2. Καλωσήρθατε!
Εισαγωγικές ερωτήσεις για καταγραφή εμπειρίας.
Σας παρακαλούμε συμπληρώστε το παρακάτω σύντομο ερωτηματολόγιο
(1 λεπτό)
https://forms.gle/ttoahmk71oeq5eA8A
3. Τι ξέρετε για την Τεχνητή Νοημοσύνη;
Γράψτε τα σχόλια σας στον παρακάτω κοινόχρηστο πίνακα.
Μπορείτε και να βάλετε στα σχόλια με τα οποία συμφωνείτε.
● Πώς θα ορίζατε την Τεχνητή Νοημοσύνη; Τι πιστεύετε ότι είναι; Πώς
θα τη χαρακτηρίζατε;
● Έχετε χρησιμοποιήσει κάποιες εφαρμογές που ενσωματώνουν
Τεχνητή Νοημοσύνη; Ποιες;
https://padlet.com/irovoulgari/learnmlteachers1
6. Παραδείγματα Εφαρμογών Τεχνητής Νοημοσύνης
(και Μηχανικής Μάθησης)
● Συστήματα πρότασης ταινιών, βίντεο,
τραγουδιών που πιθανόν να αρέσουν στο
χρήστη
○ YouTube, Netflix, κ.ά.
● Συστήματα αναγνώρισης φωνής
○ Έξυπνοι βοηθοί σε κινητά τηλέφωνα
(Alexa)
● Συστήματα αναγνώρισης εικόνας
● Εξατομικευμένο περιεχόμενο. Σε
κοινωνικά δίκτυα, μέσω της ανάλυσης των
ενεργειών των χρηστών για την
εξατομίκευση του περιεχομένου για την
προβολή σχετικών διαφημίσεων ή άλλων
προτάσεων
● Σε μηχανές αναζήτησης για την
παρουσίαση εξατομικευμένων
αποτελεσμάτων σύμφωνα με δεδομένα
από την προηγούμενη δραστηριότητα των
χρηστών
● Συστήματα χαρτογράφησης και διάγνωσης
ασθενειών μέσω των δεδομένων από
ασθενείς
● Αυτόνομα οχήματα
● Αυτόνομα όπλα
● κ.ά.
7. Ορίζοντας την Τεχνητή Νοημοσύνη
Η τεχνητή νοημοσύνη ή ΤΝ (ΑΙ) αναφέρεται σε μηχανές και υπολογιστές που
μιμούνται τις ανθρώπινες γνωστικές λειτουργίες της μάθησης και της επίλυσης
προβλημάτων με βάση αυτή τη μάθηση.
8. Ορίζοντας τη Μηχανική Μάθηση
Η Μηχανική Μάθηση δίνει στους υπολογιστές τη δυνατότητα να μάθουν χωρίς να
είναι λεπτομερώς προγραμματισμένοι
Η Μηχανική Μάθηση είναι ένας υποκλάδος της Επιστήμης των Υπολογιστών
Είναι ένας τρόπος της ΤΝ να μαθαίνει νέα πράγματα
10. Μηχανική Μάθηση Επιβλεπόμενη Μάθηση (supervised learning)
Η “επιβλεπόμενη μάθηση” εκπαιδεύεται χρησιμοποιώντας δεδομένα που έχουν επισημανθεί με ετικέτες (έχουν ταξινομηθεί) από
τους μηχανικούς υπολογιστών.
Η επιβλεπόμενη μάθηση βασίζεται στην ταξινόμηση με σκοπό να προβλέπει τις τιμές της ετικέτας (την κατηγορία στην οποία
ανήκουν) νέων δεδομένων.
● Δεδομένα Εκπαίδευσης (Training Set) - ταξινόμηση από τους μηχανικούς υπολογιστών
● Δεδομένα Αξιολόγησης (Testing Set) - δοκιμή της ακρίβειας του μοντέλου που δημιουργήθηκε από την διαδικασία της
εκπαίδευσης με νέα δεδομένα
Παραδείγματα:
● Αναγνώριση προσώπου/αντικειμένων
● Αναγνώριση email ως spam
Καταχωρώ
δεδομένα Ταξινομώ
Αποτέλεσμα
εκπαίδευσης -
Μοντέλο
πρόβλεψης
11. Μηχανική Μάθηση Ενισχυτική Μάθηση (reinforcement learning)
H “ενισχυτική μάθηση” λειτουργεί διαφορετικά:
ο αλγόριθμος ανακαλύπτει μέσω δοκιμής και σφάλματος
ποιες ενέργειες αποδίδουν τα καλύτερα αποτελέσματα.
Ο μηχανικός / προγραμματιστής ορίζει αρχικά τις
επιβραβεύσεις (για τις επιθυμητές ενέργειες) και τις τιμωρίες
(για τις ανεπιθύμητες).
