Główne pojęcia związane ze sztuczną inteligencją

Uczenie Maszynowe

• ML - Uczenie Maszynowe (Machine Learning): Poddziedzina sztucznej inteligencji zajmująca się tworzeniem algorytmów, które pozwalają komputerom uczyć się na podstawie danych i doświadczeń bez konieczności wyraźnego programowania.
  • Uczenie nadzorowane (Supervised Learning): Typ uczenia maszynowego, w którym model jest trenowany na podstawie oznaczonych danych wejściowych i wyjściowych.
  • Uczenie nienadzorowane (Unsupervised Learning): Typ uczenia maszynowego, w którym model jest trenowany na podstawie nieoznakowanych danych, a celem jest odkrycie ukrytych wzorców.
  • Uczenie przez wzmacnianie (Reinforcement Learning): Typ uczenia maszynowego, w którym agent uczy się poprzez interakcję z otoczeniem i otrzymywanie nagród lub kar w zależności od swoich działań.
• DL - Uczenie Głębokie (Deep Learning): Podzbiór uczenia maszynowego wykorzystujący sieci neuronowe z wieloma warstwami (głębokie sieci neuronowe) do analizy danych na różnych poziomach abstrakcji.
• ANN - Sztuczne Sieci Neuronowe (Artificial Neural Networks): Modele inspirowane biologicznymi sieciami neuronowymi, które są podstawą wielu technik uczenia maszynowego, w tym uczenia głębokiego.

Przetwarzanie Języka Naturalnego

• NLP - Przetwarzanie Języka Naturalnego (Natural Language Processing): Dziedzina zajmująca się interakcją między komputerami a ludzkim językiem naturalnym, w tym rozumieniem, interpretacją i generowaniem języka.
• LLM - Duże Modele Językowe (Large Language Models): Zaawansowane modele językowe, takie jak GPT-3, które mają dużą liczbę parametrów i są trenowane na ogromnych zbiorach danych tekstowych w celu generowania i rozumienia naturalnego języka.

 Systemy Oparte na Wiedzy

• KBS - Systemy Oparte na Wiedzy (Knowledge-Based Systems): Systemy wykorzystujące bazy wiedzy do podejmowania decyzji i rozwiązywania problemów na podstawie wcześniej zgromadzonej wiedzy.
• ES - Systemy Ekspertowe (Expert Systems): Typ systemów opartych na wiedzy, które naśladują zdolności decyzyjne ludzkich ekspertów w danej dziedzinie, wykorzystując reguły i bazy wiedzy.

Interakcje 

• HCI - Interakcja człowiek-komputer (Human-Computer Interaction): Dziedzina badająca projektowanie i wykorzystanie technologii komputerowych, koncentrująca się na interakcji między użytkownikami a systemami komputerowymi.
• AIS - Autonomiczne Systemy Inteligentne (Autonomous Intelligent Systems): Systemy zdolne do samodzielnego działania i podejmowania decyzji bez bezpośredniej ingerencji człowieka, często wykorzystujące techniki AI.
• MAS - Systemy Wieloagentowe (Multi-Agent Systems): Systemy składające się z wielu autonomicznych agentów, które mogą współpracować lub konkurować ze sobą w celu osiągnięcia swoich celów.

Operacje na Danych 

• Eksploracja Danych (Data Mining): Proces odkrywania wzorców i informacji w dużych zbiorach danych za pomocą technik statystycznych, matematycznych i informatycznych.
• Logika Rozmyta (Fuzzy Logic): System logiki, który umożliwia modelowanie i przetwarzanie nieprecyzyjnych i niejasnych informacji, przypisując wartości prawdopodobieństwa zamiast jednoznacznych wartości logicznych.
• Symboliczne AI (Symbolic AI): Podejście do AI, które polega na manipulacji symbolami i używaniu reguł logicznych do reprezentacji wiedzy i rozwiązywania problemów.

Kognitywne Aspekty AI 

• Przetwarzanie kognitywne (Cognitive Computing): Technologie naśladujące ludzkie procesy myślowe, takie jak rozumienie języka naturalnego, rozpoznawanie wzorców i podejmowanie decyzji.
• Architektury Kognitywne (Cognitive Architectures): Struktury i modele teoretyczne, które mają na celu odtworzenie i symulowanie procesów poznawczych ludzkiego umysłu.

Specjalistyczne Obszary AI 

• Generatywne AI (Generative AI): Systemy AI zdolne do tworzenia nowych danych, takich jak teksty, obrazy, muzyka itp., na podstawie analizy istniejących danych.
• Wizja komputerowa (Computer Vision): Dziedzina zajmująca się analizą i interpretacją obrazów oraz filmów przez komputery, umożliwiając im "widzenie" i rozumienie wizualnego świata.

