ACCENTURE INTELLIGENT SPACE EXPLORATION Contents ENGLISH.............................................................................................................................................. 3 LESSON OVERVIEW .................................................................................................................... 3 LESSON OBJECTIVES .................................................................................................................. 3 PREPARATION ............................................................................................................................ 3 GETTING STARTED (5 MINUTES)................................................................................................ 4 ACTIVITY (30-45 MINUTES) ........................................................................................................ 4 WRAP UP (5 MINUTES) .............................................................................................................. 5 EXTENDED LEARNING ................................................................................................................ 5 VOCABULARY ............................................................................................................................. 6 FRANCAIS............................................................................................................................................ 8 APERÇU DE LA LEÇON ................................................................................................................ 8 OBJECTIFS DE LA LEÇON ............................................................................................................ 8 MATÉRIAUX ET PREPARATION .................................................................................................. 8 MISE EN ROUTE (5 MINUTES) .................................................................................................... 9 ACTIVITÉ (30-45 MINUTES) ........................................................................................................ 9 CONCLUSION (5 MINUTES) ...................................................................................................... 10 ÉVALUATION (2 MINUTES) ...................................................................................................... 10 ALLER PLUS LOIN ..................................................................................................................... 10 VOCABULAIRE .......................................................................................................................... 10 ITALIANO .......................................................................................................................................... 13 IN QUESTA LEZIONE................................................................................................................. 13 OBIETTIVI DELLA LEZIONE........................................................................................................ 13 PREPARAZIONE ........................................................................................................................ 13 PER INIZIARE (5 MINUTI) ......................................................................................................... 14 ATTIVITÀ (30-45 MINUTI) ........................................................................................................ 14 WRAP UP (5 MINUTI) ............................................................................................................... 15 APPROFONDIMENTI ................................................................................................................ 15 GLOSSARIO .............................................................................................................................. 16
Transcript
ACCENTURE INTELLIGENT SPACE EXPLORATION
Contents ENGLISH .............................................................................................................................................. 3
In this lesson, learners will be introduced to Artificial Intelligence. Artificial Intelligence is the
development of computer systems that can perform tasks that normally require human
intelligence, such as visual perception, speech recognition, decision-making, and translation
between languages. This lesson focuses on “teaching” through coding a computer inside a
robot. The robot with “learn” about visual perception and translation to aid the exploration of a
new planet. Students will complete a series of exercises with the robot to equip it with the skills
to differentiate among different life forms and independently explore.
This lesson has been design for learners between the ages of 8 and 14.
LESSON OBJECTIVES
Students will learn:
• The definition of artificial intelligence
• The techniques used to create artificial intelligence
• How artificial intelligence can be applied
PREPARATION
One Week Before Your Hour of Code
• Review the Hour of Code Educator Guide and Best Practices from Successful Educators to
plan your Hour of Code event.
• Register your Hour of Code event if you’d like to receive swag or classroom support.
• Complete tutorial before you ask your students to try it. Make sure your technology is
working and troubleshoot any issues.
One Day Before Your Hour of Code
• Each student who completes the activity should receive a certificate. Print one for everyone
so that you can hand it out at the end of your Hour of Code.
GETTING STARTED (5 MINUTES)
• Welcome students to class and briefly introduce the day’s activity.
• Ask students if they have heard of Artificial Intelligence and what it means. Students might
mention that a “Artificial Intelligence” is a smart robot.
• Explain that Artificial Intelligence means that we can make a computer behave in smart
ways. Teaching a computer is like how people learn. For instance, when you hit your head
against a wall, you feel pain so you will avoid hitting the wall again. You learn language by
listening to a lot of people speak. That means you often need examples to learn. This is
similar for the computers. Today students will learn how to teach computers to make them
intelligent like humans. As we teach the computer, we are creating code that supports this
intelligence.
• You’ll want to spend very little time introducing your Hour of Code, it’s best to start the
tutorial as quickly as possible. Too much talking at the beginning tends to spoil the fun, and
fun is the whole point!
ACTIVITY (30-45 MINUTES)
• Challenge your students to complete the artificial intelligence tutorial.
• For younger students, we suggest you break your class into pairs and ask each group to
work together to complete the tutorial. Make sure they know to look for the HINT buttons to
help them through the tutorial.
• For learners in the middle grades, we find that working independently on tutorials works
well. Sometimes it helps to allow students to choose their own tutorial. If students aren’t
interested in artificial intelligence, they can get a more computer science-focused
experience with the Code with Anna and Elsa or Star Wars tutorials.
