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
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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
- Artificiell intelligens nivå 219 färdigheter
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.