Veštačka inteligencija → Modul 6 → Završni projekat

Završni projekat: napravi svoj AI projekat

Kroz kurs si naučio šta je veštačka inteligencija, kako mašina uči, kako se AI programira i kako radi na malim uređajima. Sada je vreme da napraviš nešto svoje. Projekat ima tri varijante – izaberi onu koja odgovara onome što znaš. Sve tri vrede isto: ocenjuje se razumevanje, a ne težina alata.

Tri varijante

Projekat se radi sam ili u paru. U paru svako mora da ume da objasni ceo projekat, ne samo svoj deo.

🟢 Varijanta 1: „AI oko nas“ i Teachable Machine

Zadatak: napravi plakat ili kratku prezentaciju (6–8 slajdova) o veštačkoj inteligenciji u tvom svakodnevnom životu i uz nju svoj mali model u Teachable Machine.

1. AI oko mene: pronađi 5 primera AI koje koristiš ti ili tvoja porodica (telefon, preporuke, prevodilac, navigacija…). Za svaki napiši: šta radi, iz kakvih podataka je verovatno učio i šta može da pogreši.
2. Moj model: u Teachable Machine napravi model sa 2–3 klase (npr. predmeti sa stola, zvuci, pokreti ruke). Snimi bar 30 primera po klasi – predmete, a ne lica ljudi.
3. Provera: isprobaj model na 10 novih primera i zapiši koliko je bio tačan. Nađi jedan primer na kome greši i objasni zašto.
4. Poboljšanje: dodaj primere ili promeni pozadinu i proveri ponovo. Da li je bolje?
5. Etika: jedan slajd (ili deo plakata) o tome kako bi takav model mogao da se zloupotrebi ili da bude nepravedan i kako to sprečiti.

Primeri tema: razvrstavanje otpada (papir, plastika, metal); prepoznavanje školskog pribora; aplauz, zviždanje i tišina; „kamen, papir, makaze“ pokretima ruke.

🟡 Varijanta 2: klasifikator sa sopstvenim podacima

Zadatak: prikupi svoju tabelu podataka, nauči model u Pythonu i proveri koliko je dobar.

1. Pitanje: izaberi šta model treba da predvidi i iz kojih osobina. Primeri: vrsta lista iz dužine i širine; da li je dan „za šetnju“ iz temperature, vetra i oblačnosti; žanr pesme iz tempa i trajanja.
2. Podaci: izmeri i zapiši bar 40 primera u fajl .csv (kao voce.csv iz lekcije Priprema). Napiši kako si ih prikupio.
3. Grafik: nacrtaj podatke (matplotlib) i opiši da li se grupe vide golim okom.
4. Model: podeli podatke na učenje i proveru (80 % / 20 %) i isprobaj bar dva modela – na primer k-NN i stablo odlučivanja ili neuronsku mrežu. Uporedi tačnost.
5. Analiza grešaka: pronađi primere na kojima model greši. Da li fale podaci? Da li su neke osobine nevažne?
6. Upotreba: napiši mali program koji pita korisnika za vrednosti i ispisuje predviđanje.

🔵 Varijanta 3: uređaj koji „uči“

Zadatak: napravi uređaj koji prikuplja podatke senzorom, a odluke donosi pomoću modela koji je naučen iz tih podataka.

1. Ideja: šta uređaj prepoznaje? Primeri: stanje u učionici ili sobi (DHT11, LDR), da li je biljci potrebna voda (senzor vlažnosti zemlje), pokreti ruke (micro:bit), da li su vrata otvorena (ultrazvučni senzor ili akcelerometar).
2. Prikupljanje: uređaj šalje merenja računaru, kao u lekciji ESP32 prikuplja podatke. Prikupi bar 100 merenja i obeleži ih.
3. Učenje: nauči malo stablo odlučivanja u Pythonu i prebaci ga na ploču (Model iz Pythona na ESP32) ili napravi prepoznavanje pokreta na micro:bit-u (micro:bit prepoznaje pokrete).
4. Prikaz: uređaj pokazuje odluku – LED diodom, svetlećim prstenom, ekranom ili veb stranom.
5. Provera u stvarnosti: pusti uređaj da radi bar 15 minuta i zapiši koliko puta se njegova odluka slagala sa tvojom procenom.
6. Šta bi radio drugačije: više podataka, drugi senzor, drugačije granice?

Ideja za ceo razred: pametna učionica iz kursa Arduino i ESP32, u kojoj pravila više ne pišemo mi, nego ih model uči.

Plan rada

Dnevnik projekta je najvažniji deo: posle svakog časa zapiši šta si uradio, šta nije radilo i šta si promenio. Iz dnevnika se vidi da je projekat tvoj.

Pravila o korišćenju AI alata

• AI alate smeš da koristiš kao pomoćnika – da ti objasni grešku ili predloži ideju – ali u dnevniku zapiši šta si pitao i šta si od toga upotrebio.
• Kod koji ne razumeš ne ide u projekat. Na predstavljanju moraš da objasniš svaki deo.
• Ne prikupljaj lične podatke drugih ljudi bez njihove dozvole (i dozvole roditelja); ne snimaj lica za model.
• Slike, tekst ili zvuk koje je napravila AI označi kao takve.

Više o tome: Kako koristiti AI alate i Etika i bezbednost AI.

Ocenjivanje (100 poena)

Bodovanje i skala su predlog; nastavnik može da ih prilagodi.

Lista za proveru pre predaje

• ☐ Znam da objasnim šta moj model predviđa i iz kojih podataka.
• ☐ Proverio sam model na primerima koje nije video tokom učenja.
• ☐ Pronašao sam bar jednu grešku modela i objasnio je.
• ☐ Napisao sam kako bi projekat mogao da bude nepravedan ili zloupotrebljen.
• ☐ U dnevniku piše šta sam radio i gde sam koristio AI alate.
• ☐ Projekat ne sadrži lične podatke ni lica drugih ljudi bez dozvole.

Česte zablude

• „Što je model složeniji, to je projekat bolji“ – dobar projekat ima jasno pitanje, dobre podatke i poštenu proveru – i jednostavan model to može.
• „Tačnost 100 % znači da je model savršen“ – verovatno je provera bila na istim primerima na kojima je učio ili je primera premalo.
• „Greške modela treba sakriti“ – objašnjene greške donose poene – one pokazuju da razumeš kako model radi.

Zadaci za vežbu

Pokušaj prvo sam, pa tek onda otvori rešenje.

1. Učenik je napravio model koji iz slike prepoznaje jabuku i krušku. Na proveri je imao tačnost 100 %, ali kod kuće model stalno greši. Navedi dva moguća razloga.
2. Za varijantu 🟡 predloži jednu temu: šta model predviđa, koje 2–3 osobine koristi i kako ćeš prikupiti 40 primera.
3. Projekat „Prepoznavanje drugara iz odeljenja po licu“. Šta je problem sa ovom temom i kako bi je promenio?

Proveri znanje