WSTECZ
POPRZEDNI
NASTĘPNY 
ODCINEK
2
11/30/2023

AI i No-Code: Dynamiczny duet dla przyszłości i biznesu

W tym odcinku podcastu rozmawiamy o AI - sztucznej inteligencji oraz o ML- uczeniu maszynowym, a także o różnicach między tymi technologiami, wadach i zaletach oraz jak możemy je wykorzystać w aplikacjach budowanych za pomocą no-code / low-code!

Agenda

00:00 - Start
00:33 - Różnice między AI i ML
03:55 - Czym jest ML?
06:35 - Do czego możemy wykorzystać AI?
08:27 - Do czego możemy wykorzystać ML?
11:24 - Czy z AI i ML może korzystać każdy?
14:05 - Jak AI i ML możemy wykorzystać w no-code / low-code?
18:35 - Podsumowanie

UKRYJ TRANSKRYPT

Dobrze, porozmawiamy więc sobie dzisiaj o tym, czym jest AI - Artificial Intelligence, Sztuczna inteligencja. A czym jest ML - machine learning, uczenie maszynowe. Bardzo często widzimy, że ludzie używają naprzemiennie tych technologii i ich nazw, niekoniecznie do końca rozumiejąc, co tak naprawdę za nimi stoi oraz czym tak naprawdę te technologie między sobą się różnią. Sztuczna inteligencja. Zacznijmy od niej. Czym tak naprawdę jest? Jakie jest jej zadanie? Sztuczna inteligencja to jest oczywiście algorytm. To nic innego jak algorytm, który ma za zadanie w jak najdoskonalszy sposób naśladować ludzkie inteligentne zachowania lub ma za zadanie realizować zadania w taki sposób, jaki zrealizowali by je ludzie. Generalnie sztuczna inteligencja polega na tym, że właśnie ma jak najlepszym stopniu, symulować może, nie wiem czy to jest najlepsze słowo, ale trochę tak jest. Ma za zadanie symulować to, jak zachowuje się człowiek. Oczywiście są już prowadzone, były już nie raz prowadzone eksperymenty, które pokazywały, że "Hej, zobaczcie, że sztuczna inteligencja jest tak super, że nie odróżnicie jej od człowieka. Oczywiście są testy Turinga, które nadal badają to, czy rzeczywiście mamy do czynienia ze sztuczną inteligencją, czy nie, etc.

Nadal ta sztuczna inteligencja oczywiście nie jest idealna, ale jesteśmy coraz bliżej tego, żeby ta sztuczna inteligencja rzeczywiście w wielu aspektach nas zastępowała. I tak jak widać na przykładzie ostatnich nowości, które wprowadziły na rynek bardzo wiele szumu i przez to też dzisiaj nagrywamy ten odcinek, ponieważ dostajemy bardzo wiele pytań, bardzo wiele firm chce nagle wdrażać to rozwiązanie. Jest ChatGPT.  Jak wiecie, prawdopodobnie jest algorytmem sztucznej inteligencji, który służy do generowania tekstów. Jest to tzw. generatywne AI, które na podstawie dostarczonych do niego informacji, zapytań, tekstów itd. Potrafi te teksty albo wygenerować, albo sparafrazować, albo na przykład wygenerować kawałek kodu aplikacji. I to jest super. Bardzo wiele ludzi chce z tego teraz korzystać, bo widzi po prostu, że ta sztuczna inteligencja, naśladując właśnie to, jak zachowują się ludzie, czyli właśnie generując jakiś tekst, z bardzo często dużym prawdopodobieństwem. Tutaj spojler. Uwaga też niekiedy ta sztuczna inteligencja się myli, więc nadal powinniśmy mieć na nią oko i sprawdzać co de facto wygenerowała i czy to co wygenerowała faktycznie jest prawdą, ma sens.

