概述
當學生設計平衡的類別、留意失敗案例,並將此工具視為簡化的入門介紹而非完整的機器學習課程時,課堂專案的效果最好。
深入探討
Teachable Machine 是一款基於瀏覽器的 Google 工具,用於建立簡單的機器學習模型,而無需編寫程式碼。其當前網站描述了圖像、聲音和姿勢項目以及三部分工作流程:收集範例、訓練模型和測試新輸入。學生可以看到標籤的範例如何影響分類,然後為其他項目匯出模型。這是一個實踐介紹,而不是關於如何訓練或部署現代人工智慧系統的完整課程。選擇一個帶有可見、安全範例的課堂問題。形象項目可能會對可回收材料進行分類;一個音頻項目可以區分拍手聲和響聲;姿勢項目可能會識別一些靜態位置。在收集資料之前定義類別並使其易於區分。為每個班級收集不同的範例,訓練模型並在訓練期間未使用的範例上進行測試。記錄錯誤而不是隱藏錯誤,然後更改資料集的一部分並比較結果。學生應該調查模型失敗的原因。照明、背景、麥克風距離、房間噪音、攝影機角度或不平衡的例子可能會影響結果。小型教室無法證明模型適用於所有人或環境。詢問缺少哪些數據以及錯誤是否會排除某人或給某人貼上錯誤標籤。避免使用臉部或語音數據,除非學校已批准其使用並獲得適當的同意;非個人物品可以更安全地啟動專案。 Google 指出,Teachable Machine 可以完全在裝置上使用,但使用者可以選擇儲存專案或以不同方式匯出它們。不要假設每個工作流程都有相同的資料處理。課前查看目前的工具指南、學校政策和帳戶設定。將活動重點放在問題表述、數據選擇、測試和反思上,而不是聲稱分類器像人一樣理解其類別。
現實世界的實施
訓練一個影像模型來區分紙張、紙板和金屬物件,然後測試在不同光線下拍攝的物品。
比較拍手、彈指和靜音等聲音類別,並討論可能混淆模型的環境噪音。
建立一個針對三種靜態手臂姿勢的姿勢分類器,並以不同的攝影機距離進行測試。
更改一個類別的範例,並觀察新影像的分類方式是否有所不同。
Teachable Machine 課堂專案的未來
無程式碼工具可能會增加測試模型並將其連接到學生專案的更多選項。教師仍需解釋小型資料集、類別標籤和測試結果的限制。一個好的專案不僅會問學生模型是否有效,還會問它對誰有效、他們如何得知,以及負責任的下一步是什麼。專案稍後可以將分類與無障礙技術、機器人或環境監測連結起來,但吸引人的示範並不代表已準備好進行實際應用。學生應識別受錯誤影響的人員、進行更廣泛測試所需的資料,以及在部署前所需的成人審查。
付諸實踐
為什麼這很重要
- 更明確的決策. 它可以幫助您將清晰的技術聲明與行銷語言分開。
- 成本與預算. 在花費金錢或時間之前,您可以提出更好的實施問題。
- 團隊與工作流程. 具有共同理解的團隊可以做出更好的產品、政策和學習決策。
留意
- 不同的團隊可能會以不同的方式使用相同術語,因此請儘早定義範圍。
- 基準測試可能看起來很強大,但實際效能卻參差不齊。
- 忽視數據品質和評估計劃通常會產生脆弱的結果。
後續步驟
- 從您需要的結果的簡單語言定義開始。
- 在測試之前選擇一種成功指標和一種失敗條件。
- 使用代表性資料運行小型試點,而不是完善的演示集。
- 記錄 Teachable Machine 課堂專案在哪些方面有幫助,以及在哪些情況下使用更簡單的方法會更好。
不斷探索
常見問題
什麼是 Teachable Machine 課堂專案?
Google 的 Teachable Machine 讓學習者能透過收集範例、訓練模型並測試新輸入,來建立影像、聲音或姿勢分類器。當學生設計平衡的類別、留意失敗案例,並將此工具視為簡化的入門介紹而非完整的機器學習課程時,課堂專案的效果最好。
哪一個順序符合 Teachable Machine 的基本工作流程?
Google 將收集、訓練和測試描述為基本順序。
為什麼學生應該測試訓練期間未使用的範例?
新的範例提供了超越記憶訓練案例的基本檢查。
哪種改變有助於調查模型的失敗原因?
一次改變一個因素可以揭示是什麼影響了結果。
小型課堂資料集能建立什麼?
課堂資料集是有限的,無法建立各處的效能。
哪一個專案是合適的低風險起點?
物件類別讓學生可以在不涉及個人資料的情況下探索分類。