Market Marshes

KI for flomprediksjon

8.–10. trinn / VGS 90 minutter Grupper (2–3)

AI Quests | Google Research & Stanford Accelerator for Learning

«Dere er et team av KI-forskere. Dere har fått et hasteoppdrag fra Riverwatch Institute. En kystby opplever stadig kraftigere elvefloм — hus vaskes bort, veier kuttes, folk mister livet. Meteorologene klarer ikke å varsle godt nok i tide. Kommunen trenger en KI-modell som kan predikere floм minst 48 timer på forhånd — slik at folk rekker å evakuere. Historiske data fra 30 år er klare. Nå er det dere som avgjør: Hva skal modellen lære av? Og når er den god nok til å stole på?»

Oppdragsbriefing

  • Dere skal bygge en maskinlæringsmodell som predikerer floм
  • Fire faser: Onboarding → Datautforskning → Modelltrening → Løsning
  • Innlogging på https://research.google/ai-quests
  • Jobb i grupper på 2–3 elever
  • Totalt 90 minutter

Fase 2: Datautforskning

  • Undersøk 30 år med historiske flomdata
  • Identifiser mønstre — hvilke faktorer forutgår floм?
  • Velg datakjennetegn: Nedbør? Vannstand? Temperatur? Alle?
  • Spørsmål: Hva betyr det å «velge» data for en modell?

Fase 3: Modelltrening og testing

  • Trening: Modellen lærer mønstre fra historiske data
  • Testing: Hvordan gjør modellen på «nye» data?
  • Resultater: Nøyaktighet, falske alarmer, glipper
  • Spørsmål: Hva er «godt nok» for en floмvarslingsmodell?

Spørsmål for klassen

1. Hvilke data valgte dere? Hvorfor?

2. Hva skjedde da dere testet modellen?

3. Hva er «godt nok» — 95 %? 99 %?

4. Hvem er ansvarlig når modellen tar feil?

Nøkkelpunkter

  • Maskinlæring handler om data, valg og testing — ikke magisk «AI»
  • Systemer som skal redde liv må være nøyaktige, men usikkerhet er alltid til stede
  • Teknologi alene løser ikke problemet — ansvarlighet og etikk er avgjørende
  • Refleksjonsspørsmål: «Hvem bærer ansvaret?» er like viktig som «Hvordan bygger vi modellen?»