• For older or adult learners, the artificial intelligence tutorial works well as an independent
activity.
• If a group or individual finishes early, they can attempt another tutorial by visiting
code.org/learn.
• Helpful hints:
o Click on the HINT button if you get stuck or don’t know what to do next.
o You may need to scroll your screen down or to the right to see more of the planet to
navigate to. The entire “playing field” may not be visible at the beginning of each
level.
o If you get a question wrong, read and click the other option.
o Look for the red arrow to navigate to in order to complete each stage.
WRAP UP (5 MINUTES)
• Ask students to reflect on the day’s activities. What did they learn about Artificial Intelligent?
How do they feel about teaching their computers to be smart?
• Explain that you are spending one hour learning to build Intelligent machines today,
because this week is CS Education Week, and millions of other students across the globe
have also been learning one Hour of Code this week. Congratulate students on being part of
this world-wide movement.
• Give each student a certificate with his or her name on it.
• Let students know that if they enjoyed today’s activity, they have many options for
continuing to learn more about teaching computers. Encourage students to visit
code.org/learn for a list of options, or, if you’re planning any of the extension activities that
follow, tell students what’s coming next in your classroom.
• Give students a piece of paper and ask them to summarize what they learned today, how
they felt, or what they experienced. Students can draw, write or express themselves in any
way they feel comfortable. Collect these papers from each student on their way out of the
room. If you like, you can post them on a bulletin board or someplace prominent in the
school as a reminder of your Hour of Code.
EXTENDED LEARNING
After your Hour of Code ends, there are many ways to learn more about how to learn computer
science. Here are some ideas:
• Teach the Code Studio Computer Science Fundamentals courses. These four courses are
designed for young learners. Students work their way through a series of puzzles that teach
them to code, and educators have access to engaging lesson plans that help make the
learning coming alive. Code.org offers free professional development for these courses,
online or in-person.
• Invite a computer science expert to talk to your class about his or her work. Don’t know any
local computer scientists? Reach out to a volunteer on our volunteer map
VOCABULARY
• Data Preparation (Level 1): Data preparation is the first step to creating many artificial
intelligence techniques. Machine learning algorithms learn from data and the data must be
ready for the machine to understand. It is critical that you feed them the right data for the
problem you want to solve. Even if you have good data, you need to make sure that there is
enough data, the format is correct and meaningful features are included.
• Unsupervised Learning (Level 2 & 3): Unsupervised learning is a way that computers can
get smarter by analyzing and detecting patterns from a data set. When no prior pattern or
structure of the dataset is known, we call this process ‘unsupervised’. For example, an
algorithm can learn to distinguish cats from dogs by grouping images based on shared
features. By asking the algorithm to divide the pictures into two groups, it will hopefully learn
to ignore the background and focus on the differences between the animals in the pictures.
It might pick up on the fact that cats have longer whiskers than dogs, or it might find some
other defining features. The goal of unsupervised learning is to discover groups in data.
Once you have identified a group, the algorithm can assign new images it sees to that
group. For instance, an online shopping algorithm can analyze your purchases and predict
products you may be interested in.
• Supervised Learning (Level 5 & 6): Supervised learning is a way computers can get smarter
by identifying groups within a data set based on training examples provided by a
“supervisor”. Because the algorithm already knows a pattern from the training examples, the
learning is steered in the right direction, hence the name ‘supervised’. Returning to the Dog
and Cat example above, if the images of cats and dogs that the algorithm was clustering
were tagged according to their respective species, then it would be an example of
‘supervised’ learning. The algorithm is trained by providing many cat or dog pictures with a
tag of the species. The goal of supervised learning is to analyze unstructured data based on
a predetermined pattern. This technology can be useful for instance to identify spam in
emails, faces in a picture, the topic of news articles and if a money transaction is suspicious
and should be blocked.
• Reinforcement Learning (Level 4): Reinforcement learning is a type of learning where
algorithms learn the optimal behavior through trial and error, influenced by programmed risk
and reward. Reinforcement Learning is very like how humans learn. If you bump into a wall,
it hurts (reinforcement), so you avoid that situation. If you do well on a test and your
parents/teachers reward you, you will strive to repeat that behavior in the future. Initially the
algorithm has no idea which patterns are good or bad, but it can learn the difference by
trying out different moves until it learns which moves lead to a win. Reinforcement
algorithms can learn the optimal way to play a game and thereby outperform human players
by far.
