O Laboratório das Máquinas que Aprendem
Período: Ensino Fundamental 1 | Ano: 5º Ano
Importante: Este material é meramente uma sugestão. Cabe ao educador adaptar as ideias oferecidas à realidade de sua turma, encontrando a melhor forma de aplicar o conteúdo.
Introdução: Introduzir Inteligência Artificial e Aprendizado de Máquina por meio de uma experiência em que os alunos fornecem exemplos, observam padrões e verificam como um sistema pode utilizar aquilo que aprendeu para analisar novos casos. A aula também enfatiza que uma máquina não aprende como uma pessoa e que a qualidade dos exemplos influencia seus resultados.
Passo a Passo para Execução
- Abrir o Teachable Machine e escolher a criação de um projeto de imagens.
- Criar duas classes com nomes relacionados a objetos seguros para uso escolar, como 'Lápis' e 'Borracha'.
- Usar objetos físicos ou imagens autorizadas para reunir exemplos.
- Produzir exemplos com diferentes posições, distâncias e fundos.
- Treinar o modelo.
- Testar imagens novas que não tenham sido utilizadas durante o treinamento.
- Registrar quais previsões foram corretas e quais foram incorretas.
- Criar uma segunda rodada de treinamento usando exemplos muito parecidos entre si.
- Testar novamente com exemplos diferentes e comparar o comportamento.
- Conversar sobre como variedade dos dados pode influenciar a capacidade de generalização do modelo.
- Criar uma terceira classe e repetir o experimento.
- Fazer uma previsão antes de cada teste para que a criança compare sua expectativa com o resultado da máquina.
- Evitar o uso de rostos, nomes, documentos ou qualquer dado pessoal nas imagens utilizadas.
- Registrar uma conclusão com as expressões 'dados de treino', 'modelo', 'classificação' e 'teste'.
- Compartilhar somente o resultado pedagógico necessário para a aula.
Links e Recursos
Comentários
No Teachable Machine, os alunos conseguem ver uma versão simples do ciclo usado em muitos projetos de Aprendizado de Máquina: reunir exemplos, treinar e testar. O Quick, Draw! oferece outra experiência interessante porque uma rede neural tenta identificar desenhos feitos pela própria criança. Em ambos os casos, o computador não recebe uma lista completa de regras sobre cada desenho ou objeto; ele trabalha com padrões aprendidos. Isso ajuda a perceber por que uma IA pode acertar uma situação e falhar em outra.O Classificador de Cartões
Os alunos formarão um sistema de classificação humano. Uma equipe será responsável por apresentar exemplos ao 'computador' e outra deverá tentar descobrir quais características aparecem nesses exemplos. Depois, o grupo receberá casos novos e verificará se o padrão identificado realmente funciona.Materiais Necessários
- 40 cartões com desenhos variados de animais, objetos e alimentos
- Cartões de exemplo previamente selecionados para duas categorias
- Cartões surpresa que não tenham aparecido durante a primeira etapa
- Duas caixas identificadas somente como 'Categoria A' e 'Categoria B', sem revelar inicialmente a regra
- Folhas de observação para registrar características percebidas
- Quadro branco para reunir as hipóteses das equipes
- Canetas coloridas
- Lápis e borracha
- Cartões de 'Treino', 'Teste' e 'Resultado'
- Crachás de 'Treinador', 'Modelo' e 'Avaliador'
- Envelope para separar os exemplos de treinamento dos exemplos de teste
- Cartões de reflexão com perguntas sobre acertos e erros
Passo a Passo da Execução
- Perguntar se uma criança consegue aprender a reconhecer uma bicicleta depois de observar muitas bicicletas diferentes.
- Explicar que Aprendizado de Máquina é uma técnica em que um sistema utiliza exemplos para encontrar padrões úteis para uma tarefa.
- Diferenciar programação baseada em regras e aprendizado baseado em dados: em um caso, alguém escreve explicitamente a regra; no outro, o sistema ajusta um modelo a partir de exemplos.
- Entregar à equipe de treinamento vários cartões já classificados.
- Pedir que os alunos observem características comuns sem receber a regra diretamente.
- Permitir que a equipe formule uma hipótese sobre o que separa as duas categorias.
- Apresentar cartões novos e solicitar uma classificação baseada na hipótese.
- Registrar cada previsão antes de revelar a categoria verdadeira.
- Comparar acertos e erros.
- Retirar alguns exemplos do primeiro conjunto e verificar se o padrão continua funcionando.
- Adicionar exemplos diferentes e discutir como eles podem ajudar o modelo a lidar com situações novas.
- Criar propositalmente um conjunto de treinamento muito parecido entre si e testar um exemplo visualmente diferente.
- Discutir por que quantidade não é tudo: exemplos variados e representativos também são importantes.
- Separar claramente os conceitos de dado de treinamento, dado de teste, previsão e erro.
- Pedir que cada equipe imagine uma situação real em que uma máquina precise reconhecer ou classificar alguma coisa.
- Encerrar mostrando que Inteligência Artificial é uma área ampla e que Aprendizado de Máquina é apenas uma das formas utilizadas para construir sistemas capazes de aprender padrões a partir de dados.