Musicie pamiętać np., że ChatGPT dysponuje wiedzą do maksymalnie 21 roku, więc wszystko to co się stało w 22 roku czy też 23 roku jest dla niej nieznane. Więc jeśli pojawiły się w jakiejś dziedzinie nowe fakty ich nie uwzględni. Natomiast widać, że te algorytmy sztucznej inteligencji zachowują się coraz lepiej, coraz lepiej nas naśladują,  I w momencie, w którym na przykład właśnie przychodzi do generowania tekstu, mamy na przykład zadanie generowania maili, wpisów blogowych etc. To w dużej części jest w stanie nas po prostu wyręczyć czy nam po prostu pomóc, natchnąć nas do działania. Naśladuje po prostu w tym aspekcie człowieka. Natomiast czym jest Machine Learning? To uczenie maszynowe, które bardzo często jest ze sztuczną inteligencją mylone. Machine learning jest to również algorytm tylko działający na troszkę innej zasadzie. Machine learning jest to samouczący się algorytm, który na podstawie dostarczanych do niego danych, obrazków, tekstu czy czegokolwiek innego czy połączonych różnych źródeł. Ma za zadanie nam generować predykcje. Co to tak naprawdę znaczy? Google na przykład dysponuje takim systemem, który jest w stanie rozpoznawać, co jest na obrazkach. Może rozpoznawać również naszą mowę. Jeżeli widzicie gdzieś właśnie algorytmy transkrypcji, to bardzo często właśnie są to te algorytmy ML-owe, machine learning-owe, które właśnie mają nam, na podstawie zebranych danych, uczą się, są w stanie dawać coraz dokładniejsze predykcje i wypluwają nam właśnie prawdopodobieństwo tej informacji. Na ile ta informacja, o którą pytamy jest prawdopodobna, że znajduje się w tym zbiorze danych? Jak to funkcjonuje? Możecie sobie przetestować nawet ten algorytm Googla do rozpoznawania co znajduje się na obrazku. Kojarzycie też na pewno ten system CAPTCHA, który pyta nas o to, co widzimy na danym obrazku, albo żeby zaznaczyć wszystkie motocykle na obrazkach. No właśnie, w ten sposób dostarczamy też do niego dane. Jeżeli pokażemy takiemu algorytmowi obrazek, na którym znajduje się np. miś albo pies i zapytamy go o to, co się znajduje na obrazku, to ta sztuczna jabłoń znowu niepoprawnie użył tych terminów naprzemiennie. To ten algorytm machine learning ma za zadanie nam powiedzieć, co on widzi na tym obrazku na podstawie tego, co widział na innych obrazkach, na co wskazywali również użytkownicy, czego został nauczony.

On nam powie: "Hej, z tylu procentową pewnością, mam przekonanie, że w tym miejscu na obrazku znajduje się pies. W tym miejscu znajduje się kot, a w tym miejscu znajduje się drzewo." I będziecie mieli to. pokazane będą takie kwadraciki, które będą pokazywały Wam właśnie prawdopodobieństwo wystąpienia, że to jest to, o co pytamy i dzięki temu będą dostarczane nam coraz lepsze predykcje na podstawie tego algorytmu. Więc przechodząc troszkę płynnie do kolejnego tematu, który mieliśmy dzisiaj poruszyć do czego de facto możemy sztuczną inteligencję wykorzystać i do czego możemy wykorzystać ML? Sztuczna inteligencja bardzo często jest wykorzystywana. Tam, gdzie wszędzie korzystamy z inteligentnych doradców. Na pewno kojarzycie Cortany, Alexy, Siri, asystenta Google’a. To wszystko jest sztuczna inteligencja. Zadajemy pytanie otwarte, jakieś pytanie i sztuczna inteligencja analizuje ten tekst. Co się w nim znajduje, co powiedzieliśmy i na podstawie tego wypluwa nam jakieś odpowiedzi. Jeżeli zapytamy np. Siri o kawał, to Siri nam opowie jakiś kawał, który ktoś zna lub jakkolwiek go rozumie. Jeżeli zapytamy asystenta Google’a o to, żeby nam polecił, gdzie powinniśmy w Warszawie iść na np.

jakieś tajskie jedzenie, to ona na podstawie zbioru danych i tego, co mówili inni użytkownicy tego co wie, zasugeruje nam, gdzie możemy iść. Również będzie w stanie nam zasugerować kilka innych rzeczy. Sztuczna inteligencja również jest wykorzystywana wszędzie tam, gdzie musimy naśladować w jakiś sposób właśnie te ludzkie zachowania, czyli np. właśnie generowanie treści, generowanie obrazów na podstawie dostarczonych informacji. To wszędzie tam wykorzystujemy sztuczną inteligencję. Oczywiście sztuczna inteligencja ma bardzo dużo szersze zastosowanie i myślę, że nie ma sensu, żebym dzisiaj tutaj o tym dokładnie opowiadał, bo po pierwsze nie jestem specjalistą od sztucznej inteligencji, a po drugie w internecie znajdziecie dużo fajnie opisanych przykładów na temat tego, jak możemy wykorzystywać sztuczną inteligencję, czy to do analizowania zbiorów danych, czy to do dostarczania różnych informacji, czy do sugerowania zachowań, sugerowania nam różnych rzeczy i tak dalej, i tak dalej. Do czego natomiast możemy wykorzystać machine learning, czyli to uczenie maszynowe? Oczywiście możemy je wykorzystać wszędzie tam, gdzie potrzebujemy mieć jakiś system produkcyjny, opierać na systemie produkcyjnym. Dobrym przykładem jest np. przeciwdziałanie SPAMowi w naszych skrzynkach odbiorczych.

Na pewno niejednokrotnie jeżeli korzystacie z Gmaila czy z Outlook-a czy z innych systemów pocztowych, Jeżeli otrzymujecie maile, to bardzo często widzicie tam takie etykietki na samej górze: "Hej, według mnie według tej skrzynki odbiorczej jest to jakiś spam", jakiś rodzaj spamu i skąd ta skrzynka odbiorcza to wie? No właśnie wie to stąd, że analizuje każdego maila, który do nas przychodzi, porównuje ze swoją wiedzą, z całym zbiorem danych, z tym co użytkownicy raportowali w tych skrzynkach odbiorczych jako spam i na podstawie właśnie dostarczonych danych, których się nauczyła. I ten mail, który do nas przyszedł wzorcem przypomina jej inne maile, które były oznaczone jako spam i ona ma całkiem duże prawdopodobieństwo, że, to również jest spam. Oczywiście nie mówi, że na pewno jest, bo nigdy nie będzie miał stuprocentowej pewności, że to na pewno jest spam. Nigdy też nie może nam ze stuprocentową pewnością tego powiedzieć, ale sugeruje nam "Hej, całkiem duże prawdopodobieństwo, że to jest spam". Tak jak już powiedziałem wcześniej, pozwala nam również na przykład analizować to, co znajduje się na obrazach.

To, co znajduje się w tekście, może nam dostarczać właśnie predykcji tego, co znajduje się w tekście. Może również nam np. rekomendować produkty. Na pewno znacie te systemy z różnych sklepów internetowych, gdzie kupujecie jakieś produkty i na sam koniec dostajecie informację Hej, użytkownicy, którzy kupili ten produkt kupowali również taki. Użytkownicy podobni do Ciebie kupowali takie produkty, może będziesz zainteresowany którymś z nich. To właśnie też jest algorytm machine learning, który na podstawie zebranych danych nauczył się, że użytkownicy podobni do mnie. Tego też się przy okazji nauczył, że są użytkownicy podobni do mnie i kupują podobne rzeczy. Dzięki temu sklep jest w stanie zwiększać swoją sprzedaż, bo może zainteresować mnie czymś, o czym istnieje np. nie wiedziałem, a co de facto rzeczywiście może mi się przydać. Więc jak widzicie, algorytmy sztucznej inteligencji czy machine learningu mają bardzo szerokie zastosowanie. I tutaj znowu odsyłam Was do Google'a, który też opiera się właśnie na tych algorytmach. Wszystkich, gdzie znajdziecie bardzo wiele ciekawych przykładów tego, jak de facto możemy te algorytmy wykorzystywać.

