Van algoritmes tot AHA! Artificiële Intelligentie in STEM-onderwijs

16 oktober 2023

Schoolmakers gaat graag met scholen in gesprek over de rol van AI in onderwijs en hoe dit een plek kan krijgen in hun schoolvisie. Neem gerust contact op. Ontdek wat wij voor je kunnen betekenen op de aanbodpagina.

Match made in heaven? Schoolmakers combineerde samen met Robbe Wulgaert  – op het eerste zicht – onverenigbare werelden: deze van technologie en creativiteit. In dit dossier kon je namelijk reeds lezen hoe je “slimme” algoritmen kan inzetten in het taalonderwijs of voor creatieve vakken.

In dit deel van het dossier leggen we de link tussen AI en STEM – of is AI niet gewoon een onderdeel van de STEM-mindset? Voor we deze artificiële intelligentie binnenbrengen in onze wetenschapslokalen, nemen we je nog even mee op reis: naar Californië en naar Oekraïne.

In 2022 telde de Amerikaanse staat Californië maar liefst 7667 bosbranden. 772 gebouwen werden vernield door de vlammen, 147.281 hectare bos en natuur ging in de vlammen op. Indrukwekkende cijfers voor wat ze in de V.S. een relatief ‘rustig’ bosbrandseizoen noemen. Geen eenvoudige klus voor de brandweer, gezien de seizoenen steeds heter en dus de branden steeds groter en intenser woeden.

Op hetzelfde moment zaten landbouwers in Oekraïne niet alleen door de Russische aanvallen met de handen in de haren. De import van meststoffen en insecticiden verliep heel moeilijk, wat de export van graan in het gedrang bracht. Met een schaarste in de graanschuur van Europa tot gevolg.

Beide situaties zijn compleet verschillend, maar bevatten toch eenzelfde rode draad.

Door de aanhoudende dreiging en schaarste kijken zowel de brandweerman als de landbouwer uit onmacht naar moderne technologie als redding. 

Vandaag worden AI-modellen losgelaten op satellietbeelden van NASA of fotobeelden van geautomatiseerde drones. Dankzij dit beeldmateriaal is men in staat om op een veilige manier een duidelijk beeld te schetsen van een ruim oppervlak. De artificiële intelligentie analyseert de beelden en vormt voorspellingen.

Making a better world

Net hierin schuilt, volgens ons, de kracht van een doordachte STE(a)M-aanpak. Door over disciplines – over de grenzen van vakken en klassen heen – te werken, kunnen concrete problemen creatief benaderd en opgelost worden. Een dergelijke aanpak stelt ons in staat om wezenlijke en impactvolle resultaten te bereiken. Niet onbelangrijk, wanneer we jongeren blijvend willen motiveren om voor een STEM-opleiding te kiezen.

Maar hoe maak je de sprong van satellietbeelden in Oekraïne en drones in Californië naar jouw klaslokaal?

 

Klimaatonderzoek

Bosbranden en de verandering van het klimaat, de link is snel gelegd.
Zo kan men een correlatie vaststellen tussen het aantal stomata (bladmondjes) dat een plant heeft en de mate van CO₂ in de lucht. Zo sla je een brug tussen het onderwerp klimaat uit de les aardrijkskunde en een oefening rond microscopie uit de les biologie. Dat tellen en analyseren van die huidmondjes kun je manueel uitvoeren, maar je kunt ook gebruikmaken van een AI-model en neuraal netwerk dat de onderzoeker kan helpen bij deze taak. 

Dat is exact de opzet van het KIKS-https://www.dwengo.org/kiks/project. Dat is Nederlandstalig lesmateriaal primair ontwikkeld voor de derde graad van het secundair onderwijs waar je de combinatie maakt tussen aardrijkskunde, wiskunde, biologie en informaticawetenschappen. Stapsgewijs, via handleidingen en leerlijnen, helpt men je op weg om samen met de leerlingen dit onderzoek uit te voeren. 

Wanneer we het hebben over de impact op ons klimaat en hoe AI kan bijdragen tot het vinden van oplossingen (of bv. optimaliseren van industriële processen) is het niet onbelangrijk om ook de impact van de AI zelf te bespreken. De ontwikkeling en het gebruik van AI-systeem vergt heel wat energie. Het trainen van het GPT-3 model heeft bijvoorbeeld evenveel energie gevergd als 120 Amerikaanse woningen zouden verbruiken in een jaar tijd (bron). Je lamp thuis uitzetten met een stemcommando, kost meer energie dan diezelfde lamp gewoon nog een uur laten branden. En niet alleen energie, maar ook grote hoeveelheden drinkbaar water zijn verbruikt bij het trainen van ChatGPT 4.0. (bron)

 

In de supermarkt

Iets dichter bij huis. Sterker nog, de volgende vaststelling kun je in eender welke supermarkt, klas of keuken maken: rijp en overrijp fruit versnelt het rijpen van andere stukken fruit. Een ideale proef die je kan uitvoeren in de klas inclusief het formuleren van een hypothese of probleem, het uitvoeren van een experiment, het registreren van data, de visualisatie, de analyse ervan en de rapportage.

