Wszystkie tematy
A
Advisor agentAdvisor agent: agent roboczy konsultuje się z mocniejszym modelem na żądanie. Czym różni się od supervisora i jak pilnujemy, żeby doradca nie działał. Agent as codeAgent as code: definiowanie agentów w plikach pod kontrolą wersji, żeby zmiany zachowania były recenzowane i odwracalne, oraz co zawierają te pliki. Agent recoveryAgent recovery przywraca przepływ AI do bezpiecznego stanu po awarii: zweryfikuj, co się stało, odtwórz stan, potem ponów, skompensuj lub eskaluj. Agentic searchAgentic search: jak agent AI planuje, sprawdza i powtarza własne wyszukiwania, czym różni się od jednoprzebiegowego wyszukiwania AI i jakie mamy reguły. AI scribeAI scribe słucha wizyty lub spotkania i szkicuje notatki. Jak działa, ile oszczędza, gdzie się myli i co sprawdzić przed zakupem takiego narzędzia. API zgodne z OpenAICo obejmuje API zgodne z OpenAI, które pola żądania dostawcy po cichu ignorują i jak wywołujemy takie API na produkcji bez SDK. Atak adwersarialnyAtak adwersarialny: unikanie, zatruwanie danych, ataki na prywatność i prompt injection, przykłady od znaku stop po jailbreaki LLM oraz skuteczna obrona.
B
Batch sizeBatch size to liczba przykładów na jedną aktualizację wag. Porównanie małych i dużych partii, epok i iteracji oraz jak dobrać rozmiar partii. Benchmark AICo mierzy benchmark AI, które benchmarki LLM cytuje się w porównaniach modeli, dlaczego wyniki się nasycają i wyciekają oraz jak czytać tabelę dostawcy. Brain fryAI brain fry: skąd pochodzi termin, co wykazały badania i jak menedżerowie mogą zmniejszyć obciążenie poznawcze związane z nadzorowaniem AI.
C
D
Dane treningoweDane treningowe: co to jest, przykłady dla klasyfikatorów i LLM, czym różnią się od danych walidacyjnych i testowych oraz wymogi AI Act co do ich jakości. Detekcja obiektówDetekcja obiektów znajduje i oznacza każdy obiekt na obrazie ramką. Jak działa, jak ocenia się ją miarami IoU i mAP i kiedy ją stosować.
E
Early stoppingEarly stopping: jak działają patience i min_delta, ustawienia domyślne w Keras, PyTorch Lightning, Hugging Face i XGBoost oraz kiedy go używać. Edge AIEdge AI: jak modele działają na urządzeniach zamiast w chmurze, jakie środowiska je uruchamiają i kiedy edge AI wygrywa z AI w chmurze. Entropia krzyżowaEntropia krzyżowa jako funkcja straty: wzór, przykład z softmaxem, wersja binarna i kategoryczna, logity w PyTorch i Keras oraz kiedy wybrać focal loss.
F
F1 scoreF1 score: precyzja, czułość i wzór na F1 z przykładem, F1 a dokładność (accuracy), jaki wynik F1 jest dobry oraz macro i micro F1 w sklearn. Fast modeCzym jest fast mode w Claude, ile kosztuje, które modele go obsługują i kiedy warto płacić więcej za token za wyjście szybsze nawet 2,5 raza. Filtrowanie kolaboratywneFiltrowanie kolaboratywne poleca pozycje według gustów podobnych użytkowników. Metody user-based i item-based, przykład i problem zimnego startu. Fireworks AIFireworks AI: zarządzana infrastruktura do serwowania, dostosowywania i skalowania modeli generatywnych oraz to, kiedy warto ją przetestować.
G
I
K
L
M
Mechanizm uwagiMechanizm uwagi: wzór scaled dot-product attention, przykład krok po kroku, tabela wariantów aż po grouped-query attention i ograniczenia. Metryki ewaluacjiMetryki ewaluacji oceniają model AI: accuracy, precision, recall, F1, AUC, BLEU i sędzia LLM. Jak wybrać miarę dopasowaną do kosztu pomyłek. Model świataModele świata w AI: czym różnią się od LLM, dlaczego laboratoria AI je budują i co mogą dać agentom oraz robotyce. Monitoring modeliMonitoring modeli śledzi wejścia, wyjścia, jakość, opóźnienie i koszt działającego modelu AI, by wychwycić dryf i awarie. Co mierzyć i jak ustawić alerty.
N
P
Parametry modeluParametry modelu to wagi i biasy, których model uczy się w treningu. Czym różnią się od hiperparametrów i ustawień oraz co znaczy liczba parametrów. Pętla agentowaJak działa pętla agentowa tura po turze, co robi krok rozumowania i jakie warunki stopu domyślnie stosują SDK OpenAI, Claude i LangGraph. Planner-Executor PatternWzorzec planner-executor: jeden agent planuje kroki, drugi je wykonuje, oraz kontrole, które robimy na każdym planie, zanim agent zacznie działać. Policy as codePolicy as code: przykład w Rego dla narzędzia agenta AI, porównanie OPA, Sentinel, Cedar i Gatekeeper oraz jak bramkujemy zmiany naszych agentów. Post-trainingCzym jest post-training w AI: jak fine-tuning, optymalizacja preferencji i RL zamieniają model po pre-trainingu w użyteczny i co kontroluje firma. Programmatic tool callingProgrammatic tool calling: model wywołuje narzędzia z kodu, który sam pisze, co ogranicza rundy, opóźnienie i tokeny. Jak to działa i jak debugować.
R
Reasoning effortReasoning effort: jakie poziomy przyjmują OpenAI i Anthropic, ile każdy kosztuje i które ustawienia effort zawodzą po cichu, na podstawie naszych wdrożeń. Regresja logistycznaRegresja logistyczna przewiduje prawdopodobieństwo tak lub nie z cech. Wzór sigmoidy, przykład liczbowy, funkcja kosztu i ograniczenia metody.
S
Sparse retrievalCzym jest sparse retrieval, jak BM25 i SPLADE oceniają dokumenty oraz ciche pudła, które łapiemy, gdy nasi agenci polegają na wyszukiwaniu słów kluczowych. Supervisor AgentSupervisor agent: jak jeden agent kieruje pracą agentów roboczych, kiedy wzorzec się opłaca i jakich zasad trzymamy się u nas. Symulacja agentówSymulacja agentów AI: co to jest, co zawiera użyteczna symulacja i jak symulujemy awarie narzędzi, zanim agent trafi na produkcję. System of actionSystem of action: co to jest, czym różni się od system of record i co ta zmiana oznacza dla oprogramowania w średniej firmie. Szacowanie niepewnościSzacowanie niepewności: niepewność danych i modelu, sygnały pewności, walidacja, wstrzymanie się od odpowiedzi i eskalacja do człowieka.
T
Tłumienie szumówTłumienie szumów prostymi słowami: co robi to ustawienie w Zoomie, Teams i iPhonie, dlaczego może szkodzić transkrypcji i jak je testujemy. Tool searchTool search tool Anthropic pozwala Claude ładować narzędzia na żądanie przez defer_loading. Jak działa regex i BM25, jakie ma limity i kiedy go użyć. Trajektoria agentaTrajektoria agenta: uporządkowany zapis wiadomości i wywołań narzędzi agenta AI, jak ją oceniać i co sprawdzamy w przebiegach naszych agentów.
U
Uczenie zespołoweUczenie zespołowe (ensemble learning): bagging, boosting, stacking i głosowanie, klasy scikit-learn dla każdej metody i kiedy zespoły pomagają przy LLM. UnderfittingUnderfitting (niedouczenie) w uczeniu maszynowym: jak rozpoznać je na krzywych uczenia, przykład, porównanie z overfittingiem i skuteczne poprawki.
W
Wąska AIWąska AI dobrze wykonuje jedno zadanie, jak kontrola oszustw czy czytanie faktur. Czym różni się od ogólnej AI i dlaczego pasuje do biznesu. Wdrożenie modeluWdrożenie modelu wprowadza model AI na produkcję. Porównanie wzorców batch, real-time i edge, rolloutów canary i shadow oraz kroków do uruchomienia. Wersjonowanie modeliWersjonowanie modeli śledzi, jaki model, dane, kod i ustawienia dały każdy wynik. Co wersjonować, jak przypiąć model hostowany i zaplanować rollback.
Z
Zachowanie emergentneZachowanie emergentne w AI: co to jest w LLM i agentach, spór o to, czy zdolności emergentne są realne, i jak testować je przed wdrożeniem na produkcję. Znakowanie wodne tekstuZnak wodny tekstu ukrywa wykrywalny sygnał w tekście AI. Jak działają metody green-list i SynthID, gdzie zawodzą i o co pytać dostawców.
Brak wyników