🤯 Nowy ChatGPT, Musk, Microsoft Copilot, ale na spokojnie...wróćmy do podstaw

🗓 PONIEDZIAŁEK 06.11

Witaj w drugim wydaniu Horyzont.ai, Twojego kompasu w świecie sztucznej inteligencji.

Niezależnie, czy dopijasz poranną kawę czy już jesteś w biurze, nasz newsletter pomoże Ci nadążyć za nieustannymi nowościami w AI.

~Jakub i Oskar

🎯 W DZISIEJSZYM WYDANIU

• 🎓 AI od zera do zrozumienia: Powiązane dziedziny.

•  🥷 ✍🏻 Prompt Ninja: Few Shot i Zero Shot prompting

• 🤖 A.I. w praktyce: Excel+GPT (Automatyzacja, której potrzebujesz)

• 📚 Rekomendowana Biblioteka: Materiały dostępne online.

• 🗞 Wiadomości ze świata AI: Tydzień 30.10 - 05.11

🕓 Czas czytania: 4min 46s

📚 AI od zera do zrozumienia:

Zeszłotygodniowe wydanie zanurzyło nas w podstawy Uczenia Maszynowego (ML).

Dziś, zaczniemy od krótkiego quiz’u z ostatniej lekcji:

🎓 Wybierz swoją odpowiedź i wróć do dzisiejszej lekcji!

Przechodząc dalej…

oprócz zapoznania się z sztuczną inteligencją, warto również zaznajomić się (chociażby z nazwy), z kilkoma innymi tematami ściśle związanych z tą dziedziną.

Dlatego dzisiaj zgłębimy relacje oraz wzajemne powiązania pomiędzy:

a) Uczeniem Maszynowym (ML),

b) Głębokim Uczeniem (DL),

c) Nauką o Danych

d) Robotyką

a) Uczenie maszynowe jest poddziedziną sztucznej inteligencji, która z kolei znajduje się w obrębie informatyki.

Jednak te kategoryzacje mogą być nie do końca ścisłe, a niektóre aspekty uczenia maszynowego mogą być także zaliczane do dziedziny statystyki.

 ML skupia się na adaptacyjnych rozwiązaniach.

Jego esencja?

Systemy usprawniają wykonywanie zadań dzięki zdobytemu doświadczeniu lub większej ilości danych.

b) DL, będące podkategorią ML, zanurza się głębiej w złożoność modeli matematycznych, co umożliwiło dzięki nowoczesnej mocy obliczeniowej.

c) Nauka o Danych to zbiór praktycznych dyscyplin obejmujących ML i Statystykę, skoncentrowanych na ekstrakcji wiedzy z danych.

d) Robotyka to wyzwanie dla AI, łączące wszystkie jej aspekty, od rozpoznawania obrazu do interakcji z ludźmi, z ML jako kluczowym elementem rozwiązującym problemy AI w robotyce.

✍️ Twoje Ćwiczenie:

Taksonomia - klucz do zrozumienia zależności.

Używając poniższego diagramu Eulera, przedstaw relacje między:Sztuczną inteligencją, Uczeniem Maszynowym, Informatyką, Nauką o Danych i Uczeniem Głębokim.

🥷 ✍🏻 Prompt Ninja

Zrozumienie Zero-Shot i Few-Shot to klucz do skutecznej komunikacji z technologią przyszłości.

Warto zrozumieć, czym dokładnie są te koncepcje.

Zero-Shot:

• "Zero-Shot" odnosi się do sytuacji, w której model jest proszony o wykonanie zadania, do którego nie był specjalnie trenowany. W przypadku modeli językowych, jak GPT-4, oznacza to generowanie odpowiedzi na podstawie ogólnego treningu, bez konkretnych przykładów podanych w ramach promptu.

• Na przykład, jeśli zapytasz model o tłumaczenie zdania z języka angielskiego na francuski bez podawania wcześniejszych tłumaczeń, korzystasz z podejścia Zero-Shot.

