Data is the fuel of generative artificial intelligence

• Autorzy: Sokołowski Wojciech , Ficoń Krzysztof , Florczyk-Żółtowska Marzena

Identyfikatory

DOI

10.37055/slw/193858

Warianty tytułu

PL

Dane paliwem generatywnej sztucznej ineligencji

• Języki publikacji: EN

Abstrakty

EN

The aim of the article is to present the generative technology of artificial intelligence and a general analysis of its achievements and technological limitations. In turn, the hypothesis is as follows: data is the main factor ensuring the development of generative AI. The identified research niche includes stimulants of this development, the need to clarify the concept of generative AI and the indication of the most frequently used sources and methods of obtaining data. At the beginning, the concept and genesis of artificial intelligence were explained, which was necessary to move on to further considerations regarding the analyzed generative artificial intelligence. The self-learning mechanisms used by this type of artificial intelligence are discussed, consisting mainly in the analysis of specific data sets, thanks to which computers learn things that have not been known before. The advantages of generative artificial intelligence were also indicated, including increased productivity, greater efficiency and high creativity. Part of the attention was also paid to the limitations of this technology, including inaccurate and fuzzy output information, uncritical analyzes and often biased conclusions, copyright infringement and high requirements for memory and computing power of computers. Two factors have been identified that have recently stimulated the development of generative intelligence, i.e. the growing computing power of computers and easy access to large data sets. The main subject of considerations are large data sets, dynamically and uncontrollably self-replicating in Internet servers. Today, data resources are collected very efficiently, including: in Big Data, Cloud Computing and Internet of Things technologies, and their use is almost cost-free and publicly available. It was enough to improve the technology of artificial neural networks, expand multi-layer machine learning and create deep learning for generative intelligence to gain enormous momentum and become a symbol of the beginning of the 21st century. The whole investigation was summarized with a synthetic ending.

PL

Celem artykułu jest przybliżenie technologii generatywnej sztucznej inteligencji i ogólna analiza jej osiągnięć i ograniczeń technologicznych. Z kolei postawiona hipoteza brzmi następująco: dane są głównym czynnikiem zapewniającym rozwój generatywnej sztucznej inteligencji. Dostrzeżona nisza badawcza obejmuje stymulanty tego rozwoju, potrzebę doprecyzowania samego pojęcia generatywnej sztucznej inteligencji oraz wskazanie najczęściej wykorzystywanych źródeł i metod pozyskiwania danych. Na wstępie wyjaśniono pojęcie i genezę sztucznej inteligencji, co było niezbędne, żeby przejść do dalszych rozważań dotyczących analizowanej generatywnej sztucznej inteligencji. Omówiono mechanizmy samouczenia wykorzystywane przez ten rodzaj sztucznej inteligencji, polegające głównie na analizie określonych zbiorów danych, dzięki którym komputery uczą się od postaw rzeczy dotychczas nieznanych. Wskazano również zalety generatywnej sztucznej inteligencji, wśród których wymienić można zwiększoną produktywność, większą wydajność i dużą kreatywność. Cześć uwagi poświęcono także ograniczeniom tej technologii, są to między innymi niedokładne i rozmyte informacje wyjściowe, bezkrytyczne analizy i często stronnicze wnioski, czy naruszanie praw autorskich oraz wysokie wymagania w zakresie pamięci i mocy obliczeniowej komputerów. Wskazano dwa czynniki stymulujące w ostatnich czasach rozwój inteligencji generatywnej, tj. rosnące moce obliczeniowe komputerów oraz łatwą dostępność do wielkich zbiorów danych. Zasadniczym przedmiotem rozważań są wielkie zbiory danych, dynamicznie w sposób niekontrolowany samoreplikujące się w serwerach internetowych. Zasoby danych są dziś bardzo sprawnie gromadzone m.in. w technologii Big Data, Cloud Computing i Internet of Things, a ich użytkowanie jest prawie bezkosztowe i ogólnodostępne. Wystarczyło poprawić technologię sztucznych sieci neuronowych, rozszerzyć wielowarstwowe nauczanie maszynowe i stworzyć uczenie głębokie, aby inteligencja generatywna nabrała ogromnego tempa i stała się symbolem początków XXI wieku. Całość dociekań podsumowano syntetycznym zakończeniem.

Słowa kluczowe

EN

data; generative intelligence; artificial intelligence; neural networks; machine learning

PL

dane; inteligencja generatywna; sztuczna inteligencja; sieci neuronowe; uczenie maszynowe

• Wydawca: Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
• Czasopismo: Systemy Logistyczne Wojsk
• Rocznik: 2024
• Tom: Vol. 60, no. 1
• Strony: 199--216
• Opis fizyczny: Bibliogr. 33 poz., rys.

Twórcy

autor

Sokołowski Wojciech

• Faculty of Command and Naval Operations

• https://orcid.org/0000-0002-8238-6917

autor

Ficoń Krzysztof

• Faculty of Command and Naval Operations

• https://orcid.org/0000-0002-9153-474X

autor

Florczyk-Żółtowska Marzena

• Faculty of Command and Naval Operations

• https://orcid.org/0000-0002-6248-3373

Bibliografia

• [1] Albrzykowski, L., 2023. Uczenie maszynowe. Elementy matematyki w analizie danych.
• [2] Gliwice: Helion.
• [3] Ambrust, M., Fox, A., et al., 2010. A view of cloud computing. Communications of the AMC, 53(4).
• [4] Berry, M., Linoff, G.S., 2000. Mastering Data Mining. New York: Wiley.
• [5] Błażewicz, G., 2023. Marketing Automation. W kierunku sztucznej inteligencji i hieperpersonalizacji. Warsaw: PWN.
• [6] Oktawave 2024. Available at: https://oktawave.com/pl/blog/chmura-obliczeniowa/ [16 March 2024].
• [7] Adobe 2024. Available at: https://www.adobe.com/pl/products/firefly/discover/how-generative-ai-work.html [22 February 2024].
• [8] SAP 2024. Available at: https://www.sap.com/poland/products/artificial-intelligence/what-is-generative-ai.html [22 February 2024].
• [9] Dziembek, D., 2016. Cloud Computing – charakterystyka i obszary zastosowań w przedsiębiorstwach, [in:] Knosala, R., 2016. Innowacje w zarządzaniu i inżynierii produkcji. T.2., Opole: Oficyna Wydawnicza Polskiego Towarzystwa Zarządzania Produkcją (PTZP).
• [10] Ficoń, K., 2013. Sztuczna inteligencja nie tylko dla humanistów. Warsaw: BEL Studio.
• [11] Ficoń, K., Krasnodębski, G., 2018. Zastosowanie algorytmów sztucznej inteligencji do rozwiązania problemu komiwojażera. Gospodarka Materiałowa i Logistyka, 12/2018.
• [12] Ficoń, K., Sokołowski, W., 2023. Wykorzystanie komputerowych metod eksploracji danych i odkrywania wiedzy w zarządzaniu kryzysowym. Rocznik Bezpieczeństwa Morskiego, No. XVII/2023.
• [13] Gaza, M., 2013. Wykorzystanie potencjału chmury obliczeniowej w Europie. Warsaw: Ministerstwo Administracji i Cyfryzacji, Departament Informatyzacji.
• [14] Hand, D., Mannila, H., Smith, P., 2005. Eksploracja danych. Warsaw: WNT.
• [15] Hurbans, R., 2021. Algorytmy sztucznej inteligencji. Gliwice: Helion.
• [16] Kamiński, A., 2018. Inteligentna fabryka – nowe trendy w rozwoju systemów informatycznych dla przemysłu. Zarządzanie i Finanse, R. 16, 3/2.
• [17] European Commission, 2012. Wykorzystanie potencjału chmury obliczeniowej w Europie. Bruksela, dated 27.9.2012 COM(2012) 529 Final.
• [18] Lee, K.F., Qiufan, Ch., 2021. Sztuczna inteligencja 2041, Dziesięć wizji przyszłości. Poznań: Media Rodzina.
• [19] Lucey, T., 1991. Management Information System. London: DP Publications London Ltd.
• [20] Malucha, M., 2018. Internet rzeczy – kontekst technologiczny i obszary zastosowań. Studia i Prace, 54/2, 2018.
• [21] Miller, D., 2016. Internet rzeczy. Warsaw: PWN.
• [22] Moczydłowska, J. M., 2023. Przemysł 4.0 (?). Ludzie i technologie. Warsaw: Difin.
• [23] Moczydłowska, J.M., 2013. Przemysł 4.0. ludzie i technologie. Warsaw: Difin.
• [24] Pasieczny, L., 1981. Encyklopedia organizacji i zarządzania. Warsaw: PWE.
• [25] Penc, J., 1997. Leksykon biznesu. Warsaw: AW Placet.
• [26] Russell, S., Norvig, P., 2003. Artificial Intelligence: A Modern Approach, 2nd edition. Hoboken, New Jersey: Prentice Hall.
• [27] Szeliga, M., 2017. Data Science i uczenie maszynowe. Warsaw: PWN.
• [28] Szpor, G., Grochowski, L., 2021. Wielka Encyklopedia Prawa XXII Prawo informatyczne. Warsaw: Fundacja USII.
• [29] Szreder, M., 2015. Big Data wyzwaniem dla człowieka i statystyki. Wiadomości Statystyczne, 8.
• [30] Tadeusiewicz, R., 1993. Sieci neuronowe. Warsaw: AOW EXIT.
• [31] Tadeusiewicz, R., 2021. Archipelag sztucznej inteligencji. Warsaw: AOW EXIT.
• [32] Thagard, P., 1993. Computational Philosophy of Science. Cambridge, Massachusetts: The MIT Press.
• [33] Wodecki, A., 2021. Sztuczna inteligencja we współczesnych organizacjach. Warsaw: PWN.