RobotAI Academy
หน้าหลัก ›Little Makers ›AI for Kids
Module 04 Teachable Machine Little Makers · 6–12 ปี

AI for Kids
รู้จำภาพและเสียง

สอน AI ให้เป็นด้วยตัวเอง! ใช้ Google Teachable Machine ฝึกโมเดลจดจำภาพถ่าย ท่าทาง และเสียงของคุณ แล้วนำ AI ที่สอนเองไปใช้ใน Scratch และ Micro:bit — ไม่ต้องเขียนโค้ดสักบรรทัด

⏱️ 2 สัปดาห์ (4 ชั่วโมง)
🤖 สร้างโมเดล AI 3 ชนิด
📷 Image + Pose + Sound
🎮 AI-Powered Projects
Google Teachable Machine — AI 3 ประเภท
📷
Image Project
จดจำวัตถุ สิ่งของ และใบหน้าผ่านกล้อง
🕺
Pose Project
จดจำท่าทางร่างกายด้วย Body Keypoints
🎤
Audio Project
จดจำเสียงพูด เสียงดนตรี เสียงสัตว์
🔗
Export & Use
ส่งออกไปใช้ใน Scratch, Web, App
ความคืบหน้า
1
2
3
4
5
6
Q
หัวข้อที่ 01

🧠 AI คืออะไร? เรียนรู้ได้ยังไง?

Artificial Intelligence คือโปรแกรมที่ "เรียนรู้" จากตัวอย่างข้อมูล แทนที่จะถูกโปรแกรมด้วยกฎตายตัว เหมือนที่เราสอนเด็กให้จำแมวโดยการเห็นแมวหลายๆ ตัว ไม่ใช่การอ่านนิยามจากพจนานุกรม

AI คืออะไร?
โปรแกรมคอมพิวเตอร์ที่เรียนรู้จากข้อมูล (Data) และสามารถตัดสินใจหรือทำนายผลจากสิ่งที่ยังไม่เคยเห็น โดยไม่ต้องเขียนกฎแต่ละกรณีไว้ล่วงหน้า
AI ≠ หุ่นยนต์
AI คือ ซอฟต์แวร์ (โปรแกรม) ส่วนหุ่นยนต์คือ ฮาร์ดแวร์ (ร่างกาย) AI สามารถอยู่ในมือถือ คอมพิวเตอร์ หรือหุ่นยนต์ก็ได้ เหมือน "สมอง" ที่ใส่ได้หลายร่างกาย
AI ใช้ทำอะไรได้บ้าง?
🗣️ แปลภาษา (Google Translate) · 📷 จดจำใบหน้า · 🎵 แนะนำเพลง · 🚗 รถขับเอง · 💊 วินิจฉัยโรค · 🎮 เล่นเกมชนะแชมป์โลก
Machine Learning คืออะไร?
สาขาย่อยของ AI ที่ให้คอมพิวเตอร์ เรียนรู้จากข้อมูล โดยอัตโนมัติ แทนที่จะถูกโปรแกรมกฎตายตัว Teachable Machine ใช้หลักการนี้
  • ✓ อธิบายความหมายของ AI และ Machine Learning ด้วยภาษาของตัวเองได้
  • ✓ ยกตัวอย่าง AI ที่ใช้งานในชีวิตจริงได้อย่างน้อย 5 ตัวอย่าง
  • ✓ บอกความแตกต่างระหว่าง AI กับ การโปรแกรมแบบปกติ (Rule-based) ได้
Traditional Programming vs Machine Learning
🔧 การโปรแกรมแบบเดิม 📊 ข้อมูล Input 📜 กฎที่คน เขียนไว้ ✅ ผลลัพธ์ ตัวอย่าง: ถ้า เลขคู่ → หาร 2 ได้ลงตัว คนต้องเขียนกฎทุกกรณีด้วยตนเอง ⚠️ ข้อจำกัด เขียนกฎจดจำแมวทุกสายพันธุ์ไม่ไหว! 🧠 Machine Learning 📊 ข้อมูล Input (พร้อมคำตอบ) 🧠 AI Model (เรียนรู้เอง) ✅ กฎที่ค้นพบ + ทำนายได้ ตัวอย่าง: ป้อนรูปแมว 1000 ใบ AI เรียนรู้ลักษณะแมวเองอัตโนมัติ ✨ ข้อดี จดจำแมวทุกสายพันธุ์ได้โดยไม่ต้องเขียนกฎ!
🌟

AI ในชีวิตประจำวัน: ทุกวันคุณใช้ AI อยู่แล้ว — Siri/Google Assistant (เข้าใจเสียง), Face ID (จดจำใบหน้า), Netflix แนะนำหนัง, YouTube แนะนำวีดีโอ, Google Translate แปลภาษา ล้วนเป็น AI ทั้งสิ้น!