Automatyka

• Mechatronika (Mechatronics): Interdyscyplinarna dziedzina inżynierii, łącząca mechanikę, elektronikę i informatykę w celu projektowania i tworzenia zaawansowanych systemów automatyki.
• IoT - Internet Rzeczy (Internet of Things): Sieć połączonych urządzeń, które komunikują się ze sobą i wymieniają dane przez internet.
• Robotyka (Robotics): Nauka zajmująca się projektowaniem, budową, działaniem i zastosowaniem robotów. 

Obszary zastosowania sztucznej inteligencji

 Zdrowie i Medycyna

• Diagnostyka medyczna: Wykorzystanie algorytmów AI do analizy obrazów medycznych (np. rentgenowskich, MRI) i wykrywania chorób.
• Spersonalizowana medycyna: Analiza danych pacjentów w celu dostosowania terapii do indywidualnych potrzeb.
• Opracowywanie leków: Przyspieszenie procesu odkrywania nowych leków poprzez symulacje i analizę danych biologicznych.

 Finanse

• Analiza ryzyka: Wykorzystanie AI do oceny ryzyka kredytowego i inwestycyjnego.
• Automatyczne doradztwo finansowe (Robo-advisors): Algorytmy doradzające klientom w zakresie inwestycji.
• Wykrywanie oszustw: Monitorowanie transakcji w celu identyfikacji podejrzanych działań i zapobiegania oszustwom.

 Handel i E-commerce

• Personalizacja: Rekomendacje produktów na podstawie analizy zachowań zakupowych klientów.
• Chatboty: Automatyczne obsługiwanie klientów i udzielanie odpowiedzi na pytania w czasie rzeczywistym.
• Optymalizacja zapasów: Zarządzanie łańcuchem dostaw i zapasami z wykorzystaniem prognoz popytu.

Transport

• Autonomiczne pojazdy: Samojezdne samochody i drony wykorzystujące AI do nawigacji i unikania przeszkód.
• Zarządzanie ruchem: Optymalizacja sygnalizacji świetlnej i zarządzanie przepływem ruchu w miastach.
• Logistyka i dostawy: Optymalizacja tras dostaw i zarządzanie flotą pojazdów.

Przemysł i Produkcja

• Automatyzacja procesów: Wykorzystanie robotów i systemów AI do automatyzacji linii produkcyjnych.
• Predictive maintenance: Przewidywanie awarii maszyn na podstawie analizy danych z czujników.
• Kontrola jakości: Automatyczna inspekcja produktów w celu wykrycia wad.

Edukacja

• Spersonalizowane nauczanie: Dostosowanie materiałów edukacyjnych do indywidualnych potrzeb uczniów.
• Inteligentne systemy tutorów: AI jako wsparcie w nauczaniu, udzielanie odpowiedzi na pytania uczniów.
• Analiza wyników: Monitorowanie postępów uczniów i dostarczanie nauczycielom informacji zwrotnych.

Rozrywka i Media

• Rekomendacje treści: Personalizowane rekomendacje filmów, muzyki i innych treści medialnych.
• Generowanie treści: Tworzenie tekstów, obrazów i muzyki przez systemy AI.
• Analiza sentymentu: Monitorowanie opinii i nastrojów publicznych na platformach społecznościowych.

Rolnictwo

• Precyzyjne rolnictwo: Monitorowanie upraw i gleby za pomocą czujników i dronów, optymalizacja nawadniania i nawożenia.
• Automatyzacja zbiorów: Wykorzystanie robotów do zbiorów i innych prac polowych.
• Monitorowanie zdrowia zwierząt: Analiza danych z czujników w celu monitorowania zdrowia zwierząt hodowlanych.

Bezpieczeństwo

• Wykrywanie i zapobieganie przestępstwom: Analiza danych w celu identyfikacji wzorców przestępczych.
• Cyberbezpieczeństwo: Ochrona systemów komputerowych przed atakami hakerskimi za pomocą AI.
• Rozpoznawanie twarzy: Identyfikacja osób na podstawie analizy obrazów z kamer monitoringu.

Sektor Publiczny

• Zarządzanie kryzysowe: Wykorzystanie AI do przewidywania i reagowania na katastrofy naturalne.
• Optymalizacja usług publicznych: Ulepszanie efektywności administracji publicznej poprzez analizę danych.
• Planowanie urbanistyczne: Wykorzystanie danych i algorytmów do planowania rozwoju miast.  

Podsumowanie