Differences

This shows you the differences between two versions of the page.

--- ai:gymnasio:start [2026/05/17 22:57] – [🛠️ Συμβουλή Διδασκαλίας (Teacher's Tip)] dmakryp
+++ ai:gymnasio:start [Unknown date] (current) – removed - external edit (Unknown date) 127.0.0.1
@@ Line 1: / Line 1: @@
-====== 2. Τεχνητή Νοημοσύνη (AI) ======
-{{https://cdn.pixabay.com/photo/2021/08/04/13/06/software-developer-6521720_1280.jpg?150|AI Logo}}
-Σύμφωνα με το [[https://www.iep.edu.gr/wp-content/uploads/2025/01/21-0227-01_V1_Pliroforiki_G-Gymnasiou_Vivlio-Mathiti_Sympliromatiko-Ekpaideutiko-Yliko.pdf|Βιβλίο Πληροφορικής Γ’ Γυμνασίου (ΙΕΠ)]] και το επίσημο [[https://iep.edu.gr/el/component/k2/content/115-texniti-noimosyni-ekpaideytiko-yliko|Ψηφιακό Υλικό AI του ΙΕΠ]], ο στόχος μας είναι η κατανόηση του τρόπου με τον οποίο οι μηχανές "μαθαίνουν", η αλληλεπίδρασή μας μαζί τους και ο προβληματισμός γύρω από τις κοινωνικές και ηθικές προεκτάσεις της τεχνολογίας.
-Μπορείτε να δουλέψετε τις δραστηριότητες διαδραστικά στην τάξη ή σε online περιβάλλοντα (π.χ. Teachable Machine, Machine Learning for Kids).
----
-===== 📘 Βασική Θεωρία & Έννοιες =====
-==== Τι είναι η Τεχνητή Νοημοσύνη; ====
-**Τεχνητή Νοημοσύνη (Artificial Intelligence - AI)** είναι ο κλάδος της πληροφορικής που ασχολείται με τη δημιουργία υπολογιστικών συστημάτων που μπορούν να εκτελούν εργασίες οι οποίες κανονικά απαιτούν ανθρώπινη νοημοσύνη (π.χ. αναγνώριση εικόνας, λήψη αποφάσεων, κατανόηση γλώσσας).
-==== Πώς μαθαίνουν οι μηχανές; (Μηχανική Μάθηση) ====
-Στον παραδοσιακό προγραμματισμό, δίνουμε στη μηχανή **Δεδομένα + Κανόνες (Κώδικα)** για να πάρουμε ένα Αποτέλεσμα.
-Στη **Μηχανική Μάθηση (Machine Learning)**, δίνουμε στη μηχανή **Δεδομένα + Αποτελέσματα** και η ίδια η μηχανή βρίσκει/παράγει τους **Κανόνες**!
-Ο κύκλος ανάπτυξης ενός μοντέλου AI περιλαμβάνει 3 βασικά βήματα:
-. **Συλλογή Δεδομένων (Data Collection):** Συγκεντρώνουμε παραδείγματα (π.χ. φωτογραφίες από γάτες και σκύλους).
-. **Εκπαίδευση Μοντέλου (Training):** Η μηχανή μελετά τα δεδομένα και βρίσκει κοινά χαρακτηριστικά (πρότυπα).
-. **Δοκιμή / Έλεγχος (Testing/Prediction):** Δίνουμε στη μηχανή μια νέα, άγνωστη εικόνα για να δούμε αν θα την προβλέψει σωστά.
-⚠️ **Ηθική & Προκατάληψη (AI Bias):**
-> Αν τα δεδομένα με τα οποία εκπαιδεύουμε μια μηχανή είναι ελλιπή, μονόπλευρα ή περιέχουν ανθρώπινα στερεότυπα, τότε η μηχανή θα μάθει να είναι προκατειλημμένη. Οι αποφάσεις της AI είναι τόσο καλές όσο και τα δεδομένα που της δώσαμε!
----
-===== 🎯 20 Επαναληπτικές Ασκήσεις & Δραστηριότητες =====
-===== 🟢 Επίπεδο 1: Βασικές Έννοιες (Κατανόηση & Αναγνώριση) =====
-==== Άσκηση 1: AI εναντίον Φυσικής Νοημοσύνης ====
-Σημειώστε ποιες από τις παρακάτω δραστηριότητες απαιτούν Τεχνητή Νοημοσύνη (AI) όταν εκτελούνται από έναν υπολογιστή:
-  * Ο υπολογισμός του αθροίσματος 456 + 789.
-  * Η αναγνώριση αν μια φωτογραφία δείχνει ώριμη ή άγουρη ντομάτα.
-  * Η αυτόματη μετάφραση ενός κειμένου από τα Ελληνικά στα Γαλλικά.
-  * Η αποθήκευση ενός αρχείου κειμένου στο δίσκο.
-==== Άσκηση 2: Ο Κύκλος της Μηχανικής Μάθησης ====
-Βάλτε στη σωστή χρονική σειρά τα παρακάτω βήματα για τη δημιουργία ενός συστήματος AI που αναγνωρίζει φωνητικές εντολές:
-  * **Α:** Δοκιμάζουμε το σύστημα με νέες φωνές για να δούμε αν τις καταλαβαίνει.
-  * **Β:** Ηχογραφούμε 200 άτομα να λένε τις λέξεις "Άναψε" και "Σβήσε".
-  * **Γ:** Τροφοδοτούμε τις ηχογραφήσεις στον αλγόριθμο για να εντοπίσει τα κοινά μοτίβα της συχνότητας.
-==== Άσκηση 3: Ταξινόμηση Δεδομένων ====
-Τι είδους δεδομένα εισόδου (Εικόνα, Ήχος, Κείμενο ή Αριθμητικά Δεδομένα) χρειάζεται να συλλέξουμε για την εκπαίδευση των παρακάτω συστημάτων;
-. Ένα έξυπνο σύστημα που προβλέπει την τιμή ενός σπιτιού με βάση τα τετραγωνικά και την περιοχή.
-. Ένα σύστημα ασφαλείας που ξεκλειδώνει μια πόρτα αναγνωρίζοντας το πρόσωπο του ιδιοκτήτη.
-. Ένα chatbot που απαντάει σε ερωτήσεις πελατών σε ένα e-shop.
-==== Άσκηση 4: Εφαρμογές της AI στην καθημερινότητα ====
-Αναφέρετε τρία (3) συστήματα ή εφαρμογές που χρησιμοποιείτε στο smartphone ή στο διαδίκτυο οι οποίες βασίζονται σε αλγορίθμους Τεχνητής Νοημοσύνης.
-==== Άσκηση 5: 🔎 Εύρεση Σφαλμάτων στα Δεδομένα ====
-Ένας μαθητής θέλει να φτιάξτε ένα μοντέλο AI που να ξεχωρίζει τα μήλα από τα πορτοκάλια. Στο σύνολο δεδομένων εκπαίδευσης βάζει 100 φωτογραφίες από κόκκινα μήλα και 100 φωτογραφίες από πορτοκαλί πορτοκάλια. Όταν του δείχνει ένα πράσινο μήλο, το μοντέλο αποτυγχάνει. Γιατί συνέβη αυτό;
----
-===== 🟡 Επίπεδο 2: Πώς Λειτουργούν οι Αλγόριθμοι (Λογική & Μοντέλα) =====
-==== Άσκηση 6: Παραδοσιακός Προγραμματισμός vs Μηχανική Μάθηση ====
-Εξηγήστε με δικά σας λόγια (1-2 προτάσεις) ποια είναι η βασική διαφορά ανάμεσα στον τρόπο που γράφουμε ένα πρόγραμμα στην Python (κανόνες) και στον τρόπο που εκπαιδεύουμε ένα μοντέλο Μηχανικής Μάθησης.
