Vi träffas på Nyköpingskontoret några dagar efter studenten för att höra mer om gymnasiearbetet som tog de gamla klasskompisarna från noll, till en fungerande AI-modell för bildigenkänning av sötvattensfiskar. Med är även Erik Ytterberg, senior systemutvecklare på LearningWell som de senaste åren granskat alla kodrelaterade gymnasiearbeten på Enskildas naturprogram.
Axel och Hugo är uppvuxna i Gnesta, har gått i samma klass hela högstadietiden och följdes åt till Natur på Enskilda. När det var dags för gymnasiearbetet i årskurs tre, var ingen av dem var speciellt sugen på ett traditionellt skriftligt gymnasiearbete. De ville göra något praktiskt och roligt. Det bollades en hel del idéer. En simulerad vindtunnel dök upp som förslag men de insåg snabbt komplexiteten i det ingen tidigare gjort. Till slut landade de i bildigenkänning med maskininlärning.
Men vad skulle de identifiera? Trädsjukdomar dök upp som en tanke men de hittade inga bra bilder. Så stötte de på Kaggle, en plattform med färdiga dataset och väldefinierade problem. Och där låg det – 7 000 bilder av 30 arter sötvattensfiskar från Nederländerna.
Datasetet var allt annat än perfekt. Bilderna varierade vilt i kvalitet, några var tagna av sportfiskare med telefonen, tänk selfie tillsammans med abborre. Arterna var benämnda på latin och karpfiskar dominerade kraftigt. Men det var data nog att börja med.
– Det var egentligen mängden data som styrde vad vi landade i, säger Hugo.
– Plus att vi hittade ett problem som även speglade natur, vilket var ett av kriterierna.
Kod, rapport och 40 procents träffsäkerhet
Hugo och Axel berättar att det var mycket att sätta sig in, framför allt hur man angriper ett problem av det här slaget. Cirka två veckor in i höstterminen var de i alla fall igång.
– Ingen av oss hade gjort något liknande tidigare, så vi fick ta det steg för steg.
Initialt tog Hugo tag i kodningen och Axel rapportdelen, därefter turades de om.
En utmaning de inte förutsett var att AI:n började överträna. I stället för att lära sig generalisera började modellen att memorera träningsdata.
Slutresultatet landade till sist på runt 40 procents träffsäkerhet på 30 arter. Ett resultat de är nöjda med och som Erik Ytterberg menar hade kunnat bli ännu bättre om träningsdatan hållit en högre kvalitet. Vissa bilder hade exempelvis skalats ner för mycket och tappat alldeles för mycket information.
– Vi är väldigt nöjda med 40 procent, särskilt med tanke på hur olika bilderna såg ut, säger Axel.
Koden var klar i god tid medan rapporten – ja, den sköts upp lite. ”Det var lite tråkigare”.
