🎬 צפו קודם בסרטון
הסרטון לא נמצא בתוך קובץ ה-ZIP הזה (הוא גדול). פתחו את המדריך משרת הכיתה (http://YOUR-IP:8000/boss/guide-he.html) או באינטרנט בכתובת https://schoolmodel.vercel.app/boss/guide-he.html כדי לצפות בו.
🚀 המשימה שלכם: לאסוף 5 כוכבים
עונים על הבדיקות המהירות במדריך. כל תשובה נכונה מדליקה כוכב.
⭐⭐⭐⭐⭐ 0/5
מה חדש הפעם?
- התמונות מהחיים האמיתיים והבלגניים: שולחנות שונים, תאורה חלשה, פירות זעירים, פירות שנחתכו בקצה התמונה — ואפילו ציור בעיפרון.
- הבינה המלאכותית שלכם תיראה מצוין בזמן האימון. ואז היא פוגשת את מבחן הבוס.
- אתם בלשים: למה הבינה המלאכותית נכשלת בחלק מהתמונות?
- ואז מתקנים עם חבילת תיקון ומאמנים שוב (סיבוב 2). האם השתפרה?
לפני שמתחילים
- מחשב עם אינטרנט. פותחים את
https://teachablemachine.withgoogle.com/בכרום. - מחלצים את חבילת התלמידים. לא פותחים את קבצי המורה.
- שומרים לידכם את דף התוצאות (הקובץ RESULTS_SHEET_HE.txt) — תשתמשו שוב במספרים שלכם בשלב 2 (אקסל).
0המשימה
בפעם הקודמת תמונות המבחן היו קלות. הפעם כל תמונה היא מלכודת קטנה. הבינה המלאכותית תלמד מ-120 תמונות אימון ואז תפגוש שלוש קבוצות של תמונות מבחן שלא ראתה אף פעם.
1_TRAIN | 120 תמונות ללמד את הבינה המלאכותית: תפוח, בננה, תפוז (40 מכל סוג) |
2_BOSS_TEST_12 | 12 תמונות מבחן הבוס. שם הקובץ מגלה את הפרי האמיתי (apple_b01 …). |
3_NIGHTMARE_12 | 12 תמונות קשות מאוד. שם הקובץ לא מגלה את התשובה. |
4_TRAPS_12 | 12 תמונות שהן לא תפוח, בננה או תפוז. שום דבר לא מגלה את התשובה — תסתכלו בעצמכם. |
אף פעם לא מאמנים על תמונות מבחן. אם עושים זאת, הבינה המלאכותית ראתה את התשובות והמבחן חסר ערך.
1פותחים את Teachable Machine ויוצרים 3 מחלקות
- נכנסים ל-
teachablemachine.withgoogle.com← Get Started ← Image Project ← Standard image model. - לוחצים על העיפרון ליד Class 1 וכותבים
Apple. משנים את Class 2 ל-Banana. לוחצים Add a class וקוראים להOrange. - במחלקה Apple לוחצים Upload ← Choose images from your files. פותחים את התיקייה
1_TRAIN/Apple, לוחצים Ctrl+A ופותחים. מחכים עד שכתוב 40 Image Samples. - עושים אותו דבר למחלקה Banana (התיקייה
1_TRAIN/Banana) ולמחלקה Orange (התיקייה1_TRAIN/Orange).
לא משתמשים במצלמה (Webcam). לא מעלים כלום מהתיקיות האחרות עכשיו.
✔ כל מחלקה מציגה 40 Image Samples.
2מאמנים — ומנחשים קודם
- לפני שלוחצים על הכפתור כותבים בדף התוצאות את הניחוש שלכם: כמה מ-12 תמונות הבוס הבינה המלאכותית תצדק?
- לוחצים Train Model. משאירים את הלשונית פתוחה עד שרואים Model Trained (דקה עד שתיים).
לא עוברים ללשונית אחרת בזמן האימון. האימון רץ בתוך הדפדפן.