Een rotte appel kan de rest van de mand sneller doen bederven. Dit komt doordat bij het rijpingsproces ethyleen vrijkomt, wat op zich het rijpen van andere stukken fruit versnelt.

Zoals je kan voorstellen, heeft dit natuurlijke proces een grote impact op supermarkten. Voor hen is het van belang om overrijpe stukken fruit uit de rekken te halen. Anders dreigt de shelf life van hun andere artikelen drastisch te dalen. Een oplossing zou kunnen zijn om een werknemer regelmatig alle stukken fruit te laten nakijken, of je kunt dit automatiseren! Je kunt dit zelfs meteen demonstreren in de klas, zonder een regel code te moeten schrijven.

Verzamel foto’s van onrijpe, rijpe en overrijpe vormen van bijvoorbeeld een banaan. Dit soort foto’s vind je online, maar kun je ook samenstellen samen met de leerlingen door gebruik te maken van een webcam en/of smartphone. Verzamel veel voorbeelden uit allerlei hoeken en plaats deze in drie mapjes. Laat het AI-model deze analyseren. Hoe je dit doet, lees je zo meteen. Bouw zo samen met de leerlingen een tool die, op basis van afbeeldingen, kan voorspellen of het een onrijpe, rijpe of overrijpe banaan is. Een tool die, in de toekomst, ervoor kan zorgen dat we iets minder voedsel moeten weggooien.

De aanpak die we hierboven beschreven hebben – waar we zelf data verzamelen en deze classificeren –  noemen we supervised learning. Gewapend met die voorbeelden en klassen kan je beginnen met het trainen van jouw model. Dit kan je doen via de Teachable Machine van Google, maar ook via de open-source tool Learning Machine Learning van FAIaS (Fostering AI at Schools). FAIas is een internationaal project waarbij men AI-lesmateriaal ontwikkelt. Die laatste tool maakt het ook mogelijk om jouw eindresultaat over te brengen naar de kindvriendelijke Scratch-programmeeromgeving.
En heb je geen zin in bananen, doe dit experiment dan gewoon met verkeersborden, of met bomen, of …)

Unsupervised learning is gelijkaardig. Je levert het systeem een hele reeks ongesorteerde foto’s aan en je laat die zelf zoeken naar verbanden, om ze zo in te delen.

Unsupervised learning is andere methode van machine learning. Je levert het systeem een hele reeks ongesorteerde foto’s aan en je laat die zelf zoeken naar verbanden, om ze zo in te delen. Het algoritme moet zelf uitzoeken hoe het de data moet catalogeren. Het werkt met ongelabelde data.

De slimme vuilnisbak

Zoals we hierboven schreven, kun je, via supervised learning en een pak foto’s van bananen, een simpele tool ontwerpen om voedselverspilling tegen te gaan. Wie de link met elektromechanica legt, kan al snel tot een slimme vuilbak komen! Het meeste trainingsmateriaal vind je namelijk in de vuilnisbak in de klas! Plastic, papier, biologisch afval en metaal. Laat de leerlingen verzamelen en classificeren. Train het klasalgoritme, test het uit en ga in dialoog om het algoritme zo precies mogelijk te krijgen. Want hoe kun je, louter visueel, glas van plastic onderscheiden? 

Deze keer combineren we het niet met ‘de rosse kat’ van het Scratch-programma, maar wel met een Arduino Uno. Dat is een kleine micro-computer die je zelf kan programmeren. Via de Arduino kun je bijvoorbeeld de webcam van een schoollaptop laten fungeren als ogen van de vuilbak en vervolgens een led of kleine motor aansturen. Toon je een overrijpe banaan aan de vuilnisbak, dan gaat de lamp bij de GFT-bak branden of kun je die, met voldoende kennis van servomotoren, automatisch laten openen! Zoals je ziet: programmeren en het werken met AI-modellen hoeft niet louter abstract te zijn: technische vaardigheden zijn hierin ook essentieel.

 

De zelfrijdende auto

 

Van motoren is het maar een kleine stap naar zelfrijdende auto’s. De beloftes van grote producenten liggen momenteel nog ver boven de effectieve resultaten op de weg. Toch kunnen we er niet omheen dat onze voertuigen steeds meer rijdende computers worden. Uitgerust met camera’s, LiDAR en sensoren wordt continu data verzameld en geanalyseerd. Het ultieme doel? Streven naar die zelfrijdende bolides. Move over, Verstappen.

Zoals we in de eerdere blogs van dit dossier rond AI reeds aankaartten: de resultaten zijn maar zo sterk als de database waarop het model werd getraind. Zo had Tesla in 51 dagen tijd drie dodelijke ongevallen met motorrijders op de teller. De reden? Het ene achterlicht van een motor interpreteerde de AI als achterlichten van een auto die nog veraf is, en dat het dus veilig was om gas te geven. Werelddominantie door robots zit er nog niet meteen aan te komen. 

