Introduktion og relevans

Self-supervised learning (SSL) har for alvor gjort sit indtog i maskinlæring, og nu begynder det også at rykke på sig i undervisningsverdenen. Hvorfor? Fordi SSL gør det muligt at lære fra data uden at bruge dyrebare, tidskrævende labels – en gamechanger for både EdTech-udviklere og gymnasielærere i informatik. I centrum for denne udvikling står frameworks som Lightly AI og SimCLR, der gør det let at eksperimentere med avancerede læringsmetoder uden at drukne i kode eller hardwarekrav.

Lightly AI er et open source-framework, der gør det nemt at arbejde med self-supervised learning og dataudvælgelse. SimCLR er en af de mest populære SSL-metoder, hvor man lærer at forstå billeder ved at sammenligne forskellige versioner af samme billede. For undervisere og EdTech-udviklere åbner det for nye måder at arbejde med data, etik og maskinlæring på – uden at skulle være PhD i AI.

Pædagogisk perspektiv og didaktisk relevans

Hvordan kan man bruge self-supervised learning i informatikundervisningen? For det første kan eleverne arbejde med billeddata, hvor de selv kan se, hvordan en model lærer at forstå forskelle og ligheder mellem billeder – helt uden labels. Det kan gøres gennem elevopgaver som at visualisere, hvordan modellen grupperer billeder af dyr, biler eller huse. Her kan man diskutere etik: Hvad betyder det, at en model selv finder mønstre? Hvilke bias kan opstå?

Didaktisk kan læreren introducere SSL med hands-on øvelser, hvor kode er tilgængelig, men ikke i centrum. For eksempel kan eleverne bruge Google Colab-notebooks, hvor de kun skal ændre få linjer for at se store effekter. Det gør det muligt at fokusere på forståelsen af data og læringsprocesser fremfor tekniske detaljer.

Teoretisk baggrund og metodeforklaring

SimCLR bygger på ideen om at lære gode repræsentationer ved at sammenligne forskellige transformationer af samme billede. Modellen bruger en såkaldt contrastive loss, der trækker lignende billeder tættere sammen i det matematiske rum og skubber forskellige billeder længere væk. UMAP og t-SNE er to visualiseringsmetoder, der kan vise, hvordan modellen grupperer data i to dimensioner, så man kan se, om billeder af fx katte og hunde ender i samme klynge.

Aktiv læring er et beslægtet koncept, hvor modellen selv foreslår, hvilke data der er mest værdifulde at få labels på. Sammenlignet med klassisk supervised learning, hvor alle data skal være annoteret, gør self-supervised og aktiv læring det muligt at udnytte uannoterede data langt bedre. Andre frameworks som BYOL og MoCo bygger videre på samme principper, men SimCLR er ofte valgt for sin enkelhed og gode dokumentation.

Praktisk guide og kodeeksempler

Med Lightly AI kan man hurtigt komme i gang. Først installeres de nødvendige Python-biblioteker i Google Colab. Dernæst defineres en SimCLR-model med en ResNet-backbone, hvor klassifikationshovedet fjernes og erstattes af en projektion til et såkaldt embedding space. Herefter indlæses et datasæt – typisk CIFAR-10 – og der laves to versioner af hvert billede med forskellige transformationer.

Træningen foregår ved, at modellen lærer at matche de to versioner af samme billede, mens den adskiller forskellige billeder. Efter træning kan man generere embeddings for hele datasættet og visualisere dem med UMAP eller t-SNE. Det er overraskende intuitivt at se, hvordan billeder med samme indhold grupperes sammen, selvom modellen aldrig har set labels.

Cases og anvendelser i EdTech og undervisning

Self-supervised learning åbner for nye muligheder i læringsplatforme. For eksempel kan adaptive systemer bruge SSL til at forstå elevbesvarelser eller billedopgaver uden at skulle have tusindvis af eksempler manuelt annoteret. Automatisk feedback kan forbedres, fordi modellen kan genkende mønstre i elevdata, som ellers ville kræve omfattende mærkning.

Fordelene er tydelige: Mindre behov for labels, bedre udnyttelse af eksisterende data og mere fleksible systemer. Udfordringerne er dog også reelle – det kræver en vis teknisk forståelse at sætte op, og organisatorisk skal der være plads til eksperimenter. Men med frameworks som Lightly AI er indgangsbarrieren lavere end nogensinde.