• Optical Character Recognition (Level 7): Optical Character Recognition (OCR) is a
technique that allows computers to read handwritten text from images or PDF documents.
OCR uses the pixel inputs of a picture as data for an algorithm that decides which word or
letter the picture corresponds to. This technique has been used for years by postal services
worldwide to automatically sort letters and packages by automatically reading the
handwritten address with a computer.
• Speech Recognition (Level 8): Speech recognition is the technology that records a spoken
sentence and translates that into digital text. It enables us to talk to our mobile and home
digital assistants, like Apple’s Siri or Amazon’s Alexa. A speech recognition system consists
of two algorithms: a language model and an acoustic model. Both algorithms are trained on
a lot of example data, but the acoustic model learns how to differentiate the sounds we
make and the language model learns how these sounds should be interpreted to form a
grammatical piece of text.
• Natural Language Processing (grammar) (Level 9): Natural Language Processing (NLP) is
an area of research that teaches computers how to communicate in natural languages such
as English, French, or Chinese. This requires computers to understand incoming text or
speech, as well as being able to form grammatical sentences in return. An important aspect
of language is grammar (the structure of a language): how are words ordered within a
sentence and how do words change shape to provide meaning. Understanding the grammar
of a language is essential in learning how to speak fluently, but almost nobody speaks a
language exactly how it is described in the grammar guides. Therefore, it is important that
algorithms learn from real examples of language use instead of programming the grammar
rules directly into the computer.
• Automation and Robotics (Level 10): Robotics automations are a type of software that
replicates the actions of people controlling computer systems to run business processes.
The software copies people by doing activities like logging into a system, entering data,
clicking on ‘OK’, copying and pasting data between systems, etc. This software relies on
artificial intelligence methods such as computer vision and character recognition.
ACCENTURE EXPLORATION INTELLIGENTE DE
L’ESPACE
FRANCAIS
APERÇU DE LA LEÇON
Dans cette leçon, les élèves seront initiés à l'intelligence artificielle, qui est le développement de
systèmes informatiques capables d'effectuer des tâches nécessitant normalement une
intelligence humaine comme la reconnaissance d’images, la compréhension de la parole, la
prise de décision et la traduction de textes. Cette leçon se concentre sur l'enseignement d'un
ordinateur l’aider à explorer une nouvelle planète. Les élèves complèteront une série
d'exercices avec le robot pour l'équiper des compétences nécessaires pour différencier les
différentes formes de vie et explorer indépendamment.
Cette leçon a été conçue pour les élèves âgés de 8 à 14 ans.
OBJECTIFS DE LA LEÇON
Les élèves apprendront :
• La définition de l'intelligence artificielle
• Les techniques utilisées dans le domaine de l'intelligence artificielle
• Où et comment l'intelligence artificielle peut être appliquée
MATÉRIAUX ET PREPARATION
Une semaine avant votre heure de code
• Passez en revue le guide du professeur et les meilleures pratiques afin de commencer à planifier votre événement Hour of Code.
• Enregistrez votre événement Heure de code si vous souhaitez recevoir un soutien en salle de classe.
• Assurez-vous de tester le tutorial Intelligence Artificielle avant de demander à vos élèves de le compléter. Vérifiez votre équipement et connectivité internet.
Un jour avant votre heure de code
• Chaque élève qui termine l'activité recevra un certificat. Imprimez-en un pour tout le monde à l'avance pour faciliter la distribution à la fin de votre heure de code.
MISE EN ROUTE (5 MINUTES)
• Accueillir les élèves en classe et présenter très brièvement l'activité de la journée.
• Exemple d’introduction : « Aujourd’hui, nous allons consacrer une heure à l'apprentissage de l'intelligence artificielle. Quelqu'un a-t-il déjà entendu le terme "Intelligence Artificielle" avant ? Qu'est-ce que ça veut dire ?"
• Les élèves pourraient mentionner qu'une « intelligence artificielle » est un robot intelligent.
• Expliquer que l'intelligence artificielle consiste à entrainer un ordinateur par des exemples, de la même façon que les humains.
o Par exemple, quand vous frappez votre tête contre un mur, vous ressentez de la douleur et vous éviterez de toucher à nouveau le mur. Vous apprenez un langage en écoutant comment des personnes le parlent. Cela signifie que vous avez besoin d'exemples pour apprendre.
o Ceci est similaire pour les ordinateurs. Aujourd'hui, vous apprendrez comment vous pouvez entrainer un ordinateur pour le rendre intelligent comme une personne. Au fur et à mesure que nous entrainons l'ordinateur, nous écrivons du code pour concevoir cette intelligence.