Για παράδειγμα:
● τα αυτόνομα οχήματα που μαθαίνουν να εντοπίζουν
μόνα τους την καταλληλότερη διαδρομή
● οι χαρακτήρες ψηφιακού παιχνιδιού που αποφασίζουν
μόνοι τους την καταλληλότερη κίνηση
Στόχος είναι ο παράγοντας να επιλέξει τις ενέργειες που θα
αποδώσουν το βέλτιστο δυνατό αποτέλεσμα.
Αυτός ο τύπος μάθησης έχει τρία βασικά
συστατικά:
● τον υπεύθυνο λήψης αποφάσεων για τον
παράγοντα (ρομπότ, χαρακτήρας
παιχνιδιού κ.ά.),
● το περιβάλλον που βρίσκεται ο
παράγοντας
● τις ενέργειες που θα πραγματοποιήσει ο
παράγοντας στο περιβάλλον.
Παραδείγματα:
● Ρομποτική
● Παιχνίδια
● Αυτοοδηγούμενα οχήματα
12. Η Τεχνητή Νοημοσύνη στην Εκπαίδευση
Παραδείγματα εφαρμογών, λογισμικού, παιχνιδιών, δραστηριοτήτων για την
εισαγωγή μαθητών και μαθητριών σε έννοιες Τεχνητής Νοημοσύνης
13. Teachable Machine
Teachable Machine https://teachablemachine.withgoogle.com/
Δημιούργησε ένα μοντέλο: εκπαίδευσε τον υπολογιστή να αναγνωρίζει σε ποια
κατηγορία ανήκει μια φωτογραφία, ένας ήχος, ή μια στάση του σώματος
15. Teachable Machine: Παράδειγμα Δραστηριότητας στην Τάξη
Εισαγωγή στην έννοια της ταξινόμησης (classification) και της καθοδηγούμενης
μηχανικής μάθησης (supervised machine learning)
Συζήτηση για παραδείγματα ταξινόμησης (π.χ. αναγνώριση προσώπου, spam)
Τι θα γίνει εάν χρησιμοποιήσουμε περισσότερες εικόνες για μια κατηγορία και
λιγότερες για την άλλη; (π.χ. γάτες και σκύλοι)
Εισαγωγή στην έννοια της αλγοριθμικής μεροληψίας (algorithmic bias)
Πηγή δραστηριότητας:
https://www.media.mit.edu/projects/ai-ethics-for-middle-school/overview
16. Semi Conductor
Semi Conductor https://semiconductor.withgoogle.com/
Γίνε μαέστρος και διεύθυνε μια ορχήστρα μέσω του
υπολογιστή σου, με το σώμα σου!
Αναγνώριση στάσης του σώματος (των χεριών) μέσω
της κάμερας του υπολογιστή.
Η ορχήστρα παίζει αντίστοιχα με τις κινήσεις των
χεριών.
17. Minecraft. Hour of Code: AI for Good
Βασικές έννοιες προγραμματισμού
Βασικές λειτουργίες Τεχνητής Νοημοσύνης
Σώσε το χωριό! Εκπαίδευσε τη μηχανή να αναγνωρίζει κίνδυνο
πυρκαγιάς και να αφαιρεί τα εύφλεκτα υλικά.
Δασικές πυρκαγιές: παράγοντες, πρόληψη, πρόβλεψη,
συνέπειες, αναδάσωση
Θέματα για συζήτηση με μαθητές: τι είναι “νοημοσύνη”, πού θα
μπορούσαν να βοηθήσουν οι υπολογιστές (π.χ. διάγνωση
ασθενειών, αυτόματη μετάφραση, πλύσιμο ρούχων;)
https://education.minecraft.net/hour-of-code-2019
Σχέδιο Μαθήματος
https://education.minecraft.net/wp-content/uploads/EducatorG
uide_el-GR.pdf
18. Machine Learning for Kids
Machine Learning for Kids
https://machinelearningforkids.co.uk/
Τα παιδιά δημιουργούν το δικό τους μοντέλο
αναγνώρισης αντικειμένων (κειμένου,
αριθμών, εικόνων, ήχων) και εισάγουν το
μοντέλο τους σε εκπαιδευτικές εφαρμογές
όπως το Scratch και το App Inventor
Δημιουργούν παιχνίδια με ενσωματωμένα
μοντέλα μηχανικής μάθησης.
