Sztuczna inteligencja to określenie systemów komputerowych, które na podstawie otrzymanych danych potrafią generować wyniki — między innymi prognozy, treści, rekomendacje lub decyzje. Jak informuje Fine Art Express, kluczową cechą takiego systemu jest zdolność do wnioskowania na podstawie danych wejściowych, a nie samo wykonywanie sztywno zapisanej instrukcji.
W praktyce pojęcie AI obejmuje znacznie więcej niż chatboty. Sztuczna inteligencja może rozpoznawać mowę i obrazy, klasyfikować wiadomości jako spam, podpowiadać filmy, analizować dokumenty, przewidywać awarie urządzeń, tłumaczyć tekst, wykrywać nietypowe transakcje albo tworzyć tekst i grafikę.
Nie każdy program komputerowy jest jednak sztuczną inteligencją, a generatywna AI stanowi tylko jedną część znacznie szerszej dziedziny.
Co dokładnie oznacza sztuczna inteligencja?
Jedna z najważniejszych współczesnych definicji została przyjęta przez OECD, a później stała się podstawą definicji użytej w unijnym AI Act. System AI jest tam traktowany jako system oparty na maszynie, który działa z różnym poziomem autonomii i na podstawie otrzymanych danych ustala, w jaki sposób wygenerować określony wynik. Wynikiem może być treść, prognoza, rekomendacja albo decyzja wpływająca na środowisko fizyczne lub cyfrowe.
„AI system is a machine-based system” — wskazuje definicja OECD wykorzystywana między innymi przez Europejską Agencję Leków.
Pełna definicja techniczna jest bardziej precyzyjna, ale dla użytkownika można ją sprowadzić do prostego schematu: system otrzymuje dane, przetwarza je według wyuczonego lub zaprojektowanego modelu, a następnie generuje wynik.
Przykładowo:
- filtr poczty analizuje wiadomość i przewiduje, czy jest spamem;
- system rekomendacyjny analizuje wcześniejsze zachowania i proponuje kolejne treści;
- narzędzie rozpoznawania obrazu może określić, co znajduje się na zdjęciu;
- model językowy otrzymuje polecenie i generuje odpowiedź;
- system predykcyjny może szacować prawdopodobieństwo określonego zdarzenia na podstawie wcześniejszych danych.
Nie oznacza to, że komputer „myśli” dokładnie tak jak człowiek. System wykonuje obliczenia na reprezentacjach danych i wykorzystuje zależności znalezione podczas projektowania lub uczenia modelu.
Jak działa sztuczna inteligencja krok po kroku?
Wiele współczesnych systemów AI wykorzystuje uczenie maszynowe, czyli techniki pozwalające modelowi odnajdywać prawidłowości w danych zamiast otrzymywać osobną, ręcznie napisaną regułę dla każdego możliwego przypadku.
Najprostszy przykład można pokazać na filtrze spamu. Klasyczne oprogramowanie mogłoby mieć instrukcję: „jeżeli wiadomość zawiera określony zwrot, oznacz ją jako spam”. Model uczenia maszynowego może natomiast analizować dużą liczbę wiadomości wcześniej sklasyfikowanych jako spam lub zwykła poczta i na tej podstawie nauczyć się wielu cech związanych z obiema kategoriami.
Typowy proces obejmuje kilka etapów:
- zebranie lub przygotowanie danych;
- wybór odpowiedniego modelu i sposobu uczenia;
- trenowanie modelu na danych;
- sprawdzanie jego działania na danych testowych;
- wykorzystanie wytrenowanego modelu do analizy nowych danych;
- monitorowanie jakości i zachowania systemu po wdrożeniu.
Jakość odpowiedzi AI zależy więc nie tylko od samego algorytmu, lecz również od danych, sposobu trenowania, testowania i konkretnego zastosowania.
W przypadku bardziej zaawansowanych systemów proces może obejmować ogromne zbiory danych i bardzo dużą liczbę parametrów matematycznych. Użytkownik widzi jedynie rezultat: odpowiedź tekstową, rekomendację, klasyfikację, wygenerowany obraz czy prognozę.
Czym jest uczenie maszynowe?
Uczenie maszynowe — machine learning — jest częścią sztucznej inteligencji. Jego podstawową ideą jest tworzenie modeli, które potrafią wykrywać zależności w danych i używać ich do pracy z nowymi przykładami.
Może to być na przykład przewidywanie ceny nieruchomości na podstawie danych o wcześniejszych transakcjach, rozpoznawanie obiektów na zdjęciu albo określanie prawdopodobieństwa, że klient zainteresuje się określoną ofertą.
Istnieją różne metody uczenia maszynowego. W uczeniu nadzorowanym model otrzymuje przykłady wraz z prawidłowymi odpowiedziami. W innych metodach może sam szukać struktur w danych albo uczyć się poprzez informacje zwrotne związane z wykonaniem zadania.
AI i machine learning nie są więc dokładnie tym samym pojęciem. AI jest terminem szerszym, a uczenie maszynowe to jedna z najważniejszych technologii wykorzystywanych do tworzenia współczesnych systemów sztucznej inteligencji.
Czym jest deep learning?
Deep learning, czyli uczenie głębokie, jest z kolei poddziedziną uczenia maszynowego. Wykorzystuje wielowarstwowe sieci neuronowe zdolne do przetwarzania bardzo złożonych danych.
Technologia ta jest stosowana między innymi w:
- rozpoznawaniu i generowaniu obrazów;
- rozpoznawaniu mowy;
- przetwarzaniu języka naturalnego;
- analizie nagrań;
- systemach generatywnych.
Określenie „sieć neuronowa” nie oznacza przy tym cyfrowej kopii ludzkiego mózgu. Jest to model matematyczny inspirowany pewnymi koncepcjami przetwarzania informacji, ale działający według mechanizmów komputerowych.
Co to jest generatywna sztuczna inteligencja?
Generatywna sztuczna inteligencja to rodzaj AI służący do tworzenia nowych treści na podstawie wzorców poznanych podczas trenowania. Takie systemy mogą generować tekst, obrazy, kod komputerowy, dźwięk, wideo lub inne dane.
To właśnie do tej kategorii należą popularne modele językowe wykorzystywane w chatbotach.
Model językowy analizuje kontekst otrzymanego tekstu i na tej podstawie generuje kolejne elementy odpowiedzi zgodnie z prawdopodobieństwami wyuczonymi podczas treningu. Dlatego odpowiedź może brzmieć naturalnie, mimo że sposób działania systemu zasadniczo różni się od ludzkiego rozumowania.
NIST zwraca uwagę, że generatywna AI posiada również charakterystyczne ryzyka. W opublikowanym w lipcu 2024 roku profilu dotyczącym generatywnej sztucznej inteligencji instytut wyróżnił między innymi problemy związane z konfabulacją, prywatnością danych, integralnością informacji, bezpieczeństwem, własnością intelektualną oraz stronniczością modeli.
„The profile can help organizations identify unique risks posed by generative AI” — wskazuje NIST w materiałach dotyczących profilu Generative AI.
Oznacza to w praktyce, że odpowiedź wygenerowana przez AI nie powinna być automatycznie traktowana jako zweryfikowany fakt.
Dlaczego AI może podawać błędne informacje?
Model generatywny ma przede wszystkim wygenerować wynik zgodny z mechanizmem działania modelu. Nie jest tożsamy z bazą danych, wyszukiwarką ani systemem gwarantującym prawdziwość każdej odpowiedzi.
Jednym z ryzyk opisywanych przez NIST jest konfabulacja — sytuacja, w której system tworzy przekonująco brzmiącą, lecz błędną lub niepopartą odpowiedź. NIST uwzględnia dlatego testowanie faktyczności i odporności wiedzy jako jeden z elementów oceny systemów AI.
Szczególnej weryfikacji wymagają między innymi:
- nazwiska, daty, liczby i statystyki;
- informacje medyczne;
- treści prawne i podatkowe;
- dane finansowe;
- cytaty i przypisanie wypowiedzi konkretnym osobom;
- adresy stron internetowych i dokumentów;
- informacje o bieżących wydarzeniach.
Płynnie napisana odpowiedź nie jest dowodem jej prawdziwości.
Gdzie spotykamy AI na co dzień?
Sztuczna inteligencja działa często w tle usług, które użytkownik zna od lat. AI może być elementem większego systemu i nie musi mieć formy chatbota.
Przykładowe zastosowania obejmują:
- rekomendowanie produktów, filmów, muzyki lub innych treści;
- rozpoznawanie mowy i przekształcanie jej w tekst;
- automatyczne tłumaczenia;
- wykrywanie spamu;
- analizowanie obrazów;
- wyszukiwanie informacji;
- rozpoznawanie nietypowych zachowań lub transakcji;
- wspomaganie analizy danych;
- generowanie i podsumowywanie dokumentów;
- tworzenie tekstów, obrazów i kodu.
