【活動報導】AI翻轉教室，提升教學成效!

Posted By 王姵文 on 9 月 3, 2021 in Edge AI開發地圖, Intel, OpenVINO, OpenVINO活動報導, 活動報導 | 0 comments

文章導覽

作者：王姵文

因為疫情影響，無法實施實體課程，遠端智慧學習以及智慧教室等相關內容更受到注重，再加上近年教育部致力推動打造「智慧校園」與「智慧教室」，都是希望讓AI成為老師們教育與創新的助力。8/26(四) Edge AI線上社聚便邀請到兩位專家李盛安教授和Wilson Lin來做分享。

智慧教室的AI導入需求與開發

第一位講者為開南大學健康產業管理學系副教授李盛安老師，「OpenVINO™這個套件所內建的模型，過去1~2年在機器視覺方面提供一些做好的模型可以讓大家快速導入，大幅度減輕了初學者要入門的難度。」李盛安分享指出，過去有很多初學者問他要如何入門，或接觸文件時看不懂，他以OpenVINO™各種訓練優化工具運作流程做解釋，入門第一步是已經訓練好的模型，接著則是有易上手的開發環境。

Intel推出的OpenVINO™這個開源平台裡面附的工具軟體套件，確實有助於大幅度減輕初學者的入門難度，以前初學者要學習很多模型再去使用，但時常會有相容性或其他問題，對大部分初學者來說起步是非常困難的，但他認為只要學會如何配置模型就能使用OpenVINO™。

李盛安老師分享OpenVINO™各種訓練優化工具運作流程

「在OpenVINO™透過各種框架模型轉換至Inference Engine執行架構時，我們下載的模型要去符合OpenVINO™的格式和樣式，會需要有.xml和.bin的檔案。」李盛安老師解釋.xml檔案負責描述模型的類神經網路架構，最主要的紀錄檔在.xml這個檔案，.bin是整個模型的所有數值型的資料，執行時一定要有.xml和.bin的檔案，重要的是訓練一次模型轉換成OpenVINO™的架構後，通過推論引擎就可以在Intel不同的硬體上面去執行。

李盛安老師分享自己在學校教學上的經驗，電腦教室裡有幾種常見的教學模式，第一種是廣播系統，第二種是讓學生照老師做好的投影片(非同步教學)來操作，第三種是全遠距的模式(同步教學)。「在電腦教室的課程主要是通過操作來學習，但有個最大的問題是老師很難掌握學生的學習狀況，可能是被電腦擋住或其他原因。」李盛安老師點出在教學上遇到的難題。

現在透過電腦視覺可以提供一些協助，李盛安老師在OpenVINO™下載了4個模型，分別是物件偵測、眼睛視角偵測、人體姿態、互動式臉部偵測。有了這些便可以針對電腦教室的人流紀錄、學生盯電腦畫面的時間紀錄與分析、於座位出席的時間變化紀錄與分析、Google ClassRoom 繳交課堂單元練習的電腦作業時間、同學進入教室後有無全程戴口罩的觀察與分析、電腦課中的人流紀錄、小組討論中組員的情緒變化與專注度紀錄與分析。

李盛安對此表示：「其中一些項目在過去很難做到偵測和分析，但透過電腦視覺便可以大幅度解決老師教學上所面臨的問題。」

李盛安老師分享他藉由OpenVINO™偵測電腦教室內學生的學習狀態

AI智慧教室系統架構與建置實務

第二位講者是iBASE廣積科技協理Wilson Lin，他說：「我們希望AI智慧教室系統架構的解決方案，能讓人們更專注於學習，這是我們的目標。」

Wilson Lin表示透過這套系統能夠解決一些現在看到的或強化需要改進的問題。第一點是降低教學人員一般性事務之工作量，能專注於教學，例如老師進到教室後還要點名或在上課中注意學生是否有專心聽講，這些都會分散老師教學的精力；第二點是讓學習者擁有專用化與最適化之學習經驗，透過這個系統可以事後分析學習者的行為或情緒，讓學習者藉此修正或改進；第三點是可量化之指標有助於教與學之內容改進與優化。

由於透過AI分析出來的所有資料都可以量化和指標化，對於現在和未來的教學內容的改善和優化是非常好的參考依據，而且它是即時且完整的資訊，這是iBASE推出AI智慧教室系統架構希望達到的目的。

Wilson Lin分享AI智慧教室系統架構的解決方案

Wilson Lin提到這套AI智慧教室系統的解決方案有兩種架構，一個架構是邊緣運算系統(AIER102E)，安裝於各個教室中，偵測分析對象之情緒與行為並收集為資料來源，和臉部辨識基礎之點名功能，單機即可輸出資料。另一個架構是中央管理伺服系統(AIER100C)，安裝在行政管理單位，為各邊緣系統(AIER102E)之中央管理系統，可綜合各邊緣系統之輸出資料進行分析，中央管理系統可以透過區域網路同步邊緣管理系統。

系統在操作介面上可為學習者註冊臉孔ID和為多個學習者註冊ID，將課程表輸入為時間表，為每一堂課設定起始時間與結束時間，且為課程設定週期性時間，還有即時偵測點名系統，以及即時偵測課程中的學習者，並能觀看單一學習者之分析數據，或取消對特定學習者的即時偵測或整個課程。