Nawiązując do definicji zaproponowanej przez Parlament Europejski:

„Sztuczna inteligencja (z ang. artificial intelligence) to zdolność maszyn do wykazywania ludzkich umiejętności, takich jak rozumowanie, uczenie się, planowanie i kreatywność (-) umożliwia systemom technicznym postrzeganie ich otoczenia, radzenie sobie z tym, co postrzegają i rozwiązywanie problemów, działając w kierunku osiągnięcia określonego celu. Komputer odbiera dane (już przygotowane lub zebrane za pomocą jego czujników, np. kamery), przetwarza je i reaguje. Systemy SI są w stanie do pewnego stopnia dostosować swoje zachowanie, analizując skutki wcześniejszych działań i działając autonomicznie”[1].

Sztuczna inteligencja obejmuje wiele gałęzi, z których każda koncentruje się na różnych aspektach i zastosowaniach. By lepiej zrozumieć te obszary i ich wpływ na nasze życie,  przedstawiamy kilka podstawowych terminów wraz z przykładami dla lepszego zobrazowania:  

·        Sztuczna inteligencja analityczna – koncentruje się na analizie danych, wyciąganiu wniosku  i podejmowaniu decyzji w oparciu o dane, które zostały dostarczone.
Przykład: Sztuczna inteligencja przetwarza dane sprzedaży z różnych sklepów, aby określić, które produkty sprzedają się najlepiej i dlaczego. Na podstawie tej analizy może przewidzieć np. popyt na dany produkt, najlepszy moment na zmianę cen.

·        Sztuczna inteligencja generatywna – skupia się na tworzeniu nowych rzeczy. Może generować teksty, obrazy, muzykę a nawet filmy na podstawie otrzymanego opisu.
Przykład: Sztuczna inteligencja na podstawie analizy tysięcy zdjęć kotów (i nauce rozpoznawania charakterystycznych cech) potrafi stworzyć nowe, realistyczne obrazy kotów, które wyglądają jak prawdziwe, choć nigdy nie istniały.
 

·        Uczenie maszynowe (Machine Learning – ML)  – to dziedzina SI, która koncentruje się na tworzeniu algorytmów, które uczą się na podstawie dostarczonych danych i poprawiają swoje działanie w miarę upływu czasu, bez konieczności programowania konkretnych instrukcji.
 Przykład: wspomniana wyżej umiejętność rozpoznawania kotów na podstawie zdjęć.

·        Głębokie uczenie (Deep Learning – DL) – to specyficzna forma uczenia maszynowego, która wykorzystuje wielowarstwowe sieci neuronowe do analizy i przetwarzania danych.   Głębokie uczenie jest skuteczne w rozpoznawaniu skomplikowanych wzorców w dużych zbiorach danych i podejmowania decyzji w sposób zbliżony do ludzkiego mózgu. 
Przykład: umiejętność rozpoznawania twarzy ludzkich (z dużą dokładnością).
 

·        Przetwarzanie języka naturalnego (Natural Language Processing – NLP) – to także poddziedzina uczenia maszynowego, która umożliwia komputerom rozumienie, interpretowanie, generowanie i tłumaczenie języka naturalnego. NLP pozwala na przetwarzanie i analizę tekstu w sposób zbliżony do ludzkiego. 
Przykład: asystent głosowy, który rozumie i wykonuje nasze polecenia głosowe np. sprawdzanie pogody, odtwarzanie ulubionej muzyki.

Sztuczna inteligencja i deepfake - strona główna: przejdź.