07
Generatywna AI nie jest oddzielną dziedziną sztucznej inteligencji, lecz raczej jej poddziedziną, skoncentrowaną na tworzeniu nowych treści przy użyciu zaawansowanych modeli. Wywodzi się z głębokiego uczenia (deep learning) i przetwarzania języka naturalnego (NLP), ale jej zastosowania obejmują również inne dziedziny, takie jak generowanie obrazów, dźwięku czy danych.
08
Kwestia – Generatywna AI
Łamiąc bariery wyobraźni
09
Nie wiemy, która z dziedzin sztucznej inteligencji odegra najważniejszą rolę w dalszym rozwoju branży nieruchomości. Nie wiemy też, jaki będzie efekt końcowy dopasowywania się obu rzeczywistości - tej wirtualnej i realnej.
Nie wiemy, zarazem, która z nich będzie wpływała silniej na drugą, kształtując jej finalną formę Wiemy natomiast, że AI głęboko zmienia naszą rzeczywistość biznesową, a jej generatywna dziedzina, może przełamać barierę wyobraźni. Barierę, która wydaje się ograniczać nieruchomości, utrzymując ich tradycyjny charakter przez wieki.
10
11
Słowniczek:
Generatywna AI
Generatywna AI opiera się na algorytmach zdolnych do „uczenia się” wzorców z danych wejściowych i tworzenia nowych danych, które wydają się być autentyczne. Kluczowe technologie generatywnej AI to:
- Generative Adversarial Networks (GANs) – sieci rywalizujące, gdzie jedna sieć (generator) tworzy dane, a druga (dyskryminator) ocenia ich autentyczność.
- Transformery – architektury wykorzystywane w modelach językowych, takich jak GPT, do generowania tekstów i innych treści.
- Diffusion Models – używane m.in. do generowania obrazów, np. w modelach takich jak DALL-E.
12
Inne dziedziny sztucznej inteligencji
Sztuczna inteligencja to szerokie pole, które obejmuje wiele dziedzin i zastosowań. Poniżej przedstawiono najważniejsze obszary AI:
- Uczenie maszynowe (Machine Learning, ML)
- Opis: Technologia pozwalająca maszynom uczyć się na podstawie danych bez wyraźnego programowania.
- Przykłady: Systemy rekomendacji (np. Netflix, Amazon), analiza predykcyjna, klasyfikacja danych.
- Głębokie uczenie (Deep Learning)
- Opis: Poddziedzina uczenia maszynowego wykorzystująca wielowarstwowe sieci neuronowe do analizy dużych zbiorów danych.
- Przykłady: Rozpoznawanie obrazów (np. w medycynie), przetwarzanie języka naturalnego (np. tłumaczenia automatyczne).
- Przetwarzanie języka naturalnego (Natural Language Processing, NLP)
- Opis: Dziedzina zajmująca się interakcją między komputerami a ludzkim językiem.
- Przykłady: Chatboty, tłumaczenie maszynowe, analiza sentymentu w mediach społecznościowych.
- Wizja komputerowa (Computer Vision)
- Opis: Dziedzina zajmująca się analizą i interpretacją danych wizualnych (obrazów i wideo).
- Przykłady: Rozpoznawanie twarzy, autonomiczne pojazdy, diagnostyka medyczna na podstawie obrazów.
- Robotyka
- Opis: Zastosowanie AI do projektowania, sterowania i automatyzacji robotów.
- Przykłady: Roboty przemysłowe, drony, systemy opieki dla osób starszych.
- Systemy ekspertowe
- Opis: AI wykorzystujące reguły i wiedzę domenową do podejmowania decyzji.
- Przykłady: Diagnostyka medyczna, analiza finansowa.
- Sztuczna inteligencja w grach (Game AI)
- Opis: AI używana w projektowaniu przeciwników i rozgrywek.
- Przykłady: Algorytmy szachowe, dynamiczna trudność w grach wideo.
- Sztuczna inteligencja emocjonalna (Affective Computing)
- Opis: Dziedzina badająca, jak AI może rozpoznawać, interpretować i reagować na ludzkie emocje.
- Przykłady: Analiza emocji w rozmowach wideo, systemy wspierające zdrowie psychiczne.
- Sztuczna inteligencja w Internecie rzeczy (AIoT)
- Opis: Integracja AI z urządzeniami IoT, które zbierają i przetwarzają dane w czasie rzeczywistym.
- Przykłady: Inteligentne domy, systemy zarządzania energią.
Podział dziedzin AI w kontekście zastosowań biznesowych
Sztuczna inteligencja dzieli się także ze względu na zastosowania, takie jak:
- Predykcja i analiza danych: Narzędzia wspierające podejmowanie decyzji.
- Optymalizacja procesów: Automatyzacja logistyki, zarządzanie łańcuchem dostaw.
- Interakcje z klientami: Chatboty, personalizacja treści.
- Cyberbezpieczeństwo: Wykrywanie anomalii i zagrożeń.
Różnice między generatywną AI a innymi dziedzinami
- Generatywna AI koncentruje się na tworzeniu nowych danych, podczas gdy inne dziedziny, takie jak uczenie maszynowe czy wizja komputerowa, często skupiają się na analizie i interpretacji istniejących danych.
- Większość dziedzin AI jest ukierunkowana na rozwiązywanie problemów, podczas gdy generatywna AI dodaje wartość przez innowacje i kreatywność.
Generatywna AI stanowi więc część większej całości, jaką jest sztuczna inteligencja, uzupełniając inne dziedziny o unikalne możliwości, ale również współpracując z nimi w celu tworzenia nowych rozwiązań.
13
Nie powinniśmy mieć żadnych wątpliwości, że generatywna AI będzie coraz powszechniej wykorzystywanym narzędziem, o czym świadczą chociażby informacje płynące z Google i Microsoft.
Wspomniane marki ze względu na wykładniczy wzrost wykorzystania mocy obliczeniowej do celów AI, nie są już w stanie osiągnąć celów net 0 w obszarze emisji dwutlenku węgla."
Krzysztof Kogut
Okiem redakcji
Myślę, że nieruchomości będą ostatnimi ośrodkami poddającymi się w pełni realnemu formowaniu przez generatywną AI. Ich tradycyjna natura, ogromna bezwładność wynikająca z potężnych nakładów inwestycyjnych i wysiłku, jaki trzeba wkładać w ich powstanie i utrzymanie, oraz fizyczne ograniczenia, jeszcze długo oddzielać będa sferę wirtulaną od fizycznej. Nie znaczy to jednak, że generatywna AI nie wspiera i nie uczestniczy w doskonaleniu procesów z tego obszaru.
14
