Hvorfor opplegget virker, og hva du gjør før timen. Selve timen minutt for minutt står i lærerveiledningen.
Hva elevene faktisk gjør — og hvorfor det virker
Når en KI-modell skal lære å sortere ting i kategorier — si «spam» vs. «ikke spam» i e-post, eller «godkjent» vs. «avvist» i en lånesøknad — er prosessen i kjernen enkel: den ser på mange eksempler, finner mønstre, og bygger et sett med regler. Det kalles klassifisering, og det er kanskje den mest brukte funksjonen i moderne KI.
Det mest intuitive verktøyet for å visualisere dette er et beslutningstre: en serie ja/nei-spørsmål som leder frem til en konklusjon. Slike trær er ikke bare pedagogiske hjelpemidler — de brukes faktisk i produksjonssystemer, blant annet fordi de er forståelige og kan forklares.
Utfordringen er at reglene er like gode som dataene de er laget fra. NAV bruker algoritmer til å prioritere saker, banker vurderer kredittverdighet, sykehus analyserer røntgenbilder. Felles for alle er at systemet ikke vet hva det ikke har sett — og at «god» og «dårlig» avhenger av hvem som definerte treningsdataene.
Denne aktiviteten lar elevene erfare dette førstehånd: de bygger et beslutningstre, bytter det med en annen gruppe, og tester det på nye data. Feilen de gjerne oppdager — at treet fungerer godt på treningsdata, men dårligere på nye aper — har et eget navn i maskinlæring: overfitting.
Vil du forstå konseptet bak? Les Slik virker KI — 5 minutter.
Hold treningskortene og testkortene i to separate bunker per gruppe — testkortene deles IKKE ut i starten.
Ta en rask titt på kortene selv så du er kjent med kjennetegnene som skiller bitere fra ikke-bitere.
Forbered presentasjonen på skjermbrett eller projektor.
I timen
Lærerveiledningenpå papir foran deg — hva du sier, fasene, lærertips og differensiering
Presentasjonenpå skjerm for elevene — skal ikke skrives ut
Slå opp ved behov
Læringsmål og kompetansemål
Hva elevene skal lære
Forklare: hva klassifisering er og hvordan det brukes i maskinlæring.
Forstå: og bygge et enkelt beslutningstre.
Reflektere: over konsekvenser av feil i KI-systemer og ansvarsfordeling.
Forankring i LK20
Matematikk — Utforske datasett, identifisere mønstre og trekke slutninger.
Naturfag — Bruke utforskende arbeidsmåter til å løse problemer.
Samfunnsfag — Drøfte hvordan teknologi påvirker enkeltmennesker og samfunnet — og kritisk vurdere automatiserte systemer og maktforhold.
Dette sier du til elevene
«Dere er nyutdannede dyrepassere ved Norges mest populære dyrehage. Gratulerer med jobben! I dag ankommer 24 nye aper fra en eksotisk samling. Problemet? Noen av dem biter. Vi vet ikke hvilke. Dere kan ikke bare prøve dere frem — det er ikke akkurat ønskelig å finne ut av det på den harde måten. Heldigvis har vi fått fotografier av alle apene — inkludert et sett der vi vet hvem som biter. Finn mønstre og bygg et system for å identifisere bitere.»
Står også i lærerveiledningen som «Les til klassen», og på presentasjonens andre slide.
Refleksjonsspørsmål til klassen
Spørsmålene står også i lærerveiledningen og på presentasjonens refleksjonsslide.
Hva er forskjellen på treningsdata og testdata i denne aktiviteten?
Kan en KI-modell ha 100 % nøyaktighet? Hva kan gå galt hvis en modell tar feil — f.eks. i banklån?
Dere brukte andre gruppers regler. Hva sier dette om bruk av ferdiglagde KI-modeller i samfunnet?
Hvem er ansvarlig når en KI tar feil: de som lagde reglene eller de som brukte dem?
I virkeligheten — og videre arbeid
Bygg videre på opplegget
KI i arbeidslivet — Undersøk et norsk selskap eller offentlig etat som bruker KI til å ta beslutninger. Hva klassifiserer systemet? Hvem blir påvirket?
Bygg et nytt beslutningstre — Velg en klassifiseringsoppgave fra hverdagen (f.eks. spam-filter). Tegn treet, definer treningsdata og test det på klassen.
Algoritmeloven — Undersøk EUs nye lov om kunstig intelligens (AI Act). Finn ut hvilke krav som stilles til systemer som klassifiserer mennesker.
