יזמות טכנולוגית · כיתות ד׳–ט׳ · מפגש 11 · 90 דקות
▶ פתח במקרןבינה מלאכותית כחיישן חכם
מאמנים מודל ב-Teachable Machine, מגלים מתי הוא טועה, ומחברים לחזי
זמני ששת שלבי המעבדה לקוחים מדף העבודה (5, ו-15 דקות לכל אחד מהשאר). זמני הפתיחה והסיכום הם הערכה שלנו כדי להשלים ל-90 דקות.
מטרת המפגש
עד עכשיו החיישנים שלנו מדדו מספרים: טמפרטורה, אור, לחות. היום מלמדים מחשב "לראות". התלמידים מאמנים ב-Google Teachable Machine מודל שמזהה תמונות מהמצלמה, בודקים את רמת הביטחון שלו, מגלים מתי הוא טועה ולמה, ולומדים שמודל טוב תלוי בדוגמאות טובות ומגוונות.
מטרות
- להסביר איך מכונה לומדת מדוגמאות: נתונים ← אימון ← מודל ← חיזוי.
- לאמן מודל זיהוי תמונה עם שלוש מחלקות ב-Teachable Machine ולבדוק אותו.
- לפרש רמת ביטחון (Confidence) ולנתח מקרים שבהם המודל טועה.
- לזהות הטיות בנתונים ולהציע דרך לשפר את המודל.
התוצר במפגש
מודל זיהוי תמונה של אבן, נייר ומספריים, טבלת בדיקה עם אחוזי ביטחון, שני מקרים מתועדים שבהם המודל טעה ותיקון שלהם, ותכנון של חיישן חכם לחזי שמזהה עלה חולה.
המסר המרכזי
AI לומד מדוגמאות, לא מחוקים שכתבנו. רמת ביטחון היא כמה המודל בטוח, לא כמה הוא צודק. נתונים מגוונים יוצרים מודל הוגן ומדויק יותר. ו-AI הוא כלי: אנחנו אלה שמחליטים מה לעשות עם התשובה.
הכנה לפני המפגש
מהלך המפגש
| דקות | חלק | משך | סידור | ציוד | |
|---|---|---|---|---|---|
| 0–5 | פתיחה מחשב שלומד מדוגמאות, ומצלמה כחיישן חכם | 5 דק׳ | יושבים מול המקרן | מצגת | הקרן |
| 5–10 | שלב 1 פותחים פרויקט ב-Teachable Machine | 5 דק׳ | עבודה בזוגות מול מחשב עם מצלמה | מחשבים עם מצלמה | הקרן |
| 10–25 | שלב 2 אוספים דוגמאות | 15 דק׳ | עבודה בזוגות | מחשבים עם מצלמה | הקרן |
| 25–40 | שלב 3 מאמנים ובודקים | 15 דק׳ | עבודה בזוגות | מחשבים עם מצלמה, דפי עבודה | הקרן |
| 40–55 | שלב 4 מנסים לבלבל את המודל | 15 דק׳ | עבודה בזוגות, ואחר כך דיון קצר | מחשבים עם מצלמה, דפי עבודה | הקרן |
| 55–70 | שלב 5 משפרים את המודל | 15 דק׳ | עבודה בזוגות | מחשבים עם מצלמה | הקרן |
| 70–85 | שלב 6 חיישן חכם לחזי | 15 דק׳ | עבודה בזוגות | מחשבים עם מצלמה, עלים או תמונות של עלים, דפי עבודה | הקרן |
| 85–90 | סיכום כללי שימוש אחראי ב-AI ורפלקציה | 5 דק׳ | יושבים מול המקרן | מצגת, דפי עבודה | הקרן |
רשימת ציוד לפני המפגש
חומרי עזר
חסר באתר
הפריטים האלה מוזכרים במערך אבל לא נכללו במקורות. כדאי להכין אותם לפני המפגש.
- קובץ מצגת המפגש (התוכן שלה מופיע במקור כטקסט, והוא משולב כאן בשקופיות)
- דף העבודה המודפס "מדריך מעבדה: מאמנים מודל ב-Teachable Machine", עם הטבלאות למילוי
- מצגת ה-AI של הקורס (ברשימת המצגות יש קישור עריכה ב-Canva בשם "AI", שלא פורסם כאן)
דגשים למדריך לפי חלקי המפגש
פתיחה: מחשב שלומד מדוגמאות, ומצלמה כחיישן חכם
- כך עובדת למידת מכונה: אנחנו לא כותבים את החוקים, המחשב מוצא אותם בעצמו מתוך הדוגמאות.
