vovnutri.kinit.sk Open in urlscan Pro
2a00:4b40:aaaa:2001::7  Public Scan

Form analysis
0 forms found in the DOM

Text Content

 * Budúcnosť je tu
 * Spleť neurónov
 * Dôveruj, ale preveruj
 * Pohovor s AI
 * Zaujímavé čítanie

 * Budúcnosť je tu
 * Spleť neurónov
 * Dôveruj, ale preveruj
 * Pohovor s AI
 * Zaujímavé čítanie


Menu



AKO SA ROZHODUJE UMELÁ INTELIGENCIA?

Systémy na skenovanie tvárí nás púšťajú do budov, doprava v meste je regulovaná
v reálnom čase podľa hustoty premávky, AI nás prijíma do zamestnania. Umelá
inteligencia však ešte stále nie je úplne spoľahlivá, takže je dôležité jej
výsledky dôkladne overovať. Poďte si to s nami overiť aj vy. Vybrali by ste
rovnakého kandidáta ako umelá inteligencia?
Chcem to skúsiť


PRIPRAVTE SA NA BUDÚCNOSŤ

Umelá inteligencia je tu a na to, aby sme s ňou vedeli žiť, ju musíme pochopiť.
Nielen jej schopnosti, ale aj jej obmedzenia. Pre budovanie dôvery v AI je
kľúčové porozumieť jej vysvetliteľnosti. Zložité? Až tak nie, uvidíte. Chceme
vám ukázať ako sa umelá inteligencia rozhoduje a prečo sa môže mýliť.  Pomôže
nám to pochopiť XAI (vysvetliteľná AI) - model, ktorý vysvetliteľnosť AI skúma.
Tak poďme na to.


ČO JE UMELÁ INTELIGENCIA?

Ide vlastne o schopnosť strojov vykonávať úlohy, ktoré by zvyčajne vyžadovali
ľudskú inteligenciu. Vnímanie, porozumenie, spracovanie informácií, učenie sa,
logické uvažovanie, plánovanie, riešenie komplexných problémov.

Podskupinou AI je potom strojové učenie. To sa zameriava na vývoj algoritmov a
modelov, ktoré umožňujú AI učiť sa a zlepšovať sa z vlastných skúseností bez
programovania. V strojovom učení sa systémy trénujú na základe dát, aby
rozpoznávali vzory a robili predpovede alebo rozhodnutia. 

O tom, čo ste včera videli na sociálnych sieťach, rozhodla AI. A marketéri.
AI sa snaží napodobniť ľudské schopnosti.


AI VŠADE
KAM SA POZRIEŠ

Možno si to úplne neuvedomujeme, ale systémy umelej inteligencie sú všade okolo
nás. V bankách pomáhajú pri detekcii podvodov a vyhodnocujú, či budú klienti
schopní splácať úvery. V zdravotníctve sa používajú na diagnostiku chorôb z
lekárskych snímok alebo personalizovanú medicínu. V doprave s nimi pracujú
autonómne autá, ale aj navigácie na optimalizáciu trás a predpovedanie
dopravných zápch. V marketingu zase poskytujú personalizované odporúčania,
cielenú reklamu a odhad dopytu po produktoch. Vyberajú napríklad to, čo vidíte
na sociálnych sieťach.



ZAMOTANÍ V SIETI NEURÓNOV

Umelé neurónové siete sú modely strojového učenia inšpirované biologickými
neurónovými sieťami v mozgu. Sú navrhnuté tak, aby simulovali spôsob, akým
ľudský mozog spracováva informácie. Neuróny sú základnými stavebnými kameňmi
nervového systému. Tieto bunky sú vzájomne prepojené synapsami. Každý neurón
funguje ako akýsi komunikačný uzol, ktorý dokáže prijímať signály od iných
neurónov a posielať vlastné signály ďalej.
Jeden neurón môže byť prepojený s tisíckami iných neurónov, čím vytvára veľmi
komplexnú sieť.
Keď sa učíme niečo nové, vytvárame tým nové spojenia medzi neurónmi. Čím viac
danú vec opakujeme, tým lepšie si ju pamätáme. Je to ako vyšliapavanie chodníka
v tráve - čím viac po ňom chodíme, tým je výraznejší. To aké silné sú spojenia
medzi neurónmi sa môže v čase meniť. Silnejšie spojenia umožňujú signálom
prechádzať ľahšie a rýchlejšie. Čím častejšie sa určitá cesta používa, tým sú
spojenia medzi príslušnými neurónmi silnejšie. 
Mozog je, okrem iného, majstrom v identifikovaní vecí a javov okolo nás.
Napríklad ráno v kúpeľni. Človek uvidí predmet a mozog okamžite identifikuje
jeho tvar, farbu, polohu a ďalšie atribúty. Za sekundu vieme, že je to naša
zubná kefka. Inteligentné systémy sa snažia napodobniť túto úžasnú schopnosť
nášho mozgu. Učia sa rozpoznávať veci podobne ako my - postupne, a na základe
predošlých skúseností. A na to využívajú tréningové dáta.
Mozog je zložený z približne 100 miliárd neurónov.


