Artificiell intelligens · Gymnasiet

Artificiell intelligens nivå 1

Bygger på Skolverkets ämnesplan för gymnasieskolan

18 färdigheter · 89 frågor med svar

Vad kursen handlar om

Första nivån i artificiell intelligens på gymnasiet: vad AI är, varför data betyder så mycket och vilka tekniker och metoder som ligger bakom prediktion, vision, robotik och generativ AI. Låt eleven pröva enkla AI-lösningar, som klassificering, beslutsträd, regression och en spelagent, och förklara steg för steg vad modellen gör och varför den kan ha fel. Jämför hela tiden med hur en människa löser samma problem, och resonera nyanserat om lagar, etik, transparens och AI:s möjligheter och risker för samhället. Koden i uppgifterna är kort Python som kan spåras för hand; regler som AI-förordningen beskrivs i stora drag och eleven uppmanas kontrollera aktuella datum.

Det här ska eleven kunna

  1. Vad är AI?

    Definitionen av artificiell intelligens och centrala begrepp som algoritm, modell, data, träning, maskininlärning, djupinlärning och smal respektive generell AI.

    E-nivå
    Ger en enkel definition av AI och förklarar några centrala begrepp, t.ex. algoritm, data och modell.
    C-nivå
    Förklarar hur AI, maskininlärning och djupinlärning hänger ihop och skiljer mellan regelbaserad och lärande AI.
    A-nivå
    Diskuterar var gränsen för vad som räknas som AI går och varför definitionen har ändrats över tid.
  2. Data och datakvalitet

    Varför data är grunden för AI, vad som gör data bra eller dålig, och hur valet av data påverkar resultatet.

    E-nivå
    Förklarar att en AI-modell lär sig av data och ger exempel på dålig data, t.ex. fel, luckor eller för lite data.
    C-nivå
    Förklarar hur ett skevt urval av data ger en skev modell och föreslår hur data kan förbättras.
    A-nivå
    Analyserar ett fall där valet av data ger orättvisa resultat och värderar olika åtgärder.
  3. Drivkrafter bakom AI-utvecklingen

    Varför AI har utvecklats så snabbt, med mer data, mer beräkningskraft, bättre algoritmer och stora investeringar, och några viktiga händelser i historien.

    E-nivå
    Nämner några drivkrafter, t.ex. mer data, snabbare datorer och bättre algoritmer.
    C-nivå
    Förklarar hur drivkrafterna samverkar och kopplar dem till några viktiga händelser.
    A-nivå
    Resonerar om vilka drivkrafter som kan bromsa eller driva utvecklingen framåt, t.ex. energi, data och reglering.
  4. Användningsområden för AI

    Översikt över hur AI används för prediktion, robotik, datorseende (vision) och generativ AI, och vilka tekniker som ligger bakom.

    E-nivå
    Ger exempel på AI inom prediktion, robotik, vision och generativ AI.
    C-nivå
    Kopplar varje användningsområde till den teknik som ligger bakom, t.ex. regression, neuronnät eller språkmodeller.
    A-nivå
    Jämför användningsområdena och förklarar varför generativ AI ställer andra krav på kontroll än en klassificerande AI.
  5. Sökning

    Hur AI löser problem genom att söka bland möjliga tillstånd, t.ex. att hitta en väg i en karta eller ett drag i ett spel, med bredden först och djupet först.

    E-nivå
    Förklarar ett problem som en sökning bland tillstånd med en start och ett mål.
    C-nivå
    Följer bredden först- och djupet först-sökning på en liten graf och jämför resultaten.
    A-nivå
    Förklarar varför sökning ofta behöver en heuristik och vad som händer när sökrymden växer.
  6. Klassificering och objektigenkänning

    Hur AI sorterar indata i kategorier och hittar och känner igen objekt i bilder, med särdrag, etiketter och träffsäkerhet.

    E-nivå
    Förklarar vad klassificering är och ger exempel på klasser och särdrag.
    C-nivå
    Skiljer mellan klassificering och objektigenkänning och räknar träffsäkerhet för en modell.
    A-nivå
    Förklarar varför träffsäkerhet kan vara missvisande och vilka fel som är värst i ett visst sammanhang.
  7. Beslutsträd

    Hur ett beslutsträd ställer en fråga i taget om särdragen för att nå ett beslut, hur det byggs ur data och varför det är lätt att förklara.

