Algokracja

Krzysztof Rybiński, Jarosław Królewski

Uzyskaj dostęp

Zakup książkę

ISBN/ISSN:

978-83-01-23019-7

DOI:

Wydawnictwo:

Wydawnictwo Naukowe PWN

Rok wydania:

2023

Liczba stron:

305

XML:ISBN/ISSN:

ONIX MARC21

Bibliografia:

Rybiński, Krzysztof; Królewski, Jarosław. Algokracja. Red. . Warszawa: Wydawnictwo Naukowe PWN, 2023, 305 s. ISBN 978-83-01-23019-7

Bibliografia refWorks:

RT Book, Whole

SR Electronic(1)

A1 Rybiński, K.

A1 Królewski, J.

T1 Algokracja

PB Wydawnictwo Naukowe PWN

PP Warszawa

YR 2023

SN 978-83-01-23019-7

Bibliografia BibTex:

@Book{ 290046, author = "Rybiński, Krzysztof and Królewski, Jarosław", editor = "", title = "Algokracja", publisher = "Wydawnictwo Naukowe PWN", year = "2023", address = "Warszawa", isbn = "978-83-01-23019-7" }

Bibliografia endNote:

TY - BOOK

AU - Rybiński, Krzysztof

AU - Królewski, Jarosław

ED -

TI - Algokracja

PB - Wydawnictwo Naukowe PWN

CY - Warszawa

PY - 2023

SN - 978-83-01-23019-7

ER -

Netografia (standard APA):

Rybiński, Krzysztof; Królewski, Jarosław. Algokracja [baza danych online] Warszawa: Wydawnictwo Naukowe PWN, 2023 [dostęp: 18 08 2024]. Dostęp w Ibuk Libra: https://libra.ibuk.pl/reader/algokracja-krzysztof-rybinski-jaroslaw-290046.

sztuczna inteligencja, algorytmy, nowe technologie, algokracja

Żyjemy w ekstremalnie ciekawych i ambitnych czasach. Jest to moment historii, w którym nigdy tak wiele rzeczy nie było na wyciągnięcie ręki. Jednocześnie żyjemy w czasach, w których nigdy tak wiele zadań nie powierzaliśmy maszynom (…). Techn...

Więcej

ISBN/ISSN:

978-83-01-23019-7

DOI:

Wydawnictwo:

Wydawnictwo Naukowe PWN

Rok wydania:

2023

Liczba stron:

305

XML:ISBN/ISSN:

ONIX MARC21

O Autorach11
Wstęp, czyli dlaczego napisaliśmy tę książkę13
1. Jak to działa25
Podstawowe pojęcia25
Uczenie maszynowe28
2. Podstawowe modele data science33
Regresja liniowa pomaga w wyborze wina33
Drzewa decyzyjne pozwalające ocenić ryzyko kredytowe47
Jakie lekcje powinien wyciągnąć dyrektor marketingu z nalotów aliantów podczas II wojny światowej53
Naiwny klasyfikator Bayesa uwalnia nas od spamu58
Uczenie maszynowe nienadzorowane60
3. Głębokie uczenie maszynowe67
Jak sztuczna inteligencja powstrzymała złodziei papieru toaletowego w Chinach68
Dlaczego dopiero teraz nastąpił rozwój sztucznej inteligencji69
Jak działają algorytmy głębokiego uczenia się – przykład uczenia nadzorowanego70
Jak stosować głębokie uczenie się w praktyce76
4. Czy komputer może działać jak ludzki mózg, czyli uczenie ze wzmocnieniem81
Jak ludzki mózg stosuje mechanizm nagród w procesie uczenia się81
Nagrody, czyli o tym, jak działają algorytmy uczenia ze wzmocnieniem83
Eksploracja versus eksploatacja i Q-uczenie się86
Zastosowania algorytmów uczenia się ze wzmocnieniem90
5. Jak komputer nauczył się rozumieć ludzką mowę, czyli gra w 300 pytań93
Od cyfr, przez kompilatory, do rozumienia języka naturalnego93
Jak słowa stają się wektorami liczb, które komputer rozumie95
Zastosowania biznesowe98
6. Jak przeczytaliśmy ze zrozumieniem 180 tysięcy artykułów o nowych technologiach w kilka minut101
7. Internet rzeczy i uczenie maszynowe107
Rolls-Royce, doskonałość produkcji i obsługi dzięki big data science107
Jak rzeźnik wykorzystał internet rzeczy i uczenie maszynowe do budowy siły marki i wzrostu sprzedaży109
Przyszłość IoT110
8. Wpływ sztucznej inteligencji na gospodarkę i rynek pracy113
Prognozy wpływu sztucznej inteligencji na rynek pracy113
9. Czy Chiny wyprzedzą Stany Zjednoczone w obszarze sztucznej inteligencji139
Sztuczna inteligencja została uznana w Chinach za kluczową technologię przyszłości140
Dane jako paliwo napędzające rozwój sztucznej inteligencji142
Najbardziej konkurencyjny na świecie ekosystem start-upów142
10. System scoringu społecznego w Chinach, czyli jak powstaje algokracja – nowy system społeczno-polityczny oparty na big data i sztucznej inteligencji145
Bardziej egalitarne społeczeństwo151
Promowanie moralnie pożądanych postaw151
Wzrost transparentności życia publicznego i społecznego152
Wolność w algokracji153
Główne ryzyko algokracji, czyli informatyczny demiurg154
11. Czy i kiedy pojawi się superinteligencja157
Typy sztucznej inteligencji157
Scenariusze dla świata rządzonego przez sztuczną superinteligencję161
Inteligencja zespołowa163
Sztuczna inteligencja i płynna demokracja173
12. Jakie zagrożenia niesie ze sobą uczenie maszynowe i sztuczna inteligencja177
Uczenie maszynowe powiększa nierówności rasowe i płci178
Ocena parametryczna nauczycieli oparta na big data eliminuje wspaniałych pedagogów180
Algorytmy promują niemoralne zachowania na wielką skalę181
Algorytmy napędzają kryzys w szkolnictwie wyższym182
Co z tego wynika183
13. Wolność – czyli o tym, jaki będzie główny wpływ sztucznej inteligencji na modele biznesowe i na człowieka185
Zdolność do budowania piaskownicy i zgodnego bawienia się w niej z innymi188
Umiejętność tworzenia i stosowania modeli XaaS191
Apifikacja kultury korporacyjnej192
14. Praktyczne zastosowania sztucznej inteligencji i uczenia maszynowego197
Funkcje wewnętrzne i administracyjne198
Zarządzanie zasobami ludzkimi202
Analityka biznesowa203
Marketing205
Rozwój oprogramowania205
Nowe modele biznesowe216
Firmy rozwijające sztuczną inteligencję i uczenie maszynowe w Polsce217
15. Big data. Dlaczego inwestycja w infrastrukturę AI jest kluczowa221
Fundamenty221
Kluczowe wyzwania architektury ekosystemu big data224
Umysł człowieka a infrastruktura AI226
Podstawowe elementy nowoczesnej architektury infrastruktury big data i AI230
Kluczowe założenia w przygotowaniu odpowiedniej infrastruktury danych232
16. Ucieczka w przyszłość – jak automatycznie modelować dane behawioralne235
Jakich rezultatów powinniśmy wymagać od nowoczesnej architektury dla rozwiązań z zakresu sztucznej inteligencji235
Nienadzorowane uczenie maszynowe w czasie rzeczywistym na dużą skalę237
Kultura MLOps239
Praca nad budową modelu AI, jego trenowanie i ewaluacja240
Narzędzia automatyzujące pracę data scientistów242
Kluczowe kompetencje zespołu data science stanowiące wewnętrzny „know-how”243
Systemy czasu rzeczywistego i ich ograniczenia243
Odkrywanie nowych zastosowań biznesowych AI244
17. Internet zdecentralizowany a sztuczna inteligencja245
18. Wywiady z ekspertami251
Deep tech. GPT-3. AGI. Kiedy AI przekroczy możliwości człowieka. Rozmowa ze sztuczną inteligencją stworzoną przez OpenAI251
Dzisiaj w firmach obowiązuje zasada „przede wszystkim klient” (client first). Jutro najważniejszą zasadą będzie „przede wszystkim dane” (data first). Rozmowa z Jackiem Dąbrowskim, Chief AI Officer, Synerise255
O tym, jak internet rzeczy zwiększa efektywność firm i satysfakcję klientów, ale także prowadzi do powstania pokolenia D. Rozmowa z Aleksandrem Poniewierskim, partnerem i globalnym leaderem internetu rzeczy w EY260
Zakończenie271
Appendix: Najciekawsze przykłady zastosowania sztucznej inteligencji w praktyce275
Lista zawodów, które znikną z powodu rozszerzania się wpływu sztucznej inteligencji283
Lista rysunków, tabel i wykresów285
Spis organizacji zajmujących się AI na świecie289
Najważniejsze konferencje AI na świecie291
Literatura293
O partnerze wydania299

Wtymrozdziale,wprowadzającymdotematykiuczeniamaszynowegoisztucznejinteli-

gencji,przedstawimyjeszczedwakluczoweterminy,związanezmechanizmemuczeniasię

komputerów.Touczenienadzorowane,zwaneteżuczeniemznadzorcąlubznauczycielem

(ang.supervisedlearning),iuczenienienadzorowane(ang.unsupervisedlearning).

Uczenienadzorowane–najpopularniejszemodelewykorzystywanewdatascience,

czyliregresjaliniowairegresjalogistycznatoprzykładyuczenianadzorowanego.Wtym

typieuczeniamamydaneopisującecechę/wartość,którąjesteśmyzainteresowani(zdolność

kredytowa,predyspozycjedozachorowanianarakadanejosoby),orazzestawczynników/atry-

butów,któremogąbyćpomocnewprognozowaniuinteresującejnascechy(np.dladiagnozy

rakamogątobyćinformacjeowystępowaniurakawrodzinie,wiek,palenietytoniuitd.).

Modelwykorzystujeobatypydanych,czylicechę,któranasinteresuje,izestawatrybutów

doznalezieniazależnościmiędzycechąaatrybutami.Następniewyuczonymodelstosuje

siędoformułowaniaprognozwystąpieniatejcechy(ryzykozachorowanianaraka)uinnych

osób,dlaktórychmamydostępnytylkozestawatrybutów.

Uczenienienadzorowane–wuczeniunienadzorowanymniemamydanychopisujących

interesującąnascechęalboproblem,zktórymmamydoczynienia,niepoleganaprzewi-

dzeniuwystąpieniadanejcechy/wartości(zdolnościkredytowej,właściwejcenyproduktu,

prawdopodobieństwazachorowanianaraka).Możemynaprzykładbyćzainteresowani

pogrupowaniemklientówczyproduktówwedługpewnychcharakterystyk.Siećhandlowa

możebyćzainteresowanaokreśleniemproduktów,któresączęstokupowanewramach

tegosamegokoszyka.Firmye-commercemogąbyćzainteresowaneokreśleniemgrupy

(klastra)klientów,którzymająpodobneupodobania,abylepiejdopasowaćrekomendacje

idziałaniamarketingowe.Wminionychkilkulatachbardzopopularnesązastosowaniasieci

neuronowychdonauczeniakomputerówczynnościtypowychdlaludzi,gdziestosujesię

uczenienienadzorowanezewzmocnieniem(tzw.reinforcementlearning),czemupoświęcimy

oddzielnyrozdziałtejksiążki.

Różnicęmiędzyuczeniemnadzorowanyminienadzorowanymdobrzeintuicyjnieopisuje

sposób,wjakiucząsiędzieci.Naprzykładjeżelimamawyjaśnikilkuletniejcórce,żeogień

jestbardzogorącyinienależygodotykać,tomamyprzykładuczeniasięnadzorowanego,

znauczycielem.Jeżelidzieckosamosięoparzyipoczujeból,towówczasmamydoczynienia

zuczeniemnienadzorowanym.

Gdykierowcanieznającywszystkichprzepisówwkraju,przezktóryakuratprzejeżdża,

dostaniemandatzaprzekroczenieprędkości,wówczasdziałamechanizmnagródikar,któ-

ryjestkluczowywnajnowszychalgorytmachsztucznejinteligencji.Doskonały,azarazem

intuicyjnyprzykładtorównieżautonomicznesamochody.Niejestmożliwestworzeniemap

ibazdanychzewszystkimimożliwymisytuacjaminadrodze,programkomputerowy

musisamsięnauczyć,jakrozpoznaćpieszego,którynaglepojawisięnadrodze.

Człowiekuczysiębardzoszybko.Wystarczy,żekierowcaprzekraczającyprędkość

wkraju,przezktóryprzejeżdża,dostaniejedenmandat,ijuż(teoretycznie)nauczysięjeź-

dzićzgodniezprzepisami.Żebynauczyćkomputertegosamego,musiondostać10tysięcy

mandatów.Sceptycyuważają,żedopókinieporadzimysobieztymproblemem,stworzenie

uniwersalnejsuperinteligencjiniebędziemożliwe.Alepowstająjużnowemodele,które

znacznieograniczająliczbęprzykładówpotrzebnychdonauczeniamodelu.

Podstawowepojęcia

Brak wyników

Algokracja

Treść książki

Znajdź bibliotekę blisko siebie, i uzyskaj dostęp do ebooka w systemie IBUK Libra