獻主會聖母院書院的彭嘉瑋老師，繼上次採訪中教授學生 AI 基本概念後，今次再進一步實踐了一個更進階的 AI 教學應用方案。據他講解，整項設計會運用 Google Colab 雲端方案，代替傳統單機電腦的硬件， Colab 能承載整套測距儀程式，而用戶只要下載相關套件及模組、撰寫程式再上載至 Google Drive ，就可運用 Google Colab 執行運算。
AI 社交距離測距儀（簡稱社交測距儀）這個新的教學方案，會利用到 Open CV，當中亦會運用偵測和識別功能，讓系統辨認出影片中的物件（ Object Detection ）； Open CV 接著會呼叫出不同的物件辨識模型，而 YOLO 是其中之一；根據系統對物件的置信度、座標及種類進行辨識。系統進行至辨識後期，就會運用 Microsoft COCO （ Microsoft Common Objects in Context ）資料集對比得出物件種類。由於 Microsoft COCO 是已完成的訓練模型，因此彭老師於設計中無須自行訓練模型，節省時間及難度。
測距儀實際如何操作？
彭老師於訪問中表示，社交距離測距儀的體驗、執行及操作並不困難；首先，學生要自行拍攝較多人群聚集的地方，然後把影片上載至 Google Drive ，並將之放到 Google Colab ，運行程序指令，接著從輸出的影片看偵測結果。透過結果分析，學生可以知道自己與其他人的社交距離是否合適，從而可以作出改善，減低學生感染病毒的風險。
師生落手一齊做 以業界概念教導學生
今次的課程設計是由彭老師編排，讓幾位對 AI 充滿興趣的中二及中三學生參與其中，整個過程需時約兩星期。社交距離測距儀由彭老師負責編程設計，學生會通過瀏覽影片注視真正社交距離，以及學習改變程式內的參數，從中理解 AI 系統的能力及錯誤，繼而嘗試討論及提出改良方法。
談及整項課程設計概念的由來得知，引發彭老師這設計是校方在門口設置了一個業界應用的人體探溫技術，當時他曾詢問學生有關原理及構造，由於學生早前已有 AI 的基礎知識，同學們都能清楚說明有關原理是用視像鏡頭偵測人臉，再把人臉座標資料傳送到紅外線探測鏡頭以對準進行測溫，最後得知各人體溫。此過程令他瞭解到，學生擁有足夠的基礎知識，即有能力進行分析，而且學生對學習與生活有關連的技術表現雀躍。
著重 AI 概念運用
彭老師表示，因應中學生的學習結果和能力，他不會要求學生認識 AI 的深層知識，反而著重於學生對 AI 的相關概念認知。加上從上述的學生觀察過程，注意到業界的 AI 標準更貼近生活，如此更能吸引學生的學習興趣。另一方面，與時並進的實例，在科技快速增長的環境中，學生能學以致用，學習效率也會提升。他補充，近年科技進步神速，現時 AI 的文字編程模式，相信於不久將來可變成積木編程；如此一來，重點不在於程式編寫能力，而是在於設計及應用，因此教學著重的是如何運用 AI 相關概念做出實際應用。
AI 也有錯誤時
除了教學流程和心得外，他期望能藉此讓學生更理解 AI 的各方面。很多學生誤以為 AI 很「無敵」，但凡事都不會有完美，總會有缺點， AI 也不例外。彭老師在訪問中提到，從測距儀的實作裡，向學生提出了四個要解決的問題，當中有兩個問題尚沒有解決方法，他期望從中可引領學生對 AI 有更清晰的認知； AI 有其優點，但也不能忽視其有待加強開拓的地方。
甚麼是YOLO？
YOLO （ You Only Look Once ）的用途主要是物件偵測（ Object Detection ），是通過類神經網絡演算法作出判斷， YOLO 可用於路人及圖像等偵測，用途廣泛。模型實際上每秒可處理 45fps ，於 GPU Titan X 上以 150fps 運行，而檢測準確度更是一般其他模型的兩倍，但模型需配合硬件運行，而運算時間取決於電腦效能，效能愈高，運算速度愈快。彭老師表示曾試用一條短片放在 Rasberry Pi ，需要用 300 分鐘進行處理及匯出，但同一條影片放到 Google Colab ，則只需 40 分鐘，相差 7.5 倍。他補充，學校的社交距離測距儀暫沒有做實時處理，原因就是沒有適合使用的硬件，但於體驗來說，已十分足夠。
