Słowniczek sztucznej inteligencji

Agentyczna sztuczna inteligencja odnosi się do zaawansowanych systemów AI, które wykraczają poza zwykłe reagowanie na polecenia; generują treści, autonomicznie wykonują zadania i osiągają cele. Systemy te łączą możliwości rozumowania, funkcje pamięci i pętle sprzężenia zwrotnego, aby samodzielnie planować i wykonywać działania, często wykorzystując różne narzędzia cyfrowe i dostosowując swoje podejście poprzez uczenie się. W przeciwieństwie do tradycyjnej sztucznej inteligencji, agentyczna sztuczna inteligencja może działać zarówno niezależnie, jak i wspólnie z innymi agentami AI, podejmując autonomiczne decyzje, współpracując z różnymi platformami i systemami w celu wykonywania złożonych zadań.

W kontekście przemysłowym Agentic AI obejmuje wdrażanie systemów sztucznej inteligencji, które mogą niezależnie monitorować, analizować i kontrolować różne aspekty operacji przemysłowych, takie jak konserwacja predykcyjna, kontrola jakości, zarządzanie zapasami lub optymalizacja procesów produkcyjnych.

Sztuczna inteligencja (AI) odnosi się do oprogramowania, które ma zdolność uczenia się i adaptacji. Sztuczna inteligencja może rozwiązywać zadania, które wymagają interpretacji znaczenia danych wejściowych i dostosowania się do wymagań. Zazwyczaj są to zadania, które wcześniej mogły być rozwiązane tylko przez naturalną inteligencję. Istnieje kilka rodzajów metod sztucznej inteligencji, które różnią się znacznie pod względem zakresu zastosowania, potencjału i związanego z nimi ryzyka. Podstawowe zasady sztucznej inteligencji zostały opracowane w XX wieku. Ponieważ wszystkie metody sztucznej inteligencji wymagają dużej ilości danych szkoleniowych, technologia zyskuje obecnie coraz większe znaczenie dzięki cyfryzacji i big data.

Technologia, która umożliwia nakładanie informacji cyfrowych na rzeczywistych środowiskach i obiektach, zazwyczaj przy użyciu wciągającej rzeczywistości wirtualnej 3D. AR umożliwia ulepszoną wersję świata fizycznego poprzez dodanie cyfrowych elementów wizualnych, dźwiękowych i innych sensorycznych.

Systemy, które mogą działać bez interwencji człowieka, takie jak samochody autonomiczne i drony.

Pojazdy, które mogą działać bez interwencji człowieka, takie jak samochody i ciężarówki autonomiczne.

Niezamierzone uprzedzenia lub faworyzowanie, które mogą wystąpić w systemach sztucznej inteligencji z powodu stronniczych danych szkoleniowych lub algorytmów.

Duże i złożone zbiory danych, często generowane przez czujniki (przemysłowe), ale także przez firmy, organizacje i ludzi. Ponieważ dane te są często nieustrukturyzowane, niekompletne lub nieprawidłowe, oprogramowanie nieoparte na sztucznej inteligencji zwykle nie może ich przetwarzać w znaczący sposób.

Program oparty na sztucznej inteligencji, który może wchodzić w interakcje z ludźmi poprzez komunikację tekstową lub głosową.

Rodzaj sztucznej inteligencji, która ma na celu powielanie ludzkich procesów poznawczych, takich jak percepcja, rozumowanie i podejmowanie decyzji.

Podzbiór sztucznej inteligencji, który umożliwia komputerom wyodrębnianie informacji z wizualizacji, takich jak obrazy i filmy, aby je zrozumieć i interpretować.

Strategie, pomiary i narzędzia pomagające zabezpieczyć informacje cyfrowe przed atakującymi zewnętrznymi. Sztuczna inteligencja może być wykorzystywana do wykrywania i zapobiegania cyberatakom oraz do identyfikacji naruszeń bezpieczeństwa i reagowania na nie.

Proces analizy i interpretacji danych w celu odkrywania spostrzeżeń i podejmowania świadomych decyzji.

