יזמות טכנולוגית · כיתות ד׳–ט׳ · מפגש 11

בינה מלאכותית כחיישן חכם

מאמנים מודל ב-Teachable Machine, מגלים מתי הוא טועה, ומחברים לחזי

  1. מחשב שלומד מדוגמאות5 דק׳
  2. Teachable Machine: שלושה שלבים5 דק׳
  3. אבן ✊ נייר ✋ מספריים ✌️15 דק׳
  4. מאמנים ובודקים15 דק׳
  5. כשהמודל טועה15 דק׳
  6. משפרים15 דק׳
  7. בחזרה לחזי 🍅15 דק׳
  8. AI מציע, אנחנו מחליטים5 דק׳
התוצר של היום

מה עושים היום?

  • מחשב שלומד מדוגמאות.
  • מאמנים מודל: אבן, נייר, מספריים.
  • מנסים לבלבל אותו!
  • חיישן חכם לחזי.

דגשים למדריך

  • 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.
פתיחה · 5 דקות

מחשב שלומד מדוגמאות

  • איך מלמדים ילד קטן מה זה חתול? מראים לו הרבה חתולים.
  • נתונים ← אימון ← מודל ← חיזוי
  • חיישן רגיל מודד 23°. חיישן חכם מזהה "עלה חולה".
  • זה עדיין קלט ← עיבוד ← פלט.

איך מלמדים ילד קטן מה זה חתול?

דגשים למדריך

  • 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 · 5 דקות

Teachable Machine: שלושה שלבים

  • Gather: מצלמים דוגמאות לכל מחלקה.
  • Train: המחשב לומד.
  • Preview: בודקים על משהו חדש.
  • Get Started ← Image Project ← Standard

דגשים למדריך

  • 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 · 15 דקות

אבן ✊ נייר ✋ מספריים ✌️

  • לפחות 50 תמונות לכל מחלקה.
  • קרוב ורחוק, ימין ושמאל, זוויות שונות.
  • רק ידיים. לא מצלמים פנים של אף אחד!

דגשים למדריך

  • 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 · 15 דקות

מאמנים ובודקים

  • Train Model, ולא סוגרים את הלשונית.
  • מראים כל תנועה ורושמים את אחוז הביטחון.
  • האם המודל מזהה גם יד של חבר?

האם המודל מזהה גם יד של חבר?

דגשים למדריך

  • 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 · 15 דקות

כשהמודל טועה

  • מצאו לפחות שני מקרים שבהם המודל טועה.
  • למה הוא טעה?
  • תאורה? רקע? מעט דוגמאות? יד של אדם אחד בלבד?

האם המודל שלכם עובד עבור כל הלקוחות?

דגשים למדריך

  • 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 · 15 דקות

משפרים

  • מוסיפים דוגמאות למחלקה החלשה.
  • או מחלקה רביעית: רקע ריק.
  • מאמנים שוב ובודקים את המקרים שנכשלו.
  • אחוז הביטחון השתפר?

דגשים למדריך

  • מוסיפים דוגמאות למחלקה החלשה, או מחלקה רביעית של רקע ריק. מאמנים מחדש ובודקים שוב את המקרים שנכשלו.
שלב 6 · 15 דקות

בחזרה לחזי 🍅

  • קלט: תמונה של עלה עגבנייה.
  • עיבוד: בריא, חוסר או מחלה?
  • פלט: התראה לחזי מה לטפל ואיפה.
  • רעיון לפרויקט גמר?

דגשים למדריך

  • 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 · 5 דקות

AI מציע, אנחנו מחליטים

  • לא מעלים תמונות של אנשים בלי רשות.
  • "בטוח ב-95%" לא אומר שהוא צודק.
  • נתונים מגוונים = מודל הוגן ומדויק יותר.
  • בפעם הבאה: מחפשים את הבעיה של פרויקט הגמר.

דגשים למדריך

  • 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..."

כל הכבוד!

מחזירים את הציוד ונפגשים בשבוע הבא.

✕ ← → מעבר · T שעון · N דגשים · F מסך מלא