AKO FUNGUJÚ NEURÓNOVÉ SIETE

Neurónovú sieť si môžeme predstaviť ako viacrozmerný systém vrstiev neurónov. 
Ako funguje taká sieť si ukážeme na príklade rozpoznávania obrázkov psov a
mačiek. Na začiatok budeme potrebovať veľké množstvo rôznych obrázkov týchto
predmetov.
Na úplnom začiatku neurónová sieť samozrejme nerozozná, na ktorom obrázku je
pes, a na ktorom je mačka. Preto skrátka tipuje a učí sa na vlastných chybách.
Tie analyzuje a zdokonaľuje svoju predikciu. Čím viac vzorcov rozpozná, tým
silnejšie prepojenia medzi “neurónmi” vznikajú a tým je väčšia šanca, že
neurónová sieť rozozná objekty. Celý proces sa opakuje, kým sieť nedosiahne
uspokojivú úroveň presnosti.
Chcem zistiť viacChcem zistiť viac
Každý obrázok sa v prvom kroku rozdelí na pixely a každý pixel sa označí
číselnou hodnotou, ktorá reprezentuje farbu a intenzitu svetla. To budú naše
vstupné dáta.
Tie sa nahrajú do vstupnej vrstvy, následne s nimi budú pracovať ešte skryté
vrstvy a na záver výstupná vrstva.

VSTUPNÁ VRSTVA

Prijíma číselné hodnoty pixelov obrázka


SKRYTÉ VRSTVY

Spracovávajú a rozpoznávajú vzory


VÝSTUPNÁ VRSTVA

Rozhoduje, či ide o psa alebo mačku

Na začiatok potrebujeme veľké množstvo obrázkov. Čím väčšia a rozmanitejšia je
naša sada, tým lepšie sa sieť naučí rozpoznávať  psov a mačky v rôznych
podobách, uhloch a svetelných podmienkach. Každý obrázok v našom datasete musí
byť  tiež označený, čiže musí mať priradenú správnu kategóriu - "pes" alebo
"mačka". Tento proces je kľúčový, pretože poskytuje neurónovej sieti "správne
odpovede", voči ktorým môže porovnávať svoje predikcie a učiť sa.
1.
V prvom kroku potrebujeme obrázky spracovať. Každý obrázok sa rozdelí na
jednotlivé pixely. Každý pixel je reprezentovaný číselnou hodnotou (alebo
skupinou hodnôt v prípade farebných obrázkov), ktorá predstavuje farbu a
intenzitu svetla v danom bode.
2.
Tieto číselné hodnoty pixelov sa nahrajú na vstup neurónovej siete. Ak máme
napríklad obrázok s rozlíšením 28x28 pixelov, vstupná vrstva by mala 784
neurónov (28 x 28 = 784), každý neurón reprezentujúci jeden pixel obrázka.
3.

Štruktúra neurónovej siete potom pozostáva z 3 častí: 

Vstupná vrstva

Prijíma číselné hodnoty pixelov obrázka. Každý neurón v tejto vrstve
reprezentuje jeden pixel a jeho hodnotu. 




SKRYTÉ VRSTVY

Tieto vrstvy spracovávajú a rozpoznávajú vzory v dátach. Môže ich byť niekoľko,
každá so svojou špecifickou úlohou:

 * Prvé skryté vrstvy môžu rozpoznávať jednoduché tvary a hrany.
 * Hlbšie vrstvy môžu identifikovať komplexnejšie vzory, ako napríklad textúry
   alebo časti objektov.
 * Ešte hlbšie vrstvy môžu rozpoznávať celé objekty alebo ich charakteristické
   črty.

Každý neurón v skrytej vrstve je prepojený s neurónmi v predchádzajúcej a
nasledujúcej vrstve. Sila týchto prepojení (váhy) určuje, ako veľmi ovplyvňuje
signál z jedného neurónu aktiváciu ďalšieho. 




VÝSTUPNÁ VRSTVA

V našom prípade by mala dva neuróny – jeden pre psov a jeden pre mačky. Neurón s
vyššou aktiváciou určuje finálne rozhodnutie siete.



4.
Na úplnom začiatku neurónová sieť samozrejme nerozozná, na ktorých obrázkoch sú
psi a na ktorých mačky. Preto začína náhodným odhadom a postupne sa učí na
vlastných chybách veľmi podobne ako malé dieťa, ktoré spoznáva svet.


TRÉNOVANIE
NEURÓNOVEJ SIETE

Celý proces sa nazýva "trénovanie". Trénovanie prebieha v niekoľkých krokoch.
Najprv sieť spraví predpoveď na základe svojich súčasných prepojení. Potom
porovná svoