Maskinlæring i gymnasiet

Hvordan kommer “egernet” Scrat til sit agern?

Kilde: https://studio.code.org/hoc/17

 

Scrat kan styres til sit agern med en løkke og en forgrening:

Det er den traditionelle måde, som mennesker laver computerkode. Vi analyserer problemet, og udtænker en eksekverbar løsning. Men nogle gange er problemet større end vi kan overskue. En anden måde at løse det er maskinlæring (machine learning): computeren afprøver og lærer en generaliseret løsning ud fra data.

Data skal her forstås, som alt der kan omsættes til tal inkl. tekst, billeder m.m. På den måde kan vi få ny viden og nye anvendelser ud af vores data. Maskinlæring foregår ofte i kunstige neurale netværk og kan føre til kunstig intelligens (AI). Der er ingen magi i maskinlæring, men så mange data og beregninger, at vi mennesker ikke kan overskue systemet.

Maskinlæring anses for det mest lovende område inden for IT. Mange af de nye teknologier og værdiforøgelser, som vi kan forvente, involverer maskinlæring. Men maskinlæring og kunstig intelligens er også nogle af de mest hypede begreber, og analyseinstituttet Gartner har helt ekstraordinært opfordret til reflekteret brug af AI-begreber bl.a. for at undgå AI-wash -alle firmaer skal have en smart eller intelligent løsning, uden den er gennemtestet eller tilpasset brugerne.

Givet flere data og mere computerkraft, bruges maskinlæring allerede i mange tjenester, formentlig uden brugerne opdager det. De fem store (Google, Facebook osv.) bruger det i udbredt grad, først og fremmest til at skabe indkomst ud fra brugernes data og trafik gennem målrettede reklamer. Men også for at give bedre brugeroplevelser. Og sundhedssektoren er begyndt at anvende maskinlæring til at analysere resultater (fx genbanker), diagnosticere og styre operationsrobotter.

Skal maskinlæring ind i uddannelserne? Fx under den brede ‘computational thinking‘ paraply. Trods overvurdering, er maskinlæring og kunstig intelligens måske så lovende, at de bør indgå i enhver refleksion over hvordan computeren kan bidrage til løsninger. Og derfor skal vi overveje, om de unge skal introduceres til maskinlæring som kompetence, og så de kan deltage i debatten på et mere oplyst grundlag.

Underviser Du i maskinlæring, så lad os høre om det!

Arbejder man fx i matematik med lineær regression via mindste kvadraters metode, kan man overveje at udskifte den med regression via maskinlæring.

Perspektiverne i “tænkende” maskiner er mange, både gode og dårlige. Vil mennesket miste noget, hvis en del af tænkearbejdet overlades til algoritmer, eller kaster vi os blot over andre udfordringer.

Vi skal undervise i at undersøge problemer, og i hvordan man designer og udvikler løsninger fx gennem maskinlæring. Vi skal i mindre grad undervise i, hvordan man bruger en smart færdig løsning til at tænke for sig.

The following two tabs change content below.

Rasmus Kragh Wendelbo

LektorSvendborg Gymnasium

Nyeste indlæg af Rasmus Kragh Wendelbo (se alle)

Leave a Reply

Be the First to Comment!

Kommentarer

wpDiscuz