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)