• Passez très peu de temps à introduire votre heure de code, il est préférable de commencer le tutoriel le plus rapidement possible.
ACTIVITÉ (30-45 MINUTES)
• Mettez vos élèves au défi de compléter le didacticiel sur l'intelligence artificielle.
• Pour les plus jeunes, nous vous suggérons de diviser votre classe en paires et de demander à chaque groupe de travailler ensemble pour compléter le tutoriel. Pour ces jeunes étudiants, vous pouvez vous assurer qu’ils savent chercher les boutons « indices »
• Pour les élèves dans les classes moyennes, nous trouvons que travailler de manière indépendante sur les tutoriels. Parfois, cela aide les étudiants à choisir leur propre tutoriel. Si les étudiants ne sont pas intéressés par l'intelligence artificielle, ils peuvent obtenir un plus axé sur l'informatique expérience avec le Code avec les tutoriels Anna et Elsa ou Star Wars.
• Pour les élèves plus âgés ou adultes, le tutoriel sur l'intelligence artificielle fonctionne très bien en autonomie.
• Si un groupe ou un individu finit tôt, il peut tenter un autre tutoriel en visitant http://code.org/learn
• FAQ / Aide : o Dans le laboratoire, cliquez sur le bouton « indice » si vous êtes coincé ou ne
savez pas quoi faire. o Vous devrez peut-être faire défiler votre écran vers le bas ou vers la droite pour
voir plus de la planète vers laquelle naviguer. La carte peut ne pas être visible au début de chaque niveau.
o Si vous avez cliqué sur une mauvaise question, lisez et cliquez sur l'autre option. o Pendant la phase d’exploration de la planète, recherchez la flèche rouge pour
• Demander aux élèves de réfléchir aux activités de la journée. Qu'ont-ils appris sur l’intelligence artificielle ? Comment se sentent-ils lorsqu'ils rendent leurs ordinateurs « plus intelligents » ?
• Expliquez que vous passez une heure à apprendre à entrainer des ordinateurs aujourd'hui, parce que cette semaine est la semaine de l'éducation CS, et des millions d'autres étudiants à travers le globe ont également appris une heure de code cette semaine. Féliciter les élèves pour faire partie de ce mouvement mondial.
• Donner à chaque étudiant un certificat avec son nom dessus.
• Dites aux élèves que s'ils apprécient l'activité d'aujourd'hui, ils ont beaucoup d'options pour continuer à en apprendre davantage sur l’informatique et le développement. Encourager les étudiants à visiter http://code.org/learn pour une liste de jeux et tutoriels.
ÉVALUATION (2 MINUTES)
Donnez aux élèves une feuille de papier et demandez-leur de résumer ce qu'ils ont appris aujourd'hui, ce qu'ils ont ressenti ou ce qu'ils ont vécu. Les élèves peuvent dessiner, écrire ou s'exprimer de quelque manière qu'ils le souhaitent. Rassemblez ces papiers de chaque élève en sortant de la pièce. Si vous le souhaitez, vous pouvez les afficher sur un tableau d'affichage ou dans un endroit important de l'école pour vous rappeler votre heure de code.
ALLER PLUS LOIN
Après la fin de votre heure de code, il y a plusieurs façons d'en apprendre plus sur la façon d'apprendre l'informatique. Voici quelques idées :
• Enseigner les cours « Computer Studio Computer Science Fundamentals ». Ces quatre cours sont conçus pour les jeunes élèves. Les élèves progressent à travers une série de puzzles qui leur apprend à coder, et les professeurs ont accès à des plans de leçon qui aident à rendre l'apprentissage vivant. Code.org propose un développement professionnel gratuit pour ces cours, en ligne ou en personne.
• Invitez un expert en informatique à parler à votre classe de son travail. Vous ne connaissez pas d’informaticiens locaux ? Joignez-vous à un bénévole sur notre carte des bénévoles
VOCABULAIRE
• Préparation des données (niveau 1) La préparation des données est la première étape de la création de nombreuses techniques d'intelligence artificielle. Les algorithmes à partir des données et les données doivent être prêtes à être comprises par la machine. Il est essentiel de leur fournir les bonnes données pour le problème que vous voulez résoudre. Même si vous avez de bonnes données, vous devez vous assurer qu'il y a suffisamment de données et que le format est correct sont inclus.
