Słownik pojęć AI

Zbiór precyzyjnych instrukcji lub reguł, które określają, jak wykonać określone zadanie lub rozwiązać problem. W kontekście sztucznej inteligencji, algorytmy są podstawą działania systemów AI, określając, jak przetwarzać dane i podejmować decyzje.

Przykład: Algorytm sortowania, który organizuje listę elementów w określonej kolejności, lub algorytm rekomendacji, który sugeruje produkty na podstawie wcześniejszych zakupów.

Sztuczna inteligencja (AI) to dziedzina informatyki zajmująca się tworzeniem systemów zdolnych do wykonywania zadań, które normalnie wymagałyby ludzkiej inteligencji. Obejmuje to rozpoznawanie obrazów, przetwarzanie języka naturalnego, podejmowanie decyzji i uczenie się.

Przykład: Asystenci głosowi jak Siri czy Alexa, systemy rekomendacji w serwisach streamingowych, autonomiczne pojazdy.

Termin odnoszący się do zbiorów danych, które są tak duże, złożone i szybko rosnące, że tradycyjne metody przetwarzania danych są niewystarczające. Big Data charakteryzuje się przez trzy V: Volume (objętość), Velocity (szybkość) i Variety (różnorodność).

Przykład: Dane generowane przez media społecznościowe, czujniki IoT, transakcje e-commerce czy dane medyczne.

Program komputerowy zaprojektowany do prowadzenia konwersacji z ludźmi, zazwyczaj przez tekst lub mowę. Chatboty mogą być oparte na prostych regułach lub wykorzystywać zaawansowane modele AI do generowania odpowiedzi.

Przykład: Asystenci obsługi klienta na stronach internetowych, ChatGPT, asystenci wirtualni w aplikacjach mobilnych.

Podzbiór uczenia maszynowego, który wykorzystuje wielowarstwowe sieci neuronowe do analizy różnych aspektów danych. Deep learning jest szczególnie skuteczny w zadaniach takich jak rozpoznawanie obrazów, przetwarzanie języka naturalnego i generowanie treści.

Przykład: Systemy rozpoznawania twarzy, tłumaczenie maszynowe, generowanie obrazów przez DALL-E czy Midjourney.

Rodzaj sztucznej inteligencji, który potrafi tworzyć nowe treści, takie jak tekst, obrazy, muzyka czy wideo, na podstawie danych treningowych. Generative AI uczy się wzorców z istniejących danych i wykorzystuje je do tworzenia nowych, oryginalnych treści.

Przykład: ChatGPT generujący tekst, DALL-E tworzący obrazy, Stable Audio komponujący muzykę.

Duży model językowy to typ modelu AI trenowanego na ogromnych ilościach tekstu, zdolny do generowania, tłumaczenia i rozumienia języka naturalnego. LLM-y wykorzystują głębokie sieci neuronowe i uczenie transformacyjne do przetwarzania i generowania tekstu.

Przykład: GPT-4, Gemini, Claude, LLaMA.

Dziedzina sztucznej inteligencji, która umożliwia systemom komputerowym uczenie się na podstawie danych, bez konieczności jawnego programowania. Systemy ML identyfikują wzorce w danych i wykorzystują je do podejmowania decyzji lub przewidywania przyszłych wyników.

Przykład: Systemy rekomendacji, filtry spamu, prognozowanie pogody, rozpoznawanie obrazów.

Sieć neuronowa to model obliczeniowy inspirowany strukturą i funkcjonowaniem ludzkiego mózgu. Składa się z połączonych węzłów (neuronów), zorganizowanych w warstwy, które przetwarzają dane wejściowe, aby generować wyniki.

Przykład: Sieci neuronowe są wykorzystywane w rozpoznawaniu obrazów, przetwarzaniu języka naturalnego, grach komputerowych i wielu innych zastosowaniach.

Przetwarzanie języka naturalnego to dziedzina sztucznej inteligencji, która zajmuje się interakcją między komputerami a ludzkim językiem. NLP umożliwia komputerom rozumienie, interpretowanie i generowanie ludzkiego języka w użyteczny sposób.

Przykład: Tłumaczenie maszynowe, analiza sentymentu, chatboty, asystenci głosowi, automatyczne podsumowywanie tekstu.

W kontekście AI, prompt to polecenie lub zapytanie przekazywane do modelu AI, które określa, jakie zadanie ma wykonać lub jaką odpowiedź wygenerować. Jakość i struktura promptu ma kluczowe znaczenie dla uzyskania pożądanych wyników.

Przykład: "Napisz wiersz o jesieni w stylu Wisławy Szymborskiej" lub "Wygeneruj obraz przedstawiający futurystyczne miasto o zachodzie słońca".

Sztuka i nauka tworzenia efektywnych promptów dla modeli AI. Prompt engineering obejmuje techniki formułowania zapytań, które maksymalizują jakość, trafność i użyteczność odpowiedzi generowanych przez modele AI.

Przykład: Używanie technik takich jak "few-shot learning" (podawanie przykładów), określanie formatu odpowiedzi, dodawanie kontekstu czy precyzyjne definiowanie roli modelu.