10. A kompetenciafejlesztéstől a mesterséges intelligenciáig az oktatásban

2025 - Rákosi Szilvia, Kürtössy Dávid, Malmos Katalin – ICDL mesterséges intelligencia modul (vizsgakövetelmények, tananyag, feladatok)

Rákosi Szilvia irodavezető, programvezető – Neumann János Számítógéptudományi Társaság ICDL Iroda

Az ICDL vizsgarendszerről szeretnénk most beszélni, amely tulajdonképpen nemcsak országos, hanem világméretű hálózat, szervezet. Az ICDL, amit korábban ECDL-nek hívtak, a digitális kompetenciák nemzetközi tanúsítványa. Olyasvalami, mint a nyelvvizsga-bizonyítvány, csak éppen a digitális kompetenciákról szól. Kezdetben hét modulból lehetett vizsgázni, olyan szokásos modulokból, mint például a szövegszerkesztés, a táblázatkezelés vagy a prezentáció. Idén szeptemberben viszont bevezettük a mesterséges intelligencia modult, amely nemcsak az MI használatát mutatja be, hanem elmagyarázza annak mibenlétét. Hárman fogunk beszélni az ICDL MI-ről: jómagam a követelményekről, és az ICDL programról, kollégám, Kürtössy Nándor egy nagyon egyszerű MI gyakorlatról, programról, a Teachable Machine-ről, Malmos Katalin pedig az MI módszertanáról.

Először is az ICDL-ről néhány szóban: a kivetített világtérképen szinte mindenütt megtalálható az ICDL logója. Hazánkban is szép számokkal büszkélkedhetünk: országszerte mintegy 100 vizsgaközpont működik.

Az ICDL-nek még abból a szempontból is nőtt az utóbbi években a jelentősége, hogy ez az ICDL-bizonyítvány, aminek a megszerzéséhez négy, illetve hét modult kell teljesíteni, most már a felsőoktatásban is plusz pontot ér a felvételinél, méghozzá nem is keveset. Nemzetközi szinten is jelen van, tehát több külföldi egyetemen, külföldön is elismerik ezt a bizonyítványt, hasonlóképpen egy nyelvvizsga bizonyítványhoz.

A mesterséges intelligencia modulnál is van egy úgynevezett syllabus, ami a követelményeket tartalmazza. Az icdl.hu honlapon megtalálható az összes modul a követelményrendszere. Az MI modul tananyagát kiváló szakemberek írták: Dr. Szabó Zoltán, a HUN-REN SZTAKI kutatója, illetve a Neumann Társaságnak az egyik alelnöke, az ELTE Mesterséges Intelligencia Tanszéknek docense, Dr. Gulyás László volt a szakmai lektor. Ez a tananyag megtalálható és ingyenesen letölthető a honlapunkról.

Mit fed ez a tananyag? Némi történelmi kitekintést is ad, hiszen nem ma találták ezt ki, hanem jövőre lesz 70 éve, hogy először használták a mesterséges intelligencia kifejezést. Lényeges pont volt a mesterséges intelligencia fejlődésében, alkalmazásában, amikor legyőzte az akkori sakkvilágbajnokot, Gari Kaszparovot egy Bloody nevezetű IBM gép. A történeti áttekintésen kívül megtanulhatjuk mesterséges intelligenciával kapcsolatos fogalmakat, azon kívül pedig azt is, hogy mi a gépi tanulás alapja. Erről fog kollégám, Kürtössy Nándor egy kicsit részletesebben előadni: a tanító adatokról, a teszt adatokról.

Szintén lényeges tudnivaló, hogy hol is tartunk most a mesterséges intelligencia szintjében. Alapvetően három szintet különböztetnek meg a mesterséges intelligenciában: ezek a szűk, az általános és a szuperintelligencia.