Ressourcer, implementering og næste skridt

For at komme i gang kræves der ikke meget: En almindelig bærbar og adgang til Google Colab er nok. Det vigtigste er nysgerrighed og lysten til at eksperimentere. Lightly AI’s dokumentation og eksempelkode gør det let at følge med, og der findes mange tutorials, hvor man kan se hele processen fra dataindlæsning til visualisering og aktiv læring.

Vi anbefaler, at lærere starter med små datasæt og bruger eksisterende notebooks. Studerende kan eksperimentere med egne billeder og se, hvordan modellen lærer. Udviklere kan dykke dybere ned i Lightly AI’s API og bygge egne workflows. For alle gælder det, at man hurtigt kan se resultater uden at skulle investere i dyr hardware eller lange kursusforløb.

Afslutning og perspektiv

Self-supervised learning og Lightly AI er ikke kun for forskere – det er praktiske værktøjer, der kan gøre undervisning og EdTech mere datadrevet og eksperimenterende. Ved at kombinere forståelige kodeeksempler, stærke visualiseringer og fokus på dataforståelse kan vi gøre maskinlæring tilgængelig for langt flere. Fremtiden peger mod mere automatiseret dataudvælgelse og smartere læringsplatforme, hvor elever og lærere får mere ud af mindre data.

Hos Snilld ser vi et stort potentiale i at bruge self-supervised learning til at gøre undervisning mere relevant, engagerende og effektiv – både for lærere, elever og udviklere. Det er nu, man skal tage de første skridt og eksperimentere. Mulighederne er mange, og barriererne er lavere end nogensinde.

Kilder:

• https://www.marktechpost.com/2025/10/11/a-coding-guide-to-master-self-supervised-learning-with-lightly-ai-for-efficient-data-curation-and-active-learning/
• https://www.marktechpost.com/2025/10/11/a-coding-guide-to-master-self-supervised-learning-with-lightly-ai-for-efficient-data-curation-and-active-learning/
• https://github.com/lightly-ai/lightly
• https://docs.lightly.ai/self-supervised-learning/tutorials/package/tutorial_simclr_clothing.html
• https://arxiv.org/html/2505.17799v1
• https://www.linkedin.com/in/asifrazzaq

Målgruppens mening om artiklen

Anders, Gymnasielærer i Informatik:

Jeg giver artiklen 92. Den rammer plet i forhold til min undervisning, da den både forklarer self-supervised learning på et niveau, hvor jeg kan tage det direkte med ind i klasselokalet, og samtidig viser konkrete eksempler og værktøjer, jeg kan bruge. Særligt afsnittene om didaktik og hands-on øvelser er relevante. Jeg savner dog lidt flere danske cases og måske en kritisk diskussion af begrænsningerne.

Maria, EdTech-udvikler:

Jeg giver den 85. Artiklen er meget inspirerende og praktisk orienteret, hvilket jeg sætter pris på. Den forklarer, hvordan frameworks som Lightly AI kan bruges, og hvorfor det er relevant for læringsplatforme. Jeg kunne dog godt have brugt flere konkrete eksempler på integration i eksisterende EdTech-systemer.

Jonas, Informatikstuderende:

Jeg giver den 78. Jeg synes, det er fedt, at artiklen gør det nemt at forstå, hvordan man kommer i gang, og at der er fokus på Google Colab og let tilgængelige ressourcer. Men jeg savner lidt mere dybde på det teoretiske plan og flere kodeeksempler, jeg kan lege med selv.

Camilla, IT-pædagogisk konsulent:

Jeg giver den 88. Artiklen balancerer godt mellem teori og praksis, og jeg kan bruge den som inspiration til workshops for lærere. Den er let at læse og giver gode argumenter for at prøve self-supervised learning i undervisningen. Jeg kunne dog godt tænke mig flere refleksioner om etik og bias.

Peter, Udvikler af læringsplatforme:

Jeg giver den 80. Det er en solid introduktion, og jeg kan se muligheder for at implementere nogle af idéerne i vores platform. Dog savner jeg mere om, hvordan man håndterer de tekniske udfordringer og integration med eksisterende systemer.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af FLUX.1.1 Pro fra Black Forest Labs.