AI Education – Interaktivní simulátory umělé inteligence pro vaši výuku

⚠️ Tuto fázi nepřeskakujte! Úvodní diskuse vytváří kontext pro celé téma a aktivuje předchozí znalosti žáků. Bez ní bude práce se simulátorem jen mechanickým klikáním.

Co je umělá inteligence? Začněte otevřenou otázkou: „Kde jste se dnes už setkali s AI?" Nechte žáky sdílet zkušenosti (doporučení na YouTube, autokorekce, hlasový asistent...).

Stručná historie AI:

• 1943 – McCulloch & Pitts: první matematický model neuronu
• 1958 – Frank Rosenblatt: perceptron – stroj, který se učí
• 1969 – Minsky & Papert: limity perceptronu → „AI zima"
• 1986 – Backpropagation: vícevrstvé sítě → renesance
• 2012 – Deep learning: AlexNet → dnešní boom AI

Motivační otázka: „Jak byste naučili počítač rozpoznávat písmena? Popište postup vlastními slovy."

Dva přístupy: Diskutujte rozdíl mezi programováním pravidel („pokud má svislou čáru vlevo, je to L") a učením z příkladů („ukážu ti 1000 L a stroj sám zjistí, co mají společného").

Odpovídá Bloku 1 pracovního listu – „Od biologického neuronu k perceptronu"

Biologický neuron: Stručně představte stavbu neuronu (dendrity → tělo → axon). Využijte schéma v pracovním listu. Zdůrazněte: „86 miliard neuronů propojených v síti – to je náš mozek."

Aktivita: Žáci vyplňují tabulku analogií (dendrity ↔ vstupy, synapse ↔ váhy, tělo ↔ suma, axon ↔ aktivace).

První pohled na simulátor: Nechte žáky otevřít simulátor a odpovědět na orientační otázky:

• Kolik vstupů (LED) má simulátor?
• Kolik potenciometrů (vah)?
• Jaká je výchozí hodnota na voltmetru?

Tip: V této fázi ještě nic nevysvětlujte – pouze nechte žáky pozorovat a zapisovat.

Odpovídá Bloku 2 pracovního listu – „Matematika perceptronu – Jak ‚myslí'"

Predikce před experimentem: Než žáci začnou experimentovat, položte otázky:

• Co se stane s výstupem, když všechny váhy nastavíme na maximum?
• Co když všechny váhy nastavíme na nulu?
• Jaký je rozdíl mezi zapnutou a vypnutou LED z pohledu výpočtu?

Experiment s vahami: Žáci pracují ve dvojicích (pilot + navigátor). Zadání z pracovního listu:

• Nastav vzor „T" a experimentuj s potenciometry
• Zapiš výstup pro váhy 0.5, 1.0, 0.0 a náhodné
• Porovnej svůj ruční výpočet s hodnotou na voltmetru

Zavedení vzorce: Až po experimentu představte formální zápis: y = σ(Σ xᵢ · wᵢ). Žáci už vědí, co symboly znamenají z vlastního pozorování.

Odpovídá Bloku 3 pracovního listu – „Sigmoid aktivace – Proč právě S-křivka?"

Pozorování grafu: Žáci sledují graf sigmoid v simulátoru a pozorují, jak se bod pohybuje při změně vstupů.

Srovnání aktivačních funkcí: Diskutujte výhody a nevýhody tří funkcí:

• Skoková (vypínač) – jednoduchá, ale nelze se učit
• Lineární (přímka) – proporcionální, ale bez hranic
• Sigmoid (S-křivka) – hladká, hranice 0–1, ideální pro pravděpodobnosti

Klíčový vhled: „Sigmoid převádí jakékoliv číslo na rozsah 0 až 1. Proto ho můžeme interpretovat jako míru jistoty."

Odpovídá Bloku 4 pracovního listu – „Učení perceptronu – Gradient Descent"

Analogie: „Představte si, že stojíte na kopci v mlze a chcete dolů do údolí. Jak byste postupovali?" → Odpověď: malými kroky směrem, kde to klesá.

Experiment s Learning Rate: Žáci opakovaně resetují a trénují se stejným vzorem, ale různými hodnotami learning rate (0.005, 0.01, 0.05, 0.1).

• Co se stane při příliš malém learning rate?
• Co při příliš velkém?
• Existuje „správná" hodnota?

Pojmy k zavedení: gradient, learning rate, chyba (loss), optimum.

Odpovídá Bloku 5 pracovního listu – „Trénink klasifikátoru T vs L"

Cíl: Naučit perceptron rozlišovat dvě písmena: T → výstup blízko 0, L → výstup blízko 1.

Trénovací protokol: Žáci střídavě trénují na T (směr 0) a L (směr 1), zapisují hodnoty před a po.

Test naučeného modelu: Po sérii tréninků ověří, zda perceptron správně klasifikuje oba vzory.

Analýza vah: „Podívejte se na hodnoty potenciometrů. Které LED mají vysoké váhy? Které nízké? Proč?" → Vede k pochopení, že perceptron našel rozdíly mezi vzory.

Propojení s úvodem: Vraťte se k úvodní otázce – „Jak jsme vlastně naučili stroj rozpoznávat písmena?"

• Co jsme dělali jinak než při programování pravidel?
• V čem je učení perceptronu podobné lidskému učení?
• Jaké jsou limity jednoho perceptronu? (Jeden perceptron = 2 stavy)

Přechod k další fázi: „Jeden perceptron umí rozlišit pouze dva vzory – T a L. Co kdybychom chtěli rozpoznávat více písmen? Potřebovali bychom více perceptronů..."

Připravuje na další kapitolu - Neural Network Builder – klikněte na tlačítko „🔀 Jak připojit více neuronů?" pod diagramem perceptronu.

Diskusní otázky k diagramu:

• Co mají tři neurony společného? (Stejné vstupy x₁–x₁₆)
• Co má každý neuron vlastní? (Své váhy: w, w', w'')
• Proč je to důležité? (Každý neuron se zaměřuje na jinou charakteristiku)

Kapacita sítě – interaktivní otázka: „Kolik různých písmen může rozpoznat síť o třech neuronech?" Nechte žáky přemýšlet, pak odkryjte odpověď v simulátoru.

• 3 neurony = 3 bity = 2³ = 8 kombinací (000, 001, 010...)
• Každé kombinaci přiřadíme jedno písmeno → až 8 písmen!

Kritická otázka (provokace): „A co kdybychom přidali 6 neuronů? To je 2⁶ = 64 kombinací. Stačilo by to na celou abecedu (32 písmen)?"

• Odpověď: NE! Na 4×4 displeji jsou si písmena příliš podobná.
• Jednovrstvá síť nedokáže zachytit dostatečný detail.
• Řešení: Vícevrstvé sítě (MLP) → téma další kapitoly!

Historická poznámka: Tento problém zastavil výzkum AI na téměř 30 let (1969–1986). Řešení přišlo s vícevrstvými sítěmi a algoritmem backpropagation.

Shrnutí klíčových konceptů:

• Perceptron = matematický model neuronu (vstupy × váhy → suma → aktivace)
• Učení = postupná úprava vah pomocí gradientu
• Jeden perceptron = 2 třídy, více perceptronů = více tříd (2ⁿ)
• Limit: jednovrstvá síť nedokáže řešit složité problémy → potřeba MLP

Domácí úkol (volitelný): „V simulátoru zkuste najít další dvojici písmen, která se dá dobře rozlišit. A zkuste najít dvojici, která se rozlišuje špatně. Proč?"