Cel: Zdefiniowanie AI i wyjaśnienie jej podstawowych koncepcji.
Kluczowe zagadnienia:
Definicja AI (Sztuczna Inteligencja) – odróżnienie od robotyki.
Rodzaje AI: słaba (ANI) vs. silna (AGI) – przykłady zastosowań z życia codziennego (np. Netflix, Spotify, Asystent Google).
Jak "uczy się" maszyna? (Wprowadzenie do uczenia maszynowego – Machine Learning).
Podstawowe pojęcia: algorytmy, zbiory danych, sieci neuronowe (w uproszczeniu).
Zadanie dla uczniów: Zebranie 3-5 przykładów, w których AI wpływa na ich codzienne życie.
Cel: Pokazanie, jak AI wspomaga proces kodowania i jakie narzędzia są obecnie używane w branży.
Kluczowe zagadnienia:
GitHub Copilot i podobne narzędzia (np. Tabnine) – demonstracja działania w VS Code.
Generowanie kodu: Jak AI potrafi pisać funkcje, poprawiać składnię i sugerować następne linie kodu.
Optymalizacja i debugowanie: Wykorzystanie AI do znajdowania i sugerowania poprawek błędów (debugowania).
Zagrożenia i ograniczenia: Kwestie bezpieczeństwa, nadmierne poleganie na AI, konieczność weryfikacji kodu.
Zadanie dla uczniów: Przygotowanie krótkiego dema, gdzie AI pisze prostą funkcję (np. w JavaScript).
Cel: Zrozumienie, jak AI generatywna (Generative AI) wspiera projektowanie graficzne i UX/UI.
Kluczowe zagadnienia:
Generatory obrazów (np. Midjourney, DALL-E) – tworzenie grafik, ikon i tła do stron internetowych.
AI w projektowaniu UX/UI: Tworzenie makiet (wireframes) na podstawie opisu tekstowego, generowanie palet kolorów.
Przekształcanie pomysłów w prototypy: Jak AI skraca drogę od koncepcji do gotowego elementu wizualnego.
Kwestie praw autorskich do grafik generowanych przez AI.
Cel: Omówienie, jak AI jest wykorzystywana do zarządzania infrastrukturą IT.
Kluczowe zagadnienia:
Monitoring i diagnostyka: AI wykrywająca anomalie i potencjalne awarie w systemach operacyjnych i sieciach.
Automatyzacja zadań: Skrypty AI do automatycznego zarządzania zasobami, aktualizacjami i kopiami zapasowymi (backupami).
Bezpieczeństwo (Cybersecurity): Wykorzystanie AI do identyfikacji zagrożeń, ataków typu phishing i monitorowania ruchu sieciowego.
Predictive Maintenance (utrzymanie predykcyjne) – przewidywanie konieczności naprawy sprzętu.
Cel: Analiza roli AI w interakcjach z użytkownikiem (w kontekście tworzenia aplikacji webowych).
Kluczowe zagadnienia:
Chatboty vs. Asystenci Głosowi (np. Siri, Alexa) – różnice w działaniu.
Natural Language Processing (NLP): Jak AI rozumie ludzki język.
Zastosowania w web development: Boty obsługi klienta na stronach internetowych (customer support), personalizacja doświadczenia użytkownika.
Tworzenie prostego "Promptu" dla modelu językowego (jak zadawać pytania, żeby uzyskać najlepszą odpowiedź).
Cel: Krytyczne spojrzenie na wpływ AI na społeczeństwo i rynek pracy.
Kluczowe zagadnienia:
Bias (Uprzedzenia) w AI: Jak dane szkoleniowe mogą prowadzić do niesprawiedliwych decyzji (np. w rekrutacji).
Prywatność i ochrona danych: Jak AI zbiera i przetwarza ogromne ilości informacji.
Wpływ na rynek pracy: Czy AI "zabierze" pracę programistom i administratorom? (Konieczność przekwalifikowania się).
Odpowiedzialność za błędy popełnione przez sztuczną inteligencję.
Cel: Przedstawienie możliwości wykorzystania AI do personalizacji nauki i tworzenia materiałów.
Kluczowe zagadnienia:
Personalizacja ścieżki nauki: AI dostosowujące poziom trudności zadań do indywidualnych potrzeb ucznia.
Tworzenie materiałów: Wykorzystanie AI do generowania przykładów kodu, tworzenia testów i wyjaśniania skomplikowanych koncepcji.
Wirtualni Korepetytorzy: Narzędzia AI pomagające w rozwiązywaniu problemów 24/7.
Efektywne wykorzystanie AI do nauki informatyki: Jak AI może być "drugim mózgiem", a nie "protezą"