Ο γραμματισμός στην τεχνητή νοημοσύνη αναφέρεται στις γνώσεις και τις δεξιότητες που απαιτούνται για την κατανόηση, τη χρήση και τη δημιουργία τεχνολογιών τεχνητής νοημοσύνης. Περιλαμβάνει την κατανόηση των βασικών αρχών της τεχνητής νοημοσύνης, των εφαρμογών της και των πιθανών επιπτώσεών της στο άτομο και την κοινωνία.

Ο γραμματισμός στην τεχνητή νοημοσύνη περιλαμβάνει επίσης την ικανότητα κριτικής αξιολόγησης των συστημάτων τεχνητής νοημοσύνης και των αποτελεσμάτων τους, καθώς και τον εντοπισμό και την αντιμετώπιση ζητημάτων που σχετίζονται με τη μεροληψία, την ιδιωτικότητα και τη δεοντολογία κατά την ανάπτυξη και την εφαρμογή τεχνολογιών τεχνητής νοημοσύνης.

Οι δυνατότητες της Τεχνητής Νοημοσύνης είναι εντυπωσιακές, αλλά πρέπει επίσης να λάβουμε υπόψη όλους τους κινδύνους και τις προκλήσεις που τη συνοδεύουν, όπως μεροληψία, παραπληροφόρηση, ανακρίβεια, υπερβολική εμπιστοσύνη, ιδιωτικότητα, ασφάλεια και άλλα.

Παρά την επισήμανση του θετικού αντικτύπου της στην εκπαίδευση, όπως όλες οι τεχνολογίες, η τεχνητή νοημοσύνη ενέχει δυνητικούς κινδύνους και επιβλαβείς συνέπειες που θα μπορούσαν να προκύψουν από τον κακό σχεδιασμό, την εκούσια ή ακούσια κακή χρήση και τις αρνητικές επιπτώσεις των συστημάτων ΤΝ.

 Πρέπει να έχουμε κατά νου ότι, παρά τα πλεονεκτήματα και τα οφέλη της τεχνητής νοημοσύνης στο εκπαιδευτικό πλαίσιο, πρέπει να λάβουμε υπόψη πιθανές και ενίοτε ανεπανόρθωτες και μακροχρόνιες βλάβες που μπορεί να προκληθούν από τα συστήματα τεχνητής νοημοσύνης.

Αυτές οι προκλήσεις είναι ακόμη πιο σημαντικές στην εκπαίδευση και απαιτείται ιδιαίτερη προσοχή κατά τον σχεδιασμό, την ανάπτυξη και την ανάπτυξη εφαρμογών που βασίζονται στην τεχνητή νοημοσύνη για τη διασφάλιση της ασφάλειας και της ένταξης όλων των μαθητών.

Όλες αυτές είναι πράγματι πολύ περίπλοκες προκλήσεις που αντιμετωπίζουν επί του παρόντος οι υπεύθυνοι χάραξης πολιτικής σε όλο τον κόσμο.

Η EU AI Act της ΕΕ για την τεχνητή νοημοσύνη είναι το προτεινόμενο κανονιστικό πλαίσιο που αναπτύχθηκε για να διέπει τη χρήση της τεχνητής νοημοσύνης στην Ευρώπη. Ο νόμος ορίζει ορισμένα συστήματα τεχνητής νοημοσύνης ως «υψηλού κινδύνου», δεδομένου ότι θεωρείται ότι έχουν τη δυνατότητα να βλάψουν τα άτομα ή την κοινωνία στο σύνολό της.  Τα συστήματα τεχνητής νοημοσύνης που μπορούν να έχουν σημαντικό αντίκτυπο στη γνωστική, συναισθηματική και κοινωνική ανάπτυξη των παιδιών θεωρούνται υψηλού κινδύνου. Τα συστήματα ΤΝ υψηλού κινδύνου θα υπόκεινται σε αυστηρές υποχρεώσεις προτού διατεθούν στην αγορά, ώστε τα συστήματα ΤΝ να αναπτύσσονται και να χρησιμοποιούνται κατά τρόπο ασφαλή, δεοντολογικό και σύμφωνο με τα θεμελιώδη δικαιώματα και αξίες.

