Sotto il cofano, simuliamo un vero ciclo di vita del machine learning end-to-end: definire un problema della comunità, raccogliere e pulire i dati, addestrare un modello e vederne l’impatto nel mondo reale. Ma per renderlo comprensibile a ragazzi dagli 11 ai 14 anni, abbiamo dovuto dare spazio alla creatività e ancorare tutto a un apprendimento tangibile ed esperienziale:
Usiamo il gameplay per rendere intuitivi gli algoritmi. Testando diverse scelte di dati, gli studenti vedono come si evolve il loro modello di previsione delle inondazioni in Fiera Fluviale. Se fanno scelte di dati sbagliate, il loro modello avrà prestazioni scadenti. Imparano attraverso la sperimentazione, perfezionando il loro approccio per ottenere risultati migliori, rispecchiando il processo iterativo e creativo della ricerca nel mondo reale.
La ricerca di Stanford ci ha mostrato che i “dati” come concetto astratto semplicemente non funzionano con questa fascia d’età. Quindi, abbiamo rappresentato i dati all’interno del gioco usando schede SD fisiche. È un esempio semplice e tangibile, e i ragazzi lo hanno capito all’istante.
Nella nostra missione medica, Canyon Crepusculo, introduciamo una frizione deliberata. Gli studenti costruiscono un modello per diagnosticare una malattia oculare, per poi rendersi conto che funziona alla perfezione per un gruppo di pazienti ma male per un altro. Questo “conflitto” li costringe a capire attivamente perché è “ingiusto” e come risolverlo.
Quanto alla privacy in Google questo aspetto non è negoziabile, quindi ci siamo assicurati di integrarlo in AI Quests fin dal primo giorno. Nella missione sanitaria, ad esempio, il primissimo compito degli studenti è ripulire il dataset da nomi e dettagli personali per proteggere la privacy dei pazienti.
