Szkoły powinny przygotować się na AI przynajmniej w zakresie opisanym ostatnio w Edunews.pl[1], ważniejsze jest jednak przygotowanie nauczycieli i uczniów, a ogólnie – edukacji, na "inteligencję" ChatGPT, a faktycznie na inteligencję uczenia maszynowego, które stoi dziś niemal za każdym tworem AI. Bez znajomości modelu rozumowania (ang. computational model) stojącego za AI/ML, jakakolwiek dyskusja czy współpraca z ChatGPT lub z innymi tworami z tej kategorii będzie powierzchowna, niepełna i zdana na porażkę.
ChatGPT "wie", jak my myślimy, bo operuje wszystkimi tekstami, jakie człowiek wymyślił i utrwalił. Ze strony jego użytkowników ważna jest więc znajomość sposobów (mechanizmów) jego rozumowania, jeśli chcemy, by był naszym partnerem w dyskusji czy przy rozwiązywaniu problemów. Jak w każdej dyskusji, dobrze jest wiedzieć z kim dyskutujemy, jakich może użyć argumentów, skąd i jak je czerpie i przetwarza. A może nas oszukuje, nawet posługując się naszymi tekstami?
Przypominają się dzisiaj słowa Umberta Eco: Grozi nam, że cały dzisiejszy przemysł informatyczny, mnożąc informacje, nie będzie dostarczał już żadnej. ChatGPT określa się dzisiaj mianem „stochastycznej papugi” – pomnaża informacje, stosując przy tym sztuczne sieci neuronowe wykorzystujące wnioskowanie statystyczne.
Dalej przykłady czerpiemy z programowania, czyli układania programów komputerowych dla danej specyfikacji, określającej problem, który ma być rozwiązany. Uczeń może napisać i uruchomić własny program w Pythonie lub może poprosić o to ChatGPT. Te programy mogą być identyczne i na tym kończy się ich podobieństwo. Pierwszy program uczeń będzie zapewne rozwijał w lokalnym lub zdalnym środowisku języka Python, Drugi zaś otrzyma w odpowiedzi na zapytanie (prośbę, prompt) do ChatGPT, za którym stoi środowisko uczenia maszynowego. Na pozór, podobieństwem może być także to, że oba te rozwiązania zostały otrzymane na tym samym laptopie, dość złudnym jednak. Laptop jest tutaj tylko interfejsem do środowiska języka Python, o którym wiemy, jak funkcjonuje (to zasady tworzenia programów w tym języku), i do środowiska ChatGPT, opartego na sieci neuronowej o bilionach węzłów i bilionach parametrów, korzystającej z bilionów zgromadzonych informacji (dane tutaj są w przybliżeniu, mogą być nieaktualne). Ważniejszy jest jednak model rozumowania w obu tych środowiskach, o tym jest dalej.
Praktyczna sytuacja. Jak ma postąpić nauczyciel informatyki, gdy na zadane uczniowi polecenie napisania programu dla danej specyfikacji, uczeń przynosi gotowy program. Ale przecież tak jest od dawna – wyszukiwarka może dostarczyć uczniowi dziesiątki-setki-tysiące kodów na zadany temat. Jak radziliśmy sobie wcześniej w takich sytuacjach? W moim przypadku osobiście odbierałem program od ucznia/studenta, który m.in. musiał go uruchomić przy mnie na danych ode mnie i wyjaśnić, jak działa zaimplementowany algorytm – to podejście jest zwane dekonstrukcją rozwiązania. Tak samo postępuję i dzisiaj z programami generowanymi przez ChatGPT. Podobnie można postępować z każdym zadaniem ucznia (własnym lub z ChatGPT) z dowolnego przedmiotu. Dawno temu w USA na takie podejście ukuto określenie: show your work – pokaż, jak pracowałeś, jak otrzymałeś to, co przedkładasz. Pozostaje jeszcze poważniejsza kwestia, którą podnosił Jean Piaget – sprawdzenie, czego uczeń rzeczywiście się nauczył – sukces, produkt, rozwiązanie (np. w postaci programu) nie są bowiem dowodem na to, że się nauczył tego, poznał to, co było postawionym mu celem przy tworzeniu tych artefaktów. To temat na inny artykuł, piszę o tym tutaj, str. 16-29.
