Όραμα και στόχος μας είναι τα παιδιά να κατανοήσουν σε βάθος πώς «σκέφτονται» και εκπαιδεύονται οι αλγόριθμοι AI. Μέσα από απλά αλλά επιστημονικά αυστηρά πειράματα, οι μαθητές συλλέγουν δεδομένα, εκπαιδεύουν τα δικά τους μοντέλα αναγνώρισης εικόνας, ήχου και κίνησης, και τα χρησιμοποιούν για να ελέγξουν φυσικούς μηχανισμούς, ρομπότ και οχήματα.

• Εισαγωγή στη Μηχανική Μάθηση (Machine Learning Pipeline): Τα στάδια δημιουργίας ενός μοντέλου AI: συλλογή δεδομένων (data collection), εκπαίδευση (training), δοκιμή (testing) και αξιολόγηση ακρίβειας (accuracy validation). • Μοντέλα Ήχου, Εικόνας & Χειρονομιών: Εκπαίδευση αλγορίθμων για την αναγνώριση φωνητικών εντολών, μορφασμών προσώπου, αντικειμένων και μοτίβων κίνησης (μέσω του ενσωματωμένου επιταχυνσιόμετρου). • Physical AI & Διασύνδεση micro:bit: Σύνδεση των εκπαιδευμένων μοντέλων AI με τη συσκευή micro:bit (μέσω Bluetooth / WebUSB) για την πυροδότηση φυσικών ενεργειών (μοτέρ, LED matrix, ηχεία, διακόπτες). • Ηθική & Όρια της Τεχνητής Νοημοσύνης: Κατανόηση των μεροληψιών στα δεδομένα (data bias), της προστασίας προσωπικών δεδομένων και του ρόλου του ανθρώπου στον έλεγχο των αλγορίθμων.

• Κατάκτηση των Αρχών του Machine Learning: Πλήρης κατανόηση της διαφοράς μεταξύ του παραδοσιακού προγραμματισμού (βασισμένου σε σταθερούς κανόνες "if/then") και της εκπαίδευσης μοντέλων βάσει δεδομένων. • Ικανότητα Διαχείρισης & Καθαρισμού Δεδομένων: Ευχέρεια στη συλλογή ποιοτικών δειγμάτων (datasets) για τη σωστή εκπαίδευση και αποφυγή σφαλμάτων στο μοντέλο AI. • Σύνθεση Λογισμικού AI & Hardware: Ικανότητα σχεδιασμού συστημάτων όπου ένας αλγόριθμος AI λαμβάνει αποφάσεις και ο μικροελεγκτής τις εκτελεί στον φυσικό κόσμο.

• Hard Skills Τεχνητής Νοημοσύνης: Εκπαίδευση νευρωνικών δικτύων (vision/sound/gesture classification), χρήση AI extensions. • Αλγοριθμική Κριτική Σκέψη: Ανάλυση του γιατί ένα μοντέλο AI απέτυχε σε μια πρόβλεψη και παραμετροποίηση των δεδομένων εκπαίδευσης για τη διόρθωσή του. • Συνεργατικός Σχεδιασμός Πρωτοτύπων (Prototyping): Εργασία σε ομάδες με διακριτούς ρόλους (Data Collector, AI Trainer, Hardware Integrator). • Επιστημονικός Πειραματισμός: Διαμόρφωση υποθέσεων, διεξαγωγή δοκιμών σε πραγματικό χρόνο και αποδοχή των ορίων της τεχνολογίας ως πρόκληση για βελτίωση.

• Smart Car με Φωνητικό & Οπτικό Έλεγχο: Εκπαιδεύουμε μοντέλο AI να αναγνωρίζει φωνητικές εντολές ("Start", "Stop", "Turn") ή σήματα χεριών μέσω κάμερας και στέλνουμε ασύρματα τις εντολές στο micro:bit car. • Έξυπνο Σύστημα Ασφαλείας Προσώπου: Δημιουργούμε μοντέλο αναγνώρισης προσώπου που επιτρέπει την είσοδο μόνο σε εξουσιοδοτημένα άτομα, ενεργοποιώντας μηνύματα στην οθόνη του micro:bit. • Αναγνώριση Χειρονομιών & Gesture Controller: Εκπαιδεύουμε το επιταχυνσιόμετρο του micro:bit να αναγνωρίζει συγκεκριμένες κινήσεις του χεριού (π.χ. κύκλος, ζιγκ-ζαγκ) για τον έλεγχο παιχνιδιών ή φωτισμού.

• Physical AI & Αυτόνομα Συστήματα: Σύνδεση των projects με τα αυτόνομα οχήματα, τα έξυπνα ρομπότ εφοδιαστικής και τις οικιακές συσκευές AI. • Edge AI & Internet of Things: Κατάνοηση της τάσης εκτέλεσης αλγορίθμων AI απευθείας σε μικρές συσκευές (Edge Devices) για ταχύτητα και προστασία ιδιωτικότητας. • Επαγγελματικός Προσανατολισμός: Πρώιμη βιωματική επαφή με τις ειδικότητες του Machine Learning Engineer, Data Scientist, AI Systems Architect και Embedded AI Developer.