Artificiell intelligens · Upper secondary

Artificiell intelligens nivå 2

Based on Skolverket’s subject syllabus for upper secondary school

19 skills · 98 questions with answers

What the course is about

Andra nivån i artificiell intelligens bygger på nivå 1 och går på djupet: neuronnätens byggstenar, hur maskininlärningssystem tränas, utvärderas, driftsätts och underhålls, och olika metoders styrkor och svagheter. Låt eleven lösa mer omfattande problem med klassificering, prediktion, NLP och spelagenter, räkna på modellerna för hand och förklara varför de lyckas eller misslyckas. Välj gärna ett område, som sjukvård, transport eller sociala medier, och värdera AI:s lösningar mot människans, med riskbedömning, lagarnas konsekvenser och maskininlärningens svagheter. 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.

What the student should be able to do

  1. AI inom ett valt område

    Hur AI används och arbetar inom ett område, t.ex. sociala medier (flöden och moderering), sjukvård (bilddiagnostik, triage) eller transport (förarstöd, ruttplanering).

    E level
    Beskriver hur AI används inom ett område och ger exempel på vilka data och tekniker som används.
    C level
    Förklarar arbetssättet steg för steg, från data till beslut, och vilken roll människor har i det.
    A level
    Analyserar hur AI förändrar arbetet inom området och vilka förutsättningar som krävs för att det ska fungera.
  2. Tekniker, metoder och algoritmer

    Översikt över viktiga algoritmer inom maskininlärning, som k-närmaste grannar, logistisk regression, beslutsträd och random forest, k-medelvärde och neuronnät, och vad var och en passar för.

    E level
    Beskriver några algoritmer och vilken typ av problem de löser.
    C level
    Följer en algoritm för hand, t.ex. k-närmaste grannar, och förklarar inställningarnas betydelse.
    A level
    Väljer och motiverar en algoritm för ett problem utifrån data, krav på förklarbarhet och mängden data.
  3. Tillämpningar av AI

    Hur AI-tillämpningar är uppbyggda, t.ex. rekommendationssystem, bild- och textgenerering, översättning och chattbotar som söker i dokument.

    E level
    Beskriver vad några tillämpningar gör och vilka data de bygger på.
    C level
    Förklarar hur en tillämpning fungerar i stora drag, t.ex. kollaborativ filtrering.
    A level
    Jämför olika uppbyggnader av en tillämpning och väljer en utifrån krav på korrekthet, kostnad och integritet.
  4. Kvalitetssäkring, driftsättning och underhåll

    Hela processen för problemlösning med AI, med kvalitetssäkring före och efter driftsättning, idrifttagande och underhåll när data och verklighet förändras.

    E level
    Beskriver processen från problem till driftsatt lösning och varför den behöver underhållas.
    C level
    Förklarar hur man kvalitetssäkrar en modell före och efter driftsättning och vad datadrift är.
    A level
    Planerar driftsättning och underhåll för en verklig lösning med mätpunkter, gränsvärden och åtgärder.
  5. Utvärdering av klassificering

    Mer omfattande problemlösning med klassificering och objektigenkänning, med förväxlingsmatris, precision, täckning (recall), F1 och valet av tröskel.

    E level
    Läser en förväxlingsmatris och räknar träffsäkerhet.
    C level
    Räknar precision och täckning och förklarar vad de betyder i ett sammanhang.
    A level
    Väljer tröskel och mått utifrån vad felen kostar och motiverar valet.
  6. NLP och språkmodeller

    Mer omfattande språkbehandling med tokenisering, ordinbäddningar (ordvektorer), likhet mellan texter och transformermodeller med uppmärksamhet (attention).

    E level
    Förklarar tokenisering och att ord kan representeras som vektorer.
    C level
    Räknar likhet mellan vektorer och förklarar vad ordinbäddningar fångar.
    A level
    Förklarar i stora drag hur en transformermodell använder uppmärksamhet och vilka begränsningar språkmodeller har.
  7. Algoritmer för spelagenter

    Hur spelagenter väljer drag med minimax och alfa-beta-beskärning, och hur de lär sig med förstärkningsinlärning och Q-värden.