Dobrze. I na podstawie tego, co ostatnio się działo, bardzo głośno było ChatGPT, czy o innych systemach do generowania obrazów. Jak piękne obrazy potrafi ta sztuczna inteligencja generować, to czy ze AI i ML-a może korzystać każdy? Generalnie jak najbardziej tak. Każdy może z tego korzystać. Nie każdy oczywiście potrafi. Coraz bardziej również jest nam to ułatwiane, co właśnie udowodniło między innymi ChatGPT, że w bardzo prosty sposób możemy wykorzystać z bardzo mocnej, bardzo dającej duże korzyści sztucznej inteligencji. Natomiast, nie powinniśmy kierować się tylko tym przy wykorzystaniu sztucznej inteligencji czy ML-a, że ostatnio jest na to hype, że powstało jakieś głośne rozwiązanie i od razu chcieć to integrować w swoich rozwiązaniach czy w czymś innym. Powinny za tym zawsze pójść, oczywiście jakieś argumenty. Dlaczego chcemy z czegoś korzystać, jaką da nam to realną wartość. Bo musicie zawsze myśleć o tym, że jeżeli coś jest modne, oczywiście nie znaczy to, że powinniśmy z tego korzystać. Bardzo oczywiście zachęcam, bo te rozwiązania niosą za sobą bardzo dużą wartość, ale wykorzystane jak zwykle w odpowiedni, przemyślany sposób.

Wtedy będziemy mieli pewność, że to co robimy, to co realizujemy niesie ze sobą jakąś wartość. Czy może skorzystać każdy? Tutaj jeszcze chciałbym podkreślić jedną bardzo ważną rzecz. Oczywiście algorytmy sztucznej inteligencji dzielą się, jeżeli chcielibyśmy z nich korzystać, dzielą się na dwa obszary. Oczywiście są systemy sztucznej inteligencji ogólnodostępne czy machine learning-owe, które możemy integrować w swoich rozwiązań, tak jak ChatGPT, Google Vision itd. Które możemy integrować, które wystawiają swoje API i wystawiają swoje, powiedzmy takie konektory, dzięki którym możemy się do tego rozwiązania podłączyć i z niego korzystać, w naszym rozwiązaniu. Do tego, żeby nam ułatwiało pracę czy żeby rozwijało, czy, Żeby może nie rozwijało. Cięcie. Żeby rozbudowywał funkcjonalności naszej aplikacji. To są właśnie takie ogólnodostępne systemy sztucznej inteligencji. Natomiast jest też oczywiście drugie podejście, czyli podejście, w którym po prostu możemy sami takie algorytmy sztucznej inteligencji czy Machine Learningu stworzyć. Oczywiście, żeby stworzyć taki algorytm i, z niego realnie korzystać, czerpać realne korzyści. Żeby on działał, no to musimy mieć po pierwsze ogromne zbiory danych, którymi będziemy w stanie te algorytmy nakarmić, nauczyć czegoś, jak one powinny funkcjonować oraz powinniśmy mieć odpowiedni duży zespół data scientist, data engineering, itd.

Itd. Który pomoże nam to zbudować ale to jest temat oczywiście już bardziej skierowany do firm, które zajmują się budową takich rozwiązań. To o czym ja dzisiaj chciałem trochę pogadać, po to porozmawiać, o czym chciałem wam dzisiaj trochę opowiedzieć, to o tym, jak de facto ten AI i ML możemy wykorzystać w no-code i czy w ogóle możemy. Pierwsza odpowiedź, której chce udzielić to będzie na to, czy możemy wykorzystać AI i ML w no-code lub low-code. Odpowiedź jest krótka i prosta. Oczywiście możemy. Możemy oczywiście korzystać tak jak w każdym innym tradycyjnym software. Możemy integrować się z rozwiązaniami, które już istnieją, czyli wspomnianym wcześniej Google Vision, ChatGPT i wszystkimi tymi sztucznymi inteligencjami czy machine learning-ami, które wystawiają endpoint, które są publicznie, może nie publicznie, ale, bo to złe określenie, ale które udostępniają swoje usługi do integracji w innych rozwiązaniach. To tam każde takie rozwiązanie będziemy w bardzo prosty sposób w stanie zintegrować do naszej aplikacji no-code czy low-code. Wystarczy po prostu, że połączymy się za pomocą API, będziemy dostarczać jej odpowiednie informacje i odpowiednie informacje, będziemy po prostu z tej aplikacji zbierali.

