1. Sztuczna inteligencja (AI)

Definicja: Zbiór metod, które pozwalają maszynom wykonywać zadania wymagające „ludzkiej” inteligencji, od rozpoznawania obrazów po planowanie tras dostaw.
Dlaczego to ważne? To parasol nad wszystkimi poniższymi terminami – gdy ktoś mówi, że „używa AI”, dopytuj jakiej dokładnie.

2. Uczenie maszynowe (ML)

Definicja: Maszyna nie dostaje sztywnych reguł; zamiast tego sama znajduje wzorce w danych.
Przykład z życia: Filtr spamu wychwytuje maile z frazą „100% darmo!!!”, bo widział tysiące podobnych wiadomości oznaczonych jako spam.

3. Uczenie głębokie (DL)

Definicja: Gałąź ML oparta na wielowarstwowych sieciach neuronowych.
Metafora: Jeśli ML to liceum, DL to studia magisterskie – więcej „pięter” wiedzy, trudniejsze zadania.

4. Model

Definicja: Gotowy „przepis” wygenerowany po procesie uczenia; przyjmuje nowe dane i zwraca przewidywania.
Przykład: GPT-4o przewiduje następne słowo, ResNet-50 klasyfikuje zdjęcia.

5. Dane treningowe

Definicja: Zestaw przykładów, na których model się uczy.
Warto zapamiętać: Jeśli dane są stronnicze, algorytm dziedziczy tę stronniczość.

6. Algorytm

Definicja: Instrukcja opisująca, jak z danych stworzyć model.
Metafora: Kucharz, który krok po kroku realizuje przepis.

7. Overfitting (przeuczenie)

Definicja: Model zna dane treningowe na pamięć, ale kiepsko radzi sobie z nowymi.
Sygnał ostrzegawczy: 99 % trafności „u siebie”, a w realu – klops.

8. Inference vs Training

    • Training: Model się uczy (najbardziej energożerne).
    • Inference: Model odpowiada na zapytania w praktyce.

9. Sieć neuronowa

Definicja: Matematyczna imitacja ludzkich neuronów, połączona w warstwy.
Ciekawostka: Pierwszy model z 1958 r. (Perceptron) mieścił się na kartce papieru.

10. NLP – przetwarzanie języka naturalnego

Definicja: Algorytmy, które analizują lub generują tekst/mowę.
Codzienność: Autokorekta, transkrypcja wideo, chat-boty obsługi klienta.

11. Computer Vision

Definicja: Dział AI, który „widzi”: wykrywa twarze na zdjęciach, czyta tablice rejestracyjne, analizuje zdjęcia satelitarne.

12. Prompt

Definicja: Polecenie przekazywane modelowi generatywnemu.
Rada: Jasny kontekst + przykład = lepsza odpowiedź.

13. Token

Definicja: Mały fragment tekstu (litera, sylaba, rzadziej całe słowo) – podstawowa jednostka, w której „myślą” modele językowe.

14. GPU

Definicja: Procesor graficzny, który dzięki tysiącom rdzeni równolegle liczy macierze.
Fun fact: W kryptografii i AI wykorzystuje się go do zupełnie innych zadań niż do gier, dla których powstał.

15. Explainable AI (XAI)

Definicja: Metody pozwalające zrozumieć, dlaczego model podjął daną decyzję.
Znaczenie: Kluczowe w bankowości, medycynie i prawie – tam, gdzie trzeba uzasadniać decyzje algorytmu.


To wszystkie na dzisiaj. Jeżeli taki artykuł Ci się spodobał, to koniecznie dołącz do mojej społeczności – darmowe zapisy, gdzie będziesz również miał dostęp do dodatkowych materiałów i przede wszystkim bonusów. Do zobaczenia w kolejnym artykule.