    E-nivå
    Följer ett givet beslutsträd och förklarar noder, grenar och löv.
    C-nivå
    Bygger ett litet beslutsträd ur en tabell och väljer den fråga som delar datan bäst.
    A-nivå
    Förklarar överanpassning i ett djupt träd och värderar beslutsträdets styrkor och svagheter.
  8. Regression

    Hur AI förutsäger ett tal utifrån data med linjär regression, hur man mäter felet och varför man ska vara försiktig utanför datans område.

    E-nivå
    Förklarar att regression förutsäger ett tal och använder en given linjär modell.
    C-nivå
    Räknar felet för en modell och jämför två modeller.
    A-nivå
    Förklarar varför en modell kan ge orimliga svar utanför datans område och att samband inte är orsak.
  9. Övervakat och oövervakat lärande

    Skillnaden mellan att lära sig av märkta exempel (övervakat), att hitta grupper och mönster i omärkt data (oövervakat) och att lära sig genom belöning (förstärkningsinlärning).

    E-nivå
    Förklarar skillnaden mellan märkt och omärkt data och ger exempel på övervakat och oövervakat lärande.
    C-nivå
    Väljer typ av lärande för ett givet problem och motiverar valet.
    A-nivå
    Följer en enkel klustring i några steg och resonerar om hur resultatet ska tolkas.
  10. Processen för problemlösning med AI

    Stegen från problem till fungerande AI-lösning, från att formulera problemet och samla data till att träna, utvärdera, använda och följa upp modellen.

    E-nivå
    Beskriver huvudstegen i processen i rätt ordning.
    C-nivå
    Förklarar varför man ofta går tillbaka till tidigare steg och vad som görs i varje steg för ett konkret problem.
    A-nivå
    Planerar processen för ett eget problem och motiverar val av data, modell och sätt att utvärdera.
  11. Bearbetning av naturligt språk (NLP)

    Hur AI tolkar och bearbetar text, med tokenisering, ordvektorer, sentimentanalys, översättning och språkmodeller, och var den brister.

    E-nivå
    Ger exempel på NLP-uppgifter och förklarar att text måste göras om till tal.
    C-nivå
    Följer en enkel textklassificering och förklarar tokenisering och sannolikheten för nästa ord.
    A-nivå
    Förklarar varför språkmodeller kan svara fel med stor säkerhet och hur man kan kontrollera deras svar.
  12. Spelagenter

    Hur en AI-agent spelar ett spel genom att uppfatta läget, välja drag och lära sig, med sökning bland drag eller förstärkningsinlärning.

    E-nivå
    Förklarar vad en agent är och hur den uppfattar miljön och väljer handlingar.
    C-nivå
    Följer hur en agent väljer drag genom att räkna några drag framåt.
    A-nivå
    Jämför en sökande agent med en lärande agent och förklarar när var och en fungerar bäst.
  13. Principer för maskininlärning och robotik

    Den grundläggande principen för maskininlärning (lära av exempel och generalisera) och hur robotar uppfattar, planerar och agerar med sensorer, styrning och AI.

    E-nivå
    Förklarar att maskininlärning lär av exempel och beskriver hur en robot använder sensorer och motorer.
    C-nivå
    Förklarar kretsloppet uppfatta–planera–agera och var maskininlärning kommer in i en robot.
    A-nivå
    Förklarar varför robotik i den verkliga världen är svårare än AI i en dator.
  14. Enklare träning av AI

    Hur man tränar en enkel modell i praktiken, med tränings- och testdata, upprepad träning, överanpassning och underanpassning, och med färdiga verktyg för att träna en bild- eller ljudmodell.