กิจกรรม
🔍
กิจกรรม 1.1
AI Detective
⏱️ 20 นาที  ·  👥 กลุ่ม 4

สำรวจ App และเว็บไซต์ที่ใช้ AI ในชีวิตประจำวัน แล้วตอบว่า AI ทำอะไรในแต่ละที่ — จดจำ ทำนาย หรือสร้างสิ่งใหม่?

  • 1 แจก "AI Card" ให้แต่ละกลุ่ม (Google Maps, Spotify, Camera, ChatGPT...)
  • 2 ค้นหาว่า AI ในนั้นทำอะไร: จดจำ / ทำนาย / สร้าง / แนะนำ
  • 3 นำเสนอ: "App นี้ใช้ AI ในการ______ โดย AI เรียนรู้จาก______"
  • 4 อภิปราย: ถ้าไม่มี AI ชีวิตจะเปลี่ยนอย่างไร?
📱 Smartphone🃏 AI Card ชุด📋 ตารางบันทึก
🤔
กิจกรรม 1.2
Human vs Machine
⏱️ 15 นาที  ·  👥 ทั้งชั้น

เล่นเกม: ครูแสดงรูปภาพ คนหนึ่งเป็น "มนุษย์" ตอบ อีกคนเป็น "AI" ตอบด้วยกฎที่เขียนไว้ล่วงหน้า แล้วเปรียบเทียบผล

  • 1 ทีม AI เขียนกฎ "จำแนกสุนัข" ก่อนเริ่มเกม (สีขน, จำนวนขา, หาง)
  • 2 ครูแสดงรูปสัตว์ต่างๆ ทั้งสองทีมตอบพร้อมกัน
  • 3 นับคะแนนว่าใครตอบถูกมากกว่า ทีม AI หรือทีมมนุษย์?
  • 4 อภิปราย: กฎที่เขียนไว้พอไหม? จะปรับปรุงยังไง?
🖼️ รูปสัตว์ 20 ภาพ📋 กระดาษกฎ🏆 ตารางคะแนน
หัวข้อที่ 02

📚 AI เรียนรู้อย่างไร?

AI เรียนรู้เหมือนเด็ก — ต้องการ "ตัวอย่าง" ที่หลากหลายพร้อมคำตอบที่ถูกต้อง จากนั้น Neural Network จะค้นหา Pattern เพื่อทำนายสิ่งที่ยังไม่เคยเห็น

Training Data คืออะไร?
ข้อมูลตัวอย่างที่ใช้สอน AI — รูปภาพ เสียง หรือข้อความ พร้อม Label (คำตอบ) ที่มนุษย์ระบุไว้ เช่น รูปนี้ = "แมว" รูปนั้น = "สุนัข"
Neural Network คืออะไร?
โครงสร้างคณิตศาสตร์ที่เลียนแบบสมองมนุษย์ มีหลาย Layer ที่แต่ละ Layer "กลั่นกรอง" Features ออกมา เหมือนสมองแยกแยะสีก่อนแล้วจึงดูรูปร่าง
Training vs Testing
Training — ป้อนข้อมูลสอน AI ซ้ำๆ จนโมเดลดีขึ้น · Testing — ทดสอบด้วยข้อมูลใหม่ที่ AI ไม่เคยเห็น วัดว่าเรียนรู้ได้จริงหรือแค่จำ
Confidence Score
ค่าความมั่นใจของ AI เช่น "แมว: 92%, สุนัข: 6%, กระต่าย: 2%" ยิ่งสูงยิ่งมั่นใจ แต่ไม่ได้หมายความว่าถูกเสมอ!
  • ✓ อธิบายว่า Training Data, Label และ Neural Network คืออะไร
  • ✓ บอกความแตกต่างระหว่าง Training Set และ Test Set
  • ✓ อ่านค่า Confidence Score และอธิบายความหมายได้
ขั้นตอนการสอน AI ด้วย Teachable Machine
📷
ขั้นที่ 1
เก็บข้อมูล
ถ่ายรูปหรือบันทึกเสียงแต่ละ Class อย่างน้อย 30 ตัวอย่าง
🏷️
ขั้นที่ 2
ตั้งชื่อ Class
ตั้งชื่อแต่ละหมวด เช่น "แมว", "สุนัข", "กระต่าย"
⚡
ขั้นที่ 3
Train Model
กด "Train Model" รอ AI เรียนรู้ข้อมูลทั้งหมด
🧪
ขั้นที่ 4
ทดสอบ & Export
ทดสอบ Model แล้ว Export ไปใช้ใน Scratch หรือ Web
Neural Network — วิธีที่ AI "มองเห็น" รูปภาพ
Input Layer (รูปภาพ pixel) Hidden Layer 1 (ขอบและเส้น) Hidden Layer 2 (รูปร่าง/ลวดลาย) Hidden Layer 3 (ส่วนต่างๆ ของวัตถุ) Output (คำตอบ) 🟦 🟨 ⬛ pixel ขอบ เส้น ความ มน/เหลี่ยม ลวดลาย พื้นผิว ใบหน้า ขาสี่ขา หาง 🐱 92% 🐶 6% 🐰 2% 🦊 0% ← ข้อมูล Input ไหลผ่านหลาย Layer จาก Pixel → ขอบ → รูปร่าง → วัตถุ → คำตอบ →
กิจกรรม
🏷️
กิจกรรม 2.1
Data Labeling Game
⏱️ 25 นาที  ·  👥 กลุ่ม 4

