параметрів: Учні вчаться розуміти вплив роздільної здатності камери та частоти кадрів (FPS) на точність результатів.
- Публічність та презентація: Додаток TM Studio дозволяє легко продемонструвати результат роботи однокласникам або батькам, просто скориставшись посиланням на модель.
Інтеграція моделей штучного інтелекту в проєктну діяльність
Поєднання сервісу Teachable Machine з інструментами верифікації TM Studio дозволяє створити цілісну методичну систему, яка здатна сформувати в учнів критичне ставлення до технологій та інженерний підхід до вирішення різноманітних завдань. Розглянемо декілька прикладів практичних ідей, які можуть стати основою для реалізації STEM-проєктів.
- «Смарт-еколог»
- Тип проєкту для навчання моделі: Image.
- Що роблять учні: Створюють набори даних з реальних зображень відходів (різні кольори кришечок, типи паперу тощо).
- Доцільність: Учні бачать еволюцію від гри «AI for Oceans» до створення власного інструменту, який може бути основою для реального робота-сортувальника.
- «Цифровий гербарій»
- Тип проєкту для навчання моделі: Image.
- Що роблять учні: Навчають модель розрізняти хвойні та листяні дерева за формою листка/хвої.
- Доцільність: Розвиток навичок спостереження та систематизації біологічних ознак.
- «Геометрія навколо нас»
- Тип проєкту для навчання моделі: Image.
- Що роблять учні: Модель має впізнати кулю в апельсині, паралелепіпед у книжці тощо.
- Доцільність: Формування навичок переходу від реального об’єкта до геометричної абстракції.
- «Фонетичний двійник»
- Тип проєкту для навчання моделі: Audio.
- Що роблять учні: Записують вимову дифтонгів або наголосів. Модель порівнює їх із «золотим стандартом» вчителя.
- Доцільність: Об’єктивність оцінювання вимови, усунення суб’єктивного чинника.
- «Постава майстра»
- Тип проєкту для навчання моделі: Pose.
- Що роблять учні: Розробляють систему, яка стежить за положенням спини під час роботи за комп’ютером або за верстатом.
- Доцільність: Поєднання ТБ, ергономіки та ІТ-технологій.
- «Цифровий реабілітолог»
- Тип проєкту для навчання моделі: Pose.
- Що роблять учні: Навчають модель правильній техніці присідань або планки.
- Доцільність: Формування навичок самоконтролю під час фізичних навантажень
Використання сервісу Teachable Machine у поєднанні з авторською методикою зовнішньої верифікації моделей дозволяє трансформувати вивчення штучного інтелекту з пасивного спостереження на активну конструкторську діяльність, де навчені моделі можуть стати прикладним інструментом у різних освітніх галузях. Це, в свою чергу, – дозволяє учням пройти повний технологічний цикл розробки ІТ-продукту, що забезпечує глибоке розуміння принципів машинного навчання та розвиває цілісну цифрову компетентність у межах STEM-освіти.