Invatare Atomica

Ce este Inteligenta Artificiala?

Progres lectie:
0%
🎯

Obiectivul lectiei

Vei intelege ce este inteligenta artificiala, cum functioneaza la nivel conceptual, care sunt tipurile sale si cum interactionezi responsabil cu sistemele AI — inclusiv cu modelele de limbaj mari (LLM).

Dupa aceasta lectie vei putea:

  • Sa definesti inteligenta artificiala si sa o diferentiezi de gandirea umana
  • Sa explici ce este invatarea automata (Machine Learning) si de ce difera de programarea clasica
  • Sa enumeri si sa descrii cele 4 tipologii AI: clasificare, recomandare, predictie, generare
  • Sa explici ce este un LLM (Large Language Model) si cum functioneaza conceptual
  • Sa identifici riscuri (bias, autonomie excesiva) si sa aplici gandire critica in interactiunea cu AI

Incearca singur!

Provocare:

Gandeste-te la trei aplicatii pe care le folosesti zilnic (ex: YouTube, Spotify, Google Maps). Scrie pe scurt ce crezi ca face fiecare cu datele tale si cum iti ofera rezultate personalizate.

💡 Ai nevoie de un indiciu?

Fiecare dintre aceste aplicatii foloseste AI. YouTube analizeaza istoricul tau de vizionare si recomanda videoclipuri similare. Spotify invata gusturile tale muzicale. Google Maps prezice traficul pe baza datelor de la milioane de soferi.

Toate acestea sunt exemple de inteligenta artificiala aplicata — sisteme care invata din date pentru a lua decizii.

1

1. Ce este Inteligenta Artificiala?

Inteligenta artificiala (AI) este domeniul informaticii care studiaza crearea de sisteme capabile sa realizeze sarcini care, in mod normal, ar necesita inteligenta umana: recunoasterea vorbirii, identificarea imaginilor, traducerea, luarea de decizii sau generarea de continut.
Caracteristici esentiale ale unui sistem AI:
  • Algoritmi — reguli si proceduri matematice care ghideaza procesarea datelor
  • Statistici — sistemul nu certifica, ci estimeaza probabilitati pe baza de date
  • Autonomie — poate lua decizii fara interventie umana pas cu pas
  • Adaptivitate — isi ajusteaza comportamentul pe baza noilor date primite
AI vs. gandire umana — diferente esentiale:
  • AI lucreaza cu tipare statistice in date; omul rationeaza cu intelegere si context
  • AI nu are constiinta, emotii sau intentii proprii
  • AI poate procesa volume enorme de date mult mai rapid decat orice om
  • Omul generalizeaza dintr-un singur exemplu; AI are nevoie de mii-milioane de exemple
  • AI nu intelege cauzalitatea — identifica corelatie, nu neaparat cauza si efect
2

2. Invatarea automata (Machine Learning)

Invatarea automata (Machine Learning, ML) este o ramura a AI in care sistemele nu sunt programate explicit cu toate regulile, ci invata tipare din date. Sistemul primeste exemple, identifica structuri repetabile si isi construieste singur un model de decizie.
Comparatie: programare clasica vs. Machine Learning
  • Programare clasica: programatorul scrie regula — “daca emailul contine cuvântul gratuit si urgentat, atunci este spam”
  • Machine Learning: sistemul primeste mii de emailuri etichetate spam/non-spam si descopera singur ce combinatii de cuvinte, expeditori si structuri indica spam
Tipuri de invatare automata:
  • Invatare supervizata — sistemul primeste date etichetate (exemple cu raspuns corect cunoscut); invata sa mapeze intrari la iesiri. Exemplu: recunoasterea imaginilor cu pisici/câini, dupa mii de imagini etichetate.
  • Invatare nesupervizata — sistemul primeste date fara etichete si descopera singur structuri si grupuri. Exemplu: segmentarea clientilor dupa comportament de cumparare.
  • Invatare prin recompensa — sistemul invata prin incercare si eroare, primind recompense pentru actiuni bune. Exemplu: un program care invata sa joace sah sau sa conduca masina autonoma.
Retele neurale artificiale:

O clasa importanta de modele ML sunt retelele neurale artificiale — structuri matematice inspirate vag de neuronii biologici. Sunt organizate in straturi: stratul de intrare primeste datele, straturile intermediare (ascunse) transforma informatia progresiv, iar stratul de iesire produce rezultatul. Cu cât mai multe straturi, cu atât reteaua este mai “adânca” (Deep Learning). Aceste retele stau la baza recunoasterii imaginilor, a vorbirii si a modelelor de limbaj moderne.