ฝึกการ "Label Data" เหมือน AI Trainer จริง — แจกรูปภาพ 50 ใบ แต่ละกลุ่มต้องแบ่งหมวดและ Label ให้ถูกต้องให้เร็วที่สุด

  • 1 แจกรูปสัตว์ 50 ใบ (สุนัข แมว กระต่าย นก)
  • 2 แต่ละคนในกลุ่มรับผิดชอบ Label หมวดต่างกัน
  • 3 Label ให้ครบใน 10 นาที แล้วนับความถูกต้อง
  • 4 อภิปราย: รูปไหนยากที่สุด? ทำไม AI อาจผิดพลาดได้?
🖼️ รูปสัตว์ 50 ใบ🏷️ สติ๊กเกอร์ Label 4 สี⏱️ จับเวลา
🎲
กิจกรรม 2.2
Training Data Quality
⏱️ 20 นาที  ·  👥 ทั้งชั้น

ทดลองสอน Teachable Machine ด้วยข้อมูลน้อยและมาก เพื่อดูว่าจำนวน Training Data ส่งผลต่อความแม่นยำอย่างไร

  • 1 เปิด teachablemachine.withgoogle.com สร้าง Image Project
  • 2 Class 1: เก็บรูปมือแค่ 5 ภาพ, Train → ทดสอบ บันทึกความแม่นยำ
  • 3 เพิ่มรูปเป็น 50 ภาพ, Train ใหม่ → ทดสอบ เปรียบเทียบผล
  • 4 สรุป: ข้อมูลมากกว่า ดีกว่าเสมอไหม? มีข้อยกเว้นไหม?
💻 teachablemachine.withgoogle.com📷 Webcam📊 ตารางบันทึก
หัวข้อที่ 03

📷 Image Recognition

สอน AI ให้จดจำวัตถุ สิ่งของ ท่าทาง และใบหน้าผ่านกล้อง ด้วย Teachable Machine Image Project เก็บข้อมูลฝึก Train แล้วทดสอบทันที ในเบราว์เซอร์ ไม่ต้องติดตั้ง

Image Classification คืออะไร?
การให้ AI ดูรูปภาพแล้วตอบว่า "สิ่งที่เห็นคืออะไร" — เหมือนป้ายกำกับรูปอัตโนมัติ ใช้ใน Google Photos, Instagram, Face Unlock
Teachable Machine Image
เว็บ teachablemachine.withgoogle.com ให้เก็บภาพผ่าน Webcam หรืออัปโหลด กำหนด Class ชื่อ แล้ว Train ได้ใน 30 วินาที
Pose Project
จดจำ "ท่าทางร่างกาย" ด้วย Body Keypoints 17 จุด (หัว ไหล่ ศอก ข้อมือ สะโพก เข่า ข้อเท้า) ทำ Gesture Control ได้โดยไม่ต้องใช้ปุ่ม
Tips เก็บข้อมูลดี
📸 หลากหลายมุม · 💡 แสงหลายระดับ · 📏 ระยะหลากหลาย · 👕 เสื้อผ้าต่างกัน · 🔄 พื้นหลังต่างกัน — ยิ่งหลากหลาย AI ยิ่งแม่นยำ
  • ✓ สร้าง Image Project บน Teachable Machine เก็บภาพและ Train ได้
  • ✓ สร้าง Pose Project จดจำท่าทางอย่างน้อย 3 ท่า
  • ✓ Export Model และทดสอบ Confidence Score ได้
🎮 จำลอง: Teachable Machine Confidence
คลิกเลือก "วัตถุที่เห็น" เพื่อดูว่า AI จะตอบสนองอย่างไร (จำลอง)
🐱
แมว
45 ภาพ
🐶
สุนัข
42 ภาพ
🐰
กระต่าย
38 ภาพ
❓
ไม่แน่ใจ
ทดสอบ
กิจกรรม
✌️
กิจกรรม 3.1
Rock Paper Scissors AI
⏱️ 40 นาที  ·  👥 คู่

