Диссертация. Основам искусственного интеллекта и анализа данных в курсе информатики на уровне среднего общего образования Научная
 Скачать 4.76 Mb.
|
|
Standard Данные и их анализ (Data and Analysis) Алгоритмы и программирование (Algorithms and Programming) Социальные и правовые вопросы информатики (Impacts of Computing) Уметь создавать модели объектов реального мира с помощью символов, чисел и графических объектов и преобразовывать модели разной природы Уметь создавать прототипы прим программы, в основном реализующие частный случай, решающие задачи, сформулированные выпускником на основе ранжирования его уровня знаний (рефлексия) и частных интересов. Уметь использовать средства и методы командной работы в проектах, объединяющих представителей разных профессий и культур. Прим похожий пункт во ФГОС СОО относится к личностным результатам о взаимодействии в мульти культурном обществе) Уметь выбирать наиболее оптимальный способ хранения данных в зависимости от их природы, связей с другими данными и целей работы сними Уметь обосновать выбор применяемых алгоритмов, учитывать принципы документирования и представления программного кода, выделять и объяснять плюсы и минусы своего решения. Уметь создавать интерактивные отчёты при визуализации данных для понятного представления для других людей, используя специальное ПО Уметь проектировать ИС и программы с учётом обратной связи конечных пользователей. Уметь оценивать социальное и экономическое влияние на конфиденциальность в контексте безопасности, законности и этических норм и правил. Уметь создавать цифровые модели, отображающие связи данных, полученных при исследовании или вовремя эксперимента. Уметь проектировать и конструировать элементы программ и проектов, используя инструменты командной работы. Как мы видим, в таблице делается упорна моделирование и командную работу. В проектах науки о данных часто предусматривается использование распределённых вычислений, облачного хранения информации, совместное обучение моделей ИИ. Несмотря на то, что различные элементы вопросов 91 искусственного интеллекта в виде названий появляются ещё на ранних уровнях, далее они отображаются в неявном виде. Рассмотрим уровень 3B, где также делается упорна предпрофессиональные навыки (поскольку здесь часы Computer Science являются углубленными по выбору обучающегося, как и углублённый курс информатики на уровне среднего общего образования в РФ. Здесь понятие искусственный интеллект представлено в явном виде см. Таблица 6): Таблица 6. Компетенции в области ИИ для уровня 3B K-12 Computer Science Standard Данные и их анализ (Data and Analysis) Алгоритмы и программирование (Algorithms and Programming) Социальные и правовые вопросы информатики (Impacts of Computing) Уметь использовать специализированное ПО и методы для выявления зависимостей в данных, представленных в виде полных систем. Понимать, каким образом искусственный интеллект применяется в системах управления программных и аппаратных комплексов. Уметь оценивать цифровые продукты алгоритмы, программы, ИС и т.д.) с целью максимизации полезных свойств и результатов и минимизации пагубного влияния на общество. Уметь выбирать специализированное ПО и методы для генерации наборов данных, поддерживающее сбор информации и описание связей между ее элементами. Уметь применять алгоритмы искусственного интеллекта в играх против человека например, шахматы) или для решения проблем. Уметь изменять существующие программы, расширяя их функциональность, либо исключая избыточный функционал и несущественные данные, тем самым оптимизируя программу. Уметь проектировать и реализовывать программы для широкой аудитории, согласно всем этапам жизненного цикла программного продукта. Уметь использовать собственные элементы кода и структуры повторно для решений других задача также применять библиотеки и API. 92 Данные и их анализ (Data and Analysis) Алгоритмы и программирование (Algorithms and Programming) Социальные и правовые вопросы информатики (Impacts of Computing) Уметь анализировать вычислительную сложность алгоритмов и выделять зависимости, которые могут быть впоследствии применены при создании решения. Уметь применять и преобразовывать классические алгоритмы для решения вычислительных задач. Уметь сравнивать алгоритмы по их эффективности скорость и память, корректности и четкости представления. Уметь конструировать решения вычислительных задач на основе разработанных самим обучающимся компонентов, таких как процедуры, функции, модули и/или объекты и классы. Таким образом, мы убедились, что о компетенциях в сфере больших данных и науки о данных в целом говорится не только в России. Более того тема оказывается полностью описываемой в рамках существующих нормативных документов в виде планируемых результатов обучения выпускника, соответствующим требованиям к предпрофессиональной подготовке специалистов по сквозным технологиям цифровой экономики Российской Федерации. 