Sztuczna inteligencja powstaje w wyniku modelowania statystycznego, czyli opisywania zależności, jakie da się zaobserwować w rzeczywistości, w postaci formuł matematycznych.
Statystyka pojawia się tu nie bez powodu: model opisuje rzeczywistość w przybliżeniu, a więc zawsze z pewnym marginesem błędu.
Współczesne praktyczne zastosowania sztucznej inteligencji
Technologie oparte na logice rozmytej – powszechnie stosowane np. do sterowania przebiegiem procesów technologicznych w fabrykach w warunkach „braku wszystkich danych”.
Systemy eksperckie – systemy wykorzystujące bazę wiedzy (zapisaną w sposób deklaratywny) i mechanizmy wnioskowania do rozwiązywania problemów.
Maszynowe tłumaczenie tekstów – systemy tłumaczące nie dorównują człowiekowi, robią intensywne postępy, nadają się szczególnie do tłumaczenia tekstów technicznych.
Sieci neuronowe – stosowane z powodzeniem w wielu zastosowaniach łącznie z programowaniem „inteligentnych przeciwników” w grach komputerowych.
Uczenie się maszyn – dział sztucznej inteligencji zajmujący się algorytmami potrafiącymi uczyć się, podejmować decyzje bądź nabywać wiedzę.
Eksploracja danych – omawia obszary powiązanie z potrzebami informacyjnymi, pozyskiwaniem wiedzy, stosowane techniki analizy i oczekiwane rezultaty.
Rozpoznawanie obrazów – stosowane są już programy rozpoznające osoby na podstawie zdjęcia twarzy lub rozpoznające automatycznie zadane obiekty na zdjęciach satelitarnych.
Rozpoznawanie pisma (OCR) – stosowane już masowo np. do automatycznego sortowania listów, rozpoznawania treści życiorysów[7] oraz w elektronicznych notatnikach.
Sztuczna twórczość – istnieją programy automatycznie generujące krótkie formy poetyckie, komponujące, aranżujące i interpretujące utwory muzyczne, które są w stanie skutecznie „zmylić” nawet profesjonalnych artystów, tak, że ci nie uznają utworów za sztucznie wygenerowane.
Generowanie obrazów – obrazy tworzone przez algorytmy komputerowe, wykorzystujące techniki uczenia maszynowego.
Artykuł jest częścią Przewodnika po sztucznej inteligencji 2024 Grupy Roboczej AI IAB Polska.
Materiał zawiera blisko 120 stron opisów i analiz narzędzi AI przydatnych w konkretnych obszarach marketingu i jest dostępna w dwóch wersjach – jako interaktywny dokument online oraz klasyczny pdf.
Modele sztucznej inteligencji
W ekonomii powszechnie stosuje się systemy automatycznie oceniające m.in. zdolność kredytową, profil najlepszych klientów czy planujące kampanie reklamowe. Systemy te poddawane są wcześniej automatycznemu uczeniu na podstawie posiadanych danych (np. klientów banku, którzy regularnie spłacali kredyt i klientów, którzy mieli z tym problemy).
Inteligentne interfejsy – stosowane do zautomatyzowanego zarządzania, monitorowania, raportowania oraz podjęcia prób rozwiązywania potencjalnych problemów w procesach technologicznych.
Prognozowanie i wykrywanie oszustw – przy użyciu m.in. regresji logistycznej, systemy analizują zbiory danych w celu wychwytywania np. podejrzanych transakcji finansowych.
Analiza wideo w czasie rzeczywistym – znajduje zastosowanie m.in. w systemach monitoringu, systemach zarządzania ruchem samo- chodowym / pieszym i prognozowaniu takiego ruchu.
Sztuczna inteligencja generatywna
Sztuczna inteligencja generatywna (ang. Generative Artificial Intelligence) to obszar sztucznej inteligencji, który koncentruje się na tworzeniu nowych danych, obrazów, dźwięków lub innych treści, które nie istniały wcześniej. Te systemy są zdolne do generowania nowych, autentycznych elementów na podstawie wzorców i informacji, które zostały im dostarczone w trakcie treningu. Generatywne modele AI mają zdolność tworzenia treści, które mogą być trudno odróżnione od tych stworzonych przez ludzi.
Przykłady sztucznej inteligencji generatywnej obejmują:
Generatywne modele tekstowe:
GPT (Generative Pre-trained Transformer): Modele tego rodzaju, takie jak GPT-3, są w stanie generować nowe teksty na podstawie podanych im fragmentów lub tematów. Mogą pisać artykuły, opowiadania, a nawet kody programów komputerowych.
