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
Datamaskiner «ser» ikke som mennesker gjør. De konverterer bilder til piksler — bittesmå firkanter, hver med en RGB-fargeverdi (rød, grønn, blå, 0–255). Gjennom maskinlæring lærer en modell å gjenkjenne mønstre i disse tallene. Dette kalles feature extraction: KI-en identifiserer og trekker ut viktige trekk ved objekter (form, farge, tekstur) som gjør at den kan sortere og klassifisere.
I denne aktiviteten oppdager elevene denne prosessen først ved å tegne i AutoDraw (og se en ekte KI gjette i sanntid), og deretter ved å selv bli et nevralt nettverk: i grupper på tre tar de rollen som hvert sitt lag — én skisserer, én sjekker etter rektangulære, trekantede og runde former, én slår opp i en klassifiseringstabell og avgjør om kortet viser et hus, en bil eller en katt. Når gruppa til slutt får et kort som ikke passer i noen kategori — en hund, en sykkel — oppdager de den viktigste grensen ved dagens KI: den kan bare gjenkjenne det den er trent på. Den norske tilpassingen bruker både norske og australske eksempler i motivasjonsdelen: haier-drone, ugress i Kakadu, selvkjørende biler — alle genuine KI-programmer som elevene kan relatere til.
Aktiviteten bindes sammen av spørsmålet: «Hva bruker KI-en for å gjenkjenne?» Svaret er: mønstre, ikke meninger. Elevene lærer at KI er kraftig når data er representative, men kan feile systematisk hvis den er trent på skjeve datasett — eller rett og slett ikke gjenkjenner noe den aldri har sett før.
Vil du forstå konseptet bak? Les Slik virker KI — 5 minutter.
Forbered en kort video eller GIF som viser en drone som spotter haier (finnes på YouTube), eller vis skjermbildet fra originaldokumentet
Nettbrett eller laptop med internett — ett per gruppe, til AutoDraw
AutoDraw: autodraw.com
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 piksler er og hvordan farger representeres som tall (RGB), og beskrive hva feature extraction er ved å gi konkrete eksempler fra AutoDraw-eksperimentet og KI-kortspillet. De skal forstå at et nevralt nettverk er bygd opp av lag, der hvert lag trekker ut stadig mer sammensatte trekk, og at nettverket klassifiserer objekter etter faste regler — ikke etter mening.
De skal oppdage at et nevralt nettverk bare kan gjenkjenne kategorier det allerede er trent på, og resonnere rundt hva som må endres — flere trekk, flere lag, eller en ny kategori — for at nettverket skal klare å gjenkjenne noe det ikke kjenner fra før, som en hund. Gjennom hele aktiviteten skal de forstå at treningsdata avgjør kvaliteten og nøyaktigheten av et KI-system.
Forankring i LK20
Naturfag — Observere og klassifisere organismer; bruke digitale verktøy til utforsking og datainnsamling.
Matematikk — Forstå tall og tallsystemer; gjenkjenne og beskrive geometriske former og deres egenskaper; bruke regler og tabeller til å sortere og klassifisere.
Teknologi (valgfag/tverrfaglig) — Utforske og bruke digitale verktøy til å løse problemer; forstå hvordan datamaskiner behandler informasjon, gjenkjenner mønstre og er bygget opp av lag som trekker ut stadig mer sammensatte trekk.
Begreper i dette opplegget
Datamaskinvisjon: Fagfelt der datamaskiner trenes til å tolke bilder og video — det er måten datamaskinen «ser» på.
Piksel: Minste enhet i et digitalt bilde — en liten firkant med en fargeverdi (RGB).
RGB: Fargesystem som datamaskiner bruker: Rød, Grønn, Blå — hver farge har en verdi fra 0 til 255.
Feature extraction: Identifikasjon av viktige trekk i et bilde — form, farge, tekstur — som gjør at KI kan gjenkjenne objektet. I kortspillet er det rektangulære, trekantede og runde former som trekkes ut.
Nevralt nettverk: Et system inspirert av hjernens nerveceller, bygd opp av lag som hver især gjenkjenner stadig mer sammensatte mønstre — fra enkle former til hele objekter.
Lag: Ett trinn i et nevralt nettverk. Hvert lag tar imot informasjon fra laget før, trekker ut nye mønstre, og sender dem videre. Flere lag gjør nettverket i stand til å gjenkjenne mer komplekse objekter.
Klassifikasjon: Sortering av data i forhåndsdefinerte kategorier — f.eks. «dette er et hus, ikke en bil».
Treningsdata: De merkede eksemplene som KI-modellen lærer fra — kvaliteten avgjør hvor god modellen blir, og hvilke kategorier den kan gjenkjenne.
«En drone over stranda i Australia bruker KI til å spot haier — og sender alarm til strandvaktene før noen blir skadd. En annen drone i Kakadu-nasjonalparken kjenkjenner invasive ugresser med 90 prosent nøyaktighet. Selvkjørende biler ser trafikklyset og skiller det fra et tre. Hvordan kan en datamaskin gjøre alt dette — når den egentlig bare ser tall?»
💡 Tips: Tegn et enkelt dyr på tavla (en hai, en elg, en fugl). Spør elevene: «Hva trenger jeg for å tegne det? Hvilke trekk er viktigst?» La dem diskutere i 30 sekunder før dere går videre. Fortell at i dag skal de finne ut akkurat det — og selv spille rollen som et nevralt nettverk.
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 en piksel? Hvorfor trenger datamaskinen å dele bilder i piksler?
I AutoDraw og i kortspillet var dere begge del av en gjetteprosess — hva var likt, og hva var ulikt?
Hvorfor klarte ikke nettverket i kortspillet å gjenkjenne wildcard-kortet? Hva måtte til for at det skulle klare det?
Hvorfor er ett lag med bare tre spørsmål (rektangulær? trekantet? rund?) ikke nok til å skille alle objekter fra hverandre?
Hva hvis KI-en bare er trent på bilder fra Australia — og vi bruker den i Norge?
I virkeligheten — og videre arbeid
I virkeligheten
Haier-drone (Shark Alert) — Spotter haier og sender alarm til stranda — redder menneskeliv
Kakadu-ugress-KI — Identifiserer invasive planter fra dronebilder for å beskytte naturreservat
Selvkjørende biler (Waymo) — Må skille trafikklys, mennesker, gjenstander — i sanntid
Dyrehage-app — Kameraet på mobilen kan kjenne igjen dyr for besøkende
Medisinsk analyse — KI identifiserer tumorer eller infeksjoner i røntgenbilder
Bygg videre på opplegget
Tren din egen KI — Dere har nettopp spilt en forenklet versjon av et nevralt nettverk for hånd. Bruk Teachable Machine (teachablemachine.withgoogle.com) til å trene en ekte bildegjenkjennings-modell på tre norske dyr. Last opp 20 bilder per dyr, tren modellen og test den på nye bilder. Diskuter: Hva skjer når du ikke har nok treningsdata?
Design en dronapp for Norge — Elevene designer en app som bruker dronekameraet til å oppdage norske fugler eller havdyr. Hva trenger appen å «se»? Hvilke trekk er viktigst? Hva kan gå galt?
Etikk-diskusjon — Haier-drone og menneskerettigheter: Haier-droner redder menneskeliv. Men hvilke data lagres? Hvem eier bildene? Hva hvis systemet brukes feil? Elevene gjennomfører en etisk analyse eller debatt.