93 2.2. Разработка деятельностной модели обучения основам ИИ и анализа данных в курсе информатики на уровне среднего общего образования Деятельностная (прагматическая) модель обучения предполагает, что окружающую действительность (реальность) меняет сам человек в процессе своей деятельности, в данном случае - учебной деятельности. Деятельность по своей структуре предполагает цель, средство, результат и активную позицию человека сообразно его мотивам, интересами потребностям. В теоретической основе предлагаемой модели присутствуют глубокие философские основы, начиная с идей Н. Макиавелли до работ К.Маркса и современных философов. Люди сами делают свою историю, – писал Маркс, – но они ее делают не так, каким вздумается, при обстоятельствах, которые не сами они выбрали, а которые непосредственно имеются налицо, даны ими перешли от прошлого»[ 67]. Отличие и преимущество деятельностной модели как методологии в том, что это целостное усвоение социального опыта в сложноорганизованной действительности, а не анализ отдельных компонентов процесса обучения. Сложноорганизованная действительность представлена иерархией внешних потребностей и интересов и внутренними мотивами и желаниями, которые в большей мере определяются социумом. К внешним потребностями желаниям в контексте разрабатываемой темы относятся выдвигаемые требования со стороны государства (реализуются во ФГОС ОО и ПООП ОО в виде планируемых предметных результатов научные достижения и прикладное развитие изучаемой области искусственный интеллект и анализ данных развитие методической системы обучения предмету информатике. 94 К внутренним мотивами желаниям можно отнести возрастные особенности обучающихся среднего общего образования, в том числе когнитивные сформированные на уровне основного общего образования знания и навыки в области моделирования и программирования. Указанные факторы обеспечивают интегративность как непрерывный процесс, что говорит о динамичном характере разработанной деятельностной модели. Такой подход к разработке модели обучения в рамках существующей методической системы обучения предмету учитывает концептуальную основу современных образовательных стандартов (системно-деятельностная концепция) и интегративные процессы, характерные для современного состояния науки и образования. Структура деятельностной модели обучения основам ИИ и анализа данных в курсе информатики среднего общего образования представляет собой три взаимосвязанных компонента целевой, содержательный и процессуальный (см. рис. Целевой компонент представлен планируемыми результатами освоения основ ИИ и анализа данных и позволяет определить уровень общего образования для их освоения Содержательный компонент представлен интегративными тематическими модулями (искусственный интеллект, моделирование и программирование) для среднего общего образования. Для установления связей между модулями предлагается использовать проекты науки о данных, включающие в себя все этапы работы сданными, в том числе визуализацию и построение моделей с классификаторами. В качестве инструментов предлагается использование библиотеки модулей современного языка разработки Python, применяемые в профессиональном сообществе. 95 Процессуальный компонент позволяет выбрать современные технологии обучения (практикумы, кейсы и проекты, включающие в себя необходимые способы контроля (формирующее оценивание и итоговый контроль. Выделенные ранее цифровые компетенции в области искусственного интеллекта в виде планируемых предметных результатов обучения информатике (см. таблицу 4), а также их конкретизация в виде практических умений, позволили определить место этой темы, а именно среднее общее образование и отобрать теоретическое и практическое содержание темы. Наиболее оптимальным в данном случае будет представление искусственного интеллекта и интеллектуальных алгоритмов через призму науки о данных как прикладной области, где различные алгоритмы применяются как обязательные компоненты работы информационных систем. Наличие общесистемного компонента позволяет легче адаптировать изучаемый материал под уже знакомые и привычные обучающимся понятия в рамках информационных систем [84]. Следует учитывать, что теория не может быть только общей. Необходимо демонстрировать области применения или задачи, решаемые интеллектуальными алгоритмами, на примере частных семейств алгоритмов, затем уже в практической деятельности реализовывать их. Выбор алгоритмов должен быть обусловлен их доступностью и распространённостью, причём их практическое применение должно выходить за рамки учебных задач. В рамках практической деятельности предлагается включать как можно больше задач, опирающихся на окружающую действительность. Включение социально-значимых задачи проблем позволяет повысить мотивацию обучающихся. 