3

3. Tipologii AI: ce poate face un sistem inteligent?

Sistemele AI pot fi grupate in 4 tipologii principale dupa ce tip de sarcina realizeaza:
Tipologia 1 — Clasificare

Sistemul primeste o intrare si ii atribuie o categorie (eticheta) dintr-un set predefinit.

  • Recunoasterea faciala: persoana A / persoana B / necunoscut
  • Detectarea spam: spam / non-spam
  • Diagnosticare medicala: tumora / fara tumora
  • Moderare continut: toxic / neutru / pozitiv
Tipologia 2 — Recomandare

Sistemul sugereaza optiuni relevante unui utilizator, pe baza preferintelor sale sau ale unor utilizatori similari.

  • Netflix / YouTube: videoclipuri urmatoare
  • Spotify: playlist auto-generat
  • Amazon / eMAG: produse sugerate
  • TikTok: feed personalizat
Tipologia 3 — Predictie

Sistemul estimeaza o valoare viitoare sau necunoscuta pe baza datelor istorice sau contextuale.

  • Prognoza meteo: temperatura de mâine
  • Predictia traficului (Google Maps)
  • Estimarea pretului unui apartament
  • Detectarea fraudelor bancare in timp real
Tipologia 4 — Generare

Sistemul creeaza continut nou: text, imagini, audio, video, cod.

  • Modele de limbaj (ChatGPT, Claude): genereaza text
  • Midjourney / DALL-E: genereaza imagini din descriere text
  • Suno / Udio: genereaza muzica originala
  • GitHub Copilot: genereaza cod sursa
4

4. LLM — Large Language Model

Un Large Language Model (LLM) este un tip de model AI antrenat pe cantitati masive de text (miliarde de cuvinte din carti, articole, site-uri web, cod sursa) pentru a invata tipare statistice ale limbajului. Scopul sau este sa genereze text coerent si relevant ca raspuns la un context dat.
Cum functioneaza un LLM — conceptual:
  1. Antrenament: modelul citeste miliarde de texte si invata ce cuvinte/fragmente apar frecvent impreuna in ce contexte
  2. Reprezentare: fiecare cuvânt este transformat intr-un vector numeric (embedding) care capteaza relatia sa cu alte cuvinte
  3. Predictie: la fiecare pas, modelul estimeaza ce fragment (token) urmeaza cel mai probabil dupa contextul existent
  4. Generare: raspunsul se construieste token cu token, fiecare alegere influentand urmatoarea
Ce sunt tokenele?

LLM-urile nu proceseaza litere sau cuvinte intregi, ci tokeni — fragmente de text care pot fi cuvinte, parti de cuvinte sau semne de punctuatie. Cuvântul “calculator” poate fi un singur token; “inteligenta artificiala” sunt doua tokeni. Un text de 1000 de cuvinte are aproximativ 1300–1500 tokeni in engleza.

Exemple de LLM-uri cunoscute:
  • GPT-4 / ChatGPT (OpenAI) — unul din cele mai cunoscute modele de dialog
  • Claude (Anthropic) — model axat pe siguranta si utilitate
  • Gemini (Google) — integrat in produsele Google
  • Llama (Meta) — model open-source, poate rula local
Limitari importante ale LLM-urilor:
  • Halucinatii — pot genera informatii false cu ton sigur; verifica intotdeauna afirmatiile importante
  • Data de taiere — stiu doar ce exista in datele de antrenament (cutoff date); nu au acces la stiri recente (fara unelte externe)
  • Nu inteleg — mimeaza intelegerea prin tipare statistice; nu rationeaza cauzal precum omul
  • Bias — reflecta prejudecatile prezente in datele de antrenament
5

5. Bias social si cultural in AI

Bias-ul (prejudecata) in AI apare atunci când un sistem AI produce rezultate sistematic incorecte sau discriminatorii fata de anumite grupuri. Cauza principala: modelul a invatat din date care reflecta inegalitati sau prejudecati existente in societate.
Exemple reale de bias AI:
  • Recunoastere faciala: studii au aratat ca unele sisteme aveau rata de eroare de 0,8% pentru barbati albi, dar 34,7% pentru femei cu ten inchis — din cauza lipsei de diversitate in datele de antrenament
  • Selectia CV-urilor: un sistem AI antrenat pe CV-uri istorice a penalizat CV-urile femeilor (deoarece in trecut angajarile avantajau barbatii)
  • Traducere automata: unele sisteme traducea “doctor” la masculin si “asistenta” la feminin in mod implicit
  • Modele de predictie judiciara: preziceau recidiva mai frecvent pentru anumite grupuri etnice
Cum se reduce bias-ul:
  • Date de antrenament diverse si reprezentative
  • Auditarea regulata a sistemelor AI pentru detectarea discriminarilor
  • Echipe diverse de dezvoltatori care recunosc perspective diferite
  • Reglementari legale (ex: EU AI Act — legea europeana privind AI)
Reglementari AI — context European:

Uniunea Europeana a adoptat in 2024 EU AI Act — primul cadru legal comprehensiv pentru AI din lume. Acesta clasifica sistemele AI dupa risc (minim, limitat, ridicat, inacceptabil) si impune cerinte de transparenta, supraveghere umana si audit pentru sistemele cu impact semnificativ asupra oamenilor.

