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
I dette opplegget er elevene dataforskere som skal lære opp en KI til å klassifisere bilder. Men i stedet for å sitte foran en skjerm, gjør de alt fysisk — med kort, notater og hendene sine. Det er poenget: maskinlæring handler ikke om kode, det handler om data og mønstre.
Aktiviteten lar elevene gjennomgå nøyaktig den samme prosessen en maskinlæringsmodell bruker: de studerer treningsdata (merkede eksempelkort), finner mønstre, formulerer regler og tester reglene på ny, usett data. Når de etterpå hører at en KI for bildegjenkjenning er trent på millioner av bilder, har de en konkret, kroppslig erfaring å koble det til.
En viktig oppdagelse i aktiviteten er at treningsdataene bestemmer hva modellen kan. Hvis kortene er skjeve — for eksempel at alle eksempler på én kategori er litt lik på en tilfeldig måte — vil modellen lære seg den feil-assosiasjonen. Dette er kjernen i debatten om bias i KI: problemet starter ikke i algoritmen, men i dataene. Elevene opplever dette på kroppen når modellen deres feiler på testkortene.
Aktiviteten er designet for iterasjon: etter første testrunde får gruppene tid til å forbedre sin «modell» og teste igjen. Denne revisjonssyklusen gjenspeiler hvordan ekte maskinlæringssystemer utvikles — og gir elevene erfaring med at feil er en del av prosessen, ikke et tegn på at de er dårlige.
Dette er veiledet læring: kortene er merket før elevene starter. Vil du vise kontrasten — en time der ingen forteller elevene hvilke grupper som finnes — er Monsterkartet det naturlige neste opplegget.
Vil du forstå konseptet bak? Les Slik virker KI — 5 minutter.
Klipp ut kortene og legg dem i konvolutter merket «Treningsdata» og «Testdata» per gruppe.
Gjennomfør aktiviteten selv én gang på forhånd — det gjør deg trygg på hva elevene vil oppdage og hva som typisk går galt.
Bestem om du vil gjøre refleksjonsrunden som klassediskusjon, i grupper, eller skriftlig.
Utskriftsklare kortdekk — ett sett per gruppe (treningskort + testkort)
Saks og eventuelt lamineringsmaskin (for gjenbruk)
Konvolutter til å sortere kortene i
Blyant/penn og notatlapp per gruppe
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
Elevene skal forklare hva maskinlæring er og hvordan det skiller seg fra tradisjonell programmering, og beskrive hva treningsdata, etiketter og klassifisering betyr i praksis.
De skal gjennomføre en forenklet maskinlæringsprosess for hånd — fra å studere treningsdata til å formulere regler og teste dem på ny data — og reflektere over hva som skjer når treningsdataene er skjeve eller ufullstendige, og hva det betyr for KI-systemer i samfunnet.
Forankring i LK20
Matematikk — Utforske og bruke statistiske metoder, finne mønstre i data og vurdere representativitet.
Naturfag — Bruke digitale verktøy og modeller til å utforske fenomener og forstå prinsipper for teknologiske systemer.
Samfunnsfag — Drøfte teknologiens rolle i samfunnet, konsekvenser av digitalisering, og etiske spørsmål knyttet til algoritmiske beslutninger.
Begreper i dette opplegget
Maskinlæring: En type KI der datamaskinen lærer fra eksempler (data) i stedet for å følge eksplisitte regler programmert av et menneske.
Treningsdata: Merkede eksempler som brukes til å lære opp en modell. Kvaliteten og representativiteten til treningsdataene avgjør hvor god modellen blir.
Etikett / Label: Den riktige svaret som er knyttet til hvert eksempel i treningsdataene — for eksempel «hund» eller «katt», «spam» eller «ikke spam».
Klassifisering: En maskinlæringsoppgave der modellen plasserer inndata i en av forhåndsdefinerte kategorier, basert på mønstre den har lært fra treningsdata.
Modell: Resultatet av å trene en algoritme på data — et sett av mønstre og regler som datamaskinen bruker til å gjøre nye prediksjoner.
Nøyaktighet / Accuracy: Andelen riktige prediksjoner av totalt antall prediksjoner. En modell med 80 % nøyaktighet feiler på 1 av 5 eksempler.
Bias / Skjevhet: Systematiske feil i en modell som oppstår fordi treningsdataene ikke er representative — for eksempel fordi de over- eller underrepresenterer bestemte grupper.
«Dere er nyansatte dataforskere ved et av verdens ledende tech-selskaper. Sjefen har en utfordring: KI-systemet skal lære å sortere bilder — men ingen har tid til å skrive regler for hvert eneste bilde som finnes. Løsningen? Lær opp systemet ved å vise det eksempler. Jobben deres starter nå.»
💡 Tips: Spør klassen: «Hva tror dere skiller maskinlæring fra vanlig programmering?» Ta imot alle svar uten å vurdere dem. Fortell at de i dag skal finne svaret ved å være maskinlæringsalgoritmen selv.
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 å «programmere regler» og å «lære fra eksempler»? Gi et eksempel fra din hverdag der du lærte noe på den andre måten.
Gruppen din traff ikke alltid riktig med reglene. Hva tror dere skjer når en KI-modell gjør en feil i virkeligheten — for eksempel i ansiktsgjenkjenning eller medisinsk diagnose?
Hva ville skjedd med modellen din hvis treningskortene bare viste én type eksempel? Hva er konsekvensen hvis en KI trenes på skjeve data i den virkelige verden?
Er det noen situasjoner der det bør være mennesker — og ikke KI — som tar avgjørelsen? Hva er kriteriene dine?
I virkeligheten — og videre arbeid
I virkeligheten
Spotify / Netflix — Anbefaler innhold basert på hva du og lignende brukere har likt
E-postfilter — Lærer å sortere spam fra ekte e-post — basert på millioner av eksempler
Medisinsk diagnose — KI trent på røntgenbilder fra tusenvis av pasienter finner tegn på sykdom
Selvkjørende biler — Modeller trent på milliarder av bilder fra veier over hele verden
ChatGPT / Gemini — Trent på enorme mengder tekst fra internett — lærer språkmønstre, ikke regler
Bygg videre på opplegget
Tren din egen bildegjenkjennings-KI — Bruk Teachable Machine (teachablemachine.withgoogle.com) til å trene en modell som gjenkjenner noe dere bestemmer selv — for eksempel håndbevegelser, ansiktsuttrykk eller objekter. Sammenlign med det dere lærte fra kortaktiviteten.
Undersøk bias i virkeligheten — Velg ett KI-system dere har hørt om (for eksempel ansiktsgjenkjenning, COMPAS-systemet i USA, eller lånesøknadsalgoritmer). Undersøk: Hvem er trent på? Hvem gjør det feil for? Skriv en kort rapport.
Design et rettferdig datasett — Lag et mini-prosjekt der dere samler inn egne treningsdata for et selvvalgt klassifiseringsproblem — og diskuterer bevisst hvem og hva som skal representeres for at systemet skal bli rettferdig.
