Maskinlæring og kunstig intelligens – hyperaktuel digital dannelse

Helt basalt – hvad er maskinlæring?

Maskinlæring er en form for kunstig intelligens, hvor en database fodres med en masse data i forskellige kategorier. Et eksempel herpå er en modermærkekræft-scanner, hvor scanneren fodres med billeder i to kategorier:

1. Modermærker med kræft
2. Modermærker uden kræft

Herefter scanner et computerprogram billederne efter hvilke mønstre, der går igen i de to opstillede kategorier. Dette kaldes også for en ‘’algoritme’’.

Jo flere billeder/data, databaserne indeholder, des mere sikker bliver algoritmen til at holde nye billeder op mod de kendte mønstre og placere dem i de rigtige kategorier

Kunstig intelligens finder vi i en masse hverdagsteknologier, som:

• Face-ID
• Fingeraftrykssensorer
• Reklamer på nettet
• Intelligente sikkerhedssystemer
• Foreslået indhold på sociale medier
• Chatbotten i IKEA
• Siri
• Google-assistenten

Spørgsmålet er så: Hvordan kan elever få konkret indsigt i, hvordan og hvorfor disse intelligente teknologier er skabt, intentionerne bag – og den betydning, de har for deres liv og det samfund, de er en del af?

Kritiske perspektiver på maskinlæring

Kategorierne ‘’data’’ og ‘’mønstre’’ bliver flittigt brugt på næsten alle digitale platforme til at fastholde brugerne ud fra kommercielle interesser – herunder blandet andet reklameeksponering.

Algoritmerne på de sociale medier ‘’scanner’’ brugernes adfærdsmønstre med henblik på at levere mere indhold af same type – og eksponerer brugerne for reklamer og betalte opslag, hvoraf b.la. begrebet ‘’ekkokammer’’ udspringer af.

Udlandet og maskinlæring

I nogle lande er maskinlæringsalgoritmer en udbredt del af overvågning.

Algoritmerne kan registrere, om elever er opmærksomme nok i timerne, om man smiler nok på sit arbejde, eller om man opfører sig som en god borger – og derfor undgår man at få trukket point og privilegier på sit ‘’borgerkort’’.

Hvorfor skal børn forstå maskinlæring?

Som en væsentlig og hyperaktuel del af den digitale dannelse er det væsentligt, at elever i folkeskolen forstår mekanismerne og intentionerne bag den hverdagsteknologi, de omgiver sig med. Som Ole Sejer Iversen siger i sin argumentation for at indføre et teknologiforståelsesfag i Danmark:

‘’Vi skal have lært vores unger det, vi aldrig selv formåede. At holde algoritmerne i ørerne og spørge os selv: Det er det her, vi kan med digital teknologi, men er det også det, vi vil?’’

Kig og lær under kølerhjelmen!

En måde at lære mekanismerne, mulighederne og konsekvenserne at kende er ved, at eleverne selv skaber digitale maskinlæringsbaserede produkter.

Læs mere her

Machine Learning for kids.

• Eleverne kan træne forskellige algoritmetyper til mønstergodkendelse i billeder, tekst, lydklip og tal.
• Algoritmerne kan herefter bruges i Scratch til at skabe intelligente programmer.
• Hjemmesiden indeholder eksempler og vejledninger til de forskellige niveauer

Teachable Machine

• Eleverne kan afprøve maskinglæring i praksis ved at fodre forskellige algoritmer med data og se resultatet med det samme.
• God introduktion til meksanismerne bag maskinlæring

Quick, Draw!