Czy taki proces jest skomplikowany? Oczywiście odpowiem jak typowy konsultant. To zależy. To zależy już od samego rozwiązania, z którego będziemy chcieli korzystać, bo jedne rozwiązania są bardzo proste w integracji. Możemy je zintegrować w całkiem szybki, przyjazny sposób, inne wymagają po prostu trochę więcej pracy. Pytanie też oczywiście co będziemy później z tymi wynikami, które ta sztuczna inteligencja czy machine learning nam dostarczy, Co będziemy de facto chcieli z nimi zrobić, Jak to będzie wpływało na inne funkcjonalności w naszej aplikacji? Ma to być coś, czy będzie tylko pomagało podjąć decyzję użytkownikom, że użytkownik robi coś w naszej aplikacji, nie wie co zrobić. To tutaj sztuczna inteligencja wchodzi i po prostu wyświetla tekst "Hej! Na podstawie dostarczonych danych sugerujemy Ci to i to", czy może będzie to coś bardziej skomplikowanego? Jeżeli byśmy np. chcieli wdrożyć do sklepu integracje oparte właśnie o machine learning, to to jest potencjalnie coś bardziej skomplikowanego, bo musimy tutaj wdrożyć system badania użytkowników, informacje o naszych towarach, powiedzieć, które są podobne, które nie są podobne, dlaczego są podobne itd.

Itd. Jest to już dużo bardziej skomplikowany proces i oczywiście jak w samym no-code w całkiem prosty sposób możemy te rozwiązania zintegrować. To jest jedna strona medalu. Drugą stroną medalu jest oczywiście to, co z jakich rozwiązań de facto będziemy korzystali. Tak jak powiedziałem, czy te rozwiązania będziemy musieli też skonfigurować, wytrenować na własną modłę, czy to będzie coś takiego jak Google Vision? Czyli ten algorytm już jest nauczony rozpoznawania obrazów, a my po prostu np. chcemy z niego skorzystać do tego, żeby badać, czy użytkownicy nie wrzucają jakiś niestosownych materiałów na naszą stronę. Przypuśćmy, że tworzymy social media, chcemy zbudować jakąś platformę social media-ową i chcielibyśmy się w jakikolwiek sposób zabezpieczyć przed tym, żeby użytkownicy nie wrzucali tam na przykład materiałów pornograficznych. Możemy to zbudować w taki sposób, że w momencie, w którym użytkownik upload-uje zdjęcie na platformę, leci ono właśnie do tego Google Vision. Zdjęcie jest przez ten Google Vision badany pod kątem tego, czy znajdują się tam treści pornograficzne. Jeżeli na przykład Google ma więcej niż 50% pewności, że znajdują się na nim treści pornograficzne albo 20%.