Οι  δεοντολογικές κατευθυντήριες γραμμές για τη χρήση τεχνητής νοημοσύνης και δεδομένων στη διδασκαλία και τη μάθηση για εκπαιδευτικούς (Ethical guidelines for the use of artificial intelligence and data in teaching and learning for educators) έχουν σχεδιαστεί τόσο για εκπαιδευτικούς πρωτοβάθμιας όσο και δευτεροβάθμιας εκπαίδευσης με ή χωρίς εμπειρία στην ψηφιακή εκπαίδευση. Αυτές οι κατευθυντήριες γραμμές αποσκοπούν στην αποσαφήνιση κοινών παρανοήσεων σχετικά με την τεχνητή νοημοσύνη που θα μπορούσαν να προκαλέσουν σύγχυση και άγχος και παρέχουν δεοντολογικά ζητήματα και πρακτικές συμβουλές για την ενσωμάτωση της αποτελεσματικής χρήσης της τεχνητής νοημοσύνης και των δεδομένων στη σχολική εκπαίδευση, ενώ παράλληλα συζητούν τις αναδυόμενες ικανότητες που απαιτούνται για τη δεοντολογική χρήση της τεχνητής νοημοσύνης και των δεδομένων μεταξύ των εκπαιδευτικών. Επιπλέον, οι κατευθυντήριες γραμμές προτείνουν τρόπους ευαισθητοποίησης και αλληλεπίδρασης με την κοινότητα σχετικά με αυτά τα θέματα.

 

 

 

 

 

DALL·E 2

Το DALL·E 2 μπορεί να δημιουργήσει πρωτότυπες, ρεαλιστικές εικόνες και έργα τέχνης από μια περιγραφή κειμένου. Μπορεί να συνδυάσει έννοιες, χαρακτηριστικά και στυλ.

 

Αυτό το λογισμικό AI προέρχεται από την Open AI, την ομάδα πίσω  Chatgpt. Όπως και άλλα εργαλεία AI, μπορεί να δημιουργήσει εικόνες από μηνύματα κειμένου, αλλά το πιο συναρπαστικό είναι ότι μπορείτε να επεξεργάζεστε πραγματικές φωτογραφίες και να συνδυάζετε εικόνες που δημιουργούνται από AI.

Για να ξεκινήσετε, θα πρέπει να δημιουργήσετε έναν λογαριασμό. Είναι γρήγορο και δωρεάν, αν και θα χρειαστεί να πληρώσετε μετά τις πρώτες 50 περίπου δημιουργίες σας. Ακολουθεί ένας οδηγός για το πώς να χρησιμοποιήσετε το DALL•E 2 για να δημιουργήσετε μια εικόνα από μια προτροπή κειμένου και να επεξεργαστείτε τις δικές σας προϋπάρχουσες εικόνες.

Πώς να χρησιμοποιήσετε το DALL•E 2 για να δημιουργήσετε μια εικόνα από κείμενο

1. Συνδεθείτε στο λογαριασμό σας και στη συνέχεια, επιλέξτε τη γραμμή αναζήτησης,

2. Στην προτροπή πληκτρολογήστε, όσο περισσότερες λεπτομέρειες, για να μπορείτε καλύτερα να προχωρήσετε σε λεπτομέρειες και να καθορίσετε ένα συγκεκριμένο είδος ή καλλιτεχνικό στυλ.

3.Επιλέξτε Δημιουργία

Περιμένετε   λίγο και στη συνέχεια, Επιλέξτε από τέσσερις διαφορετικές παραλλαγές:

 Στην παραλλαγή, έχετε δύο επιλογές: μπορείτε είτε κάντε κλικ στο κουμπί αποθήκευσης για να εξαγάγετε την εικόνα και να τερματίσετε τη διαδικασία, διαφορετικά μπορείτε κάντε κλικ στην επεξεργασία

Μηχανική Μάθηση ονομάζουμε την διαδικασία με την οποία οι υπολογιστές/μηχανές μπορούν να μαθαίνουν από τα δεδομένα που συλλέγουν, με σκοπό να αναγνωρίζουν μοτίβα ή καταστάσεις και να παίρνουν τις ανάλογες αποφάσεις.