Systemy komputerowe zaprojektowane tak, aby pomagać ludziom w podejmowaniu decyzji poprzez dostarczanie odpowiednich informacji i analiz.

Podzbiór uczenia maszynowego, który obejmuje wykorzystanie sieci neuronowych z wieloma warstwami, aby umożliwić maszynom uczenie się na podstawie danych.

Model matematyczny opisujący zachowanie fizycznego obiektu lub procesu. W środowisku symulacyjnym cyfrowy bliźniak może być używany do symulacji tego, co wydarzyłoby się w prawdziwym świecie, gdyby parametry systemu zostały zmienione. Cyfrowe bliźniaki mogą być używane przez cały cykl życia produktu, w tym na etapie projektowania, produkcji, eksploatacji i serwisu. Wizualne reprezentacje cyfrowych bliźniaków wyglądają i zachowują się jak ich fizyczne odpowiedniki, odzwierciedlając rzeczywisty świat i dostosowując się w czasie rzeczywistym do tego, co się tam dzieje.

Edge Computing to rodzaj architektury systemu, która w przeciwieństwie do przetwarzania w chmurze zbliża obliczenia i przechowywanie danych do źródeł danych („krawędzi”). Pomaga skrócić czas reakcji i ilość energii potrzebnej do przesyłania danych. Systemy brzegowej sztucznej inteligencji można zaimplementować fizycznie blisko rzeczywistego urządzenia wykonawczego. Urządzenia te mogą uruchamiać aplikacje AI bez połączenia z chmurą.

Sztuczna inteligencja zaprojektowana do interakcji ze światem fizycznym i poruszania się po nim, często za pomocą robotów lub pojazdów autonomicznych.

Badanie i stosowanie zasad moralnych w rozwoju i stosowaniu sztucznej inteligencji, w tym kwestie takie jak stronniczość, prywatność i odpowiedzialność.

Sztuczna inteligencja, która została zaprojektowana tak, aby była przejrzysta i wytłumaczalna, umożliwiając ludziom zrozumienie, w jaki sposób i dlaczego maszyna podjęła określoną decyzję.

Jest metodą szkolenia w uczeniu maszynowym, w której wiele oddzielnych urządzeń trenuje model uczenia maszynowego z własnym (oddzielnym) zestawem danych. Tylko wyniki końcowe są udostępniane głównemu aktorowi w sieci.

Sztuczna inteligencja zaprojektowana do generowania nowych treści, takich jak obrazy, filmy i muzyka poprzez łączenie i uczenie się z istniejących treści.

Możliwość aplikacji, np. oprogramowania CAD, do autonomicznego generowania szeregu alternatyw projektowych, biorąc pod uwagę zestaw ograniczeń. Wykorzystuje techniki takie jak sztuczna inteligencja, optymalizacja i symulacja.

Sztuczna inteligencja przemysłowa odnosi się do zastosowania sztucznej inteligencji w branżach, które stanowią kręgosłup naszej gospodarki — przemysł, infrastruktura, mobilność i opieka zdrowotna.

Modele Fundacji Przemysłowych (IFM) są wstępnie przeszkolone w zakresie danych branżowych, aby dogłębnie zrozumieć „język” inżynierii, automatyzacji i produkcji oraz umożliwić szybsze i dokładniejsze wdrażanie rozwiązań AI. Zapewniają znormalizowany punkt wyjścia, oszczędzając czas, zasoby i energię dzięki oszczędnościom skali. IFM są dostosowane do rozwiązywania rzeczywistych wyzwań przemysłowych. Działają jako warstwa wywiadowcza stojąca za przemysłowymi pilotami i ułatwiają transfer wiedzy i współpracę w różnych sektorach. Obsługują nie tylko tekst, obrazy i dźwięk, ale także modele 3D, rysunki 2D i inne złożone struktury, takie jak specyficzne dla branży dane szeregów czasowych (patrz także Multimodal LLM).

Sztuczna inteligencja klasy przemysłowej oznacza poziom jakości; niezawodny, bezpieczny i godny zaufania, zaprojektowany tak, aby spełnić rygorystyczne wymagania i standardy najbardziej wymagających środowisk zawodowych.