96 Рис. Структура и состав деятельностной модели обучения основам ИИ в курсе информатики среднего общего образования 97 Основы ИИ можно изучать в интеграции с такими темами как моделирование и программирование, расставив необходимые акценты. Следует иметь ввиду, что это две большие темы (Теоретические основы ИИ» и Модели глубинного анализа данных, разделенные наряд подтем. Каждая подтема является завершенным компактным модулем, который может быть как дополнен таки изъят при изучении. Каждая изучаемая модель анализа данных реализуется практически на языке программирования Python. 1. Теоретические основы ИИ. a) Искусственный интеллект. Основные понятия. История. b) Наука о данных (данные, информация, знания. Потребители проектов науки о данных. Этапы анализа данных. 2. Модели глубинного анализа данных. a) Классификации интеллектуальных алгоритмов. b) Задачи классификации. Метод ближайших соседей. c) Кластеризация. Метод динамических ядер. d) Ассоциации. Анализ потребительских корзин. e) Регрессия. Линейная регрессия. f) Экспертные системы. В конце изучения темы предлагается дополнить практическим применением изученных моделей в индивидуальных проектах обучающихся. Данная структура может быть сокращена с учётом особенностей конкретного учебного заведения, курса или характеристик группы обучающихся. Перейдём непосредственно к содержанию изучаемых вопросов. Тема ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ. ОСНОВНЫЕ ПОНЯТИЯ Материал об основных понятиях и истории искусственного интеллекта был рассмотрен впервой главе и может использоваться при изложении темы в школьном курсе информатики. До сих пор существует множество разных 98 подходов к изучению и понимаю искусственного интеллекта. Важным является выделение двух частей [89]: ИИ как технология – это проектирование систем, позволяющих обрабатывать данные интеллектуально (включая самообучение, получение нетривиальных данных, построение теорий с помощью математической логики и т.д.); включает в себя интеллектуальные алгоритмы ИИ как наука – наука о проектировании сознания, изучении и моделировании человеческого мышления, наука о вычислимом поиске смысла в данных. Последнее также порождает два кардинально противоположных подхода к изучению нейронных сетей (тоже части ИИ): как изучению человеческого сознания через моделирование (нисходящий подход, англ. Top-Down AI) и, наоборот, построение нового, компьютерного сознания на основе изучения человеческого мозга (восходящий подход, англ. Bottom-Up AI). [150] Перед искусственным интеллектом ставятся следующие задачи [45]: Представление знаний — как в интеллектуальной системе представить человеческое понимание предметной области, чтобы программа могла потом действовать как человек Сильного искусственного интеллекта, который сам способен ставить задачи у нас нет, поэтому для каждой задачи мы должны представить узкую часть знаний – непросто сведений, но и правил, способов, всего, что нужно для действий информационной системы по решению очень разных задач, например, идентификации найденных новых минералов, растений, живых существ на нашей и других планетах, ив итоге, ответить на вопрос есть ли жизнь на других планетах, а также в нашей и других галактиках Но идентификации различных объектов надо специально обучать, а это уже делают в машинном обучении. Это означает, что многие задачи ИИ связаны между собой. 99 Машинное обучение – далеко не всегда мы можем знания выразить и представить сами. Любой из вас легко отличит кошку от собаки на фотографии – но как описать такое знание для машины Формальные правила не помогут (долго пытались так сделать. Номы можем представить очень много готовых примеров – и это знание где-то в них есть. Разработано много методов, которые обрабатывают готовые примеры или просто данные) и формируют это знание в виде модели – то есть модели учатся. Это и есть целая область разработки – методы машинного обучения. Назначение модели может быть самым разным – голосовой помощник, классификатор растений, система выявления скрытых закономерностей, поисковая система итак далее. Есть задачи более узкие, которые относят уже к приложениям искусственного интеллекта