• Apprentissage non supervisé (niveaux 2 et 3) L’apprentissage non supervisé consiste en l’analyse et la détection de motifs répétitifs dans ensemble de données. Quand aucun motif ou structure n’est connue dans l'ensemble de données, nous appelons ce processus « non supervisé ». Par exemple, un algorithme peut apprendre à distinguer les chats des chiens en regroupant les images sur la base de caractéristiques communes entre les images. En demandant à l'algorithme de diviser les images en deux groupes, il doit apprendre à ignorer le contexte et se concentrer sur les différences entre les animaux dans les photos. Il pourrait prendre en compte le fait que les chats ont des moustaches plus longues que les chiens, ou il pourrait trouver d'autres caractéristiques déterminantes. L'objectif de l'apprentissage non supervisé est de découvrir des motifs ou des groupes dans les données. Une fois que vous avez identifié un groupe, l'algorithme peut assigner de nouvelles images à ce groupe. Par exemple, un algorithme d'achat en ligne peut analyser vos achats précédents et prédire les produits qui pourraient vous intéresser.
• Apprentissage supervisé (niveaux 5 et 6) L’apprentissage supervisé consiste à identifier des groupes dans un ensemble de données basé sur des exemples d'apprentissage fournis par un humain. Parce que l'algorithme connaît déjà un modèle des exemples d'apprentissage, l'apprentissage est orienté dans la bonne direction, d'où le nom « supervisé ». Pour revenir à l'exemple de la distinction entre les chiens et les chats ci-dessus, si les images de chats et de chiens que l'algorithme essayait de regrouper avaient été libellées en fonction de leurs espèces respectives, alors ce serait un exemple d'apprentissage « supervisé ». L'algorithme est formé en fournissant de nombreuses images de chat ou de chien avec une étiquette de l'espèce. L'objectif de l'apprentissage supervisé est d'analyser des données non structurées (images, sons, vidéos…) basé sur un modèle prédéterminé. Cette technologie peut être utile par exemple pour identifier les spams dans les courriels, les visages dans une image, le sujet des articles de presse et si une transaction d'argent est suspecte et devrait être bloqué.
• Apprentissage par renforcement (niveau 4) L’apprentissage par renforcement est un type d'apprentissage où les algorithmes apprennent un comportement optimal par essais et erreurs, influencé par une fonction de risque et récompense. L'apprentissage par renforcement est très semblable à la façon dont les humains apprennent. Si vous tombez sur un mur, ça fait mal, alors vous évitez cette situation. Si vous réussissez un test, vos parents et enseignants vous récompensent, vous vous efforcerez de répéter ce comportement à l'avenir. Initialement, l'algorithme n'a aucune idée des modèles qui sont bons ou mauvais, mais il peut apprendre le différence en essayant différents mouvements jusqu'à ce qu'il apprenne quels mouvements mènent à une victoire. Les algorithmes de renforcement peuvent apprendre la manière optimale de jouer à un jeu et ainsi surperformer les joueurs humains de loin.
• Reconnaissance optique de caractères (niveau 7) la reconnaissance optique de caractères (ROC ou OCR en anglais) est une technique qui permet aux ordinateurs de lire du texte manuscrit à partir d'images ou de documents PDF. L’OCR utilise les pixels d'une image comme données d’entrée pour un algorithme qui décide à quel mot ou lettre correspond l'image. Cette technique a été utilisée pendant des années par les services postaux du monde entier pour trier automatiquement les lettres et les colis automatiquement lire l'adresse manuscrite avec un ordinateur.
• Reconnaissance vocale (niveau 8) La reconnaissance vocale est la technologie qui enregistre un phrase parlée et traduit cela en texte numérique. Cela nous permet de parler à notre mobile et les assistants numériques à la maison, comme Siri d'Apple, Alexa d'Amazon ou Google Home. Un système de reconnaissance vocale comprend deux algorithmes : un modèle de langage et un modèle acoustique. Ces deux algorithmes sont entrainés sur un grand nombre de données d'exemple, mais le modèle acoustique apprend à différencier les sons que nous faisons et le modèle de langue apprend comment ces sons devrait être interprété pour former un morceau de texte grammatical.