✔ התיבה Training אומרת Model Trained והתיבה Preview מציגה שלושה פסים: Apple, Banana, Orange.
🎯 בדיקה מהירה
למה לא מאמנים על תמונות מבחן הבוס?
3מבחן הבוס: 12 תמונות
- בתיבה Preview משנים את Input מ-Webcam ל-File.
- לוחצים Choose images from your files ופותחים את התמונה הראשונה מ-
2_BOSS_TEST_12. - מסתכלים על שלושת הפסים. כותבים בדף התוצאות את שלושת האחוזים וכותבים מה הבינה המלאכותית ענתה (הפס הגדול ביותר).
- חוזרים על כך בכל 12 התמונות. סופרים כמה הבינה המלאכותית צדקה.
כותבים את המספרים בדיוק כפי ש-Teachable Machine מציגה אותם. תקלידו אותם באקסל בשלב 2.
✔ יש לכם 12 שורות מלאות: אחוז תפוח, אחוז בננה, אחוז תפוז, תשובת הבינה המלאכותית, נכון או לא.
🎯 בדיקה מהירה
הבינה המלאכותית מציגה תפוז 95% לתמונה. מה זה אומר 95%?
4אדם נגד בינה מלאכותית: תמונות הסיוט
- פותחים את התיקייה
3_NIGHTMARE_12. לכל תמונה כותבים קודם את התשובה שלכם: תפוח, בננה, תפוז או מעורב (יותר מפרי אחד). - אחר כך בודקים את התמונה ב-Teachable Machine וכותבים את תשובת הבינה המלאכותית ואת האחוז הגבוה ביותר.
- ניקוד: אתם מקבלים נקודה על כל תמונה שצדקתם בה. הבינה המלאכותית מקבלת נקודה על כל תמונה שהיא צדקה בה. מי מנצח?
✔ אתם יודעים את הניקוד שלכם ואת הניקוד של הבינה המלאכותית.
5תמונות המלכודת
התמונות ב-4_TRAPS_12 הן עגבניות, לימונים, אפרסק, דלעת, כדור… הן לא תפוח, בננה או תפוז.
- בודקים לפחות 6 תמונות מלכודת. כותבים את תשובת הבינה המלאכותית ואת האחוז הגבוה ביותר.
- שאלה: עד כמה הבינה המלאכותית הייתה בטוחה? האם היא אי פעם לא הייתה בטוחה?
הבינה המלאכותית שלכם מכירה רק שלוש תשובות, ולכן היא חייבת לבחור אחת. אין לה דרך לומר „אף אחת מאלה”. זו בעיה אמיתית של בינה מלאכותית בעולם האמיתי.
🎯 בדיקה מהירה
מראים עגבנייה לבינה מלאכותית של תפוח/בננה/תפוז. מה היא חייבת לעשות?
6זמן בלשות
מסתכלים על התמונות שהבינה המלאכותית טעתה בהן. מה משותף להן? מסמנים כל רמז שמתאים:
- ☐ הפרי נמצא על שולחן או בד אחר ממה שהיה בתמונות האימון.
- ☐ התמונה חשוכה.
- ☐ הפרי קטן מאוד.
- ☐ הפרי נחתך בקצה התמונה.
- ☐ סוג פרי שראיתם מעט באימון (בננה ירוקה, תפוז חצוי, תפוח צהוב …).
- ☐ יש עוד משהו בתמונה (פרי אחר, כתמים בהירים ברקע).
כותבים בדף התוצאות את 3 הרמזים הטובים ביותר. בלש טוב נותן ראיות, לא ניחושים.
🎯 בדיקה מהירה
הבינה המלאכותית נכשלת בפירות על שולחנות לא מוכרים. מה התיקון הטוב ביותר?
7סיבוב 2: חבילת התיקון
- מבקשים מהמורה את חבילת התיקון (קובץ ZIP). מחלצים אותה.
