Slovníček pojmů – Umělé inteligence

Agentická umělá inteligence označuje pokročilé systémy umělé inteligence, které jdou nad rámec pouhého reagování na příkazy; generují obsah, autonomně provádějí úkoly a dosahují cílů. Tyto systémy kombinují schopnosti uvažování, paměťové funkce a zpětnovazební smyčky, aby nezávisle plánovaly a prováděly akce, často s využitím různých digitálních nástrojů a přizpůsobováním svého přístupu prostřednictvím učení. Na rozdíl od tradiční umělé inteligence může agentická umělá inteligence fungovat samostatně i ve spolupráci s jinými agenty umělé inteligence, a to při autonomním rozhodování a zároveň propojuje různé platformy a systémy k plnění složitých úkolů.

V průmyslovém kontextu zahrnuje agentická umělá inteligence nasazení systémů umělé inteligence, které dokáží nezávisle monitorovat, analyzovat a řídit různé aspekty průmyslových operací, jako je prediktivní údržba, řízení kvality, řízení zásob nebo optimalizace výrobních procesů.

Umělá inteligence (AI) označuje software, který má schopnost učit se a přizpůsobovat se. AI dokáže řešit úkoly, které vyžadují interpretaci významu vstupních dat a přizpůsobení se požadavkům. Obvykle se jedná o úkoly, které dříve mohly být řešeny pouze přirozenou inteligencí. Existuje několik typů metod AI, které se výrazně liší, pokud jde o oblasti použití, jejich potenciál a rizika s nimi spojená. Základní principy AI byly vyvinuty ve 20. století. Protože všechny metody AI vyžadují velké množství školicích dat, technologie nyní získává zvýšený kritický význam díky digitalizaci a objemným datům.

Technologie, která umožňuje překrývání digitálních informací na reálných prostředích a objektech, obvykle pomocí pohlcující 3D virtuální reality. AR umožňuje vylepšenou verzi fyzického světa přidáním digitálních vizuálních, zvukových a dalších smyslových prvků.

Systémy, které mohou fungovat bez lidské interakce, jako jsou samořídící auta a drony.

Vozidla, která mohou fungovat bez lidské interakce, jako jsou samořídící automobily a nákladní automobily.

Neúmyslná předpojatost nebo zvýhodňování, ke kterým může v systémech umělé inteligence docházet v důsledku zkreslených dat nebo algoritmů používaných k učení.

Velké a složité datové soubory, často generované (průmyslovými) senzory, ale také firmami, organizacemi a lidmi. Vzhledem k tomu, že tato data jsou často nestrukturovaná, neúplná nebo nesprávná, software bez umělé inteligence je obvykle nemůže smysluplně zpracovat.

Program na bázi AI, který může komunikovat s lidmi prostřednictvím textové nebo hlasové komunikace.

Typ AI, jehož cílem je replikovat lidské kognitivní procesy, jako je vnímání, uvažování a rozhodování.

Podmnožina umělé inteligence, která umožňuje počítačům extrahovat informace z vizuálů, jako jsou obrázky a videa, aby je pochopily a interpretovaly.

Strategie, měření a nástroje, které pomáhají zabezpečit digitální informace před externími útočníky. Umělou inteligenci lze použít k detekci a prevenci kybernetických útoků a k identifikaci a reakci na narušení bezpečnosti.

Proces analýzy a interpretace dat za účelem odhalení poznatků a informovaných rozhodnutí.

Počítačové systémy, které jsou navrženy tak, aby pomáhaly lidem při rozhodování poskytováním relevantních informací a analýz.

Podmnožina strojového učení, která zahrnuje použití neuronových sítí s více vrstvami, které umožňují strojům učit se z dat.

Matematický model, který popisuje chování fyzického objektu nebo procesu. V simulačním prostředí lze digitální dvojče použít k simulaci toho, co by se stalo v reálném světě, pokud by se změnily parametry systému. Digitální dvojčata lze využívat po celou dobu životního cyklu produktu, včetně fází návrhu, výroby, provozu a servisu. Vizuální reprezentace digitálních dvojčat vypadají a chovají se jako jejich fyzické protějšky – tj. odrážejí skutečný svět a přizpůsobují se v reálném čase tomu, co se děje.

Edge computing je typ systémové architektury, která na rozdíl od cloud computingu přibližuje výpočetní techniku a ukládání dat ke zdrojům dat („edge“). Pomáhá zkrátit dobu odezvy a množství energie potřebné pro přenos dat. Edge AI systémy mohou být implementovány fyzicky blízko skutečného realizačního zařízení. Tato zařízení mohou spouštět aplikace AI, aniž by byla připojena k cloudu.