Zakres możliwych zastosowań jest szeroki również dlatego, że definicja AI nie ogranicza wyniku działania systemu do jednego rodzaju zadania. Może nim być zarówno rekomendacja, jak i treść, prognoza czy decyzja.
Czy zwykły algorytm to sztuczna inteligencja?
Nie.
Algorytm to po prostu zestaw instrukcji prowadzących do wykonania określonego zadania. Kalkulator wykorzystuje algorytmy, podobnie jak zwykłe sortowanie listy nazwisk czy system obliczający podatek według z góry określonego wzoru.
System AI musi posiadać cechy wykraczające poza proste wykonywanie wszystkich kroków zapisanych wcześniej przez programistę.
Komisja Europejska w swoich wytycznych dotyczących definicji AI podkreśla właśnie potrzebę odróżnienia systemów AI od tradycyjnych, prostszych systemów programistycznych.
Najważniejszym elementem definicji jest zdolność systemu do wnioskowania na podstawie danych wejściowych, w jaki sposób wygenerować rezultat.
Czy AI jest tym samym co chatbot?
Nie. Chatbot jest tylko jednym z możliwych zastosowań AI.
System sztucznej inteligencji może w ogóle nie komunikować się bezpośrednio z człowiekiem. Może analizować sygnały z urządzeń, klasyfikować dokumenty, przewidywać zapotrzebowanie na produkt albo wykrywać określone wzorce w danych.
Różnica wygląda więc następująco:
- AI — szeroka dziedzina i grupa technologii;
- machine learning — jedna z metod budowania AI;
- deep learning — część machine learning wykorzystująca głębokie sieci neuronowe;
- generative AI — systemy generujące nowe treści;
- chatbot — aplikacja prowadząca rozmowę z użytkownikiem, która może korzystać z modelu AI.
Czy sztuczna inteligencja uczy się cały czas?
Nie każdy system AI automatycznie uczy się na podstawie każdej interakcji użytkownika.
Niektóre systemy mogą być aktualizowane lub dostrajane po wdrożeniu, inne działają przez określony czas na niezmienionym modelu. Także unijna definicja AI mówi, że system może wykazywać adaptacyjność po wdrożeniu — nie jest więc ona warunkiem koniecznym dla każdego systemu.
To istotne rozróżnienie, ponieważ określenie „AI się nauczyła” bywa używane bardzo szeroko. Technicznie trzeba ustalić, czy rzeczywiście doszło do zmiany parametrów lub zachowania modelu wskutek dalszego uczenia.
Jak korzystać ze sztucznej inteligencji bezpieczniej?
NIST traktuje wiarygodność AI jako problem obejmujący nie tylko poprawność techniczną. Framework tej instytucji uwzględnia między innymi niezawodność, bezpieczeństwo, odporność, transparentność, możliwość wyjaśnienia działania, prywatność oraz ograniczanie szkodliwej stronniczości.
AI RMF ma pomóc organizacjom „incorporate trustworthiness considerations” podczas projektowania, rozwoju, używania i oceny systemów AI — wyjaśnia NIST.
Dla zwykłego użytkownika przekłada się to na kilka konkretnych zasad:
- sprawdzaj kluczowe fakty w pierwotnych źródłach;
- nie podawaj poufnych danych, jeżeli nie wiesz, jak dana usługa je przetwarza;
- przy decyzjach medycznych, prawnych lub finansowych nie traktuj wygenerowanej odpowiedzi jako samodzielnego źródła;
- sprawdzaj cytaty, statystyki, nazwiska oraz linki;
- odróżniaj wygenerowaną treść od materiałów pochodzących ze zweryfikowanych dokumentów.
Najprościej: czym jest AI w jednym zdaniu?
Sztuczna inteligencja to system komputerowy, który na podstawie danych potrafi wywnioskować, jak wygenerować określony rezultat — na przykład odpowiedź, prognozę, rekomendację, klasyfikację lub decyzję.
Nie oznacza to automatycznie świadomości, ludzkiego sposobu myślenia ani nieomylności. AI jest technologią służącą do wykonywania określonych zadań, a jej skuteczność i wiarygodność zależą od konkretnego modelu, danych, sposobu wdrożenia i zastosowania.
Więcej informacji na ten temat oraz innych praktycznych porad znajdziesz na naszej stronie. Polecamy również przeczytać: Co jeść przed treningiem i po treningu? Tak ułóż posiłki bez skomplikowanej diety