Introduction to AI 2400-MIKRO-AIBF-IIA

Kurs wprowadza uczestników w podstawowe pojęcia, praktyczne zastosowania oraz szersze konsekwencje rozwoju sztucznej inteligencji. Został podzielony na trzy wzajemnie powiązane bloki, łączące wyjaśnienia teoretyczne, przykłady oparte na badaniach naukowych, dyskusję oraz ćwiczenia praktyczne.
Pierwszy blok rozpoczyna się wprowadzeniem do sztucznej inteligencji, modeli językowych i modeli bazowych (fundamentalnych). Uczestnicy poznają sposób, w jaki współczesne modele językowe przetwarzają informacje, generują odpowiedzi oraz dostosowują swoje wyniki do kontekstu przekazanego przez użytkownika. Formułowanie promptów przedstawiane jest jako metoda wprowadzania modelu w tymczasowy stan dostosowany do konkretnego zadania, który może być kształtowany i kontrolowany za pomocą instrukcji, kontekstu i przykładów.
Uczestnicy poznają różne techniki formułowania promptów, w tym prompting zero-shot i few-shot, meta-prompting, prompting wykorzystujący tok rozumowania, self-ask prompting oraz prompting iteracyjny. Każda z technik jest omawiana z uwzględnieniem jej celu, mocnych stron i ograniczeń. Przedstawiane są również wyniki badań wskazujące, w jakich sytuacjach poszczególne podejścia zwykle poprawiają jakość odpowiedzi, a kiedy mogą okazywać się mniej wiarygodne. Ćwiczenia praktyczne umożliwiają uczestnikom testowanie różnych sposobów formułowania poleceń, porównywanie odpowiedzi modelu oraz udoskonalanie promptów w kolejnych iteracjach.
Drugi blok koncentruje się na wykorzystaniu sztucznej inteligencji w programowaniu i pracy analitycznej. Uczestnicy poznają OpenAI Codex jako agentowe środowisko programistyczne wspierające tworzenie, organizowanie i modyfikowanie skryptów analitycznych. Na podstawie wspólnego zbioru danych oraz zestawu podstawowych pytań analitycznych konfigurują środowisko na własnych komputerach i wykorzystują poznane techniki promptowania do generowania kodu w języku R.
Kod wygenerowany przy wsparciu AI jest następnie uruchamiany i weryfikowany w RStudio. Taki sposób pracy podkreśla różnicę pomiędzy samym wygenerowaniem kodu a uzyskaniem poprawnego wyniku analitycznego. Od uczestników oczekuje się analizy przygotowanych skryptów, identyfikowania potencjalnych błędów, oceny przyjętych założeń oraz sprawdzania, czy uzyskane wyniki odpowiadają na pierwotnie postawione pytanie analityczne.
W ramach tego bloku omawiana jest również gramatyka grafiki oraz podstawowe zasady wizualizacji danych w ggplot2. Uczestnicy uczą się, w jaki sposób dane, mapowania estetyczne i warstwy graficzne są łączone w celu tworzenia wizualizacji. Szczególną uwagę poświęca się wyborowi odpowiedniej formy graficznej, przejrzystemu przedstawianiu informacji oraz zapewnieniu, że wizualizacja przekazuje sensowną i zgodną z danymi opowieść analityczną. Podczas warsztatu praktycznego uczestnicy wykorzystują Codex i RStudio do tworzenia, uruchamiania i udoskonalania własnych procesów analitycznych i wizualizacyjnych.
Trzeci blok poświęcony jest etycznym, prawnym i społecznym aspektom sztucznej inteligencji. Omawiane zagadnienia obejmują koszty środowiskowe związane z trenowaniem i użytkowaniem systemów AI, rozróżnienie pomiędzy wspomaganiem człowieka a jego zastępowaniem, manipulacyjne i nieuczciwe sposoby wykorzystywania AI, złośliwe i adwersarialne ataki oraz odpowiedzialność za decyzje i rezultaty powstające przy wsparciu systemów sztucznej inteligencji.
Kurs obejmuje także zagadnienia związane z prywatnością i ochroną danych osobowych, wykorzystywaniem materiałów chronionych prawem autorskim podczas trenowania modeli oraz własnością i statusem prawnym treści generowanych przez AI. Uczestnicy są zachęcani do rozważania nie tylko tego, co systemy AI potrafią zrobić, lecz także tego, kto ponosi odpowiedzialność za ich wykorzystanie oraz wynikające z niego konsekwencje.
Końcowa część kursu koncentruje się na podejściu human-in-the-loop oraz krytycznym myśleniu. Uczestnicy dyskutują o obszarach, w których weryfikacja przez człowieka pozostaje niezbędna, oraz o tych, w których może stać się jedynie formalnym wymogiem. Rozważają również, w jaki sposób odpowiedzialność powinna być dzielona pomiędzy ludzi i systemy automatyczne. Analizują, jak wykorzystywać AI do wspierania rozumowania bez jego zastępowania oraz jak utrzymać i rozwijać zdolności analityczne, twórcze i krytyczne w środowisku, w którym sztuczna inteligencja coraz częściej wykonuje zadania dotychczas realizowane przez człowieka.
Jednym z kluczowych pytań przewijających się w tej części kursu jest sposób wykorzystywania czasu zaoszczędzonego dzięki AI. Uczestnicy są zachęcani do traktowania wzrostu efektywności jako okazji do pogłębionej interpretacji, weryfikacji i refleksji, a nie wyłącznie jako sposobu na zwiększanie liczby wykonywanych zadań.

Projekt Application of Artificial Intelligence in Business and Finance (nr BPI/SPI/2024/1/00078) realizowany przez Uniwersytet Warszawski w ramach programu Spinaker organizowanego przez Narodową Agencję Wymiany Akademickiej (w ramach projektu Wsparcie tworzenia i realizacji międzynarodowych programów kształcenia, finansowanego ze środków Funduszy Europejskich dla Rozwoju Społecznego 2021-2027).