• Traitement du langage naturel (grammaire) (Niveau 9) Le traitement du langage naturel est un domaine de recherche qui enseigne aux ordinateurs comment communiquer en langues naturelles comme l'anglais, le français ou le chinois. Les ordinateurs sont entrainés à comprendre du texte écrit ou oral, et à former des phrases grammaticales en réponse. Un aspect important du langage est la grammaire : comment les mots sont ordonnés dans une phrase et comment les mots changent de forme pour donner un sens. Comprendre la grammaire d'une langue est essentiel pour apprendre à parler couramment, mais presque personne ne parle un langage exactement comme il est décrit dans les guides de grammaire. Par conséquent, il est important que les algorithmes apprennent à partir d'exemples réels d'utilisation du langage, au lieu de programmer les règles de grammaire directement dans l'ordinateur.
• Automatisation et robotique (niveau 10) La robotique logicielle reproduit les actions des personnes qui effectuent des tâches informatiques. Le logiciel imite les personnes en effectuant des activités comme se connecter à un système, entrer des données, cliquer sur OK, copier et coller des données entre systèmes, etc. Ce logiciel repose sur des méthodes d'intelligence artificielle telles que la vision par ordinateur et la reconnaissance de caractères.
ESPLORAZIONE SPAZIALE INTELLIGENTE CON
ACCENTURE
ITALIANO
IN QUESTA LEZIONE
Questa lezione è un’introduzione all’Intelligenza Artificiale, cioè lo sviluppo di sistemi informatici
in grado di eseguire compiti normalmente svolti esclusivamente dall’intelligenza umana, come la
percezione visiva, il riconoscimento vocale, la capacità di prendere decisioni e la traduzione di
concetti in una o più lingue. Questa lezione si concentra sull’ “insegnamento” di alcuni concetti a
un robot attraverso la programmazione di un computer. Il robot “imparerà” la percezione visiva e
la traduzione per contribuire all’esplorazione di un nuovo pianeta. Gli studenti completeranno
una serie di esercizi con il robot per equipaggiarlo con le capacità necessarie a permettergli di
distinguere le diverse forme di vita del pianeta e di esplorarlo in autonomia.
Questa lezione è progettata per studenti tra gli 8 e i 14 anni.
OBIETTIVI DELLA LEZIONE
Gli studenti impareranno:
• La definizione di Intelligenza Artificiale;
• Le tecniche usate per creare Intelligenza Artificiale;
• Come l’Intelligenza Artificiale può essere applicata.
PREPARAZIONE
Una settimana prima di Hour of Code
• Rivedi la guida Hour of Code dedicata agli educatori e le Best Practices degli educatori di
successo per pianificare al meglio il tuo evento Hour of Code.
• Registra il tuo evento Hour of Code per ricevere supporto per le attività in classe.
• Completa il tutorial prima di sottoporlo agli studenti. Assicurati che la tua dotazione
tecnologica sia perfettamente funzionante e risolvi eventuali problemi in anticipo.
Un giorno prima di Hour of Code
• Ogni studente deve ricevere un certificato al completamento dell’attività. Stampane una
copia per ciascuno studente, da consegnare alla fine del modulo.
PER INIZIARE (5 MINUTI)
• Dai il benvenuto agli studenti in classe e introduci brevemente l’attività del giorno.
• Chiedi agli studenti se hanno mai sentito parlare di Intelligenza Artificiale e cosa significhi.
Gli studenti potrebbero rispondere che l’Intelligenza Artificiale è un robot pensante.
• Spiega che con Intelligenza Artificiale intendiamo quelle pratiche utili a insegnare a un
computer a comportarsi in maniera intelligente. Per esempio, quando sbatti la testa contro
un muro, senti dolore e impari a evitare di farlo di nuovo. Impari una lingua ascoltando le
altre persone parlare. Questo significa che per imparare servono molti esempi. La stessa
cosa vale per i computer. Oggi gli studenti impareranno come si può insegnare a un
computer a essere intelligente come le persone. Mentre insegniamo al computer, stiamo
creando dei codici che supportano questa intelligenza.
• Non perdere troppo tempo a introdurre Hour of Code: è meglio iniziare il tutorial il prima
possibile. Una presentazione troppo lunga rovina il divertimento, e il divertimento è
fondamentale!
ATTIVITÀ (30-45 MINUTI)
• Sfida i tuoi studenti a completare il tutorial sull’Intelligenza Artificiale.
• Per gli studenti più giovani, suggeriamo di dividere la classe in coppie e chiedere a ciascun
gruppo di lavorare insieme per completare il tutorial. Assicurati che abbiano capito come
funziona il pulsante SUGGERIMENTO che può aiutarli durante il corso.