สอน AI จดจำ "เป่า ยิ้ง ฉุบ" จากท่ามือ 3 ท่า แล้วสร้างเกมที่คอมพิวเตอร์เล่นด้วยได้โดยใช้ Image Project!

  • 1 เปิด Teachable Machine → New Project → Image Project
  • 2 สร้าง 3 Classes: "เป่า", "ยิ้ง", "ฉุบ" เก็บภาพผ่าน Webcam อย่างน้อย 50 ใบต่อ Class
  • 3 กด Training แล้วทดสอบความแม่นยำ เพิ่มข้อมูลถ้าแม่นไม่พอ
  • 4 Export → ทดสอบกับเพื่อน วัดว่า AI ตอบผิดในสถานการณ์ใด
  • 5 อภิปราย: ทำไมมุมหรือแสงต่างกันทำให้ AI สับสน?
💻 teachablemachine.withgoogle.com📷 Webcam📊 บันทึกความแม่นยำ
🕺
กิจกรรม 3.2
Pose Controller
⏱️ 45 นาที  ·  👥 กลุ่ม 3

สร้าง Pose Project จดจำท่าทาง 4 ท่า: ยืนตัวตรง, ยกมือขวา, ยกมือซ้าย, กางแขน แล้ว Export ไปใช้ควบคุมเกมใน Scratch!

  • 1 Teachable Machine → Pose Project → สร้าง 4 Classes
  • 2 เก็บ Pose แต่ละท่า 40+ ตัวอย่าง ยืนห่างจากกล้อง 1–2 เมตร
  • 3 Train และทดสอบว่า Confidence สูงกว่า 85% ทุกท่า
  • 4 Export เป็น URL แล้วใช้ใน Scratch Extension "ML2Scratch"
  • 5 โปรแกรม Scratch: ยกมือซ้าย = Sprite เลี้ยวซ้าย, ยกขวา = เลี้ยวขวา
🕺 พื้นที่ยืน 2×2 เมตร📷 Webcam🎮 Scratch + ML2Scratch
หัวข้อที่ 04

🎤 Sound Recognition

สอน AI ให้ฟังและจดจำเสียงต่างๆ เสียงพูด เสียงปรบมือ เสียงผิวปาก เสียงสัตว์ — ด้วย Teachable Machine Audio Project ที่ใช้ Microphone บนเบราว์เซอร์ได้ทันที

Sound Classification
AI ฟังเสียงและตอบว่า "เสียงนี้คือ Class ไหน" โดยวิเคราะห์ Waveform และ Frequency ของเสียง ใช้ใน Voice Assistant, Shazam, เครื่องตรวจนก
Teachable Machine Audio
บันทึกเสียงผ่าน Microphone ตั้ง Background Noise Class ให้ AI รู้ว่า "เสียงนี้ไม่ใช่อะไรทั้งนั้น" ช่วยลด False Positive มาก
Tips บันทึกเสียงดี
🔇 ลดเสียงรบกวนรอบข้าง · 🎤 พูดระยะ 20–30 ซม. · 🔄 บันทึกหลายครั้ง น้ำเสียงต่างกัน · ⏱️ แต่ละ Sample ควาร 1–2 วินาที
Background Noise Class
Class พิเศษที่เก็บ "เสียงรอบข้างปกติ" เมื่อไม่มีเสียงที่ต้องการ ป้องกัน AI ตอบสนองต่อเสียงทุกอย่างแม้ไม่ได้ตั้งใจ
  • ✓ สร้าง Audio Project บน Teachable Machine บันทึกเสียงและ Train ได้
  • ✓ เข้าใจความสำคัญของ Background Noise Class
  • ✓ นำ Audio Model ไปเชื่อมต่อกับ Scratch ได้
🔊

ทำไมต้องมี Background Noise Class? ถ้าสอน AI แค่ "ปรบมือ" กับ "휘파람" โดยไม่มี Background Noise AI จะพยายามแบ่งเสียงทุกอย่างเป็นสองอย่างนั้น รวมถึงเสียงพัดลม เสียงรถ ทำให้เกิด False Positive ตลอดเวลา