Generatywne modele obrazów:
Generative Adversarial Networks (GANs): To rodzaj modelu, w którym dwie sieci neuronowe, generator i dyskryminator, konkurują ze sobą.
Generator tworzy nowe obrazy, podczas gdy dyskryminator ocenia, czy są one autentyczne czy wygenerowane. To podejście doprowadza do stworzenia bardzo realistycznych obrazów, które mogą być trudne do odróżnienia od fotografii.
Generatywne modele dźwięków:
WaveGAN: Modele tego typu są zdolne do generowania realistycznych dźwięków, takich jak mowa, muzyka czy efekty dźwiękowe. WaveGAN jest przykładem algorytmu, który może tworzyć nowe próbki dźwiękowe.
Generatywne modele wideo:
Deepfake: Choć deepfake może być używany w różnych kontekstach, w tym również złośliwych, jest to technologia generatywna, która wykorzystuje głębokie uczenie maszynowe do zastępowania twarzy jednej osoby na nagraniu wideo twarzą innej. Może być używana do tworzenia realistycznych, ale fałszywych filmów.
Inne modele sztucznej inteligencji
Generatywne modele grafiki komputerowej:
Pix2Pix: Ten model jest wykorzystywany do konwersji obrazów z jednej dziedziny na obrazy w innej. Na przykład może przekształcać obrazy czarnobiałe na kolorowe, rysunki w realistyczne obrazy, itp.
Sztuczna inteligencja generatywna ma potencjał zastosowania w wielu dziedzinach, takich jak: sztuka, projektowanie, produkcj treści multimedialnych, czy nawet medycyna.
Jednakże, równocześnie z zastosowaniami pozytywnymi, pojawiają się także wyzwania związane z etyką i bezpieczeństwem, zwłaszcza w kontekście fałszywych informacji i
deepfake’ów.
Sztuczna inteligencja dedukcyjna:
Skoncentrowana na wykorzystywaniu reguł logicznych do wyciągania wniosków i podejmowania decyzji. Ten rodzaj AI działa na podstawie dostarczonych danych i reguł, nie wymaga eksploracyjnego uczenia się.
Sztuczna inteligencja indukcyjna:
Oparta na zdolności do wyciągania ogólnych zasad lub wniosków na podstawie konkretnych przykładów. Indukcyjna sztuczna inteligencja ma zdolność uczenia się na podstawie doświadczeń i dostarczonych danych.
Sztuczna inteligencja uczenia maszynowego (Machine Learning – ML):
To obszar AI, który umożliwia systemom komputerowym naukę bez bezpośredniego programowania. Algorytmy uczenia maszynowego pozwalają maszynom samodzielnie dostosowywać się do nowych danych i poprawiać swoje działania w czasie.
Sztuczna inteligencja uczenia głębokiego (Deep Learning):
Jest to rodzaj uczenia maszynowego, w którym modele (zwane sieciami neuronowymi) składają się z wielu warstw (stąd „głębokie”) i są w stanie przetwarzać złożone dane, takie jak obrazy czy dźwięki.
Sztuczna inteligencja ewolucyjna:
Inspirując się procesami ewolucji biologicznej, sztuczna inteligencja ewolucyjna wykorzystuje algorytmy genetyczne do ewoluowania programów komputerowych w kierunku rozwiązania konkretnego problemu.
Sztuczna inteligencja probabilistyczna:
Obejmuje modelowanie niepewności i prawdopodobieństw w procesie podejmowania decyzji. Wykorzystuje rachunek prawdopodobieństwa w analizie danych i przewidywaniu wyników.
Sztuczna inteligencja oparta na regułach:
Wykorzystuje zestawy reguł logicznych do podejmowania decyzji. Systemy te są zazwyczaj używane w problemach, gdzie istnieje jasny zestaw reguł i zależności.
Sztuczna inteligencja interakcyjna:
Skupiona na zdolności do interakcji z użytkownikami w sposób, który przypomina ludzką komunikację. Obejmuje to chatboty, asystentów wirtualnych i systemy rozpoznawania mowy.
Te rodzaje sztucznej inteligencji różnią się w swoich podejściach, zastosowaniach i zdolnościach, co umożliwia dostosowanie technologii do różnych problemów i dziedzin.
