Lista wyjaśnień
Sztuczna inteligencja i uczenie maszynowe
Podtematy
Sztuczna inteligencja: pojęcia
Aby dobrze rozumieć wiadomości i teksty o sztucznej inteligencji, warto znać szereg pojęć. Ich znaczenie bywa często skomplikowane i nie do końca jednoznaczne – niektóre terminy mają różne odcienie znaczeniowe i zastosowania. Nasze krótkie opisy mają na celu przedstawienie głównej idei każdego terminu.
Typy i kategorie
| android | robot wyglądający jak człowiek, może być pokryty materiałem przypominającym skórę |
| robot autonomiczny | robot, który działa samodzielnie |
| generatywna AI | tworzy nową treść (obraz, tekst, dźwięk) |
| robot humanoidalny | robot, którego konstrukcja przypomina człowieka |
| inteligentny agent | program wchodzący w interakcję ze otoczeniem i wykorzystujący sztuczną inteligencję |
| model językowy | przewiduje kolejne słowo w tekście |
| robot | maszyna poruszająca się w przestrzeni i podejmująca decyzje na podstawie stanu otoczenia |
| ogólna AI | potrafi rozwiązywać dowolny problem co najmniej tak dobrze jak człowiek |
| superinteligencja | znacznie przewyższa zdolności ludzi we wszystkich dziedzinach |
| sztuczna inteligencja (AI) | program zdolny do wykonywania zadania wymagającego inteligencji |
| wąska AI | rozwiązuje tylko określony, wyspecjalizowany typ problemu (np. odkurzanie) |
| wyjaśnialna AI | umożliwia ludziom zrozumienie, dlaczego model działa w taki, a nie inny sposób |
Metody, techniki, podejścia
| sieć bayesowska | model probabilistyczny odzwierciedlający zależności między zdarzeniami |
| logika rozmyta (fuzzy) | typ logiki pozwalający pracować z nieprecyzyjnością i niepewnością |
| system ekspertowy | łączy wiedzę i reguły uzyskane od ekspertów w danej dziedzinie |
| algorytm genetyczny | algorytm optymalizacyjny inspirowany ewolucją i procesami dziedziczenia biologicznego |
| GPT | typ dużego modelu językowego (Generative Pre-trained Transformer) |
| uczenie głębokie | sieci neuronowe z wieloma warstwami uczące się hierarchicznej reprezentacji cech |
| brute force | sprawdzanie wszystkich możliwości |
| sieć neuronowa | model uczenia maszynowego luźno inspirowany mózgiem |
| perceptron | najprostsza sieć neuronowa z pojedynczym neuronem |
| przeszukiwanie (przestrzeni stanów) | algorytmy do znajdowania optymalnych planów (np. kolejnego ruchu w kółko i krzyżyk) |
| uczenie przez wzmocnienie | uczenie maszynowe wykorzystujące interakcję i informację zwrotną dotyczącą wykonanych działań |
| drzewo decyzyjne | model uczenia maszynowego wykorzystujący warunki (przy podejmowaniu decyzji przechodzimy gałęziami drzewa w zależności od spełnionych warunków) |
| uczenie maszynowe | techniki oparte na automatycznym uczeniu się z danych lub doświadczenia |
| duży model językowy | rozległa sieć neuronowa przewidująca prawdopodobieństwo kolejnego słowa |
Obszary, zastosowania, zadania
| system rekomendacyjny | dostarcza spersonalizowane rekomendacje (np. muzyki) |
| komunikator, czat | program umożliwiający prowadzenie konwersacji z człowiekiem (zazwyczaj w formie pisemnej) |
| widzenie komputerowe | pozyskiwanie informacji z danych obrazowych |
| predykcja | prognoza lub oszacowanie kategorii bądź wartości (np. jutrzejszej temperatury) |
| robotyka | projektowanie i budowa maszyn poruszających się w przestrzeni |
| rozpoznawanie mowy | automatyczne przekształcanie mowy na tekst |
| synteza mowy | sztuczne generowanie ludzkiej mowy |
| zadanie z ograniczeniami | zadanie polegające na znalezieniu wartości zmiennych spełniających różne powiązane ograniczenia (np. sudoku) |
| przetwarzanie języka naturalnego | maszynowe przetwarzanie języków naturalnych (np. polskiego, angielskiego) |
Zjawiska powiązane i elementy systemów AI
| efekt AI | zjawisko polegające na tym, że to, co uważamy za sztuczną inteligencję, z czasem zmienia się w zależności od tego, do czego już się przyzwyczailiśmy |
| dataset | dane (zbiór przykładów) do uczenia maszynowego |
| deepfake | wykorzystanie AI do tworzenia realistycznych fałszerstw (zazwyczaj wideo) |
| deterministyczny | jednoznacznie określony przez wykonane działanie, tzn. bez losowości |
| dyskretny | oddzielone (nieciągłe) stany, np. siatki liczb naturalnych (sudoku) |
| zachowanie emergentne | złożone zachowanie powstające w wyniku interakcji wielu prostych elementów systemu |
| halucynacja | wymyślona, niepoprawna odpowiedź generatywnej AI przedstawiana jako fakt |
| korpus | obszerna kolekcja dokumentów tekstowych |
| model | uproszczona reprezentacja problemu używana do jego rozwiązania; w kontekście AI często modelem jest program wyuczony z danych |
| multimodalny | zdolny do łączenia różnych typów danych (tekst, obrazy, dźwięk) |
| prompt | dane wejściowe użytkownika (pytanie, zadanie) dla generatywnej sztucznej inteligencji |
| przestrzeń stanów | wszystkie możliwe stany zadania i przejścia między nimi |
| token | podstawowa jednostka przy pracy z tekstem (słowo lub fragment nieznanego słowa) |
| osadzanie słów (word embedding) | reprezentacja słów za pomocą wektorów liczb rzeczywistych |
| Prolog, Lisp | języki programowania dawniej szeroko stosowane w AI |
| Python | nowoczesny język programowania, szeroko stosowany m.in. w uczeniu maszynowym |
| stochastyczny | uwzględniający losowość (np. rzut kostką) |
| obciążenie, bias | błąd systematyczny prowadzący do niesprawiedliwych ocen |
Zastosowanie sztucznej inteligencji
Sztuczna inteligencja i uczenie maszynowe znajdują zastosowanie w wielu dziedzinach informatyki stosowanej. Na znajdziesz następujące tematy z tego zakresu:
- Przetwarzanie języka naturalnego – np. wykrywanie spamu, odpowiadanie na pytania
- Robotyka – np. roboty sprzątające, samochody autonomiczne
- Widzenie komputerowe – np. rozpoznawanie osób lub tablic rejestracyjnych na zdjęciu
Wiedzę na temat możliwości współczesnej sztucznej inteligencji oraz jej ograniczeń możesz przećwiczyć w ramach tematu Wykorzystanie i umiejętności sztucznej inteligencji.
