Umělá inteligence

Žáci vysvětlí princip strojového učení, uvedou aplikace umělé inteligence a posoudí její limity, přínosy a rizika při práci s informacemi i ve společnosti.

Průvodce tématem Umělá inteligence v předmětu Informatika pro IV. ročník: co mají žáci zvládnout, na co navázat a kde nejčastěji chybují. K tomu příprava na hodinu, pracovní list nebo písemka, které ScioBot připraví na jedno kliknutí přesně pro tento ročník.

Připravit hodinu Všechny formáty

Klikněte a tvořte

Získejte přípravu zdarma

Vyberte formát. Jedním kliknutím otevřete tvorbu na téma Umělá inteligence (IV. ročník) — ScioBot ho připraví za vás.

Připravit hodinu

Další formáty na jedno kliknutí

Téma i ročník jsou už vyplněné. Nic nepíšete — rovnou tvoříte.

Umělá inteligence v gymnaziální informatice není „myšlení počítače“, ale soubor metod, kterými program z dat odhaduje pravidla a pak je používá na nové vstupy. Jádrem je strojové učení: model se trénuje na příkladech (vstupy a požadované výstupy nebo skryté struktury), při učení se nastavují parametry tak, aby se chyba na trénovacích datech snižovala, a teprve potom se ověřuje, jak si model vede na datech, která při učení neviděl.

Žáci mají umět uvést konkrétní aplikace (rozpoznávání obrazu a řeči, doporučování, překlad, klasifikace textu, asistence při vyhledávání) a zároveň je svázat s tím, co model skutečně dělá: statisticky zobecňuje vzory v datech, neověřuje pravdu a nerozumí významu jako člověk. Stejný princip vysvětluje přínosy (škálování rutinních rozhodnutí, pomoc při třídění informací) i limity (závislost na kvalitě a rozsahu dat, chybovost mimo trénovací rozdělení, neprůhlednost složitých modelů).

Hodina směřuje k posouzení rizik při práci s informacemi i ve společnosti: halucinace a neověřené tvrzení, zkreslení podle trénovacích dat, záměna pravděpodobnosti za jistotu, zneužití identity a automatizované rozhodování o lidech bez kontroly. Výstup G-INF-04-006 se uzavírá tím, že žák princip, aplikaci a riziko umí popsat na stejném příkladu, ne odděleně.

Předpoklady

Klíčové pojmy

Strojové učení
Způsob, jak program z příkladů odvodí pravidla (nastaví parametry modelu), místo aby je programátor zapsal všechna ručně.
Trénovací a testovací data
Na trénovacích datech se model učí; na testovacích, která při učení neviděl, se teprve ukáže, zda umí zobecnit, nebo jen napodobit naučené příklady.
Příznak a označení
Příznaky jsou měřitelné vlastnosti vstupu (pixely, slova, čísla); označení je požadovaná kategorie nebo hodnota, podle které se u učení s učitelem počítá chyba.
Zobecnění a přeučení
Dobrý model funguje i na nových vstupech; přeučený model si zapamatuje trénovací sadu včetně šumu a mimo ni selhává.
Aplikace AI
Úlohy, kde se vzory v datech opakují ve velkém: klasifikace obrázků, převod řeči na text, doporučení, strojový překlad, filtrování a doplňování textu.
Limit modelu
Model neodhaduje, co je pravda, jen co je v datech časté; mimo pokrytí trénovacích dat, při změně kontextu nebo při špatných datech chybuje systematicky.
Přínos a riziko
Přínos je zrychlení a škálování úloh s opakovaným vzorem; riziko je neověřený výstup vydávaný za fakt, přenos zkreslení z dat a automatické rozhodnutí bez lidské kontroly.

Časté miskoncepce

  • Častá chyba

    „Chatbot rozumí otázce a proto odpovídá pravdivě.“

    Jak na to

    Nechte žáky položit stejný faktický dotaz dvakrát s mírně jiným zadáním a výstupy porovnat s ověřeným zdrojem; zapište na tabuli: model predikuje pravděpodobný text, neověřuje tvrzení.

  • Častá chyba

    „Když model na trénovacích příkladech skoro nechybuje, je hotový a spolehlivý.“

    Jak na to

    Ukažte sadu podobných, ale nových příkladů (jiné písmo, jiný kontext věty). Žáci spočítají chyby zvlášť na tréninku a na nových datech a pojmenují přeučení.

  • Častá chyba

    „Umělá inteligence rozhoduje spravedlivě, protože je to algoritmus, ne člověk.“

    Jak na to

    Vezměte malou tabulku s nevyváženými příklady (většina jedné skupiny) a nechte model/pravidlo klasifikovat; žáci uvidí, že se naučí četnost v datech, ne spravedlnost.

  • Častá chyba

    „Když výstup vypadá jistě a plynně, data v něm jsou správně.“

    Jak na to

    Dejte krátký vygenerovaný odstavec s jednou vymyšlenou citací nebo číslem; žáci musí tvrzení dohledat. Jistota stylu a správnost informace se oddělí explicitně.

Jak učit

2–3 hodiny

  1. Evokace: žáci napíší, k čemu AI používají, a oddělí „umí to člověk“ od „odhaduje to z dat“.
  2. Jádro: na jedné úloze (např. třídění zpráv) projít trénink, test, chybu, aplikaci a konkrétní riziko.
  3. Reflexe: každý žák na stejném příkladu doplní princip, přínos a jedno riziko pro práci s informacemi.

Nápady na aktivity

  • Papírové „učení s učitelem“: žáci podle označených vět sestaví jednoduché pravidlo (klíčová slova) a ověří ho na neoznačených větách; porovnají úspěšnost a kde pravidlo selže.
  • Audit výstupu generativního nástroje: ověřit tři tvrzení, označit neověřitelné a navrhnout, kdy výstup smí zůstat jen návrh a kdy musí přijít lidská kontrola.

Hodnocení

Žák na zvolené aplikaci popíše princip strojového učení (data → učení → predikce na novém vstupu) a uvede jeden limit.

Žák posoudí jeden přínos a jedno riziko AI při práci s informacemi nebo ve společnosti a návrh kontroly (ověření, člověk v rozhodnutí).

Související témata

Zdroje

Co pro vás ScioBot připraví k tématu Umělá inteligence

Interaktivní aktivity, které žáci spustí na tabletu či tabuli, tisknutelné kartičky a hry pro celou třídu – každý formát na téma Umělá inteligence jedním klikem.

Základní materiály

Interaktivní aktivity 14

K tisku a rozstříhání 8

Hry pro celou třídu 4

Očekávané výstupy

  • G-INF-04-006 umělá inteligence – princip strojového učení; aplikace umělé inteligence; limity, přínosy a rizika umělé inteligence

Učíte Umělá inteligence trochu jinak?

Popište ScioBotu vlastními slovy, co s žáky chcete zvládnout a kolik máte času. Materiál přizpůsobí vašemu ŠVP, třídě i žákům se speciálními vzdělávacími potřebami.

Napsat ScioBotu

Související témata