Σχέδια μαθημάτων
https://machinelearningforkids.co.uk/#!/work
sheets
19. The Moral Machine
Λήψη αποφάσεων και Ηθική
Αυτόνομα αυτοκίνητα, ηθικά
διλήμματα, και αποφάσεις
Τι απ’ τα δύο θα επέλεγες; Τι
επιλέγει το αυτοκίνητο;
http://moralmachine.mit.edu/
https://www.ted.com/talks/iyad_rahwan_what_moral_decisions_should_drive
rless_cars_make
21. Κοινωνικές, Πολιτισμικές, Ηθικές Προεκτάσεις
● Προκαταλήψεις, στερεότυπα;
○ π.χ. αναγνώριση προσώπου;
● Ζητήματα ισότητας, και ισότιμης πρόσβασης
○ π.χ. προκαταλήψεις με βαση το φύλο, προκαταλήψεις με βάση την κοινωνική προέλευση
● Διάδοση πληροφοριών
○ π.χ. διάδοση παραπληροφόρησης;
● Η “Φούσκα του Διαδικτύου” (filter bubble)
● Η συμπεριφορά των αυτόνομων οχημάτων, και όπλων. Ποιος είναι υπεύθυνος για
πιθανά λάθη;
Παραδείγματα:
● Amazon scrapped 'sexist AI' tool https://www.bbc.com/news/technology-45809919
● UK ditches exam results generated by biased algorithm after student protests
https://www.technologyreview.com/2020/08/20/1007502/uk-exam-algorithm-cant-fix-
broken-system/
23. Παίζοντας Παιχνίδια και Μαθαίνοντας για την Τεχνητή
Νοημοσύνη
Παίξτε το παρακάτω παιχνίδι. Διαβάστε τα ενσωματωμένα κείμενα.
Διάρκεια: 15 λεπτά
ArtBot: http://learnml.eu/games.php
Ήταν εύκολο στη χρήση; Μπορείτε να κατανοήσετε έννοιες Τεχνητής
Νοημοσύνης και Μηχανικής Μάθησης; Θα το χρησιμοποιήσετε στη
διδασκαλία σας;
Συμπληρώστε και το παρακάτω ερωτηματολόγιο:
https://forms.gle/quPoGeKZFJAr8vQG7
24. Γενετικός Αλγόριθμος
Ο γενετικός αλγόριθμος προσπαθεί να βρει τις βέλτιστες δυνατές λύσεις σε
συστήματα σαν να λύνει ένα μαθηματικό πρόβλημα.
Η ονομασία του προήλθε από τη βιολογία, αφού χρησιμοποιεί την ιδέα της
εξέλιξης.
Παίζοντας και μαθαίνοντας:
Evolutionary cars/ Flappy Bird http://83.212.75.23/
25. Επεξεργασία Εκπαιδευτικών Σεναρίων για την ΤΝ
Σας δίνουμε δύο σενάρια από το βιβλίο των Camilleri, V., Dingli, A., & Montebello,
M. (2019). AI in Education A Practical Guide for Teachers and Young People.
Department of AI, University of Malta. http://learnml.eu/docs/AI_in_Education.pdf
με σκοπό να σκεφτείτε πώς θα τα προσαρμόσετε στην τάξη σας
https://docs.google.com/document/d/1-_odDEWge9C6fCoA-5oJxx5izm4uotlEOPel
qRfRs9w/edit?usp=sharing
Σημειώνετε τις σκέψεις σας εδώ:
https://padlet.com/EliasStouraitis/LearnMLscenarios
Διάρκεια: 20 λεπτά
27. Δημιουργία Εκπαιδευτικών Σεναρίων για την ΤΝ
Χρησιμοποιήσετε ένα από τα παιχνίδια που παρουσιάστηκαν (π.χ. ArtBot) και
επίσης και άλλα παιχνίδια ή εργαλεία εφόσον θέτετε, και σχεδιάστε το δικό σας
σενάριο.
Χρησιμοποιήστε την παρακάτω φόρμα για να σχεδιάστε το δικό σας σενάριο:
https://forms.gle/xPtDM7yiFv6aTozP9
Διάρκεια: 30 λεπτά
Παρουσίαση και συζήτηση για τους σχεδιασμούς των σεναρίων σας
Διάρκεια: 7 λεπτά
28. Τι ξέρετε τώρα για την Τεχνητή Νοημοσύνη;
Γράψτε τα σχόλια σας στον παρακάτω κοινόχρηστο πίνακα.
Μπορείτε και να βάλετε στα σχόλια με τα οποία συμφωνείτε.
Πώς θα ορίζατε την Τεχνητή Νοημοσύνη; Τι πιστεύετε ότι είναι;
Πώς θα τη χαρακτηρίζατε;
Έχετε χρησιμοποιήσει κάποιες εφαρμογές που ενσωματώνουν
Τεχνητή Νοημοσύνη; Ποιες;
https://padlet.com/irovoulgari/learnmlteachers2
29. Συμπεράσματα - Κλείσιμο
Ποια η γνώμη σας για αυτό το σεμινάριο;
Γράψτε τη γνώμη σας στο chat ή χρησιμοποιήστε φωνή.
Σας παρακαλούμε συμπληρώστε την παρακάτω Φόρμα Συμμετοχής (είναι
απαραίτητη για τη βεβαίωση συμμετοχής και για το έργο μας):
https://forms.gle/g2W3EqtnbpPu4URN7
30. Σας ευχαριστούμε πολύ για τη συμμετοχή σας!
Μπορείτε να μάθετε περισσότερα για το έργο και
να βρείτε υλικό στο:
http://learnml.eu/