• Per gli studenti più grandi funziona meglio l’apprendimento individuale. A volte può essere
più costruttivo lasciare che ciascuno studente scelga il proprio tutorial: se non sono
interessati all’Intelligenza Artificiale, possono usufruire di un’esperienza più incentrata
sull’informatica con tutorial come Code with Anna and Elsa o Star Wars.
• Per studenti ancora più grandi, o addirittura adulti, il tutorial sull’Intelligenza Artificiale
funziona ‘perfettamente come attività individuale.
• Se un gruppo o un singolo studente finiscono prima degli altri, possono seguire un altro
tutorial visitando code.org/learn.
• Suggerimenti utili:
o Clicca sul pulsante SUGGERIMENTO se sei bloccato e non sai cosa fare.
o Potresti aver bisogno di “scrollare” verso il basso o verso destra lo schermo per
vedere un’area più vasta del pianeta. L’intero “campo di gioco” potrebbe non essere
visibile all’inizio di ciascun livello.
o Se hai risposto male a una domanda, rileggi e scegli l’altra opzione.
o Cerca la freccia rossa per completare ciascun livello.
WRAP UP (5 MINUTI)
• Chiedi agli studenti di soffermarsi sull’attività del giorno. Cos’hanno imparato sull’Intelligenza
Artificiale? Si sono divertiti a insegnare ai computer a diventare intelligenti?
• Spiega che avete dedicato un’ora a imparare a costruire macchine intelligenti perché è la
Settimana dell’Informatica e milioni di altri studenti nel mondo stanno studiando Hour of
Code. Congratulati con i tuoi studenti per essere parte di questo network globale.
• Dai a ciascuno studente un certificato personalizzato con nome e cognome.
• Fai sapere agli studenti che se si sono divertiti con questa attività, possono continuare a
studiare questo argomento. Invitali a visitare code.org/learn, dove troveranno altri corsi, o,
se hai intenzione di proseguire questo tipo di attività in classe, informa i tuoi studenti dei
prossimi eventi.
• Dai agli studenti un foglio e chiedi loro di riassumere cos’hanno imparato oggi, se gli è
piaciuto e di descrivere la loro esperienza. Gli studenti possono disegnare, scrivere o
esprimersi come preferiscono. Raccogli i fogli: se vuoi, puoi appenderli in classe come
ricordo di Hour of Code.
APPROFONDIMENTI
Anche dopo la fine di Hour of Code, puoi proseguire l’approfondimento degli argomenti trattati.
Ad esempio:
• Segui i corsi Code Studio Computer Science Fundamentals. Questi quattro corsi sono
progettati per giovani studenti che devono superare una serie di prove per imparare i
fondamenti del coding: allo stesso tempo, gli educatori possono accedere al piano formativo
per rendere l’insegnamento un’esperienza più interessante. Code.org offre approfondimenti
gratuiti per questi corsi, online o di persona.
• Invita un esperto informatico a parlare alla tua classe e raccontare il suo lavoro. Non
conosci nessuno nella tua zona? Cerca un volontario sulla nostra mappa.
GLOSSARIO
• Data Preparation (Livello 1): Il termine “Data preparation” indica il primo passo da compiere
per creare molte tecniche di Intelligenza Artificiale. Gli algoritmi di Machine Learrning
imparano dai dati e i dati devono essere organizzati in modo tale che le macchine possano
processarli. È fondamentale che la macchina abbia i dati giusti per il problema che è
chiamata a risolvere, ma non solo: occorre assicurarsi che ci siano dati sufficienti, che il
formato sia corretto e che siano inclusi dettagli significativi.
• Apprendimento non supervisionato (Livelli 2 & 3): L’apprendimento non supervisionato è il
metodo grazie al quale i computer possono “diventare intelligenti”, analizzando e
distinguendo gli elementi ricorrenti in un set di dati. Quando non ci sono elementi ricorrenti o
strutture identificabili in un set di dati, parliamo di processo non supervisionato. Per
esempio, un algoritmo può imparare a distinguere i gatti dai cani raggruppando immagini
basate su elementi comuni. Chiedendo all’algoritmo di dividere le immagini in due gruppi, ci
aspettiamo che questo si focalizzi sulle differenze tra animali e sui dettagli, ignorando lo
sfondo delle foto. Potrebbe concentrarsi sul fatto che i gatti hanno baffi più lunghi dei cani o
su altri elementi. L’obiettivo dell’apprendimento non supervisionato è di individuare gruppi di
elementi ricorrenti all’interno di set di dati. Una volta che un gruppo è stato identificato,
l’algoritmo può assegnare nuove immagini a quel gruppo. Ad esempio, l’algoritmo di un
negozio online può analizzare i tuoi acquisti e sulla base di questi suggerire altri prodotti che
potrebbero interessarti.