Termin używany do opisania czwartej rewolucji przemysłowej, która obejmuje integrację sztucznej inteligencji, IoT i innych zaawansowanych technologii z produkcją i przemysłem.

Sieć urządzeń technicznych wyposażonych w czujniki, oprogramowanie i łączność umożliwiającą wymianę danych. IoT jest jednym z głównych czynników napędzających cyfryzację i big data.

Baza danych reprezentująca wiedzę jako wykres połączonych węzłów i krawędzi, używana do zastosowań sztucznej inteligencji, takich jak NLP i wyszukiwanie.

Rodzaj modelu językowego AI, który jest szkolony na ogromnych ilościach danych, takich jak GPT-3, w celu generowania tekstu podobnego do człowieka.

Podzbiór sztucznej inteligencji, który obejmuje wykorzystanie algorytmów i modeli statystycznych, aby umożliwić maszynom uczenie się na podstawie doświadczenia lub danych.

Podzbiór sztucznej inteligencji, który umożliwia maszynom z dołączonymi kamerami wyodrębnianie informacji wizualnych w celu zrozumienia i interpretacji otoczenia.

Multimodalne LLM mogą jednocześnie rozumieć i przetwarzać wiele typów danych - takich jak tekst, obrazy, dźwięk lub dane czujników. Są zintegrowane z aplikacjami takimi jak wizja komputerowa, pojazdy autonomiczne i robotyka. Poprawiają rozpoznawanie obiektów, rozumienie sceny i umożliwiają maszynom wykonywanie skomplikowanych instrukcji. Multimodalne LLM mogą wpływać na przetwarzanie i generowanie danych branżowych - takich jak szeregi czasowe, modele 2D i 3D lub dane do widzenia maszynowego - w taki sam sposób, jak konwencjonalne LLM wpłynęły na przetwarzanie tekstu i mowy.

Podzbiór sztucznej inteligencji, który koncentruje się na interakcji między komputerami a językiem ludzkim.

Interfejs, który umożliwia ludziom interakcję z komputerami za pomocą naturalnych gestów, mowy i innych form ekspresji.

Rodzaj algorytmu uczenia maszynowego, który jest modelowany na podstawie struktury ludzkiego mózgu i służy do rozpoznawania wzorców w danych.

Proces analizy zmian napięcia i prądu budynków lub maszyn, które składają się z wielu urządzeń podrzędnych w celu wydedukowania indywidualnego wkładu każdego urządzenia w systemie.

Fizyczna sztuczna inteligencja odnosi się do integracji sztucznej inteligencji z maszynami - takimi jak roboty - które potrafią wyczuwać swoje środowisko i działać w nim. Zainspirowana ludzkim cyklem sensomotorycznym, Physical AI przetwarza dane sensoryczne (takie jak kamery 3D lub czujniki dotykowe), generuje z nich polecenia sterujące i umożliwia maszynom wykonywanie złożonych zadań adaptacyjnie i autonomicznie w fizycznych środowiskach 3D.

inteligencja oparta na fizyce, znana również jako sztuczna inteligencja świadoma fizyki, odnosi się do nowej klasy metod sztucznej inteligencji, które włączają prawa fizyki bezpośrednio do procesu treningowego. W przeciwieństwie do konwencjonalnych podejść sztucznej inteligencji, które w dużej mierze opierają się na dużych zbiorach danych w celu uczenia się zachowań, sztuczna inteligencja oparta na fizyce integruje ograniczenia oparte na fizyce, aby kierować uczeniem się. Umożliwia to systemom sztucznej inteligencji rozumowanie i przewidywanie nawet wtedy, gdy dane ze świata rzeczywistego są ograniczone, wykorzystując naszą istniejącą wiedzę o tym, jak działa świat fizyczny. Zamiast uczyć się tylko z przykładów, modele te wykorzystują swoją wiedzę fizyczną do kierowania uczeniem się w kierunku bardziej optymalnych i spójnych fizycznie rozwiązań.

