Opracowanie edukacyjne
Co trzeba wiedzieć przed quizem?
Sztuczna inteligencja nie jest magiczną osobą mieszkającą w komputerze. To nazwa rozwiązań, które wykonują określone zadania, często dzięki modelom uczonym na przykładach. Uczeń klasy czwartej może bezpiecznie poznać ten mechanizm przez prosty klasyfikator: zebrać dwa rodzaje danych, nadać im etykiety, uruchomić trening i sprawdzić wynik na nowych przykładach. Najważniejsza obserwacja brzmi: to, jakie dane pokażemy podczas nauki, wpływa na późniejsze odpowiedzi. Materiał obejmuje także generatywną AI, budowę precyzyjnego polecenia, sprawdzanie odpowiedzi i ochronę danych. Narzędzie może pomagać, lecz za wybór, weryfikację oraz ostateczną pracę odpowiada człowiek.
Po tej lekcji potrafisz
- odróżniać system uczący się z danych od programu wykonującego wyłącznie stałe polecenia
- wyjaśnić role danych treningowych, etykiet, modelu i osobnych danych testowych
- przewidywać, jak brak różnorodności albo błędne przykłady mogą zmienić wyniki modelu
- rozpoznawać podstawowe zastosowania generatywnej sztucznej inteligencji
- formułować prosty, precyzyjny prompt z tematem, odbiorcą i oczekiwanym formatem
- weryfikować treści, chronić prywatność i zachowywać odpowiedzialność za własną pracę
AI wykonuje zadanie, a nie posiada uniwersalnej wiedzy
Nie każda automatyczna czynność jest sztuczną inteligencją. Kalkulator stosuje zapisane działania, minutnik reaguje po ustalonym czasie, a sortowanie może wykonywać zwykły algorytm. Model uczenia maszynowego otrzymuje natomiast przykłady i na ich podstawie tworzy zależności przydatne do nowych danych. Nadal ma określone zadanie, na przykład rozróżnianie dwóch rodzajów liści; nie staje się przez to wszechwiedzący.
W codziennym życiu AI może pomagać rozpoznawać mowę i obrazy, tłumaczyć tekst, polecać treści albo wykrywać nietypowe zdarzenia. Nazwa technologii nie mówi jednak sama, czy wynik jest dobry ani czy użycie jest właściwe. Zawsze trzeba znać cel, rodzaj danych i możliwe skutki pomyłki. Im ważniejsza decyzja, tym większa potrzeba kontroli człowieka.
Trening łączy przykłady, etykiety i model
W prostym doświadczeniu uczeń może zebrać zdjęcia dwóch kategorii, na przykład kół i trójkątów. Każdemu przykładowi przypisuje poprawną etykietę. Dane trafiają do procesu treningu, w którym powstaje model wykrywający cechy pomagające odróżniać grupy. Model nie przechowuje szkolnej definicji figury tak jak podręcznik; dostosowuje swoje reguły do przykładów i sposobu działania wybranego narzędzia.
Po treningu potrzebny jest test na nowych, poprawnie opisanych przykładach. Ponowne pokazanie tylko obrazów wykorzystanych w nauce może dać złudnie dobry wynik. Osobny zestaw testowy odpowiada na pytanie, czy model radzi sobie także z danymi, których wcześniej nie widział. Pomyłki należy zapisać według kategorii i warunków, zamiast oceniać system jednym przypadkowym obrazem.
Dane wpływają na to, czego model się nauczy
Jeśli zbiór kotów zawiera tylko jasne zdjęcia z przodu, model może słabiej działać na ciemnych fotografiach albo widokach z boku. Dodanie wielu kopii jednego obrazu nie zastępuje różnorodności. Potrzebne są poprawne, dozwolone do użycia przykłady obejmujące rozsądne warianty zadania. Etykieta przypisana do złej kategorii także uczy niewłaściwego związku.
Dane mogą zawierać uprzedzenia. Jeżeli pewna grupa albo sytuacja jest pomijana, wynik może być dla niej mniej trafny. Dlatego analizuje się nie tylko ogólną liczbę poprawnych odpowiedzi, lecz również rodzaje błędów. W szkolnym doświadczeniu poprawa modelu powinna wynikać z hipotezy: dodajemy brakujący rodzaj przykładów, trenujemy ponownie i porównujemy rezultat na tym samym, oddzielnym zestawie testowym.
Generatywna AI tworzy odpowiedź na prompt, ale może się mylić
Generatywna sztuczna inteligencja potrafi tworzyć teksty, obrazy lub inne materiały na podstawie polecenia. Prompt powinien określać temat, odbiorcę, zakres i format, na przykład: Ułóż pięć krótkich pytań dla klasy 4 o warstwach lasu i po każdym dodaj odpowiedź jednym zdaniem. Precyzja pomaga dopasować wynik, lecz nie jest dowodem jego prawdziwości.