  
  Przykładowe prompty:

• "Opisz, jak działa silnik spalinowy."

• "Stwórz krótki plan biznesowy dla kawiarni."

• "Podaj argumenty za i przeciw energii wiatrowej."

• "Napisz przemówienie na temat znaczenia edukacji."

• "Przetłumacz zdanie 'Life is beautiful' na język włoski."

W tych przykładach nie dostarczasz modelowi żadnych dodatkowych informacji, kontekstu czy przykładów. Model musi polegać wyłącznie na swojej wiedzy i zdolnościach nabytych podczas treningu.

Few-Shot:

• "Few-Shot" oznacza, że model otrzymuje kilka przykładów (lub "strzałów") przed właściwym zadaniem. Te przykłady mają pomóc modelowi zrozumieć oczekiwany kontekst i format odpowiedzi.

  Przykładowe prompty:

• "Przykład: Koty są zwierzętami domowymi. Psy są zwierzętami domowymi. Papugi są zwierzętami domowymi. Czy słonie są zwierzętami domowymi?"

• "Tłumaczenie: 'The sun is shining' to po francusku 'Le soleil brille'. 'It is raining' to po francusku 'Il pleut'. Jak przetłumaczysz 'I am learning' na język francuski?"

• "Rymy: 'Cat' rymuje się z 'hat'. 'Dog' rymuje się z 'fog'. Do czego rymuje się 'mouse'?"

• "Wiersz w stylu Szekspira: 'To be, or not to be, that is the question'. 'All the world's a stage, and all the men and women merely players'. Napisz kolejne dwa wersy w tym stylu."

• "Matematyka: 2 + 2 = 4. 5 - 3 = 2. Ile wynosi 8 * 7?"

W tych przykładach dostarczasz modelowi konkretne przykłady, które mają mu pomóc zrozumieć czego oczekujesz. Dzięki temu model ma lepsze wyobrażenie o kontekście i formacie odpowiedzi, co zazwyczaj prowadzi do bardziej precyzyjnych i spójnych odpowiedzi.

Które podejście jest lepsze? Zależy od sytuacji:

- Proste pytania ogólnej wiedzy:

Jeśli zadasz modelowi pytanie o powszechnie znane fakty, takie jak "Kto napisał Hamleta?", podejście Zero-Shot wystarczy. Model posiada ogólną wiedzę na ten temat i nie potrzebuje dodatkowych przykładów, aby dostarczyć odpowiedź.

- Specyficzne formatowanie lub styl:

Jeśli chcesz, aby model napisał odpowiedź w określonym stylu lub formacie, podejście Few-Shot jest bardziej odpowiednie. Na przykład, jeśli chcesz, aby model napisał wiersz w stylu romantycznym, podanie kilku wierszy z tego okresu jako przykładów pomoże modelowi zrozumieć oczekiwany ton i styl.

- Niejasne lub wieloznaczne pytania:

W przypadku pytań, które mogą mieć wiele interpretacji, podejście Few-Shot może pomóc w uszczegółowieniu odpowiedzi. Na przykład, jeśli zapytasz "Jakie są korzyści z jedzenia owoców?", model może dostarczyć ogólną odpowiedź. Ale jeśli najpierw podasz kilka przykładów korzyści zdrowotnych z jedzenia konkretnych owoców, a następnie zadasz to samo pytanie, odpowiedź modelu będzie bardziej spersonalizowana i szczegółowa.

- Zadania specjalistyczne:

Dla bardziej specjalistycznych pytań, takich jak "Jak działa równanie Naviera-Stokesa?", model może dostarczyć odpowiedź w podejściu Zero-Shot. Jednakże, jeśli chcesz bardziej szczegółowy opis z przykładami, podejście Few-Shot, w którym najpierw podajesz modelowi kilka podstawowych informacji o mechanice płynów, może być bardziej odpowiednie.

