Kan KI gjette følelsen din?

Kan KI kjenne igjen følelser?

Hvordan trene sin egen KI-modell i Teachable Machine?

60 min 8.–10. trinn Grupper Med skjerm

10 minOppvarming (unplugged)

15 minIntroduksjon til Teachable Machine

25 minElevene trener sine egne modeller

10 minRefleksjon og diskusjon

Hva elevene faktisk gjør — og hvorfor det virker

Bildeklassifikasjon er en av de viktigste anvendelsene av moderne KI. Fra medisinsk diagnose til ansiktsgjenkjenning og bildemerking på sosiale medier — det handler om at en datamaskin lærer å sortere bilder i kategorier. Teachable Machine (Google Creative Lab) lar elever trene sin egen modell helt uten kode — bare ved å vise den eksempelbilder. Modellen lærer mønstre fra treningsdata, ikke fra regler som mennesker har programmert inn.

I denne aktiviteten skal elevene lære KI-en å skille mellom glade og triste emojier. Det virker enkelt, men det åpner dører til viktige konsepter: treningsdata (eksempelbilledene), klasser (kategoriene), konfidensgrad (hvor sikker modellen er), og bias (hva som skjer hvis treningsdataene er skjeve). Når elevene etterpå hører at selv store KI-systemer kan svike på grupper de ikke ble trent godt nok på — eller at et ansiktsgjenkjenningssystem fungerer dårlig for mennesker med mørk hud — har de en konkret erfaring å koble det til.

Teachable Machine kjører helt i nettleseren. Det betyr at bildene elevene tar med kameraet sitt aldri sendes til Google eller lagres på servere. Det er et viktig punkt å nevne for elevene og deres foreldre — det viser at personvern er tatt på alvor fra starten.

Vil du forstå konseptet bak? Les Slik virker KI — 5 minutter.

Slå opp ved behov

Læringsmål og kompetansemål

Hva elevene skal lære

Elevene skal beskrive hva bildeklassifikasjon er og gi et eksempel fra hverdagen. De skal forklare hva treningsdata er, og hvordan de påvirker KI-modellens nøyaktighet. Elevene skal trene en enkel KI-modell i Teachable Machine og tolke konfidensgraden — forstå at høy konfidensgrad ikke betyr at svaret er riktig, bare at KI-en er sikker.

Forankring i LK20

Matematikk — Samle, sortere og representere data; bruke enkle digitale verktøy til å utforske mønstre.

Naturfag — Bruke digitale verktøy til å utforske og presentere fenomener; forstå teknologiske løsninger i hverdagen.

Samfunnsfag (digitale ferdigheter) — Forstå at digitale systemer følger regler laget av mennesker; kritisk vurdere bruk av teknologi.

Begreper i dette opplegget

Bildeklassifikasjon: KI-oppgave der systemet sorterer bilder inn i kategorier basert på mønstre det har lært fra eksempler.
Treningsdata: Merkede eksempelbilder som en KI-modell lærer fra. Kvaliteten og mengden påvirker hvor god modellen blir.
Klasse: En kategori som KI-en skal gjenkjenne — for eksempel «Glad», «Trist» eller «Overrasket».
Konfidensgrad: Prosentvis sikkerhet i KI-ens svar — for eksempel 87 % sikker på at det er en glad emoji. Høy konfidensgrad betyr ikke at svaret er riktig, bare at modellen er sikker.
Nevrale nettverk: KI-arkitektur inspirert av hvordan hjernen fungerer, brukt til bildegjenkjenning og mange andre oppgaver.
Bias / Skjevhet: Feil i treningsdataene som gjør KI-en unøyaktig for visse grupper — for eksempel hvis alle «glad»-bilder viser samme type ansikt.

Alle begreper i ordlisten →

Dette sier du til elevene

«Tenk deg at telefonen din kan se om du er glad eller trist. Den bruker kameraet til å lese ansiktet ditt — akkurat slik dere gjenkjenner følelser hos hverandre. I dag skal dere bli KI-trenere: dere skal lære en datamaskin å kjenne igjen følelser. Ikke ved å programmere den, men ved å vise den eksempler. Tusenvis av dem. Det er slik ekte KI lærer.»

💡 Tips: Spør elevene: «Hvordan ville dere lært en robot å kjenne igjen at noen er glad?» Ta imot svarene. Fortell at i dag skal de finne ut det ved å vise KI-en bilder — og se at den lærer.

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.

Elevene delte emojier der de var sikre på følelsen, og emojier der det var usikkert. Hva gjorde forskjellen?
Hvis KI-en hadde møtt en ny type happy-face som den aldri hadde sett — ville den gjenkjent den?
Elevens mobil bruker maskinlæring til å kjenne igjen ansiktet deres og låse opp telefonen. Hva tror dere er viktig når en sånn KI skal trenes?
KI-er brukes også til å gjenkjenne dyr, planter, sekunder på bilder fra legen. Hva kan gå galt hvis treningsdataene ikke viser hele virkeligheten?

I virkeligheten — og videre arbeid

I virkeligheten

Ansiktsgjenkjenning — iPhone FaceID, BankID — låser opp og bekrefter identitet
Google Lens — Fotografer en plante, KI-en forteller deg hva den heter
Snapchat og Instagram — Filter som forandrer ansiktet ditt — bruker samme teknikk
Medisinsk diagnose — Doktorer bruker KI til å oppdage sykdom i røntgenbilder
Selvkjørende biler — Gjenkjenner fotgjengere, andre biler, trafikklys — fra milliarder bilder

Bygg videre på opplegget

Tren KI på noe eget — Bruk Teachable Machine til å trene en modell som gjenkjenner noe elevene selv velger — dyreverslekn, leker, blomster eller handgebærder. Hva er viktig når man samler inn treningsdata?
Undersøk bias — Diskuter: Hvis en ansiktsgjenkjenningssystem trenes på bilder av mennesker fra kun ett land, hva kan gå galt? Hvordan ville du fikset det?
Sammenlign modeller — To elever (eller grupper) trener hver sin modell på samme emojier. Vil de få samme resultat? Hvorfor eller hvorfor ikke?

Slik ser det ut i klasserommet