01.12.2024

Miałam zostawić ten temat w spokoju, ale skoro coraz częściej słychać o sztucznej inteligencji, nie tylko  w kontekście jej badania, rozwoju, ale także możliwości  biznesowych i zarabiania pieniędzy postanowiłam nadal zgłębiać temat,  dzielić się moimi spostrzeżeniami i systematyzować wiedzę.

Nie sposób nie wspomnieć  w odniesieniu do finansów i inwestowania o spółkach technologicznych, które w ostatnich miesiącach odnoszą duże sukcesy. Firmy takie jak Nvidia (producent procesorów graficznych), Microsoft (Azure AI), OpenAI (czat GPT), Neuralink, Tesla (samochody autonomiczne czy roboty Optimus), AmazonQ ( Secure Generative AI Applications), Google ( Quantum AI – najnowocześniejsze oprogramowanie łączące komputer kwantowy ze sztuczną inteligencją), SAA AI Consultancy ( do wdrażania Business Inteligence (BI) oraz Machine Learning (ML), AI od SAS (pomagającą podejmować lepsze decyzje biznesowe w kluczowych momentach)  i wiele innych.

Co to jest sztuczna inteligencja?

Sztuczna inteligencja, SI (ang. artificial intelligence, AI) – wg Wikipedii to  inteligencja wykazywana przez urządzenia sztuczne (w przeciwieństwie do inteligencji naturalnej). John McCarthy jest uznawany za autora tego terminu, jednak koncepcje i badania sięgają wcześniejszych lat, a wkład w rozwój SI mieli również inni pionierzy, jak Alan Turing czy Marvin Minsky. W potocznym rozumieniu jest ona często używana w kontekście „prawdziwej sztucznej inteligencji”. W informatyce i kognitywistyce oznacza także tworzenie modeli i programów symulujących choć częściowo zachowania inteligentne. Sztuczna inteligencja jest także przedmiotem rozważań filozofii (filozofia sztucznej inteligencji) oraz przedmiotem zainteresowania nauk społecznych.

Termin „sztuczna inteligencja” wymyślił John McCarthy w 1956 na konferencji w Dartmouth. Andreas Kaplan i Michael Haenlein definiują sztuczną inteligencję jako „zdolność systemu do prawidłowego interpretowania danych pochodzących z zewnętrznych źródeł, nauki na ich podstawie oraz wykorzystywania tej wiedzy, aby wykonywać określone zadania i osiągać cele poprzez elastyczne dostosowanie. Sztuczną inteligencją zajmowali się m.in. Marvin Minsky, John McCarthy, Alan Turing, Edward Feigenbaum, Raj Reddy, Judea Pearl, Allen Newell, Herbert A. Simon. (źródło: Wikipedia)

Jedną z poddziedzin sztucznej inteligencji jest uczenie maszynowe.

Czym jest uczenie maszynowe?

Uczenie maszynowe (ang. Machine Learning) to poddziedzina sztucznej inteligencji, który jak sama nazwa wskazuje – koncentruje się na nauczaniu maszyn, a dokładniej – komputerów określonych czynności w sposób podobny do tego, jak uczą się ludzie.

Technologia ta polega na dostarczaniu wiedzy komputerom w postaci danych, obserwacji i interakcji ze światem, a następnie odnajdywaniu przez nie określonych wzorców i cech. W tym celu systemy uczenia maszynowego mogą wykorzystywać szereg algorytmów, takich jak sieci neuronowe czy klasteryzację. Proces uczenia maszynowego algorytmów polega na zdolności komputerów do automatycznego znajdowania odpowiednich wzorców i korelacji w przetwarzanych danych oraz podejmowania najlepszych decyzji na tej podstawie. (źródło: QTravelAI)

Uczenie maszynowe wykorzystuje się równeż  w bioinformatyce. (więcej informacji tutaj)

Czym natomiast  jest klasteryzacja AI?

Klastrowanie to technika uczenia maszynowego bez nadzoru, której celem jest grupowanie nieoznaczonych przykładów na podstawie ich podobieństwa do siebie . (Jeżeli przykłady są oznaczone, ten rodzaj grupowania nazywa się klasyfikacją).

Klasteryzacja, zwana analizą skupień, jest procesem grupowania zbioru obiektów w taki sposób, aby obiekty powiązane w tej samej grupie były jak bardziej podobne w pewien szczególny sposób, a jak najmniej powiązane z obiektami pozostałych grup.

Analiza skupień odgrywa ważną rolę w wielu dziedzinach badawczych. Techniki są przydatne w różnych dziedzinach takich jak przetwarzanie obrazu czy eksploracja danych. Przykładem może być dziedzina medycyny, gdzie analiza pozwala na grupowanie chorób, symptomów oraz metod ich leczenia. Klasteryzacja odgrywa ważną rolę w aplikacjach zawierających dużą ilość informacji takich jak: aplikacje baz danych, obliczeniowe, do analizy sieci web, marketingu, typu CRM.

Istnieje kilka technik klasteryzacji. Podejście każdej z nich polega na znalezieniu środka klastrów, który będzie reprezentować każdy klaster. Środek klastra reprezentuje wektor wejściowy, który może wskazywać, który klaster od niego zależy, mierząc podobieństwo między wektorem wejściowym a środkiem klastra i określenie, który klaster ma najbliższy lub najbardziej podobny. (źródło tutaj)

W odniesieniu do rozwoju sztucznej inteligencji ciekawym wątkiem są również sztuczne sieci neuronowe. 

Co to jest sieć neuronowa?

Prosta sieć neuronowa składa się z warstwy wejściowej, warstwy wyjściowej (lub docelowej) oraz znajdującej się pomiędzy nimi warstwy ukrytej. Warstwy te są połączone za pomocą węzłów, a połączenia te tworzą „sieć” – sieć neuronową – połączonych ze sobą węzłów.

Węzły (ang. node) zostały opracowane na podobieństwo neuronów w ludzkim mózgu. Węzły, przypominające zachowaniem neurony, są aktywowane, gdy pojawia się wystarczająca ilość bodźców lub danych wejściowych. Taka aktywacja rozprzestrzenia się w całej sieci, tworząc odpowiedź na bodźce (dane wyjściowe). Połączenia między tymi sztucznymi neuronami działają jak uproszczone synapsy, umożliwiając przekazywanie sygnałów z jednego węzła do drugiego. Sygnały przechodzą przez warstwy podczas przesyłania – od pierwszej warstwy wejściowej do ostatniej warstwy wyjściowej – i są „po drodze” przetwarzane.

Po wysłaniu prośby lub problemu do rozwiązania, neurony wykonują obliczenia matematyczne, aby ustalić, czy mają wystarczająco dużo informacji, aby przekazać je następnemu neuronowi. Mówiąc prościej, wczytują wszystkie dane i ustalają, gdzie istnieją najsilniejsze powiązania. W najprostszym rodzaju sieci, otrzymane dane wejściowe są sumowane, a jeśli suma jest większa niż określona wartość progowa, neuron „generuje impuls” i aktywuje podłączone do niego neurony.

Wzrost liczby warstw ukrytych sieci neuronowych prowadzi do powstania głębokich sieci neuronowych. Dzięki architekturze głębokiego uczenia sieci neuronowe wznoszą się na nowe wyżyny. Korzystając z tych warstw, badacze danych mogą budować własne sieci głębokiego uczenia, które umożliwiają uczenie maszynowe, dzięki czemu komputer może znakomicie emulować zadania wykonywane przez ludzi, takie jak rozpoznawanie mowy i obrazów oraz prognozowanie. Co równie ważne, komputer może uczyć się samodzielnie, rozpoznając prawidłowości w wielu warstwach przetwarzania.

Przyjrzyjmy się temu, jak ta definicja sprawdza się w praktyce. Dane są wprowadzane do sieci neuronowej poprzez warstwę wejściową, która komunikuje się z warstwami ukrytymi. Przetwarzanie odbywa się w warstwach ukrytych poprzez system połączeń ważonych. Węzły w warstwie ukrytej łączą dane z warstwy wejściowej z zestawem współczynników, przypisując danym wejściowym odpowiednie wagi. Następnie te produkty w postaci ważonych danych wejściowych są sumowane. Suma jest przekazywana przez funkcję aktywacji węzła, która określa zakres, w jakim sygnał musi podążać w sieci, aby wpłynąć na wynik końcowy. Na koniec warstwy ukryte łączą się z warstwą wyjściową – w której uzyskiwane są dane wyjściowe. (źródło: tutaj)

O zastosowaniu sieci neuronowych możecie przeczytać tutaj.

