Teachable Machine - это замечательный инструмент и ресурс, позволяющий познакомить людей с искусственным интеллектом и машинным обучением (ML), у которых никогда не было возможности построить свою собственную модель. Он работает в браузере с веб-камерой, и в течение нескольких минут вы можете быстро понять, как машины учатся, с помощью простой демонстрации классификации.
Но что это значит для профессионалов, которые уже могут быть врачом или учителем и хотят понять, что такое ИИ на самом деле и как его применить в своей области?
В рамках курса Проектирование машинного обучения в Стэнфордской d.school мы включили несколько наводящих вопросов, чтобы помочь тем, кто имеет профессиональный опыт, понять, как такой инструмент, как Teachable Machine, может применяться в их работе.
Шаг 1. Давайте вместе тренируем модель!
Простая модель, которую я обычно демонстрирую на обучающей машине, тренирует ее по двум категориям: моя рука держит все 5 пальцев (категория «пять пальцев!») И моя рука держит только 1 палец (категория «указывающая»). Смотрите видео-пример ниже.
Расчетное время: 10 минут
Наводящие вопросы:
- Что происходит твоими собственными словами?
- Что такое модель «обучения»?
- Что произойдет, если мы используем всего несколько примеров в каждой категории (n = 20)? Куча примеров в каждой категории (n = 500)?
Шаг 2: Что происходит, когда мы «ломаем» его?
Хорошо, теперь то, что мы пробовали с «указанием» и «дай пять» ... но как компьютер классифицирует 2 пальца? 3 пальца? 4 пальца?
Кажется, что где-то между 3 и 4 пальцами моя рука классифицируется как категория «1 палец / указывающая» в 50% случаев и категория «5 пальцев / 5 пальцев» в 50% случаев. Но почему так?
Расчетное время: 5 минут
Наводящие вопросы:
- Почему 3 пальца классифицируются как категория «указывающий» / 1 палец?
- У ЭТОЙ машины есть концепция пальцев? Как насчет рук?
- Что нужно сделать, чтобы он распознал разные пальцы?
- Даже если бы мы тренировали его на всех 5 пальцах, чего бы ему еще не хватало?
- Когда мы захотим использовать классификацию по пальцам? Кто захочет этим воспользоваться? Почему?
Шаг 3. Поэкспериментируйте и примените к своему домену!
Что еще может быть у вас вокруг, на чем вы хотели бы обучить классификатора (рядом могут быть ручки или карандаши, или зеленые или желтые стикеры!)? Идите вперед и попробуйте собственный новый пример - вы тоже можете работать в командах и попытаться понять своими словами, что такое машинное «обучение» и почему.
А теперь подумайте о своей области: есть ли способы, которыми вы могли бы увидеть что-то подобное, помогающее вашей практике или людям, с которыми вы работаете?
Расчетное время: 30 минут
Наводящие вопросы:
- Что происходит, когда вы меняете «фон»? Идите в другую комнату или поверните компьютер и попробуйте еще раз. Что творится?
- Как вы думаете, каким образом это может помочь в вашей сфере? Кто захочет этим воспользоваться? Зачем им это нужно?
- Что им понадобится в качестве «обучающих» данных? Сколько им этого нужно? (Например - скажите, вы дерматолог: вам нужно только 20 фотографий здоровых родинок по сравнению с 20 фотографиями нездоровых родинок? Или им нужно больше? Как дерматологи поговорить о родинках и как убедиться, что они представлены в вашем наборе данных?)
- Каким образом это может привести к неправильной классификации? Что будет ложноположительным или ложноотрицательным? Было бы это приемлемо? Как вы могли бы разработать способы предотвратить это? (см. назад к Матрице недоразумений)
- Какой форм-фактор вам нужен? Работает ли ноутбук и веб-камера, или вам нужно что-то меньшее, что поместилось бы в пространстве? Это должна быть камера? А как насчет другого типа сенсора (весовой, фотосенсор и т. Д.)
Надеюсь, это поможет обучить следующее поколение людей, увлеченных применением ИИ в своей сфере!