Co sztuczna inteligencja może za nas zrobić?
Informacje ogólne
Kod przedmiotu: | 3700-AL-CSI-OG |
Kod Erasmus / ISCED: |
14.0
|
Nazwa przedmiotu: | Co sztuczna inteligencja może za nas zrobić? |
Jednostka: | Wydział "Artes Liberales" |
Grupy: |
Przedmioty oferowane przez Kolegium Artes Liberales Przedmioty ogólnouniwersyteckie humanistyczne Przedmioty ogólnouniwersyteckie na Uniwersytecie Warszawskim Przedmioty ogólnouniwersyteckie Wydziału "Artes Liberales" Przedmioty ogólnouniwersyteckie wystawiane przez Kolegium Artes Liberales |
Punkty ECTS i inne: |
3.00
|
Język prowadzenia: | polski |
Rodzaj przedmiotu: | ogólnouniwersyteckie |
Założenia (opisowo): | Studenci przynoszą na zajęcia własne laptopy lub tablety. |
Skrócony opis: |
Dostępność i rosnąca popularność narzędzi do zautomatyzowanego generowania tekstów i obrazów z wykorzystaniem narzędzi opartych na generatywnej sztucznej inteligencji (AI), przede wszystkim LLM takich jak np. ChatGPT, może prowadzić do nieuczciwych praktyk, zwłaszcza prezentowania tekstów wygenerowanych automatycznie jako prac własnego autorstwa. Zajęcia mają na celu praktyczne przygotowanie do wykorzystania dostępnych narzędzi generatywnych w sposób zgodny z dobrymi praktykami akademickimi i prawami autorskimi. |
Pełny opis: |
Dostępność i rosnąca popularność narzędzi do zautomatyzowanego generowania tekstów z wykorzystaniem narzędzi opartych na sztucznej inteligencji (AI), przede wszystkim ChatGPT, może prowadzić do nieuczciwych praktyk, zwłaszcza prezentowania tekstów wygenerowanych automatycznie jak prac własnego autorstwa. Zajęcia mają na celu praktyczne przygotowanie do wykorzystania dostępnych narzędzi generatywnych w sposób zgodny z dobrymi praktykami akademickimi. Wspomniane narzędzia można z powodzeniem wykorzystać do zautomatyzowania niektórych działań związanych z przygotowywaniem i pisaniem prac akademickich bez uciekania się do praktyk wątpliwych z punktu widzenia etyki i praw autorskich. Program zajęć: 1. Prezentacja wybranych najpopularniejszych narzędzi: ChatGPT, Chatsonic, Bloom, Jasper, YouChat, Chinchilla (pol. Szynszyla), Texta.AI, Character.AI, Rytr, PepperType, Perplexity. 2. Omówienie ogólnych zasad działania i ograniczeń LLM (large language models) wykorzystywanych w tych narzędziach. 3. Porównanie efektów działania narzędzi w zależności od języka (zakres i charakter korpusów językowych wykorzystywanych w uczeniu – „duże” korpusy, np. angielski, vs. „małe” korpusy, np. polski). 4. Praktyczna nauka pisania promtów (zapytań). 5. Analiza uzyskanych odpowiedzi – główne problemy: schematyczność, personalizacja odpowiedzi w oparciu o wcześniejsze interakcje z użytkownikiem, „halucynacje” (algorytmy sztucznej inteligencji i sieci neuronowe głębokiego uczenia generują wyniki, które nie są rzeczywiste, nie pasują do żadnych danych, na których algorytm był trenowany, ani do innego możliwego do zidentyfikowania wzorca). 6. Do czego warto wykorzystywać AI? a. automatyzacja niektórych zadań badawczych: przeszukiwanie baz tekstowych – prezentacja dostępnych narzędzi: ReadCube Papers AI, Scopus AI; b. wyszukiwanie i korygowanie błędów formalnych w aparacie naukowym (bibliografia, przypisy); 7. Do czego nie warto wykorzystywać AI? – twórcze elementy przygotowania tekstów. 8. Prezentacja i praktyczne wykorzystanie narzędzi do wykrywania tekstów generowanych automatycznie: OpenAI Classifier. |
Literatura: |
Mark Riedl, A Very Gentle Introduction to Large Language Models without the Hype, Medium, https://mark-riedl.medium.com/a-very-gentle-introduction-to-large-language-models-without-the-hype-5f67941fa59e Jay Alammar, How GPT3 Works – Easily Explained with Animations, https://www.youtube.com/watch?v=MQnJZuBGmSQ Ted Chiang, ChatGPT Is a Blurry JPEG of the Web, https://www.newyorker.com/tech/annals-of-technology/chatgpt-is-a-blurry-jpeg-of-the-web C. Thi Nguyen, Who Trains the Machine Artist?, https://dailynous.com/2020/07/30/philosophers-gpt-3/#nguyen Henry Shevlin, A Digital Remix of Humanity, https://dailynous.com/2020/07/30/philosophers-gpt-3/#shevlin Shannon Vallor, GPT-3 and the Missing Labor of Understanding, https://dailynous.com/2020/07/30/philosophers-gpt-3/#vallor |
Efekty uczenia się: |
Po ukończeniu zajęć, Student/ka zna i rozumie (K_W08, K_W09): - podstawowe zasady komunikacji naukowej w zakresie nauk humanistycznych, społecznych, przyrodniczych. - podstawowe zasady z zakresu prawa autorskiego. Student/ka potrafi (K_U01, K_U14): - selekcjonować oraz dokonać krytycznej oceny informacji pochodzących z różnych źródeł naukowych, popularnonaukowych, publicystycznych i innych - wykorzystywać narzędzia cyfrowe w pracy akademickiej Student/ka jest gotów/gotowa do (K_K03, K_K10, K_K11): - poznawania nowych metod badawczych. - szanuje etyczny wymiar badań naukowych. - respektuje prawa własności intelektualnej. |
Metody i kryteria oceniania: |
Podstawą zaliczenia będzie przygotowanie samodzielnych prac z wykorzystaniem AI w oparciu o praktyczne umiejętności przekazane podczas zajęć. |
Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)
Okres: | 2024-02-19 - 2024-06-16 |
Przejdź do planu
PN WT ŚR CZ KON
PT |
Typ zajęć: |
Konwersatorium, 30 godzin
|
|
Koordynatorzy: | Sebastian Szymański | |
Prowadzący grup: | Sebastian Szymański | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Konwersatorium - Zaliczenie na ocenę |
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Chemii.