Valószínű, hogy manapság sokan túlértékelik a mesterséges intelligencia jelentőségét. A tananyagunk rávilágít arra, hogy pillanatnyilag csak az úgynevezett szűk mesterséges intelligenciánál tartunk, annak ellenére, hogy bizonyos fejlesztők már úgy gondolják, hogy megközelítik az általános mesterséges intelligenciát.

Az általános mesterséges intelligencia már az lenne, amelyik az emberihez hasonló módon, illetve úgy tudna működni, mint egy ember, tehát döntéseket tud hozni, kreatív stb. A szuperintelligens mesterséges intelligencia pedig már emberek nélkül tudna dönteni, kreatívan működni. Ez nagyon veszélyes is lehet akkor, hogyha nem megfelelő etikával használják a mesterséges intelligenciát. Tehát ma még csak ezt a bizonyos szűk mesterséges intelligenciát használjuk. Mikor használjuk ezeket? Ma már az, hogy egy parkolóból kilépve a rendszer felismeri a rendszámot, ez a gépi látásmóddal lehetséges, ugyanúgy, mint mikor a mobilunkon fotót készítünk emberekről, és a kamera „rázúmol az emberi arcokra”.

Az MI beszédfelismerés funkciója működik, amikor egy hallott szöveget le tud írni a rendszer. A generatív MI szövegeket generál, hoz létre úgy, hogy gyakorlatilag statisztikai alapon előre ki tudja számítani azt, hogy milyen szövegeket kellene alkotnia a rendszernek akkor, amikor megkérjük, hogy ilyen vagy olyan szövegeket hozzon létre, keressen rá valamire. A prediktív modellek, mondjuk például a Netflix-nél vagy a YouTube-nál, a felhasználók szokásaihoz igazítják azt, hogy milyen filmeket, zenéket fog javasolni nekünk. Ezen kívül a robotikában is használják, tehát az MI-nek különböző felhasználási területei vannak, erről is szól a tananyagunk.

A tananyagban hangsúlyosan szerepelnek a nagy nyelvi modellek, mivel ezek a legelterjedtebbek. Lényeges, ahogy a tankönyvszerzőnk is fogalmaz, hogy ezeknek a nagy gépi, nyelvi modelleknek a mumusa, a hallucináció. Mivel a modellek statisztikai alapon gyűjtik össze azt, hogy milyen szöveget hozzanak létre, ezért, ha rákeresünk a Kovács István névre, akkor nem biztos, hogy annak a Kovács Istvánnak a személyiségét fogja jellemezni a modell, akire mi rákeresünk, hanem akármilyen Kovács Istvánokból összehoz egy személyiséget. Nyilván mennél több adat található, mennél több szöveg található egy adott témáról, adott személyről, annál pontosabb információkat ad a rendszer.

Miközben túlértékeljük az MI szerepét, nem vesszük figyelembe, és ez különösen a fiataloknál nagyon erős probléma lehet, hogy ha bármit meg akarnak keresni, akkor már nem is a Google-t nézik, hanem rögtön megkérdezik a mesterséges intelligenciát. Rengeteg veszélyt hordoz ez a jelenség, de az, ami szintén veszélyes, hogy a mesterséges intelligencia túlzott használata is függőséget tud okozni. Kutatók készítettek egy tanulmányt arról, hogy a túlzott használat egyéni és társadalmi szinten is csökkenti a kognitív képességeket, Úgyhogy valójában a mesterséges intelligencia nem egy mindent megoldó eszköz. Ezért is gondolom azt, hogy nagyon hasznos ez a tananyag, mert jobban körülhatárolja azt, hogy mire képes az MI, milyen segédeszközként lehet használni.

Nyilván nagyon fontos az is, hogy milyen keretek között használjuk ezt az eszközt. Ehhez mindenféle szabályokat kell alkalmazni. Van olyan, hogy saját intézményi mesterséges intelligencia szabályzatot hoznak létre, hogy mikor használhatják a tanulók a mesterséges intelligenciát, de nyilván világméretekben is szabályozzák a használatát. Elsőként az EU hozta létre ezt a bizonyos AI Act nevezetű átfogó jogszabályt. Ami például tiltja, hogy tömegek felismerésére, arcfelismerésére alkalmazzanak mesterséges intelligenciát.

