﻿ملاحظات المعلم — المرحلة 1: صور الزعيم (60 دقيقة)

الهدف
يلتقي الطلاب بذكاء اصطناعي يبدو مثاليًا على بيانات التدريب ومع ذلك يفشل أمام التنوع الواقعي. يكتشفون السبب (عمل المحقق) ويصلحونه ببيانات أكثر تنوعًا (الجولة 2) ويرون ما يبقى صعبًا (صور الكابوس والفخاخ).

سير الدرس (حوالي 60 دقيقة)
  0-5    المهمة (فصل الفيديو 1-2). يتوقع الطلاب نتيجتهم.
  5-20   إنشاء الفئات ورفع 1_TRAIN والتدريب (فصل الفيديو 3).
  20-30  اختبار الزعيم (12 صورة) وورقة النتائج.
  30-38  الكابوس: الإنسان ضد الذكاء الاصطناعي.   38-42 الفخاخ.
  42-50  المحقق: ما المشترك بين الصور الفاشلة؟ لا تعطهم الجواب — دعهم يكتشفونه.
  50-60  الجولة 2 بحزمة الإصلاح والمقارنة. اختياري: فئة رابعة «Other».
  ثم المرحلة 2 (Excel): الأرقام نفسها تصبح جداول ورسومًا بيانية.

ما الذي يجعل هذه الصور صعبة (لا تخبر الطلاب قبل انتهاء خطوة المحقق)
  1. اختصار خفي: في 1_TRAIN تجلس كل فاكهة غالبًا على طاولتها (التفاح على الخشب 82%، الموز على بلاط أبيض 82%، البرتقال على قماش مربعات 82%). قد يتعلم الذكاء الاصطناعي «الطاولة = الفاكهة».
  2. صور اختبار الزعيم اختيرت حيث تتعثر نماذج تشبه Teachable Machine: فاكهة على طاولة الفاكهة الأخرى، ضوء خافت، فاكهة صغيرة، فاكهة مقطوعة بحافة الصورة، أصناف نادرة في التدريب (تفاح أصفر/أحمر-أصفر، موز أخضر أو بني، برتقالة مقطوعة نصفين).
  3. الكابوس: ضبابية، ضجيج، ظلام شديد، حجم صغير جدًا، قص، رسم بالقلم، و3 صور فيها أكثر من فاكهة (الإجابة الصحيحة «مختلط»: لا يستطيع الذكاء الاصطناعي قولها).
  4. الفخاخ: طماطم، ليمون، خوخة، قرعة، كرة، ذرة، فلفل. ليس عند الذكاء الاصطناعي فئة «لا شيء» فيجيب على أي حال وغالبًا بثقة عالية.
  حزمة الإصلاح تعرض كل فاكهة على كل طاولة وفي ضوء خافت وصغيرة ومقطوعة — فتزيل الاختصار. وحزمة OTHER_PACK تعلّم فئة رابعة.

ماذا نتوقع (قياساتنا الخاصة)
  دربنا نماذج مثل Teachable Machine (نموذج صور MobileNet مع رأس صغير مدرَّب) على ثلاثة إصدارات من MobileNet و3 بذور عشوائية لكل منها، وشغّلنا أيضًا موقع Teachable Machine الحقيقي.
  صور تشبه مجموعة التدريب: 100%. اختبار الزعيم: الجولة 1 62% (المدى 53%-69% بين إصدارات النموذج)، الجولة 2 95% (المدى 92%-100%). الكابوس (صور الفاكهة الواحدة): الجولة 1 33%، الجولة 2 49%. صور الفخاخ: كانت النماذج متأكدة بأكثر من 80% في 84% منها في الجولة 1 (وكل هذه الإجابات خاطئة). Teachable Machine الحقيقية (2 تجربة): اختبار الزعيم في الجولة 1 7 من 12، وفي الجولة 2 10 من 12. الكابوس (صور الفاكهة الواحدة): الجولة 1 1 من 9، الجولة 2 4 and 3 من 9. صور الفخاخ بثقة أعلى من 80%: الجولة 1 11 and 10 من 12، الجولة 2 12 من 12. مع الفئة الرابعة Other: سُمّيت 11 من 12 فخًا Other وحصل اختبار الزعيم على 9 من 12.
  نتائج Teachable Machine الحقيقية تختلف من تجربة إلى أخرى ومن أرقامنا. اعتبرها دليلًا: في الجولة 1 تكون نتيجة اختبار الزعيم عادةً أقل بوضوح من دقة الصور المشابهة للتدريب، والجولة 2 أفضل بوضوح، والكابوس يبقى صعبًا، والفخاخ يُجاب عنها بثقة تقريبًا دائمًا.

مفتاح الإجابات
  الملف TEACHER_KEY.csv يسرد كل صورة اختبار وإجابتها الصحيحة وسبب صعوبتها (الوسوم). في الكابوس «MIXED» = أكثر من فاكهة: يحصل الطلاب على نقطة إذا قالوا مختلط؛ ولا يستطيع الذكاء الاصطناعي تسجيل نقطة هنا. صور الفخاخ ليس لها فئة صحيحة بين Apple وBanana وOrange.
  الوسوم: bg_swap = على طاولة فاكهة أخرى · dim = معتمة · small = صغيرة · crop = مقطوعة بالحافة · unseen_variety = صنف نادر · half = برتقالة نصفين · bunch = عدة موزات · clutter = خلفية مزدحمة · tiny/blur/noise/dark/sketch/crop/tint = مؤثرات الكابوس.

نقاش
  - لماذا بدا الذكاء الاصطناعي مثاليًا أثناء التدريب؟ (لأنه اختُبر على صور تشبه ما تعلّمه)
  - ما هو الاختصار؟ أين يمكن أن يحدث أيضًا؟ (ذكاء اصطناعي طبي يتعلم شعار المستشفى)
  - هل الثقة 90% وعد؟ (لا)
  - ماذا تضيف إلى بيانات التدريب؟ وهل يكفي ذلك يومًا؟

ملاحظات وأمانة
  الصور مرسومة بالحاسوب وليست فوتوغرافية. المهم سلوك الذكاء الاصطناعي لا واقعية الصورة. تحتاج Teachable Machine إلى الإنترنت، وتبقى الصور في المتصفح ما لم يختر الطلاب Save to Drive.
