AI kl 3

Tematy do opracowania

1. Podstawy AI: Od Alana Turinga do Uczenia Maszynowego (ML) 💡 MM

• Zagadnienia: Definicja AI, historia (test Turinga, wczesne koncepcje), różnica między Sztuczną Wąską Inteligencją (ANI) a Sztuczną Ogólną Inteligencją (AGI).

• Kluczowe Pojęcia: Algorytm, Heurystyka, Uczenie Nadzorowane/Nienadzorowane/Wzmacniające (Supervised/Unsupervised/Reinforcement Learning).

• Cel: Ugruntowanie wiedzy o tym, czym AI jest i czym nie jest, oraz wprowadzenie fundamentalnej terminologii.

2. Architektura Neuronowa: Jak Działają Sieci i Deep Learning? 💻 BD

• Zagadnienia: Koncepcja neuronów biologicznych jako inspiracji, budowa sztucznej sieci neuronowej (ANN) – warstwy, wagi, funkcje aktywacji. Wprowadzenie do Deep Learning (DL) i jego przewagi.

• Przykłady Sieci: Krótkie omówienie Konwolucyjnych Sieci Neuronowych (CNN) dla obrazów i Rekurencyjnych Sieci Neuronowych (RNN/LSTM) dla sekwencji (tekst, czas).

• Cel: Wyjaśnienie mechanizmów działania współczesnej AI, ze szczególnym uwzględnieniem algorytmów stosowanych w praktyce.

3. Zarządzanie Danymi w Projekcie AI: Etyka, Przygotowanie i Bias 🗃️ AA

• Zagadnienia: Rola zbioru danych (dataset) – czyszczenie, normalizacja i podział (treningowy, walidacyjny, testowy). Problem tendencyjności (bias) w danych i jego wpływ na wyniki AI.

• Aspekt Etyczny: Konieczność anonimizacji, RODO a dane treningowe, odpowiedzialność za błędne decyzje podjęte przez model.

• Cel: Uświadomienie, że jakość danych i ich przygotowanie to fundament każdego projektu ML, a programista ponosi odpowiedzialność za eliminowanie stronniczości.

4. AI w Twoim Kodzie: Wykorzystanie Bibliotek ML (np. TensorFlow/PyTorch) 🐍 PW

w

• Zagadnienia: Praktyczne aspekty implementacji AI. Omówienie dostępnych narzędzi i bibliotek (np. TensorFlow.js dla Front-endowców, Scikit-learn lub PyTorch dla Back-endowców).

• Ćwiczenie Praktyczne: Proste ćwiczenie z wykorzystaniem gotowego modelu (np. klasyfikacja obrazu lub regresja) w języku Python lub JavaScript, pokazujące proces ładowania i użycia modelu.

• Cel: Przejście od teorii do praktyki – pokazanie, jak łatwo można integrować gotowe rozwiązania AI w aplikacjach.

5. Generatywna AI i LLM: Rewolucja w Tworzeniu Treści ✍️ JS

• Zagadnienia: Wprowadzenie do Generatywnej Sztucznej Inteligencji (Generative AI) – modele do tekstu, obrazu, kodu. Budowa i działanie Dużych Modeli Językowych (LLM), takich jak GPT.

• Zastosowanie: Wykorzystanie AI do wspomagania kodowania (np. Copilot), generowania dokumentacji, czy prototypowania treści.

• Cel: Zrozumienie narzędzi, które już teraz zmieniają pracę programisty i jak efektywnie je wykorzystać.

6. AI w Systemach Operacyjnych i Infrastrukturze IT ⚙️OV

• Zagadnienia: Zastosowanie ML w zarządzaniu zasobami (np. optymalizacja przydziału pamięci/procesów), bezpieczeństwie (detekcja anomalii, rozpoznawanie intruzów) oraz optymalizacji wydajności serwerów.

• Przykłady: AI jako element systemów antywirusowych lub systemów zarządzania kontenerami (Kubernetes).

• Cel: Pokazanie, że AI to nie tylko aplikacje webowe, ale kluczowy element "pod maską" każdego nowoczesnego środowiska IT.

7. Wdrażanie Modelu ML do Produkcji: MLOps i Scalability 🚀ZT

• Zagadnienia: Proces MLOps (Machine Learning Operations) – różnica między modelem w notatniku (Jupyter) a modelem działającym na serwerze 24/7. Wdrażanie modelu jako RESTful API (np. z użyciem Flask/Node.js).

• Wyzwania: Skalowanie, monitorowanie, aktualizacja modeli.

• Cel: Przygotowanie uczniów na realia pracy inżynierskiej, gdzie stworzenie modelu to tylko początek. Pokazanie, jak model AI staje się usługą sieciową.

8. Przyszłość Programisty w Erze AGI: Ryzyka, Szanse i Etyka Zawodu 🔮DG

• Zagadnienia: Długoterminowe perspektywy AI – dyskusja o Sztucznej Ogólnej Inteligencji (AGI). Jak AI zmieni rynek pracy i zawód programisty (wzrost znaczenia inżyniera promptów, architekta systemów AI).

• Dylematy Etyczne: Problem "czarnej skrzynki" (brak pełnej transparentności działania modelu), autonomiczne systemy decyzyjne.

• Cel: Zainspirowanie do krytycznego myślenia o przyszłości i etycznej odpowiedzialności, która spoczywa na twórcach tej technologii.

• 
  

9. Mroczna strona AI      PW

Tematy zostały wygenerowane przy użyciu AI Gemini 3.0

OCENA:

• Rzetelność Merytoryczna (Poprawność): Informacje muszą być poprawne, aktualne i zgodne z dokumentacją technologiczną. Unikaj błędów w definicjach i faktach.

• Dogłębność Techniczna (Eksperckość): Wyjaśnij mechanizmy działania (np. architekturę sieci, zasady MLOps), a nie tylko definicje. Pokaż, że rozumiesz, jak to działa.

• Wnioski dla Programisty: Wyjaśnij znaczenie omawianego zagadnienia dla Twojej przyszłej pracy jako programisty (np. jakie biblioteki użyć, na co uważać w kodzie).

• Przykłady Praktyczne: Przedstaw minimum 3 konkretne, rzeczywiste zastosowania lub przykłady implementacji omawianej technologii AI.

• Jakość Wizualna Slajdów: Używaj diagramów, schematów i wizualizacji. Slajdy muszą być czytelne, estetyczne i wspierać, a nie zastępować, Twoją mowę.

• Klarowność Wyjaśnień: Tłumacz trudne koncepcje w prosty, zrozumiały sposób, np. używając trafnych analogii, aby dotrzeć do każdego w klasie.

• Struktura Wystąpienia: Prezentacja musi mieć jasny wstęp (cel), rozwinięcie (treść) i podsumowanie (kluczowe wnioski).

• Pewność i Styl Prezentacji: Utrzymuj kontakt wzrokowy, mów głośno, wyraźnie i z pewnością. Unikaj czytania tekstu ze slajdów.

• Odpowiedzi na Pytania (Interakcja): Udzielaj wyczerpujących i poprawnych odpowiedzi na pytania zadane przez nauczyciela i publiczność po zakończeniu prezentacji.

• Zarządzanie Czasem i Oryginalność: Zmieść się w wyznaczonym limicie czasowym i dodaj jeden element wyróżniający Twoje wystąpienie (np. krótki live-demo, ciekawa dyskusja lub niebanalna grafika).