Spis terminów
Sztuczna inteligencja to dynamicznie rozwijająca się dziedzina pełna specjalistycznych terminów. Wraz z postępem technologicznym pojawia się coraz więcej pojęć związanych z uczeniem maszynowym, przetwarzaniem języka naturalnego i analizą danych. Poniższy słownik AI zawiera kluczowe definicje wyjaśnione w sposób zrozumiały dla każdego.
Prompt
Prompt to polecenie lub instrukcja zadana sztucznej inteligencji w celu wykonania przez nią określonego zadania.
Przykład promptu w narzędziu do generowania obrazów: „Stwórz obraz, który przedstawia słonia w zielonym kapeluszu stojącego na czerwonym pontonie na środku oceanu (kapelusz wykonany z winogron). Oprócz słonia, na pontonie siedzą papugi i grają w karty.”
Jak widać, prompt to sformułowanie stworzone w naturalnym języku, bez użycia skomplikowanej składni programistycznej. Nie oznacza to, że proces tworzenia promptów nie opiera się na żadnych zasadach. Wręcz przeciwnie – powstała nawet dziedzina znana jako prompt engineering.
Prompt engineering
Prompt engineering (Inżynieria podpowiedzi) to proces tworzenia i optymalizacji promptów zadawanych sztucznej inteligencji. Polega na precyzyjnym formułowaniu pytań oraz poleceń w taki sposób, aby system mógł udzielać odpowiedzi jak najbardziej trafnych, efektywnych i zgodnych z oczekiwaniami użytkownika.
Jedną z podstawowych zasad konstruowania promptów jest pisanie konkretnie i bez ogólników. Załóżmy, że potrzebny jest tekst tłumaczący dzieciom jak działa silnik spalinowy. Poniżej znajdują się dwa rodzaje promptów zadanych sztucznej inteligencji:
Prompt niskiej jakości: „Napisz jak działa silnik spalinowy”
Prompt dobrej jakości: „Jesteś doświadczonym pedagogiem. Napisz tekst na temat działania silnika spalinowego. Tekst ma tłumaczyć zasadę działania silnika. Zastosuj humorystyczne porównanie, w taki sposób aby tekst zrozumiały dzieci w wieku 10 lat. Nie używaj trudnych i specjalistycznych słów”.
Uczenie maszynowe
Uczenie maszynowe (machine learning) to zbiór metod umożliwiających tworzenie algorytmów zdolnych do wykrywania wzorców w danych np. w tekście, obrazach, wideo, dźwiękach. Na podstawie tych wzorców model samodzielnie podejmuje dalsze decyzje, bez konieczności programowania każdej reguły ręcznie.
Przykład: Oprogramowanie AI analizuje tysiące zdjęć psów i samodzielnie wykrywa wzorce, które pomagają mu później odróżniać psy od innych zwierząt. System może dostrzegać charakterystyczne kształty, tekstury, krawędzie, kolory czy krzywizny, ale to on sam decyduje, które z tych cech są kluczowe dla rozpoznawania psów (lista cech do sprawdzenia nie jest z góry określona przez programistę).
Sieć neuronowa
Sieć neuronowa to rodzaj systemu komputerowego, który działa na wzór ludzkiego mózgu. Składa się z jednostek zwanych neuronami, które przetwarzają dane za pomocą operacji matematycznych i są połączone w wielopoziomowe warstwy. Neurony te współpracują ze sobą, aby rozpoznać wzorce, na przykład w obrazach, tekstach lub dźwiękach.
Przykład działania sieci neuronowej:
1. Sieć neuronowa dostaje dane, na przykład zdjęcie psa. Każdy neuron w pierwszej warstwie analizuje fragment przesłanego zdjęcia.
2. Dane przepływają przez kolejne warstwy neuronów, które przetwarzają informacje (wykonują obliczenia) i stopniowo odkrywają różne cechy, jak kształty, kolory czy tekstury.
3. Po przetworzeniu danych sieć neuronowa daje wynik, że na zdjęciu jest pies.
Sieć neuronowa „uczy się”, jak prawidłowo analizować dane, na podstawie wielu przykładów, dostosowując swoje wewnętrzne połączenia. Im więcej przykładów zobaczy, tym lepiej będzie w stanie rozpoznać podobne wzorce w przyszłości.
Uczenie nadzorowane
Uczenie nadzorowane to jedna z głównych technik w uczeniu maszynowym, w której algorytm jest trenowany na podstawie zbiorów, które zawierają pary wejście-wyjście (tzw. dane etykietowane).
Przykład: Aplikacja do rozpoznawania roślin trenowana jest na obrazkach przedstawiających rośliny (dane wejściowe), a każdy obrazek jest podpisany co to jest konkretnie za roślina (dane wyjściowe).
Uczenie nienadzorowane
Technika w uczeniu maszynowym, w której algorytm jest trenowany na podstawie danych, które nie są opisane lub nie mają wartości wyjściowych.
Przykład: Aplikacja do rozpoznawania roślin trenowana jest na obrazkach przedstawiających rośliny, ale te obrazki nie są podpisane jak w przypadku uczenia nadzorowanego. W procesie uczenia nienadzorowanego, sztuczna inteligencja samodzielnie analizuje nawet najdrobniejsze cechy obrazów roślin i stara się znaleźć podobieństwa i zależności odpowiednio je grupując.
Uczenie częściowo nadzorowane
Metoda w uczeniu maszynowym, w której algorytm jest trenowany na podstawie zarówno danych posiadających etykiety (dane nadzorowane), jak i danych bez etykiet (dane nienadzorowane). Algorytm stara się wykorzystać dostępne dane z etykietami, aby poprawić swoje wyniki na danych bez etykiet, co prowadzi do lepszej generalizacji.
Uczenie ze wzmocnieniem
Technika w uczeniu maszynowym, w której model uczy się podejmować optymalne decyzje poprzez interakcję ze środowiskiem. W przeciwieństwie do uczenia nadzorowanego, gdzie model uczy się na podstawie przygotowanego zestawu danych, w uczeniu ze wzmocnieniem program samodzielnie zbiera dane z otoczenia i dąży do maksymalizacji swoich celów.
Przykład uczenia ze wzmocnieniem: Program AI do grania w szachy, który nie posiada żadnych danych treningowych w postaci strategii czy możliwych kombinacji ruchów na planszy (posiada tylko zaprogramowane zasady gry) zaczyna grać sam ze sobą. Model dąży do zdobycia wszystkich określonych celów głównych i pośrednich w dyscyplinie jaką są szachy (zajmowanie korzystnych pozycji na planszy, bezpieczeństwo króla, tworzenie i wykorzystywanie słabości przeciwnika, wygranie partii itd.). Wraz z liczbą przeprowadzonych potyczek sztuczna inteligencja samodoskonali swoje umiejętności i strategię gry osiągając wreszcie mistrzowski poziom.
Uczenie głębokie
Podkategoria uczenia maszynowego, która wykorzystuje głębokie sieci neuronowe, co oznacza, że struktura sieci neuronowych składa się z wielu warstw wejściowych, wyjściowych i ukrytych. Stosowanie wielowarstwowości pozwala na osiąganie skuteczniejszych wyników w złożonych zadaniach np. automatyczne przetwarzanie mowy, rozpoznawanie obrazów czy przetwarzanie języka naturalnego.
Przetwarzanie języka naturalnego (NLP)
Natural Language Processing to dziedzina sztucznej inteligencji, która zajmuje się interakcją między komputerami a językiem naturalnym, czyli językiem używanym przez człowieka. Celem NLP jest umożliwienie komputerom rozumienia, interpretowania i generowania języka w sposób, który jest naturalny i użyteczny dla ludzi, bez potrzeby stosowania skomplikowanych kodów programistycznych.
Model językowy
Model językowy to system sztucznej inteligencji, który został przeszkolony na danych tekstowych oraz wzmocniony technikami NLP. Jego głównym zadaniem jest rozumienie i generowanie języka naturalnego (ludzkiego), co umożliwia wykonywanie różnorodnych zadań związanych z językiem np. kreatywne tworzenie tekstu, tłumaczenia, podsumowywania, analizę, odpowiadanie na pytania. Model językowy przeszkolony na ogromnej liczbie danych tekstowych nosi nazwę LLM (Large Language Model).
Przykłady dużych modeli językowych: GPT-4, DeepSeek-R1, LLaMA.
Transformery
Zasada funkcjonowania transformerów polega na analizowaniu całego tekstu na raz i zrozumienia zależności między różnymi częściami projektu, nawet jeśli fragmenty są daleko od siebie. Wcześniejsze modele miały z tym problem, bo koncentrowały się głównie na pobliskich słowach, a transformer „widzi” cały kontekst na raz.
Przykład: Działanie transformerów można porównać do oglądania labiryntu z lotu ptaka — model widzi całą strukturę jednocześnie, dzięki czemu łatwo znajduje powiązania i optymalne ścieżki. Z kolei systemy bez transformerów przypominają osobę, która porusza się po labiryncie krok po kroku, nie widząc pełnego planu i polegając jedynie na najbliższych ścieżkach.
Generatywna sztuczna inteligencja (GenAI)
GenAI to rodzaj sztucznej inteligencji, która ma zdolność do tworzenia nowej zawartości na podstawie istniejących danych. W przeciwieństwie do innych typów AI, generatywna sztuczna inteligencja nie tylko analizuje dane, ale również produkuje nowe materiały np. tworzy obrazy, muzykę, teksty.
Przykłady modeli GenAI: ChatGPT, ElevenLabs, Leonardo.ai, Kling AI