A tananyag a ChatGPT-nek gyakorlati használatáról is nagyon részletes információkat ad. A hatékony használat alapfeltétele a helyes kérdések, utasítások megfogalmazása, amit promtolásnak nevezünk. A helyes promptolás a Pentagon alapelvre épül, vagyis ötféle dolgot kell megadni ahhoz, hogy minél pontosabb eredményt kaphassunk a ChatGPT-től.

Nándi kollégám fogja ismertetni a Teachable Machine programot, ami egy nagyon egyszerű modell, gyakorlati példákon keresztül segíti elő a mesterséges intelligencia működési elvének megismerését.

Kürtössy Nándor informatikus – Neumann János Számítógéptudományi Társaság ICDL Iroda

Üdvözlök mindenkit. A nemzetközi syllabus-ban egy bizonyos keretrendszert határoztak meg. A tananyag létrehozásakor azért is esett a ChatGPT-re és a Teachable Machine-re a választás, mert a ChatGPT-t mindenki használja. Teachable Machine ugyan egy kevésbé ismert, ámbár teljesen ingyenes Google alkalmazás, amivel egészen jó betekintést kaphatunk a mesterséges intelligencia működésének az elveibe, a gépi tanulásnak az elveibe.

Nagyon könnyű a használata, nem igényel regisztrációt, semmi mást, csak egy internet hozzáférést. Egészen látványos dolgokat is tud, projekteket is létrehoztak már ennek segítségével, de az informatika, a biológia, a társadalomismeret, az etika területén is nagyon hasznos a Teachable Machine. Például egy biológiaórán a mintafelismerés – ami a gépi tanulás egyik alapvető módszere – akár ezt össze is lehet vetni, hogy a gép, illetve az emberi agy miben különbözik, miben hasonlít. Az etikánál például az adatvédelem, az algoritmikus torzítások vagy az úgynevezett bias-ok is előjöhetnek.

A Teachable Machine-nak az előnye, hogy a három különböző típusú gépi tanulásból – a felügyelet nélküli, a felügyelt és a megerősítéses – a középsőt, a felügyelt tanulást produkálja, így az egész könnyen és játékosan megtanulható, mivel nem igényel egyáltalán programozást, tehát még a tanárnak sem kell ezzel foglalkoznia, és látványos az eredmény. Azonnali visszajelzést is ad, kipróbálható a modellel, amit csináltunk.

Három különböző modellt is biztosít, amelyek nagyon alap dolgok, de mindegyik a gépi tanulás folyamatába enged betekintést. Az egyik a képi alapú, amelynek a felülete angol nyelvű, de egyáltalán nem bonyolult a használata. Az image nevezetű funkcióba bármilyen képet be lehet tölteni. Miközben ezeket a képeket betölti a tanuló, vagy ezekkel foglalatoskodik, magát a folyamatot is meg tudja tanulni. Szilvi is említette már, hogy az ellenőrző adatok 30%-ot teszi ki, és van a 70% tanító anyag.

Például kiválóan lehet használni ezt a rendszert képek osztályozására. Ha a tananyagokban macskákat és kutyákat kell szétválasztania a vizsgázónak, de ehhez meg kell tisztítani az alapadatokat. A képeket át kell nézni, hogy a torz – ha teknősbékát ábrázol kutya vagy macska helyett – felvételeket értelemszerűen ki kell venni. Ezzel arra is rávezetjük a felhasználót, hogy a bemeneti adatok mennyire hangsúlyosak. Tehát a torzítás szintén kijöhet a folyamatból, ha nem megfelelőek a bemeneti adatok.

Hangalapúnál ugyanez a tematika csak itt hangmintákat kell egy mikrofonnal vagy a laptop mikrofonjával felvenni. Különféle játékokat is lehet ezzel készíteni, például hangfelismerést az egyik ember hangja, vagy a másik ember hangja alapján, így az osztályteremben is egészen jól lekötheti a diákok figyelmét, közben még tanulhatnak is.