ChatGPT może być również wykorzystany do wprowadzenia nowego podejścia metodycznego, konstrukcji rozwiązania zamiast dekonstrukcji gotowego rozwiązania. To nowe podejście polega na kształceniu umiejętności budowania właściwych zapytań (poleceń, zachęt, podpowiedzi, prompt) do modelu generującego kod. Stawianie pytań czy formułowanie poleceń jest jednak znacznie bardziej zaawansowaną umiejętnością niż tylko podejmowanie prób odpowiedzi. Dotyczy to nie tylko uczniów na którymkolwiek etapie kształcenia. Zapewne każdy użytkownik ChatGPT doświadczył sytuacji, gdy na postawioną kwestię otrzymał odpowiedź, która go nie zadowoliła. Na ogół w takich przypadkach okazuje się, że błąd tkwił … w postawionym pytaniu, bo było zbyt ogólne, mało precyzyjne, w złej terminologii itp. Zamiast więc sprawdzać, czy uczeń/student rozumie gotowy kod otrzymany z ChatGPT, kierujemy go na drogę stawiania w języku naturalnym odpowiednich kwestii systemowi, by ten w konsekwencji wygenerował prawidłowy kod dla konkretnego problemu. W pewnym sensie jest to odwrócenie wspomnianego wyżej podejścia – zamiast odpowiedzi, jak działa program, uczeń poznaje działanie programu (i algorytmu) w trakcie jego powstawania. Przeprowadzane badania pokazały, że w tym podejściu uczniowie aktywnie posługują się myśleniem komputacyjnym i w naturalny sposób poznają nowe konstrukcje programistyczne.
Podejście zaproponowane dla nauki programowania może być odpowiednio dostosowane do zadań z innych dziedzin/przedmiotów kształcenia. Wyzwaniem dla nauczycieli jest teraz tworzenie kolekcji zapytań dla poszczególnych problemów jako materiału kształtującego uczenie się uczniów. To także wyzwanie dla wydawców podręczników, by przestały podawać uczniów gotowce na papierze.
Przyjmuje się, że podstawową cechą inteligencji jest zdolność uczenia się. I w tym sensie ChatGPT jest inteligentny, gdyż uczy się, chociaż maszynowo. Uczenie maszynowe (ang. machine learning, ML) można bardzo prosto wyjaśnić nawet najmłodszym uczniom na przykładzie robota A.I., który uczony w ten sposób poznaje, jak wyglądają ryby, by wrzucony do oceanu sprzątał go z zanieczyszczeń, polecam tutaj: https://code.org/oceans. Polecam również tworzenie potańcówki z AI: https://code.org/dance.
Zanim wyjaśnimy uczniom bliżej, na czym polega uczenie maszynowe, jaki jest jego model rozumowania, którego znajomość jest niezbędna dla właściwego posługiwania się ML, oraz rozumienia i interpretacji wyników jego działania, zapytajmy ich, czy potrafią opisać, jak działa ich laptop. Zapewne wielu będzie miało z tym kłopot, a to jest ważne, by mogli dostrzec zasadnicze cechy i różnice w uczeniu maszynowym. Tradycyjny model działania laptopa jest szalenie prosty: naciskam klawisz i coś się dzieje, piszę program, wczytuje dane i program drukuje wyniki, które przewidziałem, piszę tekst w edytorze i ukazuje się mój tekst na ekranie a później na drukarce, itp. Bardziej abstrakcyjnie – w środku laptopa jest procesor, który pobiera dane (z taśmy), wykonuje obliczenia i wyprowadza wynik (również na taśmę). Toż przecież maszyna Turinga (MT) z połowy lat 1930’. Niemal 10 lat później von Neumann zaproponował model komputera z programem w pamięci (PC z 1981 roku jest realizacją tego modelu). Zgrabnie ujął to George Dyson pisząc, że w ten sposób została zatarta różnica między liczbami, które coś znaczą, a liczbami, które coś wykonują (ang. distinction between numbers that mean things and numbers that do things) W tym cytacie liczby to ciągi zer i jedynek i w pamięci komputera mogą oznaczać dane, ale mogą być również zapisem rozkazów dla procesora.
W tym tradycyjnym modelu obliczeń Turinga-von Neumanna, który na co dzień używamy w naszych laptopach i stacjonarnych PC, program to:
- ciąg kolejnych kroków (algorytmu),
- przetwarzanych kolejno przez procesor
- dla niewielkich danych
- z użyciem niewielkiej liczby zmiennych
- bazując na klasycznej logice Boole’a i arytmetyce, co prowadzi do silnych zależności między zmiennymi
A zatem obliczenia zachowują się w pełni deterministycznie (na każdym kroku jest znany wynik), wykonywane są krokowo, przebieg programu jest jednoznaczny, budowa programu jest jednoznaczna, można śledzić przebieg programu, który jest wysoce ustrukturalizowany, a dane dla niego są dyskretne. W takim modelu obliczeń, proces rozwiązywania problemu przebiega od specyfikacji przez zaprojektowanie algorytmicznego rozwiązania, implementację algorytmu w postaci komputerowego programu działającego w krokach, kompilację i wykonanie programu, testowanie, debugowanie po ewentualne powtórzenie całego procesu.
Z kolei, w modelu obliczeniowym ML, każdy punkt w powyższym wyliczeniu przyjmuje inną postać: algorytm jest zastąpiony przez sieć neuronową, nie można wyróżnić kroków w obliczeniach, gdyż dane jednocześnie (równolegle) przepływają przez sieć, model jest uczony (trenowany) na dużych ilościach danych, uczenie powoduje aktualizację współczynników i połączeń, liczba zmiennych jest często bardzo duża, zmienne są słabo ze sobą powiązane. Zamiast programu mamy więc coś w rodzaju czarnej skrzynki, która zasilana danymi serwuje nam nie do końca pewne wyniki.
Porównując oba modele obliczeń, pytanie postawione przed pierwszym modelem „jak programować komputery” w drugim modelu przyjmuje postać „jak pozwolić im się programować”. To bardzo zwięzłe porównanie obu modeli ilustruje jak uczenie maszynowe poszerza dzisiaj spojrzenie na rolę komputerów i informatyki.
Uczenie maszynowe i duże modele językowe jak ChatGPT powinny znaleźć się w podstawie programowej odnoszącej się do wszystkich przedmiotów jako narzędzia AI sugerowane do wykorzystania w procesie tworzenia rozwiązań problemów, a nie jedynie jako narzędzie generujące rozwiązania. Te narzędzia są już w zasięgu możliwości uczniów. Przy tym nie należy zapominać o klasycznych objawach AI, jak roboty sterowane zdarzeniami czy test Turinga, które nic nie straciły na aktualności. Jest o nich mowa w postaci modułu AI dla szkół w tomie, który IBE udostępniło na miesiąc przed pojawieniem się ChatGPT.
[1] Niniejszy artykuł jest pogłębieniem wątków prezentowanych w artykule Przygotowanie szkoły na AI.
O autorze: Profesor Maciej M. Sysło jest matematykiem i informatykiem, obecnie pracuje w Warszawskiej Wyższej Szkole Informatyki. Od prawie 30 lat, wraz z zespołami w Uniwersytecie Wrocławskim i na UMK w Toruniu, kształtuje edukację informatyczną w polskich szkołach: autor podstaw programowych, podręczników, poradników, oprogramowania edukacyjnego; organizator konferencji krajowych i międzynarodowych, prelegent i wykładowca.
