FORSTÅ

Slik lærer en maskin

Hvordan fungerer maskinlæring — uten skjerm?

45 min 5.–10. trinn og VGS Grupper Unplugged

Kjernepoeng

Elevene simulerer maskinlæringsprosessen fysisk: de studerer merkede eksempelkort, formulerer klassifiseringsregler og tester dem mot ukjent data. Aktiviteten viser konkret hva treningsdata er, og hva som skjer når dataene er skjeve. Ingen teknologi nødvendig.

Tidsplan (45 min)

0–5 min Åpning og scenario
5–25 min Del 1: Treningsfasen
25–35 min Del 2: Test og iterer
35–45 min Oppsummering og refleksjon

Du trenger

Sjekk det du har lært: 2 sider · skriv ut 1 ark per elev
Utskriftsklare kortdekk — ett sett per gruppe (treningskort + testkort)
Saks og eventuelt lamineringsmaskin (for gjenbruk)
Konvolutter til å sortere kortene i
Blyant/penn og notatlapp per gruppe

Forberedelse: Skriv ut kortdekket fra The Tech Interactive — ett sett (treningskort + testkort) per gruppe. Vurder laminering for gjenbruk. Klipp ut kortene og legg dem i konvolutter merket «Treningsdata» og «Testdata» per gruppe. Gjennomfør aktiviteten selv én gang på forhånd — det gjør deg trygg på hva elevene vil oppdage og hva som typisk går galt. Bestem om du vil gjøre refleksjonsrunden som klassediskusjon, i grupper, eller skriftlig.

Slik lærer en maskin · Gjennomføring Side 2

Les til klassen

«Dere er nyansatte dataforskere ved et av verdens ledende tech-selskaper. Sjefen har en utfordring: KI-systemet skal lære å sortere bilder — men ingen har tid til å skrive regler for hvert eneste bilde som finnes. Løsningen? Lær opp systemet ved å vise det eksempler. Jobben deres starter nå.»

Tips: Spør klassen: «Hva tror dere skiller maskinlæring fra vanlig programmering?» Ta imot alle svar uten å vurdere dem. Fortell at de i dag skal finne svaret ved å være maskinlæringsalgoritmen selv.

⏱

5 min

⏱Åpning — hva er maskinlæring?5 min

Les scenariobeskrivelsen høyt (se kontekst over). Forklar kort kjerneforskjellen:

Tradisjonell programmering: du skriver regler eksplisitt, regel for regel
Maskinlæring: du viser eksempler — maskinen finner mønstrene selv

💡 Analogi: «Hvordan lærte dere å kjenne igjen en hund som barn?» — ikke av regler, men av eksempler. Det er akkurat det maskiner gjør, bare med tall og piksler.
        

1

20 min

1Del 1 — Treningsfasen20 min

Del ut konvolutten merket «Treningsdata». Kortene er allerede merket med riktig kategori.

Steg 1: Gruppen studerer alle treningskortene
Steg 2: Skriv ned 3–5 regler som skiller kategoriene
Steg 3: Test reglene mot treningskortene — juster om nødvendig

Vis slide 3 Presentasjonen viser treningsdata-instruksjoner for elevene.

💡 Vandring: Gå rundt og still spørsmål: «Er det noen kort som er vanskelige å sortere? Hvorfor?»
        

Slik lærer en maskin · Gjennomføring Side 3

2

10 min

2Del 2 — Test og iterer10 min

Del ut konvolutten merket «Testdata». Disse kortene er ikke merket — gruppen bruker sine regler.

Steg 1: Klassifiser hvert testkort med reglene fra Del 1
Steg 2: Læreren avslører fasit — tell feil (dette er modellens feilrate)
Steg 3: Diskuter i gruppa: Hva gikk galt? Juster reglene og test igjen

Vis slide 4–5 Instruksjoner for testfasen og iterasjon vises på presentasjon.

💡 Diskusjonsstarter: «Hva måtte dere ha gjort annerledes med kun 1 treningskort? Med 1 000?»
        

💬

10 min

💬Klasseoppsummering og refleksjon10 min

Samle klassen. Sammenlign feilrater på tvers av grupper.

Hadde noen grupper helt ulike regler, men lik nøyaktighet?
Hva skjer hvis treningsdataene bare viser én type eksempel?
Hva er konsekvensen av bias i data — i en jobbsøknads-KI, i et ansiktsgjenkjenningssystem?

Vis slide 6 — Refleksjonsspørsmål Spørsmålene vises for elevene. Bruk 2–3 av dem avhengig av tid og klasse.

⚙

ved behov

⚙Differensiering og varianterved behov

Raskt ferdig: Diskuter hva som skjer med 1 treningskort vs. 1 000 — hva betyr dette for store KI-systemer?
Trenger støtte: Gi gruppen kun 3–4 treningskort og to kategorier i stedet for mange
Fordypning: Design et eget, rettferdig datasett — hvem og hva skal representeres?

💡 Neste time: Teachable Machine (teachablemachine.withgoogle.com) lar elevene trene en ekte bildegjenkjennings-KI i nettleseren — direkte videreføring av dagens konsepter.
        

Slik lærer en maskin · Lærerens hjørne Side 4

Bakgrunnsstoff og faglig forankring

Dette hjørnet er kun for deg — bakgrunn, differensiering og begrepene du trenger å være trygg på før du går inn i klasserommet.

Faglig kobling (LK20)

Matematikk: Utforske og bruke statistiske metoder, finne mønstre i data og vurdere representativitet.
Naturfag: Bruke digitale verktøy og modeller til å utforske fenomener og forstå prinsipper for teknologiske systemer.
Samfunnsfag: Drøfte teknologiens rolle i samfunnet, konsekvenser av digitalisering, og etiske spørsmål knyttet til algoritmiske beslutninger.

Begreper i dette opplegget

Begrep	Enkel forklaring for klasserommet
Maskinlæring	En type KI der datamaskinen lærer fra eksempler (data) i stedet for å følge eksplisitte regler programmert av et menneske.
Treningsdata	Merkede eksempler som brukes til å lære opp en modell. Kvaliteten og representativiteten til treningsdataene avgjør hvor god modellen blir.
Etikett / Label	Den riktige svaret som er knyttet til hvert eksempel i treningsdataene — for eksempel «hund» eller «katt», «spam» eller «ikke spam».
Klassifisering	En maskinlæringsoppgave der modellen plasserer inndata i en av forhåndsdefinerte kategorier, basert på mønstre den har lært fra treningsdata.
Modell	Resultatet av å trene en algoritme på data — et sett av mønstre og regler som datamaskinen bruker til å gjøre nye prediksjoner.
Nøyaktighet / Accuracy	Andelen riktige prediksjoner av totalt antall prediksjoner. En modell med 80 % nøyaktighet feiler på 1 av 5 eksempler.
Bias / Skjevhet	Systematiske feil i en modell som oppstår fordi treningsdataene ikke er representative — for eksempel fordi de over- eller underrepresenterer bestemte grupper.