Teachable Machine

In deze recensie van Teachable Machine wordt besproken wat deze webgebaseerde tool doet, welke functies hij heeft, wat de kosten zijn, hoe je stap voor stap een model traint en hoe hij zich verhoudt tot andere tools voor machine learning. Teachable Machine is een experiment van Google Creative Lab: je laat de computer voorbeelden zien, hij leert patronen herkennen en je test het model live met je webcam of microfoon. In plaats van expliciet te worden geprogrammeerd, leert het model van de voorbeelden die je het geeft. Versie 2.0, gelanceerd in november 2019, voegde geluids- en houdingsprojecten toe aan de oorspronkelijke beeldclassificator uit 2017.

Waarvoor wordt Teachable Machine gebruikt?

Teachable Machine wordt gebruikt om machine learning-modellen te maken voor classificatie: het onderscheiden van afbeeldingen, geluiden of lichaamshoudingen. Typische projecten zijn het sorteren van objecten voor een webcam, het detecteren van eenvoudige geluiden zoals een klap of een fluitje, het herkennen van handgebaren of lichaamsbewegingen, of het onderscheiden van een kat en een hond. Docenten gebruiken het in de les om leerlingen te laten zien hoe kunstmatige intelligentie leert van gegevens, en makers gebruiken het om games, websites en fysieke projecten zoals een Arduino-robot aan te sturen.

Omdat het een webgebaseerde tool is die geen installatie vereist, heeft iedereen met een browser er toegang toe, waardoor het eenvoudig is om samen met vrienden of een klas projecten te bouwen. Het is ook een onderzoekstool. Uit een rapport van Google uit 2020 blijkt dat meer dan 182.000 gebruikers in 201 landen er meer dan 125.000 classificatiemodellen mee hebben gemaakt, en dat instellingen zoals de Stanford d.school, NYU ITP en het MIT Media Lab het hebben ingezet in het onderwijs (Google Research).

Belangrijkste functies

• Drie projecttypes voor aangepaste machine learning-modellen: beeld-, audio- en pose-projecten, die elk worden getraind op voorbeelden die je opneemt met een webcam of microfoon of als bestanden uploadt.
• Training in de browser: de training vindt plaats op je eigen computer, dus de gegevens blijven op het apparaat tenzij je het project opslaat op Google Drive (Google-blog).
• Live testen: het voorbeeld toont de voorspelling van het model en de betrouwbaarheid voor elke klasse terwijl je beweegt of geluiden maakt.
• Exporteren: modellen kunnen worden geëxporteerd als TensorFlow.js voor websites, en beeldmodellen ook als TensorFlow en TensorFlow Lite, inclusief een Edge TPU-build voor Coral-boards (GitHub-issue #66).
• Deelbare link: je kunt een model uploaden en het laden via een gehoste URL met de open-sourcebibliotheken, die codefragmenten bevatten voor JavaScript, Java en Python (GitHub).

Prijzen van Teachable Machine

Teachable Machine is gratis te gebruiken. Er is geen account, abonnement of betaald abonnement nodig: je opent de site en begint met maken. Voor het opslaan van projecten op Google Drive is een Google-account vereist. De hulpprogramma's zijn open source onder de Apache 2.0-licentie. De enige kosten die je in de gaten moet houden, zijn die voor ondersteuning: Google beschrijft het project als "een experiment, geen officieel Google-product" en belooft alleen zijn best te doen om het te onderhouden (GitHub).

Stapsgewijze handleiding: een machine learning-model trainen

1. Open de webtool en kies een project voor afbeeldingen, audio of poses.
2. Geef elke klasse een naam, zoals ‘duim omhoog’ en ‘duim omlaag’.
3. Voeg voor elke klasse voorbeelden toe via de webcam, de microfoon of geüploade afbeeldingen. Hoe gevarieerder de voorbeelden, hoe beter de resultaten.
4. Klik op ‘Model trainen’. Het trainen vindt plaats in de browser.
5. Test het model in het voorbeeldvenster en voeg voorbeelden toe wanneer het model een verkeerde voorspelling doet.
6. Exporteer het model of upload het om een deelbare link te krijgen voor je apps en websites.

