Minuteur d'activité IA

Un projet facile à personnaliser en utilisant micro:bit CreateAI. Créez un minuteur intelligent qui peut détecter combien de temps vous avez pratiqué différentes activités.

Étapes 1 : comprendre

Comment ça marche ?

Dans ce projet, vous entraînerez un modèle d’apprentissage automatique pour reconnaître lorsque vous faites des mouvements spécifiques en portant un BBC micro:bit.

Vous combinerez ce modèle avec un programme MakeCode pour faire un minuteur d'activité et mettre à la fois le modèle et le code sur votre micro:bit. Portez simplement le micro:bit pour savoir combien de temps vous avez fait différentes activités.

Appuyez sur les boutons A ou B pour voir combien de secondes vous avez fait chaque activité.

Qu'est-ce que l'apprentissage automatique ?

L'apprentissage automatique (Machine Learning en anglais) est une sorte d'intelligence artificielle (IA) où les ordinateurs peuvent apprendre et prendre des décisions basées sur des données.

Les modèles d'apprentissage sont formés par les humains pour les aider à prendre ces décisions, par exemple, pour reconnaître différentes ‘actions’ lorsque vous déplacez votre micro:bit de différentes manières.

Que dois-je faire ?

Les systèmes IA ont besoin d'êtres humains pour les concevoir, les construire, les tester et les utiliser. Vous collecterez des données pour entraîner un modèle de ML, le testerez, l'améliorerez et le combinerez avec un code informatique pour créer un appareil intelligent qui utilise l'IA. Vous utiliserez un micro:bit et le site web micro:bit CreateAI pour faire cela.

Étape 2 : programmer

Ce dont vous aurez besoin

• Un micro:bit V2, un câble de données USB, un coupleur de piles avec 2 piles AAA
• Un ordinateur (par exemple un ordinateur de bureau, un ordinateur portable ou un Chromebook) avec accès au site web micro:bit CreateAI, en utilisant un navigateur web Chrome ou Edge.
• Si votre ordinateur n'est pas équipé de la fonction Bluetooth, vous aurez besoin d'un micro:bit V2 supplémentaire.
• Une sangle et un support, ou un autre moyen d'attacher le micro:bit à votre poignet (par exemple, des tiges de bricolage flexibles ou des bandes élastiques)
• Vous pouvez également trouver nos conseils pédagogiques micro:bit CreateAI utiles.

Collecter des échantillons de données

Lorsque vous ouvrez le projet dans micro:bit CreateAI, vous verrez que nous vous avons fourni des échantillons de données pour « marcher », « sauter » et « rester immobile » :

Vous allez ajouter vos propres échantillons de mouvement en utilisant le capteur de mouvement du micro:bit, ou l'accéléromètre.

Dans micro:bit CreateAI, cliquez sur le bouton « Se connecter » pour connecter votre collection de données micro:bit et suivez les instructions.

Attachez le micro:bit de collecte de données à l'intérieur de votre cheville droite avec le bouton B en haut ; il est important que tous les échantillons d'un projet utilisent le même emplacement du micro:bit sur le corps. Si vous souhaitez modifier la façon dont vous le portez, il vous suffit de remplacer tous les échantillons de données.

Ajoutez votre propre échantillon de données de mouvement pour marcher, sauter et rester immobile. Cliquez sur chaque action à tour de rôle, puis cliquez sur « Enregistrer » pour enregistrer un court échantillon de chacune d'entre elles. En cas d'erreur, vous pouvez supprimer les échantillons que vous ne souhaitez pas. Vous pouvez également appuyer sur le bouton B du micro:bit pour commencer l'enregistrement.

Examinez les échantillons de données : tous les échantillons de « marche » se ressemblent-ils ? Les échantillons de « saut » sont-ils différents de ceux de « marche » et « rester immobile » ?

Entraîner et tester le modèle

Cliquez sur le bouton « Entraîner le modèle » pour entraîner le modèle, puis testez-le. Essayez de marcher et de voir si « marcher » est indiqué comme action estimée. Essayez de sauter et de rester immobile. Donnez votre micro:bit à quelqu'un d'autre pour qu'il le porte et voyez s'il fonctionne aussi bien pour lui.

Améliorer votre modèle

C'est à cette étape que vous travaillerez de manière itérative. La plupart des modèles peuvent être améliorés avec plus de données. Si le modèle a besoin d’être amélioré pour reconnaître vos actions, cliquez sur « ← Modifier des échantillons de données ».

