Teknik · Årskurs 9 · Data, Analys och Artificiell Intelligens · Hösttermin

Hur AI Lär Sig

Eleverna utforskar de grundläggande principerna för hur AI-system kan lära sig från data och erfarenheter.

• Skolverket Kursplaner
• Lgr22: Teknik - Åk 7-9 - Artificiell intelligens och dess påverkan

Om detta ämne

Hur AI lär sig handlar om maskininlärningens grundprinciper, där AI-system tränas med stora datamängder för att känna igen mönster. Elever i årskurs 9 undersöker hur en neuralt nätverk justerar sina vikter baserat på fel i förutsägelser, som när en AI lär sig att identifiera en katt på en bild genom tusentals exempel. De utforskar begrepp som träningsdata, validering och iterationer, vilket svarar på frågor som vad det innebär att 'träna' en AI och hur den förbättras av misstag.

I Lgr22 Teknik för år 7-9 knyter detta an till artificiell intelligens och dess påverkan, och stärker systemförståelse inom digital innovation. Eleverna ser hur dataanalys leder till prediktiva modeller, och reflekterar över etiska aspekter som bias i träningsdata. Detta bygger kritiskt tänkande kring AI:s roll i samhället.

Aktiva lärandemiljöer passar utmärkt här, eftersom elever kan simulera träning med enkla verktyg och direkt se hur data påverkar resultat. Praktiska övningar gör abstrakta algoritmer greppbara och motiverar elever att experimentera.

Nyckelfrågor

1. Hur kan en AI lära sig att känna igen en katt på en bild?
2. Vad betyder det att en AI 'tränas' med data?
3. Ge exempel på när en AI kan lära sig av att göra fel och sedan förbättra sig.

Lärandemål

• Förklara hur en AI-modell kan identifiera mönster i data för att fatta beslut, med hänvisning till konceptet 'träningsdata'.
• Jämföra och kontrastera hur en AI lär sig genom övervakad och oövervakad maskininlärning, med exempel.
• Analysera hur felaktiga förutsägelser under träning kan leda till förbättringar i en AI-modell, med koppling till iterationer.
• Klassificera olika typer av data (t.ex. bilder, text) som kan användas för att träna AI-system.

Innan du börjar

Grundläggande databehandling och digitala verktyg

Varför: Eleverna behöver vara bekväma med att hantera digital information och använda grundläggande datorprogram för att kunna förstå hur data används i AI.

Logiskt tänkande och problemlösning

Varför: Att förstå hur en AI lär sig kräver förmågan att följa och analysera stegvisa processer och identifiera orsak-verkan-samband.

Nyckelbegrepp

Maskininlärning	Ett område inom AI där system lär sig från data utan att explicit programmeras för varje uppgift. Systemet identifierar mönster och gör förutsägelser.
Träningsdata	Den stora mängd data som används för att 'lära' en AI. Genom att analysera denna data lär sig AI:n att känna igen mönster och samband.
Iteration	En upprepning av en process under träningen av en AI. Varje iteration kan innebära en justering av AI:ns interna parametrar för att minska fel.
Algoritm	En uppsättning regler eller instruktioner som en dator följer för att lösa ett problem eller utföra en uppgift, som till exempel att lära sig från data.
Prediktion	Ett resultat eller en gissning som en AI-modell gör baserat på den data den har tränats på. Exempelvis att förutsäga om en bild innehåller en katt.

Se upp för dessa missuppfattningar

Vanlig missuppfattning

AI tänker och lär sig som en människa.

Vad man ska lära ut istället

AI baserar lärande på statistiska mönster i data, inte förståelse eller medvetande. Aktiva simuleringar där elever bygger egna modeller visar skillnaden, och gruppdiskussioner hjälper dem att artikulera varför AI saknar intuition.

Vanlig missuppfattning

AI lär sig perfekt efter en enda träning.

Vad man ska lära ut istället

AI kräver många iterationer och data för att förbättras, med risk för överanpassning. Praktiska övningar med verktyg som Teachable Machine låter elever se felprocenten sjunka gradvis, vilket klargör processens iterativa natur.

Vanlig missuppfattning

AI behöver ingen data för att lära sig.

Vad man ska lära ut istället

Allt lärande bygger på träningsdata; utan den finns inga mönster. Elever experimenterar med tomma dataset i simuleringar, vilket direkt visar varför data är kärnan och förstärker förståelsen genom egna försök.