 

Ontwerp je eigen robot

Toch slagen we er dankzij AI in om heel wat innovaties te versnellen. Zo is er een AI die in enkele seconden een werkende robot (en varianten er op) kon ontwerpen en maken! (…) Dit vraagt een hele nieuwe skillset van de toekomstige generatie ontwerpers!

Onderzoekers aan de Northwestern University hebben AI gecombineerd met evolutionair ontwerp en robotica. Het systeem AI kon in een paar seconden verschillende robots bedenken die konden uitgetest worden. (bron)

Maar het meest verbazingwekkende is dat ze geen supercomputer nodig hadden om dit te doen. Ze gebruikten een gewone laptop! Dat betekent dat dit soort AI veel makkelijker en goedkoper te gebruiken is en toegankelijk voor iedereen met de juiste skills (of vragen).

ChatGPT is trouwens niet de geschiktste slimme chatbot als het over wetenschappen en wiskunde gaat. De toekomst is aan gespecialiseerde chatbots die getraind zijn met specifieke data. Wolfram heeft bv. een plugin gelanceerd voor de betalende versie van ChatGPT. Die maakt ChatGPT slimmer door het toegang te geven tot krachtige berekeningen, nauwkeurige wiskunde, gecureerde kennis, realtime gegevens en visualisatie. Een andere om te ontdekken is Polymathic.

 

Het beste (en slechtste) moet nog komen

ChatGPT gebruiken als zoekmachine is inhoudelijk niet de beste zet. Het durft feiten verzinnen, is niet actueel (tenzij je een versie gebruikt die verbonden is met het internet) en genereert continu andere antwoorden. Daar wordt heel veel energie voor verbruikt. Onthoud dat AI er toe in staat is om complexere problemen te benaderen, denk aan de bosbranden in Californië of schaarste in Oekraïne, om zo duurzame oplossingen te ontwikkelen. Dergelijke oplossingen wegen wel op tegen het energieverbruik.

 AI is een fast moving target en het is bijna onbegonnen werk om met elke nieuwe release of evolutie mee te zijn. We begrijpen dat we niet alle facetten van STEM-onderwijs bespreken. Dankzij AI kan heel wat rekenkracht ingezet worden om op nieuwe manieren te denken. Tegelijkertijd is er voor elke mooie innovatie een nieuwe vorm van misbruik die ontstaat, denk aan deepfakes, cyberbullying en next-level phishers.
Zowel de positieve als negatieve evoluties verdienen aandacht in ons onderwijs en vragen van ons een nieuwe manier van kijken naar ons evalueren en ons lesgeven. Met veel plezier is Schoolmakers hierin jouw partner! Op welke manieren dit kan, kun je hierna lezen – but don’t be shy, just say h(a)i!

---

Deze blog is een nieuw hoofdstuk in dit dossier. We bespreken thematisch hoe we de technologie kunnen inzetten in STEM-vakken, taalvakken, creatieve en humane vakken, basisonderwijs en hoe het beleid deze innovatie duurzaam, kritisch en bewust kan verankeren in de schoolwerking.
Verwacht in dit dossier geen hoerastemming, utopische wensdromen of paternalistische aanbevelingen voor wat ‘goed en innovatief onderwijs’ zou zijn. Dat brengen jouw collega’s en jij al elke dag in de praktijk en daar geloven we in. Je kunt wel op ons rekenen om een genuanceerd verhaal te brengen over deze nieuwe technologie en willen je graag concrete voorbeelden aanreiken over hoe je AI in de klas kan brengen. AI in het onderwijs in het algemeen was de eerste blog in deze reeks.

Robbe Wulgaert is fulltime leerkracht aan het Sint-Lievenscollege Gent. Daar verzorgt hij de leerlijnen computationeel denken, programmeren en artificiële intelligentie. Je komt hem ook tegen op de UGent waar hij, samen met docenten en studenten, lesmateriaal ontwikkelt dat de ietwat onverwachte brug slaat tussen gaming, AI en klassieke talen. 

Charlotte Belliard is Schoolmaker en ICT-coördinator binnen het GO!-onderwijs. Ze zoekt steeds naar innovatieve manieren om technologie een plekje te geven in onderwijs. Zo ook met AI.

Erik Devlies is Schoolmaker in team Doordacht digitaal en pedagogisch begeleider effectieve (digitale) didactiek bij de pedagogische begeleidingsdienst van Broeders van Liefde. Hij gaat de impact na van innovatieve technologie op onderwijs.

---

bronnen afbeeldingen:

• Lexica.art, freepik.com premium,
• eigen afbeelding Robbe Wulgaert
• https://medium.com/@safk8899/computer-vision-in-autonomous-vehicles-21dffa873b23
• Kennisnet dossier AI