Zamknięcie działu 3

Słowniczek działu

Sztuczna inteligencja (ujęcie dziedziny, 3.3) — dziedzina zajmująca się programami wykonującymi zadania kojarzone u człowieka z inteligencją (definicja behawioralna).
Efekt AI — gdy umiejętność zostaje zaimplementowana, przestajemy uważać ją za „inteligencję".
AI wąska / AI ogólna (AGI) — jedno zadanie vs hipotetyczna uniwersalność.
Inteligencja (ujęcie robocze, 3.1) — zestaw wielu różnych procesów myślowych; nie ma jednej inteligencji.
Inteligentny program komputerowy — program automatyzujący proces myślowy standardowo wykonywany przez ludzi.
Sztuczna inteligencja (jako program) — tak rozumiany program; także robot, w którym taki program steruje urządzeniami peryferyjnymi.
Programowanie klasyczne — człowiek wymyśla przepis i zapisuje go krok po kroku.
Trenowanie sztucznej inteligencji — człowiek buduje środowisko i daje przykłady; komputer sam wypracowuje rozwiązanie.
Zbiór treningowy / dane treningowe — przykłady wraz z oczekiwanymi wynikami, na których uczy się model.
Etykieta (label) — opis przypisany przykładowi, mówiący, jaki wynik jest oczekiwany.
Architektura sieci neuronowej — struktura środowiska nauki: liczba neuronów, warstw, sposób połączeń.
Czarna skrzynka — model, którego decyzji nie da się odczytać jako jawnej reguły.
Uczenie maszynowe (ML) — poddziedzina AI: reguły wypracowywane z danych.
Uczenie głębokie (DL) — poddziedzina ML: sieci o wielu warstwach.
Model — uproszczona reprezentacja czegoś innego; w ML wynik treningu (struktura + parametry).
Metoda oceny / metoda zmiany — sposób sprawdzania, czy model działa dobrze / poprawiania jego parametrów.
MNIST — publiczny zbiór 70 000 obrazków ręcznie pisanych cyfr.

W pigułce

Program jest inteligentny, gdy automatyzuje proces myślowy (3.1) — niezależnie od tego, jak jest zbudowany.
Dwie drogi pisania (3.2): reguły z góry vs reguły z danych.
Czym jest (i nie jest) SI (3.3): definicja dziedziny, mity, wąska vs AGI, efekt AI.
Dwie nogi AI (3.6): symboliczno-logiczna vs neuronowo-statystyczna — mapa Części II i III.
Dwie drogi: reguły z góry (człowiek zna przepis) i reguły z danych (człowiek daje przykłady i środowisko).
Trudność nie znika, tylko przenosi się: z „jak to zrobić" na „skąd dane" i „jaka architektura".
Dlatego mówimy trenowanie, a wynikiem jest model — uproszczona reprezentacja zależności z danych, będąca zwykle czarną skrzynką.
Porządek pojęć: AI ⊃ uczenie maszynowe ⊃ uczenie głębokie.
Nauka wymaga czterech rzeczy: danych z etykietami, sieci, metody oceny, metody zmiany.
Najcenniejsza umiejętność praktyczna to rozpoznanie, kiedy AI nie jest potrzebna albo jest niedopuszczalna.

Sprawdzian działowy

Pytania do refleksji:

Zastosuj definicję inteligentnego programu do trzech przypadków granicznych (kalkulator, program szachowy, nawigacja). Gdzie definicja daje jasny werdykt, a gdzie się rozmywa — i czy to wada definicji?
Opisz na jednym, wybranym przez siebie zadaniu oba podejścia do programowania. Wskaż, co w każdym z nich musi wymyślić człowiek, a co maszyna.
Wyjaśnij, dlaczego mówimy „trenowanie sztucznej inteligencji", i uzasadnij, dlaczego mimo tej nazwy wciąż mamy do czynienia ze zwykłym programem komputerowym.
Czym jest czarna skrzynka i dlaczego jej istnienie jest problemem nie tylko technicznym? Odwołaj się do przykładu decyzji, która musi być wyjaśniona człowiekowi.
Ułóż pojęcia AI, ML i DL w relację zawierania i podaj po jednym przykładzie systemu, który należy: tylko do AI; do AI i ML; do wszystkich trzech.
„Model to mapa, nie teren." Rozwiń tę metaforę na przykładzie modelu, który miałby przewidywać oceny uczniów. Co taki model z konieczności pomija i jakie to ma konsekwencje?
Wybierz zadanie, w którym użycie AI wydaje się atrakcyjne, ale jest złym pomysłem. Uzasadnij, odwołując się do co najmniej dwóch kryteriów z Jednostki 3.5.
Wyjaśnij, dlaczego „zbuduj AI wybierającą najlepszego kandydata do pracy" nie jest dobrze postawionym zadaniem uczenia maszynowego. Co dokładnie nauczyłby się taki model?

CZĘŚĆ II — Noga symboliczna: logika, obliczalność, pierwsza AI