Wat er gebeurt nadat je afbeeldingen hebt geüpload: ze worden gebruikt als trainingsvoorbeelden in je browsersessie en worden niet naar Google verzonden, tenzij je het project opslaat op Drive of het getrainde model uploadt.

Teachable Machine voor kinderen en klaslokalen

Teachable Machine is populair bij kinderen en leerkrachten omdat het abstracte concepten omzet in spel. Leerlingen verzamelen hun eigen input, zoals foto’s, poses of geluiden van muziekinstrumenten, trainen een model en zien direct hoe de technologie voorspellingen doet. Dat maakt het eenvoudig om uit te leggen hoe het onderwijzen van computers verschilt van het programmeren ervan, en om te beoordelen waarom een model iets verkeerd inschat. Lessen beginnen vaak met een leuk idee, zoals een spelletje steen-papier-schaar of een spel dat met gebaren wordt bestuurd, en eindigen met een discussie over vooringenomenheid in de trainingsgegevens. Het ontwerpteam van Google beschrijft het doel als trainen aan de hand van voorbeelden in plaats van het opstellen van regels (Google Design).

Waar Teachable Machine uitblinkt — en waar het tekortschiet

Sterke punten:

• Gratis, snel en eenvoudig: een eerste model is binnen enkele minuten klaar, zonder dat je hoeft te programmeren.
• Gegevens blijven standaard in de browser opgeslagen.
• Geschikt voor lessen, prototypes en creatieve experimenten.
• Exporteert ML-modellen naar web-, mobiele en edge-apparaten, zodat je eenvoudig een model kunt trainen en gebruiken in een compleet project.

Beperkingen:

• Alleen classificatie; geen objectdetectie, regressie of tekstmodellen.
• Kleine datasets en eenvoudige modellen; niet ontworpen voor productienauwkeurigheid.
• Een experiment met ondersteuning op basis van 'best-effort', geen officieel Google-product.
• Beperkte controle over trainingsinstellingen in vergelijking met een echt ML-platform.

Hoe Teachable Machine zich verhoudt

• Create ML: de 'no-code'-modeltrainer van Apple voor Mac, met meer modeltypen en Core ML-uitvoer voor Apple-apps.
• H2O.ai: open-source en zakelijke AutoML voor tabelgegevens en productiemodellen.
• DataRobot: AutoML voor bedrijven en modelbeheer voor bedrijfsgegevens.
• Obviously AI: 'no-code'-voorspellingen op basis van spreadsheetgegevens; het bedrijf heeft inmiddels zijn naam veranderd in Zams.

Is Teachable Machine de moeite waard?

Ja, voor leren, lesgeven en snelle prototypes. Het is de snelste gratis manier om studenten of collega’s te laten zien hoe een computer leert om afbeeldingen, geluiden en houdingen te herkennen, en de exportopties zijn voldoende voor een webdemo of een Coral-project. Het is geen platform voor machine learning in productieomgevingen: de modellen zijn klein, de ondersteuning is op basis van ‘best effort’ en voor complexere taken is een echte ML-tool nodig. Als je een Teachable Machine-prototype wilt omzetten in een product, kunnen low-code-bureaus en ontwikkelaars op LowCodeDevs je helpen bij de ontwikkeling ervan.

Bronnen

• Teachable Machine 2.0, Google-blog: lancering, projecttypes, training in de browser en privacy.
• Teachable Machine-communityrepository, GitHub: bibliotheken, codefragmenten, licentie en status van experimenten.
• Teachable Machine-paper, Google Research: ontwerp en gebruikscijfers.
• Een Teachable Machine ontwerpen, Google Design: training aan de hand van voorbeelden en ontwerpkeuzes.
• Teachable Machine, Experiments with Google: de projectpagina van Google Creative Lab.
• Exportformaten, GitHub-issue #66: export naar TensorFlow, TF Lite en Edge TPU voor beeldmodellen.