Predykcyjna sztuczna inteligencja wykorzystuje analizę statystyczną i uczenie maszynowe do identyfikowania wzorców w czasie rzeczywistym i historycznych danych operacyjnych z maszyn i urządzeń, umożliwiając przewidywanie przyszłych zachowań, wykrywanie anomalii, prognozowanie potencjalnych awarii i zalecanie działań konserwacyjnych. Służy do poprawy kondycji i niezawodności zasobów, skrócenia nieplanowanych przestojów i wspierania szybszego podejmowania decyzji opartych na danych w operacjach przemysłowych.

Wykorzystanie sztucznej inteligencji i modeli statystycznych do przewidywania przyszłych wydarzeń lub trendów w oparciu o dane historyczne.

Wykorzystanie sztucznej inteligencji do przewidywania, kiedy maszyny będą wymagały konserwacji lub napraw, na podstawie danych w czasie rzeczywistym.

Wykorzystanie sztucznej inteligencji do wykrywania defektów i zapewnienia, że produkty spełniają standardy jakości.

Rodzaj uczenia maszynowego, w którym nieprzeszkoleni agenci uczą się strategii poprzez kary i nagrody systemu po wykonanych czynnościach.

Aplikacje AI spełniające określone standardy etyczne i moralne.

Gałąź inżynierii i sztucznej inteligencji, która koncentruje się na projektowaniu, budowie i obsłudze robotów.

Wykorzystanie sztucznej inteligencji do analizy i interpretacji emocji i opinii wyrażanych w tekście lub mowie.

Sieć elektryczna wykorzystująca sztuczną inteligencję i inne zaawansowane technologie do optymalizacji wytwarzania, dystrybucji i zużycia energii elektrycznej.

Specjalistyczny sprzęt, taki jak jednostki przetwarzania grafiki (GPU) lub urządzenia brzegowe obsługujące przetwarzanie języka (LPU), to wschodzący trend w przemysłowej sztucznej inteligencji. Urządzenia te zapewniają wydajną moc obliczeniową na krawędzi, umożliwiając przetwarzanie algorytmów sztucznej inteligencji w czasie rzeczywistym. Ich integracja pozwala na równoległe przetwarzanie i przyspieszoną wydajność, co skutkuje szybszą realizacją złożonych zadań AI. To lokalne przetwarzanie zmniejsza opóźnienia i zależność od zasobów chmury, co czyni je kluczowym dla aplikacji wrażliwych na czas. Specjalistyczny sprzęt obsługuje również zaawansowane modele sztucznej inteligencji, co prowadzi do ulepszonych informacji i poprawy wydajności. Ponadto zmniejsza koszty, minimalizując zapotrzebowanie na rozbudowaną infrastrukturę chmurową i transfer danych.

Zdolność maszyn do rozpoznawania i interpretowania ludzkiej mowy.

Metoda uczenia się, w której modele uczenia maszynowego są szkolone za pomocą znakowanych (znanych) zestawów danych w celu przewidywania wyniku.

Optymalizacja przepływu towarów i materiałów w łańcuchu dostaw w celu obniżenia kosztów i poprawy wydajności. Sztuczna inteligencja jest często wykorzystywana do automatyzacji procesów, wykrywania nieefektywności, zapewnienia jakości towarów i prognozowania popytu.

Sztuczne dane generowane przez algorytmy, a nie zdarzenia w świecie rzeczywistym, które są wykorzystywane do szkolenia i walidacji modeli uczenia maszynowego. Jakość danych syntetycznych jest krytyczna. Określa, czy sztuczna inteligencja przyniesie akceptowalne wyniki po treningu.

Metoda uczenia się, w której modele uczenia maszynowego odkrywają wzorce i grupowania w danych, które są wcześniej nieznane (nieoznaczone).

Wirtualna rzeczywistość (VR) przedstawia cyfrowo renderowane środowisko, które może replikować rzeczywistą przestrzeń, stworzyć alternatywną rzeczywistość lub łączyć te dwie rzeczy. Użytkownik może eksplorować przestrzeń wirtualną z granic domu, biura lub fabryki.