Vous pouvez nettoyer votre ensemble de données en supprimant tous les échantillons de données qui, selon vous, ne correspondent pas (parce qu'ils sont complètement différents des autres échantillons pour la même action). Vous pouvez également améliorer le modèle en ajoutant plus d'échantillons de vous-même et d'autres personnes.

Il se peut que vous deviez inclure des mouvements très subtils dans vos échantillons de données « rester immobile » pour aider le modèle à différencier les différentes actions. La collecte d'échantillons fixes avec le micro:bit dans différentes orientations aide également le modèle.

Entraînez à nouveau le modèle et testez-le à nouveau.

Mettez le modèle et le code sur votre micro:bit

Dans micro:bit CreateAI, cliquez sur « Modifier dans MakeCode » pour voir le code du projet dans l'éditeur MakeCode.

Vous pouvez modifier le code comme vous le feriez dans n'importe quel projet MakeCode micro:bit, ou simplement l'essayer tel quel. Connectez un micro:bit à l'aide d'un câble de données USB, cliquez sur le bouton « Télécharger » dans l'écran MakeCode et suivez les instructions pour transférer votre modèle d'IA et les blocs de code vers un micro:bit. Débranchez le micro:bit, branchez un coupleur de piles, portez-le et testez-le.

• Appuyez sur le bouton A pour voir combien de secondes vous avez marché.
• Appuyez sur le bouton B pour voir combien de secondes vous avez sauté.
• Appuyez sur A & B ensemble pour voir combien de secondes vous êtes resté immobile.
• Réinitialisez la minuterie en appuyant sur le bouton de réinitialisation situé à l'arrière du micro:bit, ou en déconnectant et en reconnectant le coupleur de piles.

Comment fonctionnent les blocs de code

Le code utilise trois variables pour savoir combien de temps vous avez fait une activité spécifique. Lorsque le programme s'exécute pour la première fois, il définit ces variables de minuteur à 0.

Les blocs « au démarrage de Ml... » sont déclenchés lorsque le modèle ML décide que vous avez démarré une activité qu'il reconnaît. Ils affichent différentes icônes sur l'écran LED du micro:bit en fonction de l'action qu'il a estimé que vous étiez en train de faire.

Les blocs « à l'arrêt de Ml... » sont déclenchés lorsque le modèle ML décide que vous avez terminé une action, par exemple marcher, sauter ou rester immobile. Le code à l'intérieur de chaque bloc efface l'écran et ajoute la durée de l'action qui vient de se terminer à la variable stockant le temps total de marche, de saut ou d'immobilité.

Les blocs « quand le bouton ... est pressé » contiennent du code pour afficher les variables indiquant la durée totale de chaque action. Le minuteur compte en millisecondes (millièmes de secondes) donc le nombre affiché est divisé par 1000 pour afficher la durée totale en secondes.

Évaluation

Quelle est la précision de la mesure de la durée d'une activité spécifique ? Cela fonctionne-t-il tout aussi bien pour différentes personnes ?

Testez si le code du minuteur fonctionne bien avec le modèle en trois étapes simples :

1. Appuyez sur le bouton reset.
2. Sautez pendant 30 secondes.
3. Appuyez sur le bouton B. Vous devriez voir un numéro près de 30 défiler sur l'écran.

• Si vous souhaitez améliorer le modèle, cliquez sur la flèche < en haut à gauche de l'éditeur MakeCode pour ajouter d'autres échantillons de données et réentraîner le modèle.

Comparez le chronomètre d'activité de l'IA avec les projets  Compteur d'étapes ou Compteur d'étapes sensible qui n'utilisent pas ML (machine learning) :

• Comment l'utilisation de ML permet-elle de créer un projet plus utile ?
• L'IA / ML est-elle toujours nécessaire pour réaliser des projets utiles ?

Étape 3 : étendre

• Ajoutez des données pour une autre action et utilisez le bouton du logo tactile pour afficher la variable de la minuterie pour la nouvelle action.
• Ajoutez des blocs sons pour donner un retour d'information audio lorsque différentes activités sont détectées.
• Pouvez-vous utiliser vos nouvelles connaissances sur l'apprentissage automatique, pour « briser le modèle » ? Pouvez-vous bouger de certaines façons pour tromper le modèle et lui faire prendre des décisions erronées quant à l'activité que vous êtes en train d'effectuer ? Vous pouvez également expérimenter l'ajout d'échantillons de données « déroutants » et évaluer leur impact sur le modèle ML. Comparer ce que vous savez sur les raisons pour lesquelles certains échantillons de données fonctionnent bien et d'autres non est un bon moyen d'explorer votre compréhension de cette technologie.