Usando una onda para ilustrar el sesgo en los modelos de aprendizaje a

Piensa en la última vez que saludaste a alguien con la mano. ¿Utilizaste la mano derecha o la izquierda? ¿Saludaste con un gesto grande y entusiasta o pequeño y suave? ¿Tenías los dedos separados o quizás saludaste como si fueras la Reina? Puede que no te des cuenta, pero este ejemplo puede utilizarse para ilustrar perfectamente el concepto de sesgo en los modelos de aprendizaje automático de IA con tus estudiantes.

Usando un micro:bit y CreateAI, podemos construir un modelo de aprendizaje automático que puede ser entrenado para reconocer todo tipo de saludos diferentes. A través de este proceso, los estudiantes descubrirán cómo las muestras de datos pueden crear sesgos en los sistemas de IA, cómo las computadoras interpretan los datos y nuestra responsabilidad como usuarios de esta tecnología de IA.

Cómo funcionan los modelos de aprendizaje automático

Para entender cómo este ejemplo de "saludo" se relaciona con el mundo de la IA y la informática, veamos cómo funcionan los modelos de aprendizaje automático. En esencia, los modelos de aprendizaje automático están entrenados para identificar patrones y tomar decisiones basándose en datos, en lugar de ser programados explícitamente.

Si grabáramos una muestra de tu saludo con la mano, podríamos entrenar un modelo de aprendizaje automático para reconocer cuándo estás realmente saludando con la mano en lugar de simplemente dando un pulgar arriba. Usando el micro:bit y CreateAI, podemos medir esto usando los valores del acelerómetro x, y, z (más sobre este proceso a continuación).

Pero, ¿qué sucede cuando nuestro modelo de aprendizaje automático no reconoce el saludo de tu amigo zurdo porque solo lo entrenaste con tu saludo diestro? Esto ilustra el sesgo en nuestro modelo de IA porque solo lo entrenamos con muestras limitadas, y por lo tanto el modelo favorece nuestro saludo diestro sobre otros tipos de saludos.

Podemos usar este simple ejemplo para entender cómo este sesgo puede tener impactos en el mundo real. Un ejemplo de esto ocurre hoy en día en los sistemas de reconocimiento facial. Algunos estudios gubernamentales han demostrado que los sistemas de reconocimiento facial tienen más dificultades para reconocer los rostros de diferentes grupos raciales. Esto significa que algunos sistemas de reconocimiento facial están sesgados hacia los rostros de individuos caucásicos.

Creando esta experiencia en el aula

En Forward Education, nos encanta este ejemplo de saludo porque toma temas complejos de alfabetización en IA y los hace tangibles y fáciles de comprender. Con unas pocas herramientas sencillas, los educadores pueden tomar esta analogía del saludo y usar un micro:bit y CreateAI para construir un modelo real de aprendizaje automático que detecte diferentes tipos de saludos.

Introducción a la actividad

Pida a los estudiantes en el aula que empiecen a saludarse con la mano. Pídales que observen cómo su saludo puede diferir del de sus compañeros de clase:

Mano derecha vs. mano izquierda
Saludo grande vs. saludo pequeño
Dedos separados vs. juntos
¿Cómo interpretarías las emociones de la persona basándote en el saludo? (Emocionado, feliz, triste, cansado)

Usando el micro:bit y CreateAI para construir un modelo de aprendizaje automático

Para crear nuestro "detector de ondas" usaremos un micro:bit, CreateAI y un paquete de baterías con una correa de muñeca (como CHARGE). Esta actividad se realiza mejor individualmente, pero podría facilitarse en parejas.

Sigue las instrucciones en CreateAI para conectar tu micro:bit al programa.
Pide a los estudiantes que registren al menos tres muestras de su saludo individual con el conjunto micro:bit unido a su muñeca. El micro:bit debe estar bien sujeto para que esté en una posición consistente cada vez que se registra una muestra.
Para que el detector de olas decida si una ola está ocurriendo o no, necesitará otra acción con la que comparar. Pida a los estudiantes que registren un segundo gesto de mano, como un pulgar hacia arriba, "manos de jazz" o algo similar.
Añadir una tercera acción para "descansar" es una buena práctica. Esto ayudará al modelo de aprendizaje automático a diferenciar entre saludar, tu segunda acción o no hacer nada en absoluto.

Entrenamiento del modelo de aprendizaje automático

Una vez que todas las acciones y muestras de datos se hayan añadido a CreateAI, puedes hacer clic en el botón que dice 'Entrenar modelo'.

Probando el modelo

¡Ahora es el momento de probar tu modelo de aprendizaje automático! Realiza cada gesto y observa con qué precisión el modelo predice cada acción usando la métrica de porcentaje de 'certeza'.

Aquí es donde puedes pedir a los estudiantes que piensen en todos esos diferentes tipos de saludos. Cuando entrenaron su modelo, solo registraron su saludo individual, pero ¿qué tan bien reconocería el modelo un saludo con la mano izquierda? ¿Qué tal una de esas otras variaciones de saludo de la actividad introductoria?

