Konstrukcionismus a umělá inteligence

Každý učitel informatiky musí ten příběh znát. Jak profesor Papert, žák Piageta, zanevřel na konstruktivismus a zavedl pojem konstrukcionismus, aby odlišil nesrozumitelné žvanění teoretiků od skutečného „učení prací“ (Učit se znamená zamazat si ruce). Je to historie stará 50 let.

Na počátku bylo Papertovo logo, s jehož pomocí se děti začaly učit ovládat roboty (želvu), pak přišel Scratch a na konci máme informatické myšlení integrované do rámcových vzdělávacích programů a hraní s roboty se odehrává skoro na všech ZŠ a často i MŠ.

Jen málokdo si uvědomuje, že pracovištěm profesora Paperta byla původně MIT AI Lab i to, že programování činnosti robotů má souvislost s tím, jak fungovala umělá inteligence (AI) v 70. letech minulého století. V té době počítače pracovaly výhradně na základě programu, který vytvořil člověk. Základní podmínkou pro zdárnou tvorbu programu je návrh algoritmu, užitečnou dovedností používat stejné bloky programu opakovaně, umět pracovat se symboly a proměnnými, později pak též definovat vlastnosti různých objektů nezávisle na sobě. Stroje se sice již začínaly učit pracovat samostatně, tato jejich schopnost (strojové učení) však dosud nebyla prakticky využitelná. To se změnilo s růstem kapacity a rychlosti neuronových sítí během posledních 10 let (Co dokáží stroje schopné hlubokého učení).

Dětské nástroje sledují vývoj, a tak jsou do nich stále více integrovány moduly umožňující pracovat se strojovým (hlubokým) učením – rozpoznávání či syntéza řeči, rozpoznávání obrazu, emocí, možnost vymýšlet a trénovat vlastní aplikace. Je ale třeba si uvědomit, že tvorba aplikací využívajících strojové učení se značně liší od tradičního programování. Žáci nastavují funkci „cvičného mozku“ (neuronové sítě) tak, aby byl nakonec schopen pracovat samostatně. Učí stroj (robota) vykonávat činnost podobně, jako vývojáři IBM naučili Watsona v první všeobecně známé aplikaci hlubokého učení (2010) hrát hru Riskuj prostě tak, že ji opakovaně hráli a ukazovali mu, která odpověď je správná (Jak Watson zvítězil v Jeopardy).

Intelektuálně se jedná o docela jinou činnost. Nemusíte tvořit algoritmus a vědět, co se uvnitř počítače děje. Stačí mechanicky kategorizovat vstupní data tak dlouho, až je stroj schopen s dostatečně vysokou pravděpodobností sám určit, o jaký objekt se jedná (typickým příkladem rozpoznávání obrazu je třeba otevření dvířek jen pro vašeho domácího mazlíčka). Na internetu najdete bezpočet návodů na tvorbu takových aplikací pomocí k tomu určených nástrojů. Pro začátek můžete vyzkoušet třeba demo z dílny Google Quick Draw, které v reálném čase rozpoznává, co kreslíte. Vlastní návrhy lze realizovat pomocí rostoucího počtu nástrojů – např. Machine Learning for Kids (česky), rozšíření pro Sratch od Stefanie Druge Cognimates (Strojové učení pro nejmenší), MIT App Inventor (Naprogramujte si aplikaci pro mobilní telefon), Teachable Machine ad.

A.I. Experiments: Teachable Machine

Je docela logické, že se učitelé snaží při dnešním boomu AI a jejím vlivu na celou společnost žákům tuto problematiku přiblížit a do výuky zařazují některé jednodušší aktivity podobné těm výše představeným. Oxfordští vědci Ken Kahn a Niall Winters, zapojení do souvisejícího projektu eCraft2Learn (využívajícího Snap!), nás ale varují, že nekritické nasazení těchto nových postupů může být v rozporu s rozvojem informatického myšlení, jak se ho v současnosti snažíme zavádět [1].

V pozadí stojí to, jak chápeme proces myšlení. Zda jsme ochotni připustit, že je neuronová sít schopna simulovat funkci mozku lidského. Pokud bychom to připustili, asi by bylo možné výuku AI omezit na tréning strojů (dril směřující k osvojení fakt). Mnohem snadněji bychom pak mohli přijmout využití AI v rámci výukových aplikací či analýzy výukových výsledků směřující k personalizaci s konečným cílem automatizace celého výukového procesu.

Co když ale budeme přesvědčeni, že neuronová síť není schopna v dostatečné míře lidský mozek simulovat (a nebude ani v budoucnosti ve formě superinteligence)? Pak asi nemůžeme přistoupit na automatizaci celé výuky a musíme sledovat i cíle podporující vyšší formy myšlení žáků a nekognitivní složky poznání. Pro informatiku to znamená aplikovat strojové učení trochu sofistikovaněji – skloubit tradiční algoritmické na symboly orientované programování s moduly strojového učení. Jedná se o hybridní symbolicko-neurální přístup, v němž je výsledné chování stroje kombinací programu a bloků pracujících s neurální síti, jejíž činnost je třeba nastavit trénováním.

Typickou formou je projektová výuka, při níž žák konstruuje vlastní produkt a rozvíjí vlastní (tvořivé a informatické) myšlení.

Literatura a použité zdroje

KAHN, Ken; WINTERS, Niall. Constructionism and AI: A history and possible futures [online]. 2021. [cit. 2021-08-28]. Dostupné z: https://www.ingentaconnect.com/content/bpl/bjet/2021/00000052/00000003/art00011.