-==== Άσκηση 7: Δέντρα Απόφασης (Decision Trees) ====
-Σχεδιάστε με απλά λόγια ή διάγραμμα ένα "Δέντρο Απόφασης" με 2-3 ερωτήσεις (Ναι/Όχι) που θα μπορούσε να χρησιμοποιήσει ένα απλό σύστημα AI για να κατατάξει ένα ζώο στις κατηγορίες: ''Θηλαστικό'', ''Πτηνό'' ή ''Ψάρι''.
-==== Άσκηση 8: Η Σημασία του Πλήθους των Δεδομένων ====
-Θέλουμε να εκπαιδεύσουμε ένα σύστημα να αναγνωρίζει τον γραφικό χαρακτήρα διαφόρων ανθρώπων. Το Μοντέλο Α εκπαιδεύεται με 5 παραδείγματα για κάθε γράμμα και το Μοντέλο Β με 500 παραδείγματα. Ποιο μοντέλο αναμένεται να έχει μεγαλύτερη ακρίβεια (accuracy) και γιατί;
-==== Άσκηση 9: Αναγνώριση Προτύπων (Pattern Recognition) ====
-Πώς καταφέρνει ένας υπολογιστής να "δει" μια ψηφιακή εικόνα και να αναγνωρίσει σχήματα; Τι αντιπροσωπεύουν οι αριθμοί που επεξεργάζεται στο παρασκήνιο; (Συμβουλή: Σκεφτείτε τα εικονοστοιχεία - pixels).
-==== Άσκηση 10: Εποπτευόμενη μάθηση (Supervised Learning) ====
-Στην Εποπτευόμενη Μάθηση, τα δεδομένα μας πρέπει να είναι "επισημασμένα" (labeled). Τι σημαίνει ο όρος "ετικέτα" (label) στα δεδομένα εκπαίδευσης; Δώστε ένα παράδειγμα.
----
-===== 🟠 Επίπεδο 3: Ηθική της AI, Προκαταλήψεις & Κοινωνία =====
-==== Άσκηση 11: 🔎 Μελέτη Περίπτωσης: Το Έξυπνο Σύστημα Προσλήψεων ====
-Μια μεγάλη εταιρεία τεχνολογίας εκπαίδευσε ένα σύστημα AI να αξιολογεί βιογραφικά σημειώματα για προσλήψεις, χρησιμοποιώντας τα βιογραφικά των υπαλλήλων που είχε προσλάβει τα τελευταία 20 χρόνια. Επειδή στο παρελθόν η εταιρεία προσλάμβανε κυρίως άνδρες, το AI άρχισε να απορρίπτει αυτόματα τις αιτήσεις γυναικών.
-  * Πώς ονομάζεται αυτό το φαινόμενο;
-  * Ποιος φταίει: ο αλγόριθμος ή τα δεδομένα;
-==== Άσκηση 12: Deepfakes και Παραπληροφόρηση ====
-Τι είναι οι τεχνολογίες **Deepfake** (κατασκευή πλαστών βίντεο/εικόνων/φωνών) και ποιοι κίνδυνοι δημιουργούνται για την κοινωνία και την αξιοπιστία των ειδήσεων;
-==== Άσκηση 13: Ταξινόμηση και Ιδιωτικότητα ====
-Πολλά έξυπνα συστήματα καταγράφουν τις αναζητήσεις, τα likes και τα βίντεο που βλέπουμε για να μας προτείνουν νέο περιεχόμενο ή διαφημίσεις. Πιστεύετε ότι αυτό παραβιάζει την ιδιωτικότητά μας; Να αναπτύξετε ένα σύντομο επιχείρημα.
-==== Άσκηση 14: Αυτοματοποίηση και Θέσεις Εργασίας ====
-Η εισαγωγή της AI στην αγορά εργασίας αλλάζει πολλά επαγγέλματα (π.χ. αυτόνομη οδήγηση φορτηγών, αυτόματη συγγραφή αναφορών). Αναφέρετε ένα επάγγελμα που κινδυνεύει να αντικατασταθεί και ένα νέο επάγγελμα που δημιουργείται εξαιτίας της AI.