    E-nivå
    Tränar en enkel modell med ett verktyg och förklarar varför man delar upp data i tränings- och testdata.
    C-nivå
    Förklarar överanpassning och underanpassning och hur man ser dem i resultaten.
    A-nivå
    Förbättrar en tränad modell systematiskt och motiverar varje ändring utifrån testresultat.
  15. Människa jämfört med AI

    Hur enkla AI-lösningar löser problem jämfört med hur en människa gör, och situationer där AI är överlägsen människan och tvärtom.

    E-nivå
    Ger exempel på uppgifter där AI är bättre än människan och där människan är bättre.
    C-nivå
    Förklarar skillnader i hur en människa och en AI löser samma problem, t.ex. hur många exempel som behövs.
    A-nivå
    Gör en nyanserad jämförelse som tar upp förståelse, sammanhang, ansvar och vad jämförelsen innebär för hur AI bör användas.
  16. Lagar och regler för AI

    Normer, lagar och andra bestämmelser som gäller AI, i stora drag EU:s AI-förordning med sina risknivåer, dataskyddsförordningen (GDPR) och upphovsrätt.

    E-nivå
    Nämner AI-förordningen och GDPR och förklarar i stora drag vad de handlar om.
    C-nivå
    Förklarar AI-förordningens risknivåer och placerar exempel på rätt nivå.
    A-nivå
    Tillämpar flera regelverk på ett konkret fall och resonerar om var det är oklart och vem som bär ansvar.
  17. Etiska dilemman och transparens

    Etiska frågor kring AI, som partiskhet, integritet, ansvar och upphovsrätt, och varför transparens och förklarbarhet är viktiga.

    E-nivå
    Ger exempel på etiska dilemman med AI och förklarar vad transparens betyder.
    C-nivå
    Resonerar om ett dilemma ur flera perspektiv och förklarar varför en svart låda är ett problem.
    A-nivå
    Väger olika värden mot varandra i ett konkret fall och föreslår en motiverad hållning.
  18. Möjligheter och risker för samhället

    Demokratiska, sociala, ekonomiska, miljömässiga och säkerhetsmässiga möjligheter och risker med AI och konsekvenserna för samhället.

    E-nivå
    Ger exempel på möjligheter och risker med AI inom några olika områden.
    C-nivå
    Resonerar om konsekvenser ur flera perspektiv och väger möjligheter mot risker.
    A-nivå
    Gör en nyanserad analys där perspektiven påverkar varandra och föreslår hur riskerna kan hanteras.

Exempelfrågor med svar

Tre av kursens 89 frågor. Alla finns i Sagamind.

E-nivå · Vad är AI?Ge en enkel definition av artificiell intelligens.

AI är datorprogram och maskiner som utför uppgifter som brukar kräva mänsklig intelligens, t.ex. att känna igen bilder, förstå språk, fatta beslut eller lära sig av data.

C-nivå · Data och datakvalitetEn modell som känner igen hudsjukdomar är tränad nästan bara på bilder av ljus hud. Vad kan hända när den används på patienter med mörk hud, och hur kan man åtgärda det?

Den kan fungera sämre och missa sjukdomar hos patienter med mörk hud, eftersom den inte har sett tillräckligt många sådana exempel. Man bör samla in fler och varierade bilder, testa modellen separat för olika grupper och redovisa var den fungerar sämre.

A-nivå · Drivkrafter bakom AI-utvecklingenResonera om två faktorer som kan bromsa AI-utvecklingen framöver och hur de hänger ihop med drivkrafterna.

T.ex.: energi och beräkningskraft (stora modeller kräver mycket el och dyra chip, vilket ger kostnader och miljöpåverkan) och data (högkvalitativ text från internet tar slut, och upphovsrätt och integritet begränsar vad som får användas). Reglering kan också bromsa vissa användningar men samtidigt öka förtroendet. Samma faktorer som drivit utvecklingen kan alltså bli flaskhalsar.

Fler kurser i artificiell intelligens

Gymnasiet

Öva på hela kursen med SágaKräver betalversion

I Sagamind finns alla 89 frågor. Sága övar på det som är svårast, minns vad som sitter och gör ett övningsprov inför provet.

Starta en familj

* Kräver betalversion, se priser. För lektionerna kan ni i stället koppla in Sága i er egen ChatGPT eller Claude. Allt utan stjärna är gratis.