A testpozíció alapú modell különféle testtartások felismerésére alkalmas.

A Teachable Machine használatával az alapvető fogalmakat is meg tudjuk tanulni, például, hogy mi az az epoch, azaz ciklus. A ciklus vagy epoch alatt átnézi a rendszer, a tanuló adatokat és megpróbálja értelmezni, és ezt különféle osztályozási inputok alapján ebből létrehozni egyfajta hálózatot. A változatos adatok segítik a tanulást, de a túl sok adat sem jó, mert akkor túl is lehet tanítani a rendszert, ami azt jelenti, hogy nem fog tudni igazából semmit felismerni azon a két alapvető képen kívül, amit betápláltunk. Az egyik legfontosabb: amikor valami nem sikerül, akkor az nem kudarc, hanem egy példa vagy infó a tanulónak, a diáknak vagy a tanárnak arról, hogyan lehetne még jobban előkészíteni a dolgokat, hogyan lehetne még jobban tanítani a rendszert, hogy tényleg sikerélménye legyen a használatával. Itt a kritikus gondolkodás és használat is előkerülhet a folyamatban. Főleg, hogy a ChatGPT, illetve a többi ilyen elemrendszer is egészen fura dolgokat és egész rendszeresen szokott hallucinálni, tehát a kimeneti adatokat, amit megkap a felhasználó – például egy visszajelzés szövegben egy kérdésre – mindig-mindig ellenőrizni kell. A Teachable Machine segítségével maga ez az egész folyamat jól lekövethető és talán ezáltal egy kicsit a kritikus gondolkodás és az AI használat is egy kicsit jobban rögzül a diákban.

A betanítási folyamat közben oldalt lehet látni a jellemzőit a tanulási folyamatnak. Azt például, hogy ciklusonként mekkora a veszteség, ami a gépi tanulás szempontjából érdekes fontos információ, hogyha a görbe minél közelebb van a nullához, annál kisebb az adatveszteség, és annál jobban megtanulta az osztályokat a rendszerünk. Az accuracy per epoch pedig az, hogy mennyire akkurátusan tudta megtanulni ezeket a ciklusokon keresztül.

Malmos Katalin igazgatóhelyettes – Neumann János Számítógéptudományi Társaság ICDL Iroda

Rendben van, hogy a mesterséges intelligenciát tanítjuk a gyerekeknek, mondjuk a promp-tolással kapcsolatban felhívjuk a figyelmüket egy csomó dologra. A pentagon elvet említette Szilvi, amiről érdemes szót ejteni, mindenképpen egy iskolai csoportban. Engem az a terület foglalkoztat, és ezzel fogunk most is egy gyakorlati szösszenetet felvillantani, hogy amikor ténylegesen bemegyünk az iskolába, és ténylegesen a tanuló kezébe adjuk ezeket az eszközöket, akkor hogyan tudjuk bemutatni, szemléltetni azt a dolgot, hogy milyen a helyes promptolás, hogyan tudjuk esetleg tanulásra, kutatásra használni a mesterséges intelligenciát, és nem utolsó sorban hogyan tudjuk előhívni azt, amit kritikus gondolkodásnak nevezünk.

Igen, hogyan kérdezzünk jól? Ezt a kérdést a tanulókkal úgy közelíteném meg, hogy először kérdezzünk, nézzük meg azt, hogy milyen egyáltalán egy kérdés, akár jó, akár rossz. Egy József Attila versről kérdezem a mesterséges intelligenciát. A Kedves Jocó című versét adjuk meg a mesterséges intelligenciának, mint prompt, ezt a nyolc sort cím és szerző nélkül. Mit válaszol rá? Először a képgenerátorokkal próbálkoztam. Láthatjátok, hogy négyféle képgenerátort próbáltunk ki. Melyik, hogy értelmezte József Attilának ezt a versét.