Kolejną rozwijającą się dziedziną jest fizyka kwantowa.

Początki nad jej badaniami oraz mechaniką kwantową rozpoczęto już dawno (m.in. Albert Einstein), natomiast ostatnio prace te przyśpieszyły i odkryto nowe powiązania.

Niektóre prawa fizyki kwantowej wydają się prawie niemożliwe – tak bardzo są niezrozumiałe i nieintuicyjne. Przykładem jest zjawisko splątania kwantowego cząstek elementarnych. Za badania nad nim, Alain Aspect, John F. Clauser i Anton Zeilinger otrzymali w 2022 roku nagrodę Nobla. Zjawisko to polega na „telepatycznym porozumiewaniu się cząstek” na duże odległości. Dwa fotony lub elektrony mogą zachowywać się jak jedna cząstka, przekazywać sobie stany kwantowe, choć są rozdzielone. Nie wiemy jeszcze, dlaczego tak jest, ale powstają już pierwsze pomysły, jak wykorzystać to w technologii, do budowy komputerów kwantowych, superszybkiego Internetu lub szyfrowania wiadomości. (źródło: tutaj  )

Tak więc nauka idzie do przodu, rozwijamy się w wielu dziedzinach, na wielu polach,  pojawiają się przełomowe odkrycia,  zastosowania zjawisk, technik, które kiedyś być może nazwalibyśmy inaczej lub były mniej zauważalne i zrozumiałe a dziś w czasach Nowego Renesansu czy Nowej Rewolucji Technologicznej (bo kilka już mieliśmy) są dostrzegalne i budzą zarówno niepokój jak również ciekawość, zainteresowanie oraz są obiektem badań wielu instytutów naukowych oraz dużych firm.

Czy inwestycje w nowe obszary technologii są opłacalne?

Tego nie wiemy, na pewno akcje wielu firm technologicznych z sektora AI zyskują na wartości, czy tak będzie w przyszłości? Tego nie wiemy… Trzeba również być bardzo czujnym, ponieważ przy okazji rozwoju nowych narzędzi  pojawiają się oszustwa lub po prostu nieudane projekty, którym we wczesnej fazie rozwoju brakuje finansowania lub które są przejmowane tzw. wrogimi przejęciami przez duże korporacje.

Z punktu widzenia ludzkiego ważne jest abyśmy mogli te nowe technologie i narzędzia rozpoznawać, nie bać się ich, potrafić pewne zjawiska wytłumaczyć dzieciom, ale jednocześnie mieć do nich pewien dystans, konsultować ze specjalistami lub naukowcami w konkretnych dziedzinach, nie lekceważyć ich rozwoju, umieć o nich rozmawiać, nie bagatelizować, ponieważ mogą mieć ogromny wpływ na psychikę kilku pokoleń, rozwój wielu gałęzi życia a może nawet znaczących zmian na świecie. Pamiętajmy też, że mamy wolną wolę  i tej wolnej, dobrej woli nikt nam nie może zabrać.

Tekst: Gocha, źródła informacji podane w treści w linkach.

Uwaga: powyższy artykuł jest zbiorem informacji ze źródeł internetowych oraz doświadczeń i analiz, nie stanowi żadnej oferty, rekomendacji ani finansowej ani naukowej, jest jedynie subiektywną analizą autora z wykorzystaniem artykułów z internetu.

ZOBACZ RÓWNIEŻ / SEE ALSO:

Kwantowe Podejście Do Pieniędzy / A Quantum Approach To Money

Biznes I Inwestycje Na Miarę Naszych Czasów / Business And Investments Tailored To Our Times

Wielozadaniowość – Wada Czy Atut? / Multitasking – A Disadvantage Or An Advantage?