Machine Learning for kids: Construye con tus hijos un bot experto en su animal favorito

Para estos días de estar en casa, recuperamos uno post que preparamos para hacer algo interesante con los peques durante las vacaciones de Navidad de 2018. Os propusimos pasar una tarde entretenida haciendo un sencillo experimento de Machine Learning con nuestros niños. Es importante que los niños conozcan cómo que funciona nuestro mundo. ¿Y qué mejor manera de comprender las capacidades e implicaciones del ubicuo aprendizaje automático que poder construir algo utilizando esta tecnología ellos mismos?

Usaremos una herramienta basada en web, (no hay que instalar nada, ni  configurar nada complejo), que nos permitirá introducir a los niños en el mundo del entrenamiento de sistemas de aprendizaje automático y el tipo de cosas que se puede construir con ellos. Y de la forma que más les gusta aprender a los niños (y a los mayores también): ¡jugando!. Si no tienes hijos, ni ningún pequeño amigo más o menos a mano, no hay problema: puedes recuperar al niño/niña de tu infancia, y pasar un buen rato probándolo contigo mismo. ¿Qué te parece el plan?.

(Por cierto, os confirmamos que lo hemos probado con un auténtido “kid” de 13 años montamos un bot en aproximadamente 1,5 horas.)

1.  Creación de un proyecto nuevo.

• Nuestro animal favorito
• Nuestro deporte favorito
• Nuestro personaje favorito de novela, cómic, cine, vídeo etc.
• Nuestro colegio, nuestro barrio, nuestro país…

Lo que queramos.

• ¿Qué comen los búhos?
• ¿En qué partes del mundo se les puede encontrar?
• ¿Cuánto tiempo viven los búhos?
• ¿Qué especies de búhos hay?
• ¿Qué tamaño pueden alcanzar?

Figura 1: Página web de ML for Kids

Figura 2: Creación de un nuevo proyecto.

2. Entrenamiento.

Figura 3: El proyecto, ya creado, aparece en una especie de navegador de proyectos. Podemos abrirlo, o borrarlo.

Figura 4: Seleccionamos la opción “entrenar”.

Y, a continuación,  “Añadir nueva etiqueta” (“Add New label”, en la versión española hay algunos mensajes que aparecen en inglés, como este)

Figura 5: Añadir etiqueta.

Figura 6: Etiquetas ya creadas.

Y generamos 5 preguntas para cada cuadro. Queda algo así:

Figura 7: Ejemplo de preguntas.

Figura 8: Escribimos formas alternativas de preguntar por cada uno de los temas.

 

Una vez hecho esto, seleccionamos  “Volver al proyecto” (arriba a la izquierda) y volvemos a la pantalla que aparecía en la Figura 4. Ha llegado el momento de “Aprender y probar”. Si hemos recogido suficientes ejemplos, la máquina aprenderá a reconocer sobre qué le estamos preguntado, basándose en los ejemplos de preguntas que hemos hecho.

 

Figura 9: Con las preguntas de ejemplo entrenamos a la computadora  para que identifique el tema de la pregunta.

 

La siguiente figura nos recuerda lo que hemos hasta ahora, recoger 5 ejemplos de pregunta por cada tema, y el paso siguiente: pulsar el botón azul de la parte inferior izquierda para empezar el entrenamiento.

 

Figura 10: Lanzamos el entrenamiento.

 

 

 

En lo que se entrena el modelo, puede que nos hagan una pequeña encuesta sobre Machine Learning. Cuando termine, aparece información de estatus. Como no nos hemos registrado, nos advierten que  nuestro modelo se borrará en unas horas.

Figura 11: Información de estatus del modelo ya entrenado.

3. Creamos un juego en Scratch o Python.

Volvemos a la página principal del proyecto con “Volver al proyecto”. Ha llegado el momento de usar el modelo de aprendizaje automático que hemos entrenado para crear un juego en Scratch o Python. Para ello, seleccionamos la tercera opción,  “Make” (recordar Figura 4) y después, elegimos la opción Python.

 

Figura 12: Seleccionamos la opción Python.

 

Llegamos a esta pantalla:

 

Figura 13: Usamos ML en Python.