    E level
    Förklarar idén bakom minimax och förstärkningsinlärning.
    C level
    Räknar minimax på ett litet spelträd och en uppdatering av ett Q-värde.
    A level
    Förklarar hur utforskning och utnyttjande vägs mot varandra och varför alfa-beta-beskärning sparar tid utan att ändra svaret.
  8. Algoritmer för prediktion och robotik

    Algoritmer för att förutsäga värden över tid, med trender och tidsserier, och för robotar, med vägplanering (A*), positionering och återkoppling.

    E level
    Gör en enkel prediktion ur en tidsserie och beskriver hur en robot planerar en väg.
    C level
    Följer A* i några steg och förklarar hur en robot använder återkoppling från sensorer.
    A level
    Värderar en prediktionsmodell och förklarar varför osäkerheten ökar ju längre fram man förutsäger.
  9. Sökmetoders styrkor och svagheter

    Jämförelse av sökmetoder som bredden först, djupet först, girig sökning och A*, med avseende på om de hittar en lösning, om den är bäst, och hur mycket tid och minne de kräver.

    E level
    Beskriver en styrka och en svaghet hos bredden först och djupet först.
    C level
    Jämför oinformerad och informerad sökning och förklarar heuristikens roll.
    A level
    Väljer sökmetod för ett problem och motiverar valet utifrån sökrymdens storlek, minne och krav på bästa lösning.
  10. Klassificeringsmetoders styrkor och svagheter

    Jämförelse av klassificerings- och maskininlärningsmetoder, som beslutsträd, k-NN, logistisk regression och neuronnät, när det gäller förklarbarhet, datamängd, beräkningskostnad och känslighet för brus.

    E level
    Nämner en styrka och en svaghet för några metoder.
    C level
    Jämför metoder för ett givet problem utifrån data och krav.
    A level
    Värderar avvägningen mellan prestanda och förklarbarhet i ett fall där beslut påverkar människor.
  11. Byggstenar för neuronnät

    Den artificiella neuronen med indata, vikter, bias och aktiveringsfunktion, och hur neuroner kopplas ihop i lager till ett nätverk.

    E level
    Beskriver neuronens delar och räknar den viktade summan.
    C level
    Räknar utdata med olika aktiveringsfunktioner och förklarar lager i ett nätverk.
    A level
    Förklarar varför ett nätverk utan icke-linjära aktiveringsfunktioner inte blir kraftfullare av fler lager och varför XOR kräver ett dolt lager.
  12. Märkt och omärkt data, tränings- och testdata

    Metoder för träning av maskininlärningssystem, med märkt och omärkt data, uppdelning i tränings-, validerings- och testdata, korsvalidering och dataläckage.

    E level
    Förklarar märkt och omärkt data och delar upp data i tränings- och testdata.
    C level
    Förklarar valideringsdatans roll och korsvalidering.
    A level
    Upptäcker dataläckage i en uppställning och förklarar hur uppdelningen ska göras.
  13. Träning av neuronnät

    Hur ett neuronnät tränas med en förlustfunktion, gradientnedstigning, bakåtpropagering, inlärningstakt, batcher och epoker.

    E level
    Förklarar att träning handlar om att justera vikterna så att felet blir mindre.
    C level
    Följer gradientnedstigning för hand och förklarar epoker, batcher och bakåtpropagering.
    A level
    Förklarar hur inlärningstakten påverkar träningen och tolkar förlustkurvor för träning och validering.
  14. Djupa neuronnät i praktiken

    Användning och konfigurering av djupa neuronnät, med antal lager och neuroner, faltningsnät (CNN) för bilder, hyperparametrar, dropout och att bygga vidare på förtränade modeller.

    E level
    Beskriver vad som kan ställas in i ett djupt nät och vad några inställningar påverkar.
    C level
    Räknar antal parametrar och förklarar hur ett faltningslager fungerar.
    A level
    Konfigurerar ett nät för ett givet problem och motiverar valen, t.ex. förtränad modell, dropout och tidig stoppning.
  15. Att värdera AI:s problemlösning

    Värdering av hur AI löser ett problem jämfört med hur en människa löser samma problem, med prestanda, förklaringar, robusthet, kostnad och ansvar.

    E level
    Jämför AI:s och människans lösning på ett problem utifrån resultat och arbetssätt.
    C level
    Värderar AI:s lösning utifrån flera kriterier, t.ex. robusthet, förklarbarhet och kostnad.
    A level
    Gör en välgrundad och nyanserad värdering av en jämförelse och granskar hur den har gjorts.
  16. Konsekvenser av lagar och regler

    Vad AI-förordningen, dataskyddsförordningen (GDPR), upphovsrätten och annan reglering får för konsekvenser för dem som utvecklar, säljer och använder AI.

    E level
    Beskriver några konsekvenser av AI-förordningen och GDPR för företag och användare.
    C level
    Förklarar skillnaden mellan leverantörers och användares skyldigheter och vad som gäller för modeller för allmänna ändamål.
    A level
    Analyserar hur reglerna påverkar ett konkret projekt, inklusive konflikter mellan regler och områden som är oklara.
  17. Möjligheter och konsekvenser inom valt område

    Möjligheter med och konsekvenser av AI inom ett valt område utifrån demokratiska, etiska, sociala, ekonomiska, miljömässiga och säkerhetsmässiga aspekter.

    E level
    Beskriver möjligheter och konsekvenser inom ett område utifrån några aspekter.
    C level
    Analyserar konsekvenser utifrån flera aspekter och visar hur de hänger ihop.
    A level
    Gör en nyanserad helhetsbedömning där aspekterna vägs mot varandra och olika gruppers intressen synliggörs.
  18. Riskbedömning av AI-användning

    Hur man bedömer risker med att använda AI i en viss situation genom att identifiera risker, uppskatta sannolikhet och konsekvens och föreslå åtgärder.

    E level
    Identifierar några risker med en AI-användning och föreslår åtgärder.
    C level
    Bedömer sannolikhet och konsekvens för risker och prioriterar dem i en riskmatris.
    A level
    Gör en fullständig riskbedömning med motiverade åtgärder, kvarvarande risk och beslut om AI ska användas alls.
  19. Maskininlärningens svagheter

    Svagheter i maskininlärning när det gäller transparens, möjligheten att ge logiska förklaringar till resultat ur stora datamängder, val av data och datakvalitet.

    E level
    Beskriver svagheter i maskininlärning, t.ex. att modeller är svåra att förklara och beror på datan.
    C level
    Förklarar hur val av data och datakvalitet ger fel som är svåra att upptäcka, och vad förklarbar AI försöker göra.
    A level
    Analyserar ett fall där en modell har rätt av fel anledning och föreslår hur det kan upptäckas och förebyggas.

Sample questions with answers

Three of the course’s 98 questions. All of them are in Sagamind.

E level · AI inom ett valt områdeGe ett exempel var för sig på hur AI används inom sjukvård, transport och sociala medier.

T.ex.: sjukvård – AI som markerar misstänkta förändringar på röntgen- eller mammografibilder; transport – förarstöd som håller bilen i filen och bromsar automatiskt, eller ruttplanering; sociala medier – rekommendationssystem som väljer vad som visas i flödet och moderering av otillåtet innehåll.

C level · Tekniker, metoder och algoritmerTräningspunkterna är A(1, 1) röd, B(2, 4) blå, C(4, 4) blå, D(5, 1) röd och E(3, 1) röd. Klassa punkten (3, 3) med k-NN och k = 3, med vanligt avstånd.

Avstånden är A ≈ 2,83, B ≈ 1,41, C ≈ 1,41, D ≈ 2,83 och E = 2. De tre närmaste är B, C och E, alltså två blå och en röd. Punkten klassas som blå.

A level · Tillämpningar av AIEtt rekommendationssystem för en ny tjänst har inga användare ännu. Förklara problemet och föreslå en lösning, och resonera om vad som händer med mångfalden i rekommendationerna på sikt.

Kollaborativ filtrering behöver historik, så nya användare och nya filmer får inga bra förslag (kallstartsproblemet). Man kan börja med innehållsbaserade rekommendationer (genre, beskrivning), populära titlar eller fråga om användarens intressen. På sikt kan systemet förstärka sig självt; det som rekommenderas får mer tittande och rekommenderas ännu mer, så smalt innehåll syns allt mindre. Man kan motverka det genom att medvetet blanda in nya och okända titlar.

More courses in artificiell intelligens

Upper secondary

Practise the whole course with SágaNeeds a paid plan

Sagamind has all 98 questions. Sága practises what is hardest, remembers what has stuck and gives a practice test before the real one.

Start a family

* Needs a paid plan, see pricing. For the lessons you can instead connect Sága to your own ChatGPT or Claude. Everything without a star is free.