AI, která je navržena tak, aby interagovala s fyzickým světem a orientovala se v něm, často pomocí robotů nebo autonomních vozidel.

Studium a aplikace morálních principů při vývoji a používání AI, včetně otázek, jako je předpojatost, soukromí a odpovědnost.

Umělá inteligence, která je navržena tak, aby byla transparentní a vysvětlitelná – umožňuje lidem pochopit, jak a proč stroj učinil konkrétní rozhodnutí.

Jde o metodu učení ve strojovém učení, kde více samostatných zařízení trénuje model strojového učení s vlastní (samostatnou) datovou sadou. Pouze konečné výsledky jsou sdíleny s hlavním aktérem v síti.

Umělá inteligence, která je navržena tak, aby generovala nový obsah, jako jsou obrázky, videa a hudba kombinací a učením se z existujícího obsahu.

Schopnost aplikace, např. CAD software, autonomně generovat řadu návrhových alternativ s ohledem na sadu omezení. Používá techniky, jako je umělá inteligence, optimalizace a simulace.

Průmyslová AI označuje použití AI v odvětvích, která tvoří páteř našich ekonomik – průmysl, infrastrukturu, mobilitu a zdravotnictví.

Průmyslové základní modely (IFM) jsou předem trénovány na datech specifických pro dané odvětví, aby hluboce porozuměly „jazyku“ inženýrství, automatizace a výroby a umožnily rychlejší a přesnější nasazení řešení s využitím umělé inteligence. Poskytují standardizovaný výchozí bod, šetří čas, zdroje a energii díky škálovatelnému hospodaření. IFM jsou přizpůsobeny k řešení reálných průmyslových problémů. Fungují jako inteligentní vrstva za systémy průmyslových kopilotů a usnadňují přenos znalostí a spolupráci napříč odvětvími. Podporují nejen text, obrázky a zvuk, ale také 3D modely, 2D výkresy a další složité struktury, jako jsou časové řady specifické pro dané odvětví (viz také Multimodální LLM).

Umělá inteligence průmyslového stupně označuje úroveň kvality – spolehlivá, bezpečná a důvěryhodná, navržená tak, aby splňovala přísné požadavky a standardy nejnáročnějších profesionálních prostředí.

Termín používaný k popisu čtvrté průmyslové revoluce, která zahrnuje integraci AI, IoT a dalších pokročilých technologií do výroby a průmyslu.

Síť technických zařízení vybavených senzory, softwarem a konektivitou umožňující výměnu dat. IoT je jedním z hlavních hnacích sil digitalizace a velkých dat.

Databáze, která představuje znalosti jako graf propojených uzlů a hran, používaná pro aplikace AI, jako je NLP a vyhledávání.

Typ jazykového modelu AI, který je školen na obrovském množství dat, jako je GPT-3, pro generování textu podobného člověku.

Podmnožina umělé inteligence, která zahrnuje použití algoritmů a statistických modelů, které umožňují strojům učit se ze zkušeností nebo dat.

Podmnožina umělé inteligence, která umožňuje strojům s připojenými kamerami extrahovat vizuální informace pro pochopení a interpretaci jejich okolí.

Multimodální LLM dokážou porozumět a zpracovávat více typů dat, například text, obrázky, audio nebo data senzorů, současně. Jsou integrovány do aplikací, jako je počítačové vidění, autonomní vozidla a robotika. Zlepšují rozpoznávání objektů, porozumění scéně a umožňují strojům dodržovat složité pokyny. Multimodální LLM mají potenciál ovlivnit zpracování a generování průmyslových dat, jako jsou časové řady, 2D a 3D modely nebo data pro strojové vidění - stejným způsobem, jakým konvenční LLM ovlivnily zpracování textu a řeči.

Podmnožina umělé inteligence, která se zaměřuje na interakci mezi počítači a lidským jazykem.

Rozhraní, které umožňuje lidem komunikovat s počítači pomocí přirozených gest, řeči a dalších forem vyjádření.

Typ algoritmu strojového učení, který je modelován podle struktury lidského mozku a používá se k rozpoznávání vzorů v datech.

Proces analýzy změn napětí a proudu pro budovy nebo stroje, které obsahují více dílčích zařízení k odvození individuálního příspěvku každého zařízení v systému.