6

6. Interactiunea responsabila cu AI

Utilizarea inteligenta a AI nu inseamna sa accepti orbeste orice raspuns, ci sa interactionezi cu gandire critica — sa evaluezi, sa verifici si sa iti pastrezi propria judecata.
Principii pentru interactiunea cu AI:
  • Gandire critica: verifica informatiile importante din surse independente; AI poate gresi (hallucina)
  • Creativitate: foloseste AI ca punct de plecare, nu ca produs final; adauga propria perspectiva si originalitate
  • Gandire computationala: intelege ce poate si ce nu poate face AI; formuleaza intrebari clare si bine definite (prompt engineering de baza)
  • Transparenta: declara când ai folosit AI in lucrarile tale; respecta regulile institutiei sau angajatorului
  • Confidentialitate: nu introduce date personale sau sensibile in sisteme AI publice
Formule clare de prompt — de ce conteaza:

Calitatea raspunsului unui LLM depinde direct de calitatea intrebarii (promptului). Compara:

  • Prompt slab: “explica AI” — raspuns generic, prea larg
  • Prompt bun: “Explica invatarea supervizata unui elev de clasa XI, cu un exemplu din viata reala, in maxim 150 de cuvinte” — raspuns precis, contextual, limitat

Specificitatea contextului (cine esti, ce stii, ce format vrei, ce lungime) imbunatateste dramatic utilitatea raspunsului.

Autonomie si supraveghere umana:

Pe masura ce AI devine mai autonom (actioneaza fara interventie umana pas cu pas), importanta supravegherii umane creste. Sisteme cu impact ridicat — diagnosticare medicala, decizie judiciara, conducere autonoma — necesita intotdeauna validare umana. Autonomia AI este un instrument util, nu un substitut pentru responsabilitatea umana.

Exercitii practice

Exercitiul 1 (Nivel minim) — Identifica tipologia AI

Clasifica fiecare sistem AI de mai jos intr-una din cele 4 tipologii (clasificare / recomandare / predictie / generare):

  1. Filtrul de spam din Gmail
  2. Sectiunea “S-ar putea sa-ti placa si” de pe Netflix
  3. ChatGPT genereaza un rezumat al unei carti
  4. Google Maps estimeaza timpul de sosire

Exercitiul 2 (Nivel standard) — Analiza bias

Un sistem AI de recrutare a fost antrenat pe CV-urile angajatilor din ultimii 20 de ani ai unei companii tech, unde 85% din angajati erau barbati.

  1. Ce tip de bias ar putea dezvolta acest sistem?
  2. Care este cauza? (date, algoritm, intentie?)
  3. Propune doua masuri concrete pentru a reduce bias-ul.

Exercitiul 3 (Nivel performanta) — Gandire critica aplicata

Ai folosit un LLM pentru a cerceta “efectele inteligentei artificiale asupra pietei muncii in Romania” si ai primit un raspuns de 300 de cuvinte cu statistici si exemple concrete.

  1. Enumera cel putin 3 intrebari pe care ar trebui sa ti le pui inainte de a folosi informatia.
  2. Ce surse externe ai verifica pentru a valida datele statistice?
  3. Ce parti din raspunsul AI ar putea fi utile chiar daca unele date sunt incorecte?
  4. Cum reformulezi promptul initial pentru un raspuns mai precis si mai verificabil?

Ce ai invatat astazi

  • AI = sisteme cu algoritmi, statistici, autonomie si adaptivitate — diferite de gandirea umana
  • Machine Learning = sisteme care invata tipare din date (supervizat, nesupervizat, prin recompensa)
  • 4 tipologii AI: clasificare, recomandare, predictie, generare
  • LLM = model antrenat pe text masiv care genereaza raspunsuri prin predictie statistica token cu token
  • Bias AI = prejudecati din date istorice; necesita audit, diversitate si reglementare (EU AI Act)
  • Interactiune responsabila: gandire critica + verificare + transparenta + confidentialitate

Urmatoarea lectie

Continua cu Etica AI si viitorul tehnologiei — bias, deepfakes, automatizare si impactul social al inteligentei artificiale.

Continua →