Η Μηχανική Μάθηση είναι μία διαδικασία που δημιουργεί Τεχνητή νοημοσύνη (Artificial Intelligence).

Πως λειτουργεί η Μηχανική Μάθηση:

Τροφοδοτούμε τις μηχανές με διάφορα δεδομένα ώστε να τα αναλύσουν, να βγάλουν τα συμπεράσματά τους και ύστερα να κρατήσουν τα δεδομένα αυτά για να βελτιωθούν και να είναι σε θέση να έχουν ολοένα και πιο ακριβή αποτελέσματα κάθε φορά.

 

Είδη μηχανικής μάθησης

Έχουν αναπτυχθεί πολλές τεχνικές μηχανικής μάθησης που χρησιμοποιούνται ανάλογα με τη φύση του προβλήματος και εμπίπτουν σε ένα από τα παρακάτω δυο είδη:

• μάθηση με επίβλεψη (supervised learning) ή μάθηση με παραδείγματα (learning from examples)
• μάθηση χωρίς επίβλεψη (unsupervised learning) ή μάθηση από παρατήρηση (learning from observation).

Στη μάθηση με επίβλεψη το σύστημα καλείται να “μάθει” μια έννοια ή συνάρτηση από ένα σύνολο δεδομένων, η οποία αποτελεί περιγραφή ενός μοντέλου.

Στη μάθηση χωρίς επίβλεψη το σύστημα πρέπει μόνο του να ανακαλύψει συσχετίσεις ή ομάδες σε ένα σύνολο δεδομένων, δημιουργώντας πρότυπα, χωρίς να είναι γνωστό αν υπάρχουν, πόσα και ποια είναι.

Ας δοκιμάσουμε να εκπαιδεύσουμε ένα τέτοιο σύστημα.

Μεταβείτε στην σελίδα https://hourofcode.com/ai-oceans και κάντε κλικ στο κουμπί «Δοκιμάστε τώρα». Ακολουθήστε τις οδηγίες και εκπαιδεύστε ένα μηχάνημα περισυλλογής απορριμμάτων από την θάλασσα.

Το  Teachable Machine της Google είναι μια εύχρηστη πλατφόρμα, η χρήση της οποίας μπορεί να βοηθήσει στην κατανόηση της λογικής της μηχανικής μάθησης, καθώς επιτρέπει τη δημιουργία δικών μας μοντέλων σε πολύ λίγο χρόνο.

Για να ξεκινήσετε επισκεφτείτε τον επίσημο ιστότοπο και χωρίς καμία εγγραφή πατήστε στο Get Started.

Για να δημιουργήσετε το πρώτο σας έργο (New Project) επιλέγετε αρχικά τη μέθοδο με την οποία θα εκπαιδεύσετε το μοντέλο σας. Μέχρι στιγμής αυτό μπορεί να γίνει μέσω εικόνων και ήχου:

Συλλογή Δειγμάτων (Gather Samples):

Η λογική για όλες τις παραπάνω επιλογές είναι η ίδια. Δημιουργείτε κατηγορίες (Classes) και είτε χρησιμοποιώντας την κάμερα του υπολογιστή σας, είτε απλά μεταφορτώνοντας (upload) εικόνες παρουσιάζετε με όσο το δυνατόν πιο αναλυτικό τρόπο αυτό που αφορά την κατηγορία σας:

Σε κάθε Class μπορούμε να προσθέσουμε είτε φωτογραφίες αν τις έχουμε ήδη, είτε να χρησιμοποιήσουμε την κάμερα αν θέλουμε για να καταγράψουμε τα πρόσωπα ή τα αντικείμενα.

Έτσι αν θέλετε να εκπαιδεύσετε το μοντέλο σας να αναγνωρίζει φρούτα, επιλέξτε όσα φρούτα επιθυμείτε και αφού δημιουργήσετε τις σχετικές κατηγορίες (π.χ Class1 Μήλο, Class 2 πορτοκάλι, κλπ) δείχνετε στην κάμερά σας το αντίστοιχο φρούτο (φροντίστε να έχετε καλό φωτισμό και να το γυρίσετε προς όλες τις κατευθύνσεις και από όλες τις πλευρές) και πατήστε το Hold to Record για να γίνουν οι σχετικές λήψεις. Όσο περισσότερες λήψεις από διαφορετικές γωνίες τόσο το καλύτερο. Πάντως μην ξεχνάτε ότι εκπαιδεύετε ένα μοντέλο.

