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
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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
- Artificiell intelligens nivå 118 skills
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.