-==== Άσκηση 15: Το Ηθικό Δίλημμα του Αυτόνομου Οχήματος ====
-Ένα αυτοοδηγούμενο αυτοκίνητο χάνει τα φρένα του και πρέπει να επιλέξει ακαριαία ανάμεσα σε δύο πορείες: να πέσει πάνω σε έναν τοίχο (τραυματίζοντας τον οδηγό του) ή να στρίψει και να χτυπήσει έναν πεζό. Ποιος πρέπει να ορίσει τους κανόνες για το πώς θα "αποφασίζει" η AI σε τέτοιες ακραίες περιπτώσεις;
----
-===== 🔴 Επίπεδο 4: Δημιουργική AI & Μελλοντικές Προκλήσεις =====
-==== Άσκηση 16: Δημιουργική Τεχνητή Νοημοσύνη (Generative AI) ====
-Συστήματα όπως το ChatGPT ή εργαλεία δημιουργίας εικόνων (Text-to-Image) μπορούν να γράφουν δοκίμια ή να ζωγραφίζουν πίνακες. Μπορούμε να θεωρήσουμε ότι αυτά τα συστήματα έχουν πραγματική "καλλιτεχνική έμπνευση" και "συναισθήματα"; Δικαιολογήστε την απάντησή σας.
-==== Άσκηση 17: Πνευματικά Δικαιώματα (Copyright) στην εποχή της AI ====
-Όταν ένα μοντέλο AI εκπαιδεύεται μελετώντας εκατομμύρια βιβλία και πίνακες ζωγραφικής γνωστών καλλιτεχνών χωρίς την άδειά τους, και στη συνέχεια παράγει ένα νέο έργο, σε ποιον ανήκουν τα πνευματικά δικαιώματα; Στον δημιουργό του AI, στον καλλιτέχνη που χρησιμοποιήθηκε για την εκπαίδευση, ή σε κανέναν;
-==== Άσκηση 18: Το Τεστ του Τούρινγκ (Turing Test) ====
-Τι είναι το περίφημο "Τεστ του Τούρινγκ" και ποιο σκοπό εξυπηρετεί στην επιστήμη των υπολογιστών; Κατά τη γνώμη σας, αν μια μηχανή το περάσει, γίνεται αυτόματα "έξυπνη";
-==== Άσκηση 19: Ισχυρή vs Ασθενής Τεχνητή Νοημοσύνη ====
-Όλα τα συστήματα AI που έχουμε σήμερα (π.χ. αλγόριθμοι σκακιού, αυτόματη μετάφραση) ανήκουν στην **Ασθενή AI (Narrow AI)**, δηλαδή κάνουν εξαιρετικά ΜΙΑ μόνο συγκεκριμένη εργασία. Τι είναι η **Ισχυρή AI (General AI)** και γιατί αποτελεί αντικείμενο έντονης συζήτησης;
-==== Άσκηση 20: 🧩 Σχεδιασμός ενός Έξυπνου Συστήματος ====
-Φανταστείτε ότι θέλετε να σχεδιάσετε ένα έξυπνο σύστημα για το σχολείο σας που θα ξεχωρίζει ποια απορρίμματα πάνε στον πράσινο κάδο και ποια στον μπλε κάδο ανακύκλωσης. Περιγράψτε σύντομα:
-. Τι δεδομένα θα συλλέγατε για να το εκπαιδεύσετε.
-. Πώς θα ελέγχατε αν το σύστημα λειτουργεί σωστά πριν το τοποθετήσετε στην αυλή.
----
-===== 🛠️ Συμβουλή Διδασκαλίας (Teacher's Tip) =====
-> Προτρέψτε τους μαθητές να πειραματιστούν με το **Teachable Machine** της Google. Μέσα σε 5 λεπτά, χρησιμοποιώντας την κάμερα του υπολογιστή, μπορούν να εκπαιδεύσουν το πρώτο τους δικό τους μοντέλο AI (π.χ. να ξεχωρίζει αν φοράνε ή όχι τη σχολική τους τσάντα) και να κατανοήσουν βιωματικά όλη τη θεωρία!
-----
-**Μακρυπόδης Διονύσιος** **Καθηγητής Πληροφορικής**