28. Umělá inteligence

Definice umělé inteligence:

• • “Umělá inteligence, nebo AI, je schopnost strojů napodobovat lidské schopnosti, jako je uvažování, učení se, plánování nebo kreativita. AI se snaží vytvořit systémy, které mohou vykonávat úkoly, které by normálně vyžadovaly lidskou inteligenci.”
  • Rozdíl mezi AI a tradičním softwarem: AI se učí z dat a adaptivně se přizpůsobuje, zatímco tradiční software funguje podle pevně daných pravidel.

Historie a vývoj AI

• • Etické a regulativní otázky:
    • Vznikající otázky týkající se etiky AI, soukromí a regulace. Existují snahy o vytvoření pravidel a směrnic pro bezpečné a zodpovědné používání AI.
  • Zaměření na AI s obecnou inteligencí:
    • Výzkum směřující k vytvoření AI, která by mohla dosáhnout nebo překonat lidskou úroveň inteligence, známý jako AGI (Artificial General Intelligence).
      

      1950–1960: Počátky a základní teorie

      1. Alan Turing (1912–1954):

      • Turingův test (1950):
        • Alan Turing, britský matematik a logik, je považován za jednoho z zakladatelů teorie umělé inteligence. V roce 1950 publikoval článek „Computing Machinery and Intelligence“, kde navrhl Turingův test jako kritérium pro posouzení schopnosti stroje vykazovat inteligentní chování. Test spočívá v tom, že člověk komunikuje s počítačem a s člověkem prostřednictvím textu a pokud člověk nedokáže spolehlivě rozlišit, který z nich je stroj, pak stroj prochází testem.

      2. První AI programy:

      • Logic Theorist (1955):
        • Jeden z prvních AI programů, vytvořený Allenem Newellem a Herbertem Simonem na Carnegie Mellon University. Tento program byl schopen dokazovat matematické teorie a představoval raný příklad aplikace AI na řešení problémů.
      • General Problem Solver (GPS) (1957):
        • Vylepšení Logic Theorist, vytvořené stejným týmem, které bylo navrženo jako obecný problémový řešitel. GPS byl určen k řešení širokého spektra problémů pomocí heuristických metod, tedy přístupů, které hledají řešení na základě zkušeností a pokusů.

      1960–1980: Rozvoj a první aplikace

      1. Rozvoj heuristických metod:

      • ELIZA (1964):
        • Program vytvořený Josephem Weizenbaumem, který simuloval konverzaci s psychoterapeutem pomocí jednoduchých pravidel pro zpracování textu. ELIZA je považována za jedno z prvních příkladů zpracování přirozeného jazyka (NLP).

      2. Vznik neuronových sítí:

      • Perceptron (1958):
        • Frank Rosenblatt vytvořil perceptron, což byl jednoduchý model neuronové sítě schopný třídit data. Tento model se stal základem pro pozdější vývoj složitějších neuronových sítí.
      • Kritika perceptronů (1969):
        • V knize „Perceptrons“ Marvin Minsky a Seymour Papert upozornili na omezení perceptronů, zejména na jejich neschopnost řešit problémy, které vyžadují více než jednu vrstvu neuronů (např. XOR problém). Tento kritik vedl k dočasnému útlumu výzkumu neuronových sítí.

      1980–2000: Obnovování a pokroky

      1. Obnova zájmu a rozvoj technologií:

      • Expert Systems (1980s):
        • Expert systems, jako MYCIN a DENDRAL, byly navrženy jako systémy, které simulovaly rozhodovací procesy odborníků v konkrétních oblastech. MYCIN byl například používán k diagnostice infekčních nemocí.
      • Neurovědecký obrat (1986–1987):
        • David Rumelhart, Geoffrey Hinton a Ronald Williams obnovili zájem o neuronové sítě díky metodě zpětného šíření (backpropagation), která umožnila trénovat vícevrstvé neuronové sítě efektivněji.

      2. Významné události:

      • Deep Blue (1997):
        • Šachový počítač vytvořený IBM, který porazil světového šachového mistra Garryho Kasparova v jednom z jejich duelů. Tento moment ukázal schopnosti AI v konkurenčním prostředí.

      2000–současnost: Moderní pokroky a rozmach

      1. Rozvoj hlubokého učení:

      • Hluboké neuronové sítě (Deep Learning):
        • Pokroky v oblasti výpočtové kapacity a dostupnosti velkých dat vedly k rozvoji hlubokého učení. Hluboké neuronové sítě, obsahující mnoho vrstev, začaly dosahovat překvapivě dobrých výsledků v úlohách jako rozpoznávání obrazů a strojový překlad.
      • AlexNet (2012):
        • Vítězství v soutěži ImageNet pro rozpoznávání obrazů s hlubokou konvoluční neuronovou sítí, kterou vyvinul Alex Krizhevsky a jeho tým. Tento úspěch vedl k masivnímu zájmu o hluboké učení a jeho aplikace.