Indagación sobre la alfabetización en IA

Pida a los estudiantes que cuestionen la precisión de sus modelos de aprendizaje automático basándose en esos diferentes tipos de ondas.

¿El modelo tiene dificultades para detectar diferentes tipos de ondas?
¿El modelo a veces se confunde entre una onda y otro tipo de gesto de mano?

Estos resultados impredecibles ilustran el sesgo en nuestro modelo de aprendizaje automático basado en los datos limitados con los que se entrenó nuestro modelo.

También podemos empezar a pensar en cosas como la equidad, las consecuencias, la responsabilidad y otras consideraciones éticas cuando se trata de la IA. Usando nuestro detector de olas y un poco de código, podríamos programar nuestro detector de olas para reproducir una canción divertida y mostrar una cara sonriente en los LED del micro:bit cada vez que se detecta una ola (más sobre esto más adelante).

Podríamos ir por ahí saludando a nuestros compañeros de clase y escuchando una canción divertida. Pero, ¿qué pasa si de repente, ese detector de olas no funciona porque no está detectando la ola de nuestro amigo que puede ser un poco diferente a la nuestra? ¿Es esto justo? Nuestro detector de olas no funciona para otros usuarios.

¿Qué tipo de consecuencias podría tener esto? Nuestro amigo podría sentirse excluido porque no puede usar el dispositivo detector de olas como los demás. ¿Cuál es nuestra responsabilidad como creadores del detector de olas? Como creadores de este modelo de aprendizaje automático, es nuestra responsabilidad asegurarnos de que el dispositivo funcione para todos los usuarios y todos los tipos de olas. ¿Cómo podríamos mejorar la precisión del modelo para todos añadiendo muestras de datos adicionales en CreateAI?

¿Qué pasa con nuestra responsabilidad como usuarios del detector de olas? ¿El hecho de que el detector de olas no detectara un determinado tipo de ola significa que nuestra ola está mal? ¿O que no es una ola real? Por supuesto que no. Tal vez alguien es zurdo, o tal vez culturalmente saludan de manera diferente. Es nuestra responsabilidad como usuarios de la IA cuestionar los resultados del modelo de aprendizaje automático y no darlos por sentado. Necesitamos pensar críticamente sobre cómo los datos con los que se construyó el modelo pueden afectar los resultados producidos.

Mejorando el modelo de aprendizaje automático

Con todos esos temas de alfabetización en IA en mente, podemos revisar nuestro modelo CreateAI para mejorarlo y, con suerte, hacerlo mejor para todos los usuarios. Puedes volver a tu conjunto de datos y añadir muestras adicionales para cada acción, teniendo en cuenta cosas como olas de zurdos, olas grandes, olas pequeñas, etc.

Vuelve a entrenar tu modelo y prueba su precisión de nuevo. Una vez que el modelo esté mejorado, podemos añadir código para activar diferentes sonidos o LED cuando se detecta una ola u otra acción.

Usando el modelo ML para activar salidas de código

Una vez que hayas entrenado un modelo mejorado de aprendizaje automático en CreateAI, podrías detenerte ahí, pero también tienes la capacidad de usar ese modelo para activar diferentes salidas de código para cada acción. En CreateAI, verás un botón para abrir tu modelo en MakeCode. En MakeCode, ahora puedes usar cada uno de tus modelos de acción entrenados como entradas. Al colocar otros bloques de código dentro de esas entradas, podrás activar varias reacciones cuando se detecte una acción.

Pide a los estudiantes que añadan bloques de LED y sonido que tengan sentido para cada tipo diferente de acción. ¡Descarga este código de MakeCode y prueba tu proyecto completo de detector de ondas!

Proyectos CreateAI del mundo real

Ahora que entiendes cómo construir un modelo de aprendizaje automático con CreateAI y cómo los sistemas de IA como este pueden usarse en el mundo real, ¡puedes empezar a idear cómo usar esta tecnología para aplicaciones reales!

En lugar de saludar con la mano, ¿podríamos entrenar nuestro modelo para reconocer diferentes gestos del lenguaje de señas y reproducir sonidos para ayudar a alguien a comunicarse mejor? Hay muchas maneras en que podríamos usar el acelerómetro de micro:bit y CreateAI para construir un modelo de aprendizaje automático que ayude a las personas.

Concurso "IA para el Bien"

Si tienes una buena idea usando micro:bit y CreateAI, ¡puedes enviarla a nuestro Concurso "IA para el Bien"! El Concurso "IA para el Bien" desafía a los estudiantes a identificar un área problemática en su comunidad que podría beneficiarse de la tecnología de aprendizaje automático y diseñar un prototipo funcional para resolver ese problema. Hay hasta 10.000 dólares en premios disponibles en diferentes categorías de edad.

Para los profesores, tenemos una división separada donde los educadores pueden enviar ideas de planes de lecciones para enseñar IA y alfabetización en IA como hemos demostrado en esta publicación. ¡Cada educador que envíe un plan de lecciones calificado recibirá un CHARGE para micro:bit GRATIS!

Para detalles del Concurso y para registrarse, por favor visite: https://forwardedu.com/pages/ai-for-good-competition