Fyzická umělá inteligence označuje integraci umělé inteligence do strojů (jako jsou roboty), které dokážou vnímat své prostředí a jednat v něm. Fyzická umělá inteligence, inspirovaná lidským senzorimotorickým cyklem, zpracovává senzorické vstupy (jako jsou 3D kamery nebo hmatové senzory), generuje z nich ovládací příkazy a umožňuje strojům provádět složité úkoly adaptivně a autonomně ve fyzickém 3D prostředí.

Fyzikálně informovaná umělá inteligence, známá také jako fyzikálně uvědomělá umělá inteligence, označuje novou třídu metod umělé inteligence, které začleňují fyzikální zákony přímo do procesu učení. Na rozdíl od konvenčních přístupů umělé inteligence, které se silně spoléhají na objemné datové sady pro učení chování, fyzikálně informovaná umělá inteligence integruje fyzikální omezení pro řízení učení. To umožňuje systémům umělé inteligence uvažovat a vytvářet predikce i v případě, že jsou reálná data omezená, a to využitím našich stávajících znalostí o tom, jak fyzikální svět funguje. Místo učení se pouze z příkladů tyto modely využívají své fyzikální znalosti k nasměrování učení k optimálnějším a fyzikálně konzistentnějším řešením.

Prediktivní umělá inteligence využívá statistickou analýzu a strojové učení k identifikování vzorců v reálném čase a historických provozních datech ze strojů a zařízení, což jí umožňuje předvídat budoucí chování, detekovat anomálie, předpovídat potenciální poruchy a doporučovat akce údržby. Používá se ke zlepšení stavu a spolehlivosti zařízení, snížení neplánovaných prostojů a podpoře rychlejšího rozhodování založeného na datech napříč průmyslovými operacemi.

Využití umělé inteligence a statistických modelů k predikci budoucích událostí nebo trendů na základě historických dat.

Využití umělé inteligence k předpovědi, kdy budou stroje potřebovat údržbu nebo opravy, na základě dat v reálném čase.

Použití umělé inteligence k detekci závad a zajištění toho, aby výrobky splňovaly standardy kvality.

Typ strojového učení, kde se netrénovaní agenti učí strategii prostřednictvím sankcí a odměn systému po provedených akcích.

Aplikace na bázi AI, které splňují stanovené etické a morální standardy.

Obor inženýrství a AI, který se zaměřuje na návrh, konstrukci a provoz robotů.

Použití umělé inteligence k analýze a interpretaci emocí a názorů vyjádřených v textu nebo řeči.

Elektrická síť, která využívá umělou inteligenci a další pokročilé technologie k optimalizaci výroby, distribuce a spotřeby elektřiny.

Specializovaný hardware, jako jsou grafické procesory (GPU) nebo jazykové procesory (LPU), představuje nový trend v průmyslové umělé inteligenci. Tato zařízení poskytují vysoce výkonný výpočetní výkon na okraji sítě, což umožňuje zpracování algoritmů umělé inteligence v reálném čase. Jejich integrace umožňuje paralelní zpracování a zrychlený výkon, což vede k rychlejšímu provádění složitých úkolů umělé inteligence. Toto lokální zpracování snižuje latenci a závislost na cloudových zdrojích, takže je klíčové pro časově citlivé aplikace. Specializovaný hardware také podporuje pokročilé modely umělé inteligence, což vede k lepším poznatkům a vyššímu výkonu. Navíc snižuje náklady minimalizací potřeby rozsáhlé cloudové infrastruktury a přenosu dat.

Schopnost strojů rozpoznávat a interpretovat lidskou řeč.

Metoda učení, kde jsou modely strojového učení trénovány s označenými (známými) datovými sadami k předpovědi výsledku.

Optimalizace toku zboží a materiálů v dodavatelském řetězci za účelem snížení nákladů a zvýšení efektivity. Umělá inteligence se často používá pro automatizaci procesů, detekci neefektivity, zajištění kvality zboží a prognózování poptávky.

Umělá data generovaná algoritmy spíše než skutečnými událostmi, která se používají k učení a ověřování modelů strojového učení. Kvalita syntetických dat je rozhodující. Určuje, zda umělá inteligence po školení přinese přijatelné výsledky.

Metoda učení, kde modely strojového učení objevují vzory a seskupení v datech, která nebyla dříve známá (nejsou označená).

Virtuální realita (VR) představuje digitálně vykreslené prostředí, které dokáže replikovat skutečný prostor, vytvořit alternativní realitu nebo je kombinovat. Uživatel je schopen prozkoumat virtuální prostor z hranic domova, kanceláře nebo továrny.