Do góryRobotyka zajmuje się projektowaniem i budową robotów, czyli maszyn, które poruszają się w przestrzeni, postrzegają swoje otoczenie i podejmują decyzje na podstawie jego stanu. Roboty znajdują zastosowanie w przemyśle (ramiona robotyczne), transporcie (samochody autonomiczne) oraz w gospodarstwach domowych (roboty sprzątające).
Czy „robot kuchenny“ jest robotem?
Technicznie rzecz biorąc, robot kuchenny nie jest robotem, ponieważ nie postrzega swojego otoczenia ani nie podejmuje żadnych autonomicznych decyzji.
Słowo „robot“ pochodzi od słowa „robota“ i zostało użyte po raz pierwszy w sztuce teatralnej R.U.R. czeskiego pisarza Karela Čapka w 1920 roku. Termin android odnosi się do robotów humanoidalnych, czyli robotów o ludzkim wyglądzie, jednak robot nie musi mieć ludzkiej postaci – w wielu zastosowaniach nie jest to ani potrzebne, ani pożądane (np. robot sprzątający). Powinien jednak posiadać jakąś część mechaniczną. (Dla czysto wirtualnych robotów, czyli programów automatyzujących czynności, czasem używa się terminu bot.)
Elementy robota
Czujniki pozwalają robotowi postrzegać otoczenie. Kilka przykładów czujników:
- GPS = określa położenie za pomocą satelitów orbitujących wokół Ziemi
- radar = mierzy odległość od otaczających obiektów za pomocą fal radiowych
- lidar = mierzy odległość od otaczających obiektów za pomocą wiązek świetlnych (mierzy czas, po jakim sygnał wraca)
- sonar = mierzy odległość za pomocą fal dźwiękowych (zazwyczaj ultradźwiękowych)
- kamera = rejestruje obraz, przydatna do kategoryzacji obiektów
- jednostka pomiaru inercyjnego (ang. Inertial Measurement Unit, IMU) łączy żyroskop, akcelerometr (a czasem także magnetometr) w celu określenia orientacji, prędkości i przyspieszenia maszyny
Jednostka sterująca, zazwyczaj realizowana za pomocą mikrokontrolera (komputer jednoukładowy), pozwala robotowi przetwarzać informacje z czujników i decydować, jak reagować.
Efektory umożliwiają robotowi oddziaływanie na otoczenie (np. ramiona i chwytaki robotyczne) oraz poruszanie się w nim (np. koła, gąsienice, nogi robotyczne).
Sztuczna inteligencja
Sztuczna inteligencja w robotyce jest wykorzystywana m.in. do planowania trasy, lokalizacji robota oraz rozpoznawania otaczających obiektów. Zadania te są skomplikowane, ponieważ nie znamy dokładnego stanu świata (np. z powodu niedokładnych pomiarów czujników) ani tego, jak świat będzie się rozwijał (np. ruch innych samochodów). Źródłem niepewności jest również sam robot, gdyż wykonywanie działań nie jest idealnie dokładne (obrót 89° zamiast wprowadzonych 90°). Dlatego do rozwiązywania tych problemów stosuje się modele probabilistyczne, które potrafią uwzględniać niepewność. Z każdym nowym pomiarem czujników niepewność maleje, natomiast w miarę upływu czasu i ruchu – rośnie.
Podczas planowania należy uwzględnić ograniczenia konstrukcyjne, przez które robot nie jest w stanie wykonać dowolnego planu (np. samochód nie może poruszać się po dowolnej krzywej, dlatego parkowanie jest trudne). Planowanie czasami nie odbywa się w geometrycznej przestrzeni świata, lecz w przestrzeni konfiguracyjnej danego robota, w której poszczególne stany opisują pełny stan robota (np. jego pozycję, obrót, prędkość).
Do góry