🤖 A.I. w praktyce | Porada Tygodnia:

Dzisiaj zdradzimy Ci sposób na zautomatyzowanie Twojego Excela, czyniąc go Twoim osobistym asystentem w przetwarzaniu danych.

Zamiast bawić się w manualne wprowadzanie formuł, pokażmy Excelowi, co chcemy osiągnąć w języku polskim.

Jest to możliwe dzięki znanemu wszystkim oraz lubianemu ChatGPT.

Przygotowanie ChatGPT:

Dzięki ChatGPT będziemy mogli pisać makra w naszym ojczystym języku.

Jak to działa?

Podajemy polecenie w języku polskim, a ChatGPT generuje za nas kod VBA.

Dla przykładu; chcesz posortować dane i stworzyć wykres?

Wykorzystaj prompt:

„Napisz makro VBA w Excelu do [cel]. Moje dane zaczynają się w linii x do linii x (licząc nagłówki) w następującej kolejności:

 [Wklej swoje nagłówki]

 Nazwa arkusza to [nazwa].”

Pzykład:

„Napisz makro VBA w Excelu do sortowania produktów według liczby sprzedaży i stworzenia wykresu słupkowego: Sprzedaż vs Produkt. Moje dane zaczynają się w linii 3 do linii 376 (licząc nagłówki) w następującej kolejności:

Nazwa produktu, Kategoria, Cena, Liczba sprzedaży

Nazwa arkusza to Arkusz1.”

Dzięki ChatGPT, otrzymujemy gotowy kod VBA.

1. Otwórz zakładkę Developer i kliknij Makra

   (jeśli jej nie widzisz, kliknij prawym przyciskiem myszy na Wstążkę → Dostosowanie Wstążki → Zaznacz Developer).

2. Nadaj nazwę makru, kliknij „Utwórz” i wklej kod VBA.

3. Kliknij „Uruchom” i... magia się dzieje! Excel sam wykonuje nasze zlecenia.

Kiedy uruchomisz makro, Excel automatycznie wykona wszystkie zadania opisane w pierwotnym zleceniu dla ChatGPT.

Arkusz przejmie pracę, pozwalając Ci definiować operacje w języku polskim.

 Wskazówka:

Dla błyskawicznego działania, użyj Windows Copilot, aby uniknąć przełączania między aplikacjami. Wprowadź swoje polecenie, wklej wygenerowany kod i ciesz się zautomatyzowanym Excellem!

📚 Biblioteka

1. Sztuczna Inteligencja: Nowe podejście

   Autorzy: Stuart Russell, Peter Norvig

   Podstawowe dzieło w dziedzinie sztucznej inteligencji, prezentujące szeroki zakres tematyczny od podstawowych koncepcji do zaawansowanych algorytmów.

   Dostęp online (PDF)

2. Pattern Recognition and Machine Learning

   Autor: Christopher M. Bishop

   Przystępny i wszechstronny podręcznik na temat rozpoznawania wzorców i uczenia maszynowego, który jest nieoceniony dla studentów i specjalistów w tej dziedzinie.

   Dostęp online (PFD)

3. A Few Useful Things to Know about Machine Learning

   Autor: Pedro Domingos

   Artykuł zawierający praktyczne wskazówki dotyczące uczenia maszynowego, które są pomocne w projektowaniu i implementacji skutecznych algorytmów.

   Podsumowanie online (Medium)

Jeśli masz jakieś ekscytujące pomysły lub projekty, śmiało się z nami skontaktuj, odpowiadając na ten email lub śledząc nas na

X: @JakubNorkiewicz

LinkedIn: @OskarKorszen

Twoja opinia napędza nas do ciągłego doskonalenia! Do zobaczenia w następnym wydaniu!

~Jakub I Oskar

Wiadomości z poprzedniego tygodnia z świata AI