       

      2. AI v běžném životě:

      • Osobní asistenti:
        • Asistenti jako Siri, Google Assistant a Alexa ukázali praktické aplikace AI v každodenním životě. Tyto systémy používají NLP k porozumění a reagování na uživatelské příkazy.
      • Pokroky v autonomních vozidlech:
        • Vývoj autonomních vozidel, například od společnosti Tesla a Waymo, ukazuje, jak AI může transformovat dopravu a zvyšovat bezpečnost.
      • Generativní AI a GPT:
        • Modely jako GPT-3 a GPT-4 od OpenAI ukazují pokroky v generativním modelování jazyka a schopnostech AI vytvářet texty, které jsou téměř k nerozeznání od lidského psaní.

      3. Významné trendy a budoucnost:

Typy AI:

• Slabá AI:
  • “Slabá AI je navržena tak, aby vykonávala specifické úkoly. Například virtuální asistenti jako Siri nebo Alexa jsou příklady slabé AI. Jsou skvělí v tom, co dělají, ale nemohou vykonávat úkoly mimo své pole působnosti.”
• Silná AI:
  • “Silná AI má schopnost pochopit a naučit se jakoukoli intelektuální roli tak jako člověk. Tento typ AI je zatím ve fázi výzkumu a představuje velkou výzvu pro vědce a inženýry.”
• Super AI:
  • “Super AI je teoretický koncept, který by překonával lidskou inteligenci a dokázal řešit jakékoliv úkoly lépe než člověk. Tento typ AI zatím neexistuje, ale je předmětem mnoha spekulací a debat.”

Základní principy fungování AI:

• Strojové učení:
  • “Strojové učení je podmnožina AI, kde se stroje učí z dat a zlepšují své výkony bez explicitního programování. Například, když se algoritmus učí rozpoznávat obrázky koček tím, že analyzuje tisíce obrázků koček.”
• Neuronové sítě:
  • “Neuronové sítě jsou systémy inspirované lidským mozkem, které se používají k rozpoznávání vzorů a řešení komplexních problémů. Jsou základem mnoha moderních AI aplikací, jako je rozpoznávání řeči nebo obrazu.”
•  
• Zpracování přirozeného jazyka (NLP): NLP (anglicky „Natural Language Processing“) se zaměřuje na zpracování a porozumění lidskému jazyku stroji, což umožňuje chatbotům a systémům pro analýzu textu.
• Robotika: UI hraje klíčovou roli v rozvoji autonomních robotů, kteří mohou provádět různé úkoly v prostředích, kde by bylo nebezpečné nebo obtížné pro lidi.
•  

Praktické aplikace AI 

• AI v medicíně:
  • “V medicíně se AI používá k diagnostice a predikci nemocí. Například AI může analyzovat rentgenové snímky a pomoci lékařům identifikovat rakovinu v raném stádiu.”
• AI v průmyslu:
  • “V průmyslu AI pomáhá automatizovat a optimalizovat výrobní procesy. Roboti řízení AI mohou pracovat rychleji a přesněji než lidé, což zvyšuje efektivitu výroby.”
• AI v dopravě:
  • “Autonomní vozidla jsou jedním z nejznámějších příkladů AI v dopravě. Tato vozidla používají AI k navigaci a řízení bez lidského zásahu, což může zvýšit bezpečnost na silnicích.”
• AI ve vzdělávání:
  • “Ve vzdělávání AI pomáhá vytvářet personalizované učební materiály, které se přizpůsobují individuálním potřebám studentů. To může zlepšit efektivitu učení a pomoci studentům dosáhnout lepších výsledků.”
• AI v marketingu:
  • “V marketingu AI analyzuje data o zákaznících a pomáhá vytvářet personalizovaný obsah. Například, když vidíte reklamy na produkty, které vás zajímají, je to často díky AI, která analyzovala vaše předchozí nákupy a chování na internetu.”

Výhody a nevýhody AI:

• Výhody:
  • Zvýšení efektivity a produktivity.
  • Zlepšení přesnosti v různých oblastech (např. medicína, finance).
  • Schopnost zpracovávat a analyzovat velké objemy dat.
• Nevýhody:
  • Možné ztráty pracovních míst v důsledku automatizace.
  • Etické otázky: soukromí, bezpečnost, a odpovědnost za rozhodnutí AI.
  • Riziko zneužití AI (např. v oblasti kybernetických útoků).

Umělá inteligence ve výuce i v denní práci učitele:

2:30:04 

1. Generování obrázků umělou inteligencí:
   https://www.craiyon.com/
2. Strojové učení:
   https://teachablemachine.withgoogle.com/train/tiny_image
3. chatGPT:
   https://chat.openai.com/chat
4. MS Copilot
   Copilot (microsoft.com)
5. GEMINI Google
   https://gemini.google.com/?hl=cs

https://aidetem.cz/

Zde je tabulka s nejoblíbenějšími nástroji generativní inteligence:

Tato tabulka poskytuje přehled o nejpopulárnějších generativních AI nástrojích, jejich funkcích, cenách a kde je najít.

Prompt je king