Kunstig intelligens , eller kort KI , er et begreb, som vi efterhånden møder oftere og oftere i hverdagen. Robotter eller intelligent software overtager opgaver, som computere hidtil kun har kunnet udføre i meget begrænset omfang, og som derfor ofte blev udført af mennesker. I dag kan man i hverdagen næsten ikke undgå at bruge kunstig intelligens som et værktøj i en eller anden form – bevidst eller ubevidst. Det hjælper os f.eks. når vi bruger navigationsudstyr, spiller videospil og selv, når vi bruger kameraet på vores smartphone. Men der er også mere indlysende anvendelsesmuligheder, f.eks. autonom kørsel eller brug af sprogassistenter i hjemmet eller på din smartphone. I baggrunden anvendes i stigende grad såkaldte neurale netværk, som efterligner den måde, som den menneskelige hjerne fungerer på. De er en vigtig del af Deep Learning, en særlig underart af kunstig intelligens.

Kunstig intelligens er også ved at vinde indpas i industrien. Med den stigende brug af denne teknologi bliver det mere og mere vigtigt at forstå, hvad det egentlig handler om, hvad Deep Learning er for en størrelse, og hvordan neurale netværk genereres målrettet, og hvordan de kan bruges meningsfuldt i industrien til at optimere produktionsprocesser. Disse spørgsmål opstår især, når det drejer sig om gentagne, monotone opgaver, som computere hidtil ikke har kunnet klare, og som derfor stadig udføres møjsommeligt af mennesker. Kunstig intelligens er et forsøg på at forstå og kunstigt efterligne den menneskelige hjernes funktion. Målet: Computere skal udføre selv krævende opgaver pålideligt, f.eks. kvalitetskontrol ved hjælp af billedgenkendelse – især af organiske genstande.

Kufferten med undervisningsmateriale om kunstig intelligens blev udviklet til undervisere, instruktører, lærere og professorer ved forskellige uddannelsesinstitutioner for at opleve emnet kunstig intelligens på tæt hold med eleverne og for at kunne formidle kompetencer i håndteringen af kunstig intelligens på en så praksisnær og levende måde som muligt.

Kittet i kufferten med undervisningsmaterialer omfatter ægte industriel hardware og software, som også anvendes i samme form i mange virksomheder. Kufferten suppleres med undervisningsmaterialer, f.eks. et e-læringskursus som introduktion til emnet eller forsøgsinstruktioner med didaktisk forberedte opgaver og eksempler på løsninger.

For at få en omfattende forståelse af Deep Learning er det afgørende ikke kun at indsamle teoretisk viden om det, men også at man rent faktisk arbejder med det, laver fejl og sidenhen retter dem selvstændigt. Derfor blev der udarbejdet en undervisningsplan med følgende punkter, så interesserede personer kan få praktisk erfaring med at skabe deres egne neurale netværk.

• På et interaktivt e-læringskursus forberedes eleverne på klasseværelsesundervisningen. Kurset giver elementær baggrundsviden og har til formål at bringe de enkelte deltageres forskellige vidensniveauer op på et ensartet niveau.
• En kort digital quiz, få dage før mødet i klasseværelset, kan senere bruges til at aktivere og yderligere konsolidere den viden, der er erhvervet på e-læringskurset, så den kan hentes frem under klasseværelsesundervisningen.
• Et kit med printbare forsøgsinstruktioner (med eksempler på løsninger) og eksempler på flowdiagrammer hjælper deltagerne med at udføre opgaver ved hjælp af en rigtig industriel sensor. De hjælpematerialer, der indgår i kittet, f.eks. terninger eller metalplaketter, bruges til at løse opgaverne i forsøgsinstruktionerne intuitivt og trin for trin. Ved hjælp af det programmerbare InspectorP621-kamera fra SICK og den cloud-baserede industrielle software SICK dStudio kan eleverne oprette deres egne neurale netværk og derefter overføre dem til kameraet. Eleverne oplever, hvordan kameraet selvstændigt klassificerer kvalitetskontrolresultaterne i forud definerede klasser på baggrund af det genererede neurale netværk.

Der blev udarbejdet fem didaktisk forberedte opgaver til kittet; de er baseret på hinanden og sigter mod den mest bæredygtige tilegnelse af kompetencer med reel praktisk viden.

I den sjette og sidste opgave overføres det neurale netværk, som eleverne har genereret selvstændigt, til sidst til et virkeligt produktionsanlæg i en 3D-computersimulering for at kontrollere det neurale netværks kvalitet. Denne opgave afrunder indlæringsmodulet og er samtidigt med til at motivere deltagerne.

Kittet kan forkortes i forskellige scenarier eller bruges i sin helhed – helt afgjort også af begyndere. Hard- og software gør det også muligt for eleverne at udforme deres egne opgaver, så der ikke er nogen tvungen binding til de medfølgende forsøgsinstruktioner. Selv sensorens software kan udskiftes, så man kan udvikle eller løse særligt komplekse opgaveformuleringer med sensoren.

Få mere at vide om køb af kittet med praktiske øvelser her.