- משווים: חיישן רגיל מודד מספר (23°), פועל לפי כללים שכתבנו (אם > 25) ונותן תמיד אותה תשובה. חיישן חכם מזהה מה יש בתמונה ("עלה חולה"), פועל לפי כללים שהמודל למד מדוגמאות, ונותן תשובה עם רמת ביטחון, למשל 87%.
שלב 1: פותחים פרויקט ב-Teachable Machine
- נכנסים ל-teachablemachine.withgoogle.com ← Get Started ← Image Project ← Standard image model.
- משנים את שמות המחלקות: Class 1 = אבן, Class 2 = נייר, ומוסיפים Class 3 = מספריים.
- אין צורך בעלים אמיתיים: אם אין צמחים בכיתה, מאמנים על אבן, נייר ומספריים ביד. זה קשר ישיר למשחק שתכנתנו ב-Micro:bit במפגש 7, ועכשיו המחשב רואה את היד.
שלב 2: אוספים דוגמאות
- בכל מחלקה לוחצים Webcam ומחזיקים את Hold to Record. אוספים לפחות 50 תמונות לכל מחלקה, וזזים: קרוב ורחוק, יד ימין ושמאל, זוויות שונות.
- מקפידים: לא מצלמים פנים של אף אחד, רק ידיים.
שלב 3: מאמנים ובודקים
- לוחצים Train Model ולא סוגרים את הלשונית. ב-Preview מראים כל תנועה ורושמים את אחוז הביטחון.
- בטבלה בדף העבודה בודקים: אבן של המאמן, נייר של החבר, מספריים על רקע אחר, ויד ריקה או שום דבר. לכל אחד רושמים מה המודל אמר, אחוז הביטחון והאם צדק.
שלב 4: מנסים לבלבל את המודל
- הרגע החשוב במפגש הוא כשהמודל טועה, ולכן מתכננים אותו: מאמנים מודל עם דוגמאות רק על רקע לבן, ואז מציגים על רקע צבעוני. נותנים לתלמידים לגלות שהמודל למד את הרקע ולא את היד. לא מסבירים לפניהם.
- לכל מקרה רושמים בדף העבודה: המקרה, הסבר אפשרי, ואיך נשפר.
- מעט דוגמאות יוצרות מודל שמתבלבל. דוגמאות רק מאדם אחד יוצרות מודל שלא מזהה אחרים. המחשב לומד טוב יותר כשנותנים לו יותר דוגמאות, ומגוונות יותר.
- הטיה בנתונים: אם כל תמונות האימון מראות רק סוג אחד של ידיים, תאורה או רקע, המודל יעבוד טוב רק בשבילם. זו הטיה (Bias), והיא קורית גם במערכות AI אמיתיות. שאלה של יזם: האם המודל שלי עובד עבור כל הלקוחות שלי?
שלב 5: משפרים את המודל
- מוסיפים דוגמאות למחלקה החלשה, או מחלקה רביעית של רקע ריק. מאמנים מחדש ובודקים שוב את המקרים שנכשלו.
שלב 6: חיישן חכם לחזי
- אם יש בכיתה עלים או תמונות מהטלפון, יוצרים פרויקט חדש עם המחלקות: עלה בריא, עלה מצהיב, עלה עם כתמים. בסוף כדאי להראות גם את גרסת העלים לכל הכיתה.
- חוקרים אימנו מודלים שמזהים מתמונה של עלה חוסר בחנקן, באשלגן או בזרחן, ומחלות עגבניות.
- מתכננים בדף העבודה את המערכת המלאה: קלט, עיבוד, פלט, ומי המשתמש. רעיון לפרויקט גמר: מצלמה + מודל + Micro:bit שמציג אזהרה.
סיכום: כללי שימוש אחראי ב-AI ורפלקציה
- כללי השימוש האחראי ב-AI מדף העבודה: AI מציע, ואנחנו מחליטים ובודקים. לא מעלים תמונות של אנשים בלי רשות. כשהמודל "בטוח ב-95%", זה לא אומר שהוא צודק.
- רפלקציה: "המודל שלנו טעה כש... כי..." ו"בפרויקט הגמר, AI יכול לעזור לנו ב..."
הודעה להורים
ההודעה מוכנה לשליחה בוואטסאפ. אפשר לשנות אותה כרצונכם.