создание средств машинного зрения – так называют распознавание, установление соответствия между некоторым изображением и записью об объекте в базе данных Перевести изображение страницы в текстовый файл, выявить по фото дефектную деталь, рассортировать фрукты или найти все фотографии с нужным человеком, выделить на фотографии (или даже в видео-файле) самостоятельные объекты – все это задачи машинного зрения. Такие программы находят самое разное применение в экспертных системах разных профессиональных областей, поисковых и геоинформационных системах обработка текстов на естественных языках – информации в виде текста вокруг нас сейчас очень много (и еще больше доступно в сети. Прочитать, понять и использовать ее всю мы никогда не сможем – так что нам нужны программы, которые выделят из длинного текста только нужные факты (имена, годы, суммы, должности, подготовят реферат, определят, как отзываются о фильме. Программы, которые получив конспект – подготовят полный развернутый текст. Программы, которые 100 смогут общаться также, как человек, в виде голосовых помощников. Область на стыке науки о языке, программирования и искусственного интеллекта занимается именно этим автоматическое формирование логических выводов математикам не очень хочется заниматься механическими действиями, поэтому разработаны программы, которые строят рассуждения (цепочки выводов) с использованием законов формальной логики. Можно таким образом сформулировать теорему и доказать ее. Можно таким образом выявить неисправность – конечно, если нам удалось представить в формальном виде знания о предметной области (см. представление знаний создание средств робототехники — по определению, робот это механизм, который действует самостоятельно. В современных производствах роботы выполняют множество операций – и для их работы требуются программы, управляющие их собственным перемещением например, робота-тележки), задающие способы перемещения объектов например, деталей – которые надо находить, брать, переставлять. Наконец, это автопилоты. Предсказать все варианты даже для простой рабочей среды невозможно (тем более, ситуацию на дороге, так что, используя машинное зрение, для роботов разрабатываются все более совершенные средства управления. Комментарий для учителя При изучении темы, где преобладают различные определения и классификации, следует тщательно подобрать наглядно-иллюстративный материал в виде мотивирующих видеоматериалов и структурных схем. Такой материал и схемы должны постоянно обновляться учителем, поскольку ИИ - это самая динамично развивающаяся отрасль. Знания, которыми оперирует ИИ, могут быть представлены в виде различных моделей, этим занимается инженерия знаний [45]: продукционная модель (представление знаний в виде правил 101 логическая модель (метод резолюций семантическая сеть (реляционный граф фреймовая модель (англ. frame – рамка каждый объект представлен фреймом, сохраняющим принцип наследования комбинаторная модель ленема (смешанный тип нейронная сеть генетические алгоритмы и другие. На практике обычно применяют сразу несколько моделей представления знаний (ленему) и несколько алгоритмов. Сегодня широко применяется встраивание различных ИА в нейронные сети. Описанный выше подход (инженерия знаний) характерен в основном для работы с экспертными системами. Существуют несколько различных подходов к искусственному интеллекту и его задачам [19]: символьный подход – создание символьных моделей и их последующая обработка как ряда вычислений с возможностью постоянного добавления правил логический подход – создание экспертных систем с логическими базами знаний с использованием языка предикатов агентно-ориентированный подход – применение интеллекта как вычислительной способности достижения поставленных целей, получая данные о мире через датчики и взаимодействуя с объектами с помощью механизмов генетический подход, предусматривающий заимствование лучшего новым алгоритмом у уже существовавших и другие. 102 Существуют и различия в философском подходе к искусственному интеллекту. Различают сильный и слабый искусственный интеллект. Приверженцы первого считают, что AI сможет в будущем статьи получить самосознание, тогда эта система будет сильным ИИ. Слабый искусственный интеллект решает поставленные человеком узкие задачи, а сильный искусственный интеллект может сам ставить задачи, решать их, осознавать результаты и окружающий мир в целом, общаться на естественном языке, объединять эти возможности для достижения цели. Однако, у приверженцев сильного ИИ есть оппоненты, которые считают, что GAI в принципе невозможен. Тема НАУКА О ДАННЫХ Наука о данных ( |