กิจกรรม
👏
กิจกรรม 4.1
Clap Command Robot
⏱️ 40 นาที  ·  👥 กลุ่ม 3

สอน AI ฟังเสียงปรบมือ — ครั้งเดียว, สองครั้ง, สามครั้ง — แล้วสั่งงานต่างกัน เชื่อมต่อกับ Scratch สร้าง Sound-Controlled Game

  • 1 Teachable Machine → Audio Project → 4 Classes: Background, Clap1, Clap2, Clap3
  • 2 Background: บันทึกเสียงห้อง 20 วินาที · Clap1/2/3: บันทึก 30+ ตัวอย่างแต่ละแบบ
  • 3 Train และทดสอบ: ปรบ 1/2/3 ครั้งดูว่า AI แยกได้ไหม
  • 4 Scratch: Clap1 = เดินหน้า, Clap2 = เลี้ยว, Clap3 = หยุด
🎤 Microphone🎮 Scratch + ML2Scratch👏 ฝ่ามือ
🎵
กิจกรรม 4.2
Animal Sound Identifier
⏱️ 35 นาที  ·  👥 คู่

สร้าง AI ที่จดจำเสียงสัตว์ 5 ชนิด โดยเล่นเสียงสัตว์ผ่าน YouTube แล้วบันทึกผ่าน Microphone ฝึกการใช้ Audio ที่ไม่ใช่เสียงมนุษย์

  • 1 เลือกสัตว์ 5 ชนิด + Background: แมว, สุนัข, ไก่, กบ, จิ้งหรีด
  • 2 หาวีดีโอเสียงสัตว์บน YouTube แล้วเล่นผ่าน Speaker บันทึก Mic
  • 3 Train Model → ทดสอบด้วยเสียงสัตว์ใหม่ที่ไม่เคยเห็น
  • 4 สร้าง Web Page ง่ายๆ แสดงชื่อสัตว์เมื่อได้ยินเสียง
🎤 Microphone🔊 Speaker📱 YouTube เสียงสัตว์
หัวข้อที่ 05

🎮 AI-Powered Projects

รวม Teachable Machine กับ Scratch สร้างโปรเจกต์ที่ขับเคลื่อนด้วย AI จริงๆ ควบคุมด้วยท่าทาง เสียง หรือภาพวัตถุ — นี่คือก้าวแรกสู่การเป็น AI Developer!

ML2Scratch คืออะไร?
Extension ของ Scratch ที่เชื่อม Teachable Machine กับ Scratch ใส่ URL ของ Model แล้วจะมีบล็อก "เมื่อ AI ตรวจจับ Class X" ให้ใช้ได้ทันที
วิธี Export Model
Teachable Machine → Export Model → Tensorflow.js → Copy Link (Model URL) → ใส่ใน ML2Scratch Extension URL Field แล้วกด Load
Latency & Threshold
Latency — เวลาหน่วงระหว่าง AI ตรวจจับและ Scratch ตอบสนอง · Threshold — ค่า Confidence ขั้นต่ำ (แนะนำ 80%+) เพื่อลด False Positive
Real-World AI Applications
สิ่งที่สร้างได้: เกมควบคุมด้วยท่าทาง · ระบบแยกขยะอัตโนมัติ · เครื่องนับคน · ผู้ช่วยภาษามือ · เกมดนตรีด้วยเสียง
  • ✓ Export Teachable Machine Model เป็น URL ได้
  • ✓ Load Model ใน ML2Scratch และเขียนโค้ดตอบสนองต่อ Class ได้
  • ✓ สร้าง AI-Powered Project สมบูรณ์ 1 ชิ้น
✌️
Rock-Paper-Scissors AI
⭐ เริ่มต้น

AI จดจำท่ามือเล่นเป่ายิ้งฉุบ ชนะ-แพ้-เสมออัตโนมัติ

🕺
Body Puppet Controller
⭐ เริ่มต้น

ใช้ท่าทางร่างกายควบคุม Sprite ใน Scratch

♻️
Smart Trash Sorter
⭐⭐ กลาง

AI จดจำขยะ 4 ประเภท บอกว่าทิ้งถังไหน

👏
Sound Maze Controller
⭐⭐ กลาง

ควบคุมเขาวงกตด้วยเสียงปรบมือและผิวปาก

🌿
Plant Doctor AI
⭐⭐⭐ ท้าทาย

จดจำใบไม้ปกติ vs โรคพืช บอกคำแนะนำ

🤟
Sign Language ABC
⭐⭐⭐ ท้าทาย

จดจำภาษามือ A-Z แปลงเป็นข้อความ

Final Project
♻️
กิจกรรม 5.1
Smart Trash Sorter
⏱️ 60 นาที  ·  👥 กลุ่ม 3

สร้าง AI แยกขยะ 4 ประเภท: กระดาษ, พลาสติก, โลหะ, เศษอาหาร บอกผู้ใช้ว่าควรทิ้งถังไหน — โปรเจกต์ที่แก้ปัญหาจริงในโลก!