Tutaj oczywiście ten punkt bólu będzie zależny od tego, jak my go ustawimy, to takie zdjęcie jest automatycznie usuwane i blokowane przed upload-em na platformę. Więc tutaj jak najbardziej możemy z takich rozwiązań korzystać i możemy je integrować. Co możemy zrobić tak naprawdę w podejściu no-code? Integracja z tymi platformami jest niczym nieograniczona tak długo jak będziemy chcieli właśnie z nich korzystać, tak długo jak będzie to się opierało np. na API czy na jakimś kawałku custom kodu. Tak jak Wam przed chwilą dałem przykład zastosowania algorytmu ML do rozpoznawania zdjęć, to tak samo możemy wdrożyć każde inne rozwiązanie, w którym będziemy mogli się podłączyć. Czy to będzie rozpoznawanie obrazów, czy to będą rekomendacje, czy to będzie właśnie generowanie tekstu, czy to będzie generowanie obrazów, czy to będą jacyś asystenci. To tutaj nasze możliwości są niczym nieskrępowane, tak jak w przypadku tradycyjnego podejścia do tworzenia aplikacji. Podsumowując wiemy z tego odcinka: Czym jest sztuczna inteligencja? Czym jest machine learning? Jakie są różnice między tymi rozwiązaniami. Opowiedzieliśmy sobie o tym, do czego te rozwiązania najczęściej są wykorzystywane, do czego możemy je użyć i dowiedzieliśmy się, czy możemy je zaimplementować w naszym rozwiązaniu, które będzie oparte o no-code / low-code. Jak najbardziej jest to możliwe. Jest to do zrobienia. Oczywiście zawsze to zależy co będziemy chcieli zbudować i czy będzie miało to realną wartość dla naszych użytkowników. Mam nadzieję, że dzisiejszy odcinek był dla Was ciekawy. Udało mi się Wam opowiedzieć trochę o tym, czym jest inteligencja, jak funkcjonuje, do czego możemy ją wykorzystać i do usłyszenia w kolejnym odcinku podcastu Just No Code. Cześć!

ZOBACZ WIĘCEJ ODCINKÓW

ODCINEK
17
3/1/2024
Pierwsze studia no-code w Polsce! Wywiad z CEO firmy Archman - Marcin Kowalski
Jak rozwija się branża no-code low-code w Polsce? Jak powstała firma Archman i do kogo kierowane są pierwsze studia LCNC? Zobacz w wywiadzie z Marcinem Kowalskim.
WIĘCEJ
ODCINEK
19
3/8/2024
Aplikacje mobilne w no-code - czym są i na jakich platformach je tworzyć?
Jak tworzyć aplikacje mobilne za pomocą technologii no-code? Które platformy są do tego najlepsze? Sprawdź w tym odcinku podcastu Just No Code!
WIĘCEJ
ODCINEK
9
11/30/2023
Wydajność, stabilność, koszty. Jak to wygląda w no-code / low-code?
Wydajność, stabilność, koszty. Jak to wygląda w no-code / low-code? Te kwestie padają bardzo często w rozmowach na temat tych rozwiązań. Dziś postaramy się wytłumaczyć jak to dokładnie wygląda.
WIĘCEJ
Hej!
Opowiedz mi o swoim pomyśle!
Odpowiemy w ciągu 24 godzin. Tak, to TAKIE proste!
Emil Bednarczyk, havenocode NoCode and LowCode Development Agency CEO and Client Partner
Emil Bednarczyk
Client Partner / havenocode.io
M: +48 792 015 688
Hej!
Opowiedz mi o swoim pomyśle!
Odpowiemy w ciągu 24 godzin. Tak, to TAKIE proste!
1
W jakich wyzwaniach możemy Ci pomóc?
2
Jaki jest Twój budżet?
3
Czy potrzebujesz NDA?
4
Podaj nam więcej szczegółów
Dziękujęmy! Twoja wiadomość została wysłana. Jeśli chcesz dowiedzieć sie więcej o no-code, zapraszamy na nasz blog!
Czytaj o no-code
Wystąpił błąd, formularz nie został wysłany.

Podcast No-Code / Low-Code to podcast o technologii, w którym opowiadamy o digitalizacji, automatyzacji i tworzeniu stron, budowaniu aplikacji oraz platform internetowych. Poznasz wady i zalety low code i no code oraz zrozumiesz podstawy tych narzędzi. W odcinkach podcastu eksperci firmy havenocode poruszają także tematy biznesowe, wskazują najlepsze platformy low code i najlepsze platformy no code.

Dowiedz się jak korzystać z platform no-code i low-code, takich jak: Bubble.io, Xano, Webflow, Flutter Flow, AppSheet czy Zapier. Naucz się tworzyć aplikacje bez kodowania. Poszerz swoją wiedzę i zostań citizen developerem. Sprawdź, jak rozwija się branża low code i no code w Polsce i na świecie. Słuchaj i oglądaj podcast Just No Code!