Gyakorlatilag a cukorka, a gazdagság a legtöbb képben megjelenik. A negyedik, a Microsoft AI, hogy a libasültből hogyan lett egy kis nadrágos libácskánk, arra még nem nagyon tudtam rájönni, de azt hiszem, ez a példa a diákok számára is jól szemléltetheti azt, hogy mi mindent gondolhatunk máshogy. A mumus, a mesterséges intelligencia egyéb hibalehetőségei is előjöhetnek ezeken a képeken. Illetve valószínűleg továbbmennék a diákokkal egy olyan irányba, hogy nekik mit mond ez a vers, ők hogyan jelenítenék meg mondjuk képi formában ezt a verset. Érdekes számomra, hogy csak egyféle képen jelenik meg egyedüli szereplő. Az első kettő, ha látjátok, mintha József Attila egy kicsit megduplázódott volna, és akkor remélem, hogy jó irányba megyek.

Ugyanezt megnéztem a chatbotokkal is. Itt a ChatGPT-t-t látjátok elsőre, a Geminit, a Perplexityt és a Microsoft AI-t próbáltam ki, hogy melyik mit mond szintén szerző és cím nélkül. Valami olyan hosszú volt, hogy csak egy részét másoltam be, de láthatjuk, hogy három mesterséges intelligencia rájött, hogy egy József Attila versről van szó, és mindannyian egyetértettek abban, hogy ez a „De szeretnék gazdag lenni” című vers, holott nem ez a címe a versnek. Mindegyikben megjelenik a szegénységből való vágyakozás, illetve a gyermeki látásmód. A Gemini volt az, amelyikből nem derült ki, hogy ez egy vers vagy micsoda. Ő szépen soronként elkezdte feldolgozni az információt és elemezni.

Attila, a narrátor tetszett benne a legjobban, ami egy kicsit félrevezető lehet az elemzésben.

A Perplexity – nagyon kellemes meglepetés volt – jelzi, hogy a szöveg szerzői jogi védelem alatt áll, úgyhogy ezt ő egy az egyben nem idézheti. És mind a négy esetében rákérdezett, hogy foglalkozzon-e tovább ezzel a szöveggel, elemezze a verset, és egy esetben még hozzákapcsolt József Attilához, és ezzel kapcsolatban akár a költőről, életéről és a költészetéről is segítséget kívánt nekünk nyújtani. Amennyiben a tanulókkal kielemzünk egy ilyet, illetve átnézünk egy ilyet, valószínűleg nekik is meglesz a meglátásuk, hogy ez mennyire állja meg a helyét, vagy mennyire nem. Innen érdemes elindulni, hogy na jó, jó, akkor kérdezzünk, de mit kérdezzünk, hogyan kérdezzünk, milyen további kérdéseket tegyünk föl.

Csoportmunkában javasolnám elindulni erről a szintről a tanulókkal egy olyan lehetőség felé, amit úgy nevezünk, hogy kooperatív projekt, ahol megvan minden tanulónak a maga szerepe, mondjuk lehet egy olyan kérdező, aki megválasztja, hogy melyik mesterséges intelligenciával dolgozzon a csapat, fölteszi a kérdéseket, lehet egy tanácsadó, aki eldönti, hogy most ez az információ nekünk szükséges-e, megfelelő-e vagy esetleg mumus, és bekerüljön-e a közös projektbe vagy nem. Lehet egy írnok, aki vezeti, hogy mi legyen a közös projekt és a negyedik tag pedig egy szóvivő, aki majd a végén a többiek előtt ismerteti.

Akár a nyolcsorosból a diákok által megadott további kérdésekkel lehet továbbmenni, akár adott vershez kapcsolódóan egy más jellegű elemzést, ahol különböző dolgokra jutnak, mondjuk maga csak az elemzés, a költő életéhez kapcsolódó összefüggések vizsgálatával. Remélem, hogy tetszett így délutánra egy kicsit ez a megvilágítás is. Köszönöm szépen.