Model językowy może podać zmyśloną datę, tytuł albo źródło w bardzo przekonującym stylu. Taką niezgodną z faktami treść określa się często jako halucynację modelu. Ważne informacje trzeba sprawdzać w niezależnych, wiarygodnych źródłach. Powtórzenie odpowiedzi przez ten sam chatbot nie tworzy drugiego dowodu. Wynik AI traktujemy jak propozycję do oceny, nie gotowy autorytet.
Odpowiedzialne użycie chroni dane i samodzielność
Do publicznego narzędzia nie należy wpisywać imion z ocenami, prywatnych wiadomości, danych zdrowotnych, adresów ani zdjęć osób bez właściwej podstawy i zgody. Treść może być przetwarzana przez dostawcę usługi. Uczeń korzysta z narzędzia zatwierdzonego przez szkołę i opiekuna, przestrzega regulaminu oraz limitu wieku, a w razie wątpliwości nie wysyła danych i pyta zaufaną osobę dorosłą.
AI może objaśnić pojęcie, zaproponować pytania albo wskazać możliwy błąd, ale nie powinna zastępować samodzielnego myślenia. Uczeń musi rozumieć oddawaną pracę, poprawić wynik, podać źródła i ujawnić użycie narzędzia, jeśli wymagają tego zasady zadania. Ostateczna odpowiedzialność za prawdziwość, uczciwość i sposób użycia materiału pozostaje po stronie człowieka.
Bezpieczne doświadczenie z prostym modelem
| Etap | Działanie |
|---|---|
| krok 1 | określ dwie jasne kategorie i sposób oceny poprawnej odpowiedzi |
| krok 2 | zbierz dozwolone, zróżnicowane przykłady bez zbędnych danych osobowych |
| krok 3 | sprawdź każdy przykład i przypisz mu właściwą etykietę |
| krok 4 | wytrenuj prosty model, nie wykorzystując do treningu zestawu testowego |
| krok 5 | przetestuj model na nowych przykładach obu kategorii i zapisz rodzaje błędów |
| krok 6 | uzupełnij brakujące rodzaje danych, trenuj ponownie i porównaj wyniki |
Najważniejsze pojęcia
- sztuczna inteligencja
- dziedzina i grupa technik tworzących systemy wykonujące zadania kojarzone z inteligentnym działaniem
- uczenie maszynowe
- sposób tworzenia modelu przez analizowanie przykładów zamiast ręcznego zapisywania każdej reguły
- dane treningowe
- przykłady wykorzystywane podczas uczenia modelu
- etykieta
- poprawne oznaczenie kategorii przypisane przykładowi uczącemu
- model
- wynik procesu uczenia używany do przetwarzania nowych danych
- zbiór testowy
- osobne, opisane przykłady służące do sprawdzania modelu po treningu
- klasyfikacja
- przypisywanie nowego przykładu do jednej z ustalonych kategorii
- generatywna AI
- system tworzący nowe treści, na przykład tekst lub obraz, na podstawie polecenia
- prompt
- polecenie lub opis przekazany narzędziu generatywnemu
- halucynacja modelu
- wygenerowana treść brzmiąca wiarygodnie, lecz niezgodna z faktami lub źródłami
Najczęstsze pomyłki
- Automatyczna funkcja nie musi wykorzystywać AI; stała reguła i model uczony na danych to różne mechanizmy.
- Duża liczba niemal identycznych przykładów nie zapewnia różnorodności potrzebnej do pracy w nowych warunkach.
- Testowanie wyłącznie na danych treningowych nie pokazuje wiarygodnie, jak model poradzi sobie z nowymi przykładami.
- Szczegółowy prompt pomaga dopasować formę wyniku, ale nie gwarantuje prawdziwości faktów ani cytowanych źródeł.
- Pewny ton chatbota nie jest dowodem; ważne twierdzenia trzeba sprawdzić w niezależnym źródle.
- Do narzędzia AI nie należy wklejać danych osobowych lub poufnych tylko dlatego, że odpowiedź ma być bardziej szczegółowa.
- Pomoc AI nie zwalnia autora pracy z rozumienia treści, przestrzegania zasad zadania i odpowiedzialności za wynik.
Podsumowanie do zapamiętania
- Model uczenia maszynowego tworzy zależności na podstawie danych treningowych.
- Etykiety wskazują poprawne kategorie przykładów używanych w uczeniu nadzorowanym.
- Osobne dane testowe sprawdzają działanie modelu na przykładach niewidzianych podczas treningu.
- Brak różnorodności, błędne etykiety i uprzedzenia w danych mogą pogorszyć lub wypaczyć wyniki.
- Generatywna AI tworzy treści na podstawie promptu, ale może podawać fałszywe informacje.
- Człowiek chroni dane, sprawdza źródła, ocenia wynik i odpowiada za ostateczną pracę.