- ב-Teachable Machine מעלים את התמונות מ-
FIX/Appleלמחלקה Apple, מ-FIX/Bananaל-Banana ומ-FIX/Orangeל-Orange (עוד 20 לכל מחלקה). - לוחצים שוב Train Model. בודקים שוב את אותן 12 תמונות בוס וכותבים את המספרים החדשים בעמודות סיבוב 2.
- משווים בין סיבוב 1 לסיבוב 2. כמה תמונות נוספות נכונות עכשיו?
✔ יש לכם שני ציונים למבחן הבוס: סיבוב 1 וסיבוב 2.
🎯 בדיקה מהירה
אחרי חבילת התיקון הציון עלה. אילו תמונות עזרו?
8הרחבה: מחלקה רביעית בשם Other
האם אפשר ללמד את הבינה המלאכותית לומר „זה אף אחד משלושת הסוגים”?
- לוחצים Add a class וקוראים לה
Other. - מעלים את 24 התמונות מהתיקייה
OTHER_PACK/Other(עגבניות, לימונים, כדורים …). - מאמנים שוב ובודקים את 12 תמונות המלכודת. כמה נקראות עכשיו Other?
ללמד בינה מלאכותית על מה היא לא צריכה לענות זה טריק שמהנדסים אמיתיים משתמשים בו. שימו לב: תמונות המלכודת בחבילה שונות מתמונות המלכודת שבהן אתם בודקים.
9חושבים על זה
- למה הבינה המלאכותית נראתה מושלמת בזמן האימון אבל נכשלה בחלק מתמונות הבוס?
- איזה סוג תמונה היה הכי קשה לבינה המלאכותית שלכם? למה אתם חושבים כך?
- מי ניצח בסיבוב הסיוט: אתם או הבינה המלאכותית? מה זה אומר לכם?
- מה חבילת התיקון שינתה? האם זה מספיק? מה עוד הייתם מוסיפים?
- האם הייתם סומכים על הבינה המלאכותית הזאת שתמיין פירות בחנות? מה יכול להשתבש?
התחנה הבאה: לוקחים את המספרים של סיבוב 1 וסיבוב 2 לאקסל בשלב 2.
⭐ אתגר הבוס
- מגיעים ל-10 מתוך 12 במבחן הבוס בסיבוב 2.
- מקבלים יותר נקודות מהבינה המלאכותית בסיבוב הסיוט.
- מוצאים תמונה אחת שבה הבינה המלאכותית בטוחה ביותר מ-90% וטועה. מראים אותה לכיתה.
מילים שכדאי להכיר
| English | العربية | עברית |
|---|---|---|
| training pictures | صور التدريب | תמונות אימון |
| test pictures | صور الاختبار | תמונות מבחן |
| class | فئة | מחלקה |
| accuracy | الدقة | דיוק |
| confidence | الثقة | ביטחון |
| shortcut | اختصار (طريقة غير مقصودة للتعلّم) | קיצור דרך |
| bias | انحياز | הטיה |
| Fix Pack | حزمة الإصلاح | חבילת תיקון |
| trap picture | صورة فخ | תמונת מלכודת |
שאלות
כתוב שיש מעט מדי דוגמאות.
Teachable Machine צריכה לפחות כמה תמונות בכל מחלקה. בדקו שכל מחלקה אומרת 40 Image Samples.
המספרים שלי שונים משל החבר שלי.
זה נורמלי. באימון יש קצת אקראיות, ולכן שני תלמידים יכולים לקבל תוצאות שונות מעט. משווים דפוסים ולא מספרים מדויקים.
צריך חשבון גוגל?
לא. לא לוחצים Save to Drive. Teachable Machine עובדת בתוך הדפדפן.
הבינה המלאכותית צדקה בהכול בסיבוב 1.
בדקו שהשתמשתם בתיקיית מבחן הבוס ולא בתיקיית האימון. אם כן, ספרו למורה — ונסו את תמונות הסיוט והפח.