Nos vamos a fijar en la ventana de código, a la derecha. Copiamos las líneas que aparecen en el recuadro rojo cuyo objetivo es importar la librería “requests” y definir la función “Classify”. La primera pasa el texto que introducimos al modelo de aprendizaje automático que hemos creado y nos devuelve el resultado que mejor se aproxime. 

 

Figura 14: Copiamos estas líneas de código en Python.

 

 

A continuación vamos a necesitar un editor cómodo para Python. Podemos usar el que más nos guste. Nosotros vamos a usar Jupyter Notebook. Si no lo tenéis instalado, en este post, Python para todos (2): ¿Qué son los Jupyter Notebooks?, podéis encontrar una forma sencilla de hacerlo. Perosi no queremos instalarnos nada, podemos usar la versión browser de Jupyter, o bien, si tenemos una cuenta Office 365 o Microsoft Account, podemos usar también los notebooks de Microsoft Azure. Nosotros hemos elegido esta última opción, pero cualquiera de las tres es perfectamente válida.

 

Iniciamos sesión con nuestro usuario de hotmail, live, u Office 365 en Microsoft Azure Notebooks , y creamos un proyecto nuevo con el botón “+ New Proyect” que aparece arriba a la derecha.

 

Figura 15: Creamos un proyecto nuevo.

 

 

Le asignamos un nombre, y un ID numérico:

 

Figura 16: Asignamos nombre e ID al proyecto.

Indicamos qué tipo de proyecto es: Notebook

Figura 17: Indicamos que se trata de un Notebook.

Asignamos un nombre al Notebook e indicamos la versión de Python con la que queremos trabajar: 3.5

 

Figura 18: Indicamos nombre y versión.

 

Pegamos en este notebook el código que  hemos copiado anteriormente (ver figura 14), donde se hacía una llamada a la librería requests y la definición de la función classify. 

 

(Explicaremos paso a paso con imágenes cómo hacerlo, y al final del proceso, incorporamos la versión final editable de la que podéis copiar directamente el código para pegarlo en vuestro notebook.)

 

Figura 19: “Pegamos” el código que copiamos antes– carga de librería requests y definición de la función classify.

 

Ahora tenemos que definir la función respuesta: answer question. Para ello, añadirmos a continuación las siguientes líneas de código. Para cada tipo de pregunta, “class_name” generamos un bucle:

 

 “if  answerclass == nuestra etiqueta” print””

 

Figura 20: Para cada tipo de pregunta se genera un bucle if–print–efif.

 

(Nota: Según la versión Python,  habrá que udar la función raw_input(“>”) o input(“>”) a secas)

 

Después, en el espacio entre “” agregaremos las respuestas que hemos buscado. Toca escribir de nuevo. 

 

Figura 21: Añadimos las respuestas correspondientes a cada pregunta entre las comillas después de print.

 

Por último, cerramos agregando la pregunta que nos va a hacer el bot:

 

Figura 22: Agregamos la pregunta que nos hará el chatbot.

 

(Según la versión de Python, la función print puede necesitar (), y quedar así: print(“¿Qué te gustaría…”).

 

Debe quedar algo así (ahora ya puedes copiar directamente el código en tu notebook):

 

https://gist.github.com/PalomaRS/5b7f8e2a29dea282e15e5b6a04f53baa#file-buhosbot-ipynb

 

Ahora, ya sólo nos queda ejecutar la celda desde el menú Cell/Run Cells.

Como ya os adelantamos al principio del post, pusimos a prueba todo el proceso con Miguel, de 13 años, que eligió como tema para su bot los cerdos (es una apasionado de la biología, pero también del jamón). Para no hacerle escribir demasiado, en lugar de crear 5 etiquetas, creamos 3, eso sí, con 5 preguntas por cada una de ellas. Nos quedó así:

Figura 23: Versión “corta” creando sólo 3 etiquetas.

Figura 24: El bot ya está activo y le podemos preguntar.

Figura 25: Ejemplo del pregunta.

Nos encantará saber, si lo habéis probado, qué tal os ha ido. ¡Dejadnos un comentario!

Para mantenerte al día con LUCA visita nuestra página web,  suscríbete a LUCA Data Speaks o síguenos en Twitter, LinkedIn y YouTube.