Αν το έργο σας αφορούσε ήχο, τότε όλη η εκπαίδευση θα μπορούσε να γίνει με το μικρόφωνο.

Ένα μικρό tip εδώ. Αν θέλετε να αναγνωρίζει το μοντέλο σας πορτοκάλια λεμόνια και αχλάδια, θα δημιουργήσετε τις 3 κατηγορίες, θα συλλέξετε τα δείγματά σας για καθεμιά από αυτές και (χωρίς να είναι υποχρεωτικό) μπορείτε να δημιουργήσετε μια ακόμη κατηγορία με όνομα «κανένα φρούτο» για την περίπτωση που δεν δείχνετε κάποιο.

Εκπαίδευση (Training):

Αφού ολοκληρώσετε τη συλλογή των δειγμάτων θα πρέπει να περάσετε στο δεύτερο στάδιο, πατώντας το Training, ώστε το μοντέλο να «διαβάσει» όλες τις κατηγορίες και τα δείγματα για καθεμία από αυτές και να εκπαιδευτεί. Όσο διαρκεί η διαδικασία θα πρέπει να περιμένετε χωρίς να αλλάξετε καρτέλα στον browser. Ανάλογα με τον όγκο των δειγμάτων θα χρειαστεί περισσότερος ή λιγότερος χρόνος. Ενδεικτικά για μια δοκιμή  με 8 κατηγορίες και περίπου 200 δείγματα για καθεμιά από αυτές, χρειάστηκε κάτι παραπάνω από 3 λεπτά.

Το μόνο που απομένει είναι να δοκιμάσετε το μοντέλο σας. Στα δεξιά βλέπετε μια προεπισκόπηση (Preview) και μπορείτε να δείτε πως ανταποκρίνεται το μοντέλο που μόλις εκπαιδεύσατε. Για κάθε μία από τις επιλογές σας θα λαμβάνεται ένα ποσοστό με το πόσο σίγουρο είναι το μοντέλο για την απόκρισή του. Φυσικά εδώ παίζουν πολλά πράγματα ρόλο, όπως το πλήθος των φωτογραφιών, ο φωτισμός, η γωνία, η απόσταση, κλπ. Αν λοιπόν κάτι δε σας ικανοποιεί, επιστρέφετε και εκπαιδεύετε εκ νέου την «προβληματική» κατηγορία, κάνοντας νέες λήψεις. Το εκπαιδεύετε ξανά, πάλι δοκιμή, κ.ο.κ. Έτσι έχει η διαδικασία:

 

Αποθήκευση – Εξαγωγή (Export) του Project:

Τελευταίο στάδιο η αποθήκευση του έργου σας και η εξαγωγή του. Αν πατήσετε εξαγωγή (Export) τότε μπορείτε να «ανεβάσετε» το έργο σας στους servers της Google και να παραχθεί ένας μοναδικός σύνδεσμος (link) για αυτό. Έχοντας το link μπορείτε να ανοίγετε το εκπαιδευμένο μοντέλο σας και να δοκιμάζετε σε οποιονδήποτε browser.

Για την αποθήκευση του έργου σας, μπορείτε να μεταβείτε στο αριστερό μενού και είτε να το αποθηκεύσετε στο Drive (με τον λογαριασμό σας στη Google) οπότε να το έχετε παντού διαθέσιμο, είτε να το κατεβάσετε τοπικά στον υπολογιστή σας. Επιλέγετε λοιπόν Save project to Drive ή Save project as file. Φυσικά, μεταφορτώνοντας το project σας εκ νέου μπορείτε να κάνετε όσες αλλαγές επιθυμείτε, να προσθέσετε κατηγορίες, δείγματα και να το εκπαιδεύσετε εκ νέου:

 

Τα στάδια σε Video:

1.Εισαγωγή εικόνων (δεδομένων)

2. Εκπαίδευση μηχανής (Train)

3. Ολοκλήρωση εκμάθησης και εξαγωγή (Export)