• Apprendimento supervisionato (Livelli 5 & 6): L’apprendimento supervisionato è un metodo
per accrescere l’intelligenza dei computer identificando gruppi all’interno di un set di dati
basati su esempi formativi forniti da un supervisore. Dal momento che l’algoritmo conosce
già gli elementi comuni forniti dagli esempi formativi, l’apprendimento è in qualche modo
guidato, da cui il nome “supervisionato”. Tornando all’esempio dei gatti e dei cani, se le
immagini degli animali che l’algoritmo deve raggruppare fossero già taggate in partenza in
base alle rispettive specie, si tratterebbe di apprendimento supervisionato. L’algoritmo viene
“formato” con una fornitura di molte immagini di cani o gatti, ciascuna con il tag della
rispettiva specie. L’obiettivo dell’apprendimento supervisionato è di analizzare i dati non
strutturati sulla base di un percorso predeterminato. Questa tecnica può essere utile, per
esempio, per identificare lo spam nelle email, i volti nelle foto, l’argomento di un articolo di
giornale o se una transazione monetaria è sospetta e dovrebbe essere bloccata.
• Apprendimento per rinforzo (Livello 4): L’apprendimento per rinforzo è un tipo di
apprendimento in cui gli algoritmi imparano il comportamento ottimale attraverso il processo
cosiddetto “trial and error”, cioè per tentativi ed errori, influenzati da rischio e ricompensa
prestabiliti. L’apprendimento per rinforzo è molto simile al processo di apprendimento
umano. Se vai a sbattere contro un muro, ti fai male (rinforzo), quindi eviterai in futuro quella
situazione. Se una verifica va bene e i tuoi genitori o i tuoi insegnanti ti ricompensano,
cercherai di fare in modo che quella situazione si verifichi di nuovo. Inizialmente l’algoritmo
non sa quali dei percorsi prestabiliti vadano bene e quali no, ma può imparare la differenza
provando diverse mosse fino a individuarne una vincente. Gli algoritmi di rinforzo possono
imparare il modo migliore per giocare e vincere a un gioco, battendo anche i giocatori
umani.
• Riconoscimento ottico dei caratteri (Livello 7): Il Riconoscimento ottico dei caratteri (OCR) è
una tecnica che permette ai computer di leggere un testo scritto a mano tratto da immagini o
documenti PDF. L’OCR utilizza le informazioni tratte dai pixel di una foto come dati per un
algoritmo che decide a quale parola o lettera far corrispondere l’immagine. Questa tecnica è
stata utilizzata per anni dai servizi postali di tutto il mondo per ordinare automaticamente
lettere e pacchetti grazie alla lettura computerizzata degli indirizzi scritti a mano.
• Riconoscimento vocale (Livello 8): Il riconoscimento vocale è la tecnologia che registra una
frase pronunciata ad alta voce trasformandola in testo scritto. Ci permette di comunicare
con i nostri device mobili e con gli assistenti vocali, come Siri della Apple o Alexa di
Amazon. Un sistema di riconoscimento vocale è composto da due algoritmi: un modello
linguistico e un modello acustico. Entrambi gli algoritmi sono costruiti grazie a una grande
mole di dati, ma, mentre il modello acustico impara a differenziare i suoni emessi, il modello
linguistico distingue le parole per formare frasi di senso compiuto.
• Elaborazione del linguaggio naturale (grammatica) (Livello 9): L’elaborazione del linguaggio
naturale (NLP) è un’area di ricerca che insegna ai computer come comunicare in linguaggi
naturali come l’Inglese, il Francese o il Cinese. Per fare questo, i computer devono capire il
testo o il parlato in ingresso ed essere in grado di formare sentenze grammaticali tratte da
questi input. Un aspetto importante del linguaggio è la grammatica (la struttura di un
linguaggio): come si ordinano le parole all’interno di una frase e come le parole cambiano
forma per acquisire significato. Capire la grammatica di un linguaggio è essenziale per
imparare a parlare fluentemente, ma quasi nessuno parla esattamente come richiesto dalle
regole grammaticali. Perciò è importante che gli algoritmi imparino da esempi di linguaggio
reale, invece di inserire regole grammaticali direttamente nel sistema informatico e
aspettarsi che questo si attenga strettamente a esse.