Idéer för aktivt lärande

Parprogrammering: Enkel Bildigenkänning

Elever arbetar i par med Scratch eller Teachable Machine för att träna en modell att känna igen objekt. De laddar upp 20-30 bilder per kategori, testar modellen och justerar data vid fel. Diskutera varför fler exempel förbättrar noggrannheten.

45 min·Par

Gruppsimulering: Felbaserad Lärning

Dela in i små grupper som simulerar AI-träning med kortlek: dra kort, förutsäg färg, justera 'vikter' vid fel. Grupper loggar förbättringar över 10 rundor. Avsluta med gemensam reflektion om iterationers betydelse.

30 min·Smågrupper

Helklassutmaning: Datasetbyggande

Som helklass bygger elever ett gemensamt dataset med vardagsbilder kategoriserade i Google Sheets. Testa en gratis AI-verktyg på datan och analysera resultat. Jämför med personliga dataset.

50 min·Hela klassen

Individuell Reflektion: AI-Dagbok

Elever testar en app som Duolingo eller Google Lens, noterar hur den förbättras över tid. Skriv en dagbok om observerade lärandemönster och koppla till dagens lektion.

20 min·Individuellt

Kopplingar till Verkligheten

• Bildigenkänningsteknik används i säkerhetssystem för att identifiera ansikten på flygplatser eller i övervakningskameror. AI-system tränas med miljontals bilder för att känna igen specifika individer eller objekt.
• Rekommendationssystem på streamingtjänster som Netflix eller musikplattformar som Spotify lär sig av användares tittar- och lyssningshistorik. Genom att analysera dessa data kan AI:n föreslå nytt innehåll som användaren sannolikt kommer att gilla.
• Självkörande bilar använder AI för att tolka sin omgivning. Sensorer samlar in data om vägar, andra fordon och fotgängare, som AI:n sedan använder för att fatta beslut i realtid, och lär sig kontinuerligt av nya trafiksituationer.

Bedömningsidéer

Utgångsbiljett

Ge eleverna ett kort med en enkel bild (t.ex. en hund) och frågan: 'Hur skulle en AI lära sig att känna igen detta objekt? Beskriv processen med minst två av de nya begreppen (träningsdata, iteration, prediktion).' Samla in svaren för att bedöma förståelsen.

Diskussionsfråga

Ställ frågan: 'Tänk på en AI som har gjort ett misstag, till exempel felklassificerat en bild. Hur kan detta misstag hjälpa AI:n att bli bättre i framtiden? Diskutera i smågrupper och dela era tankar med klassen.' Fokusera på hur feedback leder till förbättring.

Snabbkontroll

Visa eleverna två olika typer av data (t.ex. en textfil och en bildfil). Fråga: 'Vilken typ av data är lättast för en AI att lära sig mönster från, och varför? Använd begreppet 'struktur' i ditt svar.' Bedöm svaren snabbt för att identifiera eventuella missförstånd.

Vanliga frågor

Hur förklarar man hur AI tränas med data?

Börja med analoga exempel som att lära en hund tricks genom upprepade belöningar. Förklara sedan att AI justerar parametrar baserat på felmätning i data. Använd visuella diagram över neurala nätverk och låt elever testa enkla modeller för att se sambandet mellan datakvalitet och prestanda. Detta bygger en stadig grund i Lgr22.

Hur kan aktivt lärande hjälpa elever förstå AI-lärande?

Aktiva metoder som parprogrammering med Teachable Machine låter elever ladda data, träna modeller och iterera vid fel, vilket gör abstrakta processer konkreta. Gruppsimuleringar med kortlek visualiserar viktjusteringar, medan helklassdataset visar skalbarhet. Reflektioner kopplar observationer till teori och ökar engagemanget markant.

Ge exempel på AI som lär sig av misstag?

I bildigenkänning korrigerar AI sina förutsägelser genom backpropagation när den misstagkänner en katt som hund. Spel-AI som AlphaGo förbättras via miljoner simuleringar med straff för fel drag. Elever kan simulera detta och se hur fel leder till bättre noggrannhet över tid.

Vad är skillnaden mellan träning och prediktion i AI?

Träning är fasen där AI analyserar data för att lära mönster och justera vikter. Prediktion är användningen av den tränade modellen på ny data. Visa med en enkel app: träna på historiska väderdata, förutsäg sedan imorgon. Detta skiljer byggfas från tillämpning i vardagliga sammanhang.