  • 1 เก็บรูปขยะ 4 ประเภท × 60+ ภาพ หลายมุม หลายแสง
  • 2 Train Model Confidence ต้องสูงกว่า 85% ทุก Class
  • 3 Scratch: เมื่อ AI ตรวจพบ Class → แสดงรูปถังขยะ + เล่นเสียงแจ้งเตือน
  • 4 ทดสอบกับขยะจริง วัด Accuracy บันทึกผล
  • 5 นำเสนอ: อธิบายว่า AI ตัดสินใจผิดกรณีไหน และทำไม
♻️ ขยะจริง 4 ประเภท📷 Webcam🎮 Scratch + ML2Scratch
🎤
กิจกรรม 5.2
Voice-Controlled Adventure
⏱️ 55 นาที  ·  👥 คู่

สร้าง Interactive Story ที่ผู้เล่นควบคุมตัวละครด้วยเสียง "ไป!" / "หยุด!" / "กระโดด!" — เกมที่ AI ฟังคำสั่งเสียงได้จริง

  • 1 Audio Project: Background + "ไป" + "หยุด" + "กระโดด" บันทึก 40+ ครั้งต่อ Class
  • 2 Scratch: สร้างเกม Platformer ง่ายๆ ตัวละครวิ่งบนแพลตฟอร์ม
  • 3 เชื่อมต่อ ML2Scratch: เมื่อ AI ได้ยิน "ไป" → ตัวละครวิ่ง
  • 4 เพิ่ม Score และ Timer ทดสอบกับเพื่อนด้วยเสียงน้ำเสียงต่างๆ
🎤 Microphone ชัด🎮 Scratch Platformer Template🔇 ห้องเงียบ
หัวข้อที่ 06

⚖️ AI Ethics — ใช้ AI อย่างมีความรับผิดชอบ

AI เป็นเครื่องมือทรงพลัง แต่ก็สามารถเกิดข้อผิดพลาดและถูกใช้ในทางที่ไม่ถูกต้องได้ เรียนรู้หลักการใช้ AI อย่างยุติธรรม โปร่งใส และปลอดภัย

✅
AI ที่ดี — ควรเป็นอย่างไร
🎯 แม่นยำ: ทำงานได้ดีกับคนทุกกลุ่ม ไม่เลือกปฏิบัติ

🔍 โปร่งใส: บอกได้ว่า AI ตัดสินใจอย่างไร เชื่อถือได้

🔒 ปลอดภัย: ไม่รั่วไหลข้อมูลส่วนตัว ขออนุญาตก่อนใช้

🌍 เป็นประโยชน์: แก้ปัญหาจริง ไม่สร้างความเดือดร้อน
⚠️
ปัญหาที่ AI อาจเกิด
📊 Data Bias: ถ้าฝึกด้วยข้อมูลที่ไม่หลากหลาย AI จะเลือกปฏิบัติ เช่น จดจำใบหน้าได้ดีเฉพาะบางเชื้อชาติ

🕵️ Privacy: AI ที่จดจำใบหน้าอาจ Track คนโดยไม่ได้รับอนุญาต

🤥 Deepfake: AI สร้างวีดีโอปลอมได้ อาจถูกใช้หลอกลวง

🔮 Over-reliance: เชื่อ AI มากเกินไปโดยไม่ตรวจสอบ
AI Ethics Framework สำหรับนักเรียน
⚖️ ยุติธรรม ทุกคนได้รับ การปฏิบัติเท่าเทียม 🔒 ปลอดภัย ไม่ละเมิด ข้อมูลส่วนตัว 🔍 โปร่งใส บอกได้ว่า AI ทำงานอย่างไร 🌍 เป็นประโยชน์ แก้ปัญหาจริง ไม่สร้างโทษ 🧑‍⚖️ รับผิดชอบ มนุษย์ตรวจสอบ และดูแล AI เสมอ
กิจกรรม
🎭
กิจกรรม 6.1
AI Bias Experiment
⏱️ 30 นาที  ·  👥 ทั้งชั้น

ทดลองสร้าง AI Bias โดยตั้งใจ — ฝึก Model จำแนกใบหน้าด้วยข้อมูลที่ไม่สมดุล แล้วดูว่า AI ผิดพลาดอย่างไร

  • 1 สร้าง Image Project: Class A = นักเรียนชาย 5 คน, Class B = นักเรียนหญิง 5 คน
  • 2 แต่เก็บ Class A มาก (50 ภาพ) Class B น้อย (10 ภาพ)
  • 3 Train แล้วทดสอบ — AI แม่นยำในกลุ่มไหนมากกว่า?
  • 4 อภิปราย: นี่คือ "Data Bias" ทำอย่างไรถึงจะแก้ไขได้?
📷 Webcam📊 ตารางเปรียบเทียบ
💬
กิจกรรม 6.2
AI Ethics Debate
⏱️ 25 นาที  ·  👥 ทั้งชั้น

อภิปรายสถานการณ์ AI ในโลกจริง แบ่งทีมถก "ควร หรือ ไม่ควร" ฝึกการคิดวิจารณ์เกี่ยวกับเทคโนโลยีที่จะเปลี่ยนโลก

  • 1 สถานการณ์ 1: โรงเรียนใช้ AI จดจำใบหน้านักเรียนตอนเข้าเรียน — ดีหรือไม่ดี?
  • 2 สถานการณ์ 2: AI ช่วยหมอวินิจฉัยโรค ผิดพลาด 5% — ควรใช้ไหม?
  • 3 สถานการณ์ 3: AI แต่งเพลงและเขียนหนังสือแทนมนุษย์ — ยุติธรรมกับศิลปินไหม?
  • 4 สรุป: หลักการ AI Ethics ข้อใดสำคัญที่สุดสำหรับคุณ?
🃏 การ์ดสถานการณ์📝 กระดานแสดงความคิดเห็น
🧠

แบบทดสอบ AI for Kids

ทดสอบความเข้าใจ AI, Machine Learning, Teachable Machine และ AI Ethics · 9 ข้อ

ข้อที่ 01 — AI คืออะไร
ข้อใดอธิบาย Machine Learning ได้ถูกต้องที่สุด?
✅ ถูกต้อง! Machine Learning คือ AI ที่ "เรียนรู้จากข้อมูล" แทนที่จะถูกโปรแกรมกฎตายตัว เหมือนที่เด็กเรียนรู้จากการเห็นตัวอย่าง
❌ Machine Learning คือโปรแกรมที่เรียนรู้จากตัวอย่างข้อมูล ไม่ต้องเขียนกฎทุกกรณีเอง นี่คือความแตกต่างจากการโปรแกรมแบบเดิม
ข้อที่ 02 — Training Data
ถ้าต้องการสอน AI ให้จำแนกแมวและสุนัข ต้องเตรียมอะไรเป็นสิ่งแรก?
✅ ถูกต้อง! Training Data ที่มี Label คือสิ่งที่ AI ต้องการเรียนรู้ รูปภาพหลากหลายพร้อมคำตอบที่ถูกต้องคือสิ่งที่สอน AI ได้
❌ AI เรียนรู้จาก Training Data — รูปภาพพร้อม Label ที่บอกว่า "นี่คือแมว/สุนัข" ยิ่งมีมากและหลากหลาย AI จะยิ่งแม่นยำ
ข้อที่ 03 — Teachable Machine
Teachable Machine ของ Google ช่วยให้เราทำอะไรได้โดยไม่ต้องเขียนโค้ด?
✅ ถูกต้อง! Teachable Machine ให้ใครก็ฝึก AI Model ของตัวเองได้ผ่านเบราว์เซอร์ ไม่ต้องเขียนโค้ด ไม่ต้องติดตั้งอะไร
❌ Teachable Machine (teachablemachine.withgoogle.com) ให้ฝึก AI Model จดจำภาพ ท่าทาง และเสียงได้ด้วยตนเอง ผ่านเบราว์เซอร์
ข้อที่ 04 — Confidence Score
Teachable Machine แสดง "แมว: 92%, สุนัข: 6%, กระต่าย: 2%" หมายความว่าอะไร?
✅ ถูกต้อง! Confidence Score คือความมั่นใจของ AI ค่าสูงสุด (92%) คือคำตอบที่ AI เลือก แต่ระวัง — มั่นใจสูงไม่ได้แปลว่าถูกเสมอ!
❌ Confidence Score คือ "ระดับความมั่นใจ" ของ AI ต่อแต่ละ Class รวมกันได้ 100% AI เลือกคำตอบที่ Score สูงสุด
ข้อที่ 05 — Background Noise
ทำไม Teachable Machine Audio Project ต้องมี "Background Noise" Class?
✅ ถูกต้อง! Background Noise สอนให้ AI รู้จัก "เสียงที่ไม่สำคัญ" ถ้าไม่มี AI จะพยายามจัดเสียงทุกอย่างเข้า Class ที่มี ทำให้เกิด False Positive
❌ Background Noise Class สอน AI ว่า "เสียงสภาพแวดล้อมปกติ" ไม่ใช่ Class ที่ต้องตอบสนอง ป้องกัน AI ตื่นตระหนกกับเสียงทุกอย่าง
ข้อที่ 06 — Pose Project
Pose Project ใน Teachable Machine ตรวจจับอะไร?
✅ ถูกต้อง! Pose Project ใช้ PoseNet ตรวจจับตำแหน่ง Body Keypoints 17 จุดบนร่างกาย ทำให้ AI เข้าใจท่าทางได้โดยไม่ต้องจำใบหน้า
❌ Pose Project วิเคราะห์ "ท่าทาง" ผ่านตำแหน่ง 17 จุดบนร่างกาย เช่น หัวไหล่ ศอก ข้อมือ สะโพก เข่า — ไม่ใช่ใบหน้าหรือเสียง
ข้อที่ 07 — Data Quality
น้องสร้าง Image AI แยก "แอปเปิ้ลแดง" กับ "ส้ม" แต่เก็บแต่ภาพในห้องแสงเดียวเท่านั้น เมื่อทดสอบกลางแจ้งผลแย่มาก ปัญหาคืออะไร?
✅ ถูกต้อง! นี่คือปัญหา "Overfitting" — AI เรียนรู้สภาพแสงในห้องดีเกินไป แต่ Generalize ไปสถานการณ์ใหม่ไม่ได้ แก้โดยเก็บข้อมูลที่หลากหลายกว่านี้
❌ Training Data ต้องครอบคลุมสถานการณ์จริงที่จะใช้งาน ถ้าเก็บเฉพาะแสงในห้อง AI จะทำงานได้ดีแค่ในห้องนั้น
ข้อที่ 08 — ML2Scratch
หลังจาก Export Teachable Machine Model แล้ว ต้องทำอะไรถัดไปเพื่อใช้ใน Scratch?
✅ ถูกต้อง! Copy URL ของ Model แล้วใส่ใน ML2Scratch Extension ใน Scratch จะได้บล็อก "เมื่อ AI ตรวจจับ Class X" ให้ใช้งานได้ทันที
❌ ขั้นตอน: Export Model → Copy Model URL → เปิด Scratch → เพิ่ม ML2Scratch Extension → ใส่ URL → Load Model → เขียนโปรแกรมตอบสนอง
ข้อที่ 09 — AI Ethics
AI ที่ฝึกด้วยรูปใบหน้าคนกลุ่มเดียว มักจดจำได้แม่นยำสำหรับกลุ่มนั้น แต่แย่สำหรับกลุ่มอื่น ปัญหานี้เรียกว่าอะไร?
✅ ถูกต้อง! AI Bias เกิดเมื่อ Training Data ไม่ครอบคลุมทุกกลุ่ม AI จึง "เข้าข้าง" กลุ่มที่มีข้อมูลมากกว่า แก้ไขด้วยการเก็บข้อมูลที่หลากหลายและสมดุล
❌ AI Bias คือปัญหาเมื่อ AI ทำงานได้ดีกับบางกลุ่มแต่แย่กับกลุ่มอื่น เพราะ Training Data ไม่สมดุล เป็นปัญหา AI Ethics ที่สำคัญมาก
คะแนนของคุณ
0 / 9
🎉 สรุปบทเรียน
AI for Kids — 6 ทักษะสำคัญที่ได้เรียนรู้จากการลงมือทำจริง
🧠
AI คืออะไร
ML, Training Data, Neural Network, Confidence
📷
Image Recognition
Image & Pose Project, Webcam, Export Model
🎤
Sound Recognition
Audio Project, Background Noise, เสียงพูด/สัตว์
🔗
AI + Scratch
ML2Scratch Extension, AI-Powered Games
⚖️
AI Ethics
Bias, Privacy, Fairness, Transparency
🚀
AI Projects
Trash Sorter, Voice Control, Sign Language
➡️ บทเรียนถัดไป: Mini Project & Demo Day ← บทที่แล้ว: LEGO Spike 🏠 หน้าหลักสูตร