Czy do zrozumienia AI trzeba znać matematykę?

Do świadomego korzystania i oceny wdrożeń - nie. Do budowania i strojenia modeli - tak, przede wszystkim algebrę liniową, rachunek prawdopodobieństwa i podstawy analizy.

Ile danych potrzeba, żeby wytrenować model?

Od setek przykładów przy dostrajaniu gotowego modelu do milionów przy trenowaniu od zera. Dziś prawie zawsze zaczyna się od modelu wstępnie wytrenowanego - to skraca drogę o rzędy wielkości.

Czy model może być obiektywny?

Nie w sensie absolutnym. Model odzwierciedla dane, na których się uczył, a te powstały w konkretnym kontekście społecznym. Można mierzyć i ograniczać obciążenia, ale nie da się ich całkowicie usunąć - dlatego przy decyzjach dotyczących ludzi wymagany jest nadzór człowieka.

Słownik AI

Uczenie maszynowe

machine learning

Podejście, w którym algorytm sam wyszukuje zależności w danych, zamiast wykonywać reguły napisane przez człowieka.

Uczenie maszynowe to dziedzina, w której zamiast programować reguły, dostarcza się algorytmowi przykłady, a on sam odkrywa w nich zależności. Wynikiem jest model - zestaw parametrów pozwalający ocenić nowe przypadki.

Trzy główne rodzaje

Nadzorowane - dane zawierają poprawne odpowiedzi. Stąd klasyfikacja i regresja.
Nienadzorowane - dane bez etykiet; algorytm szuka struktury, np. grupuje podobne przypadki.
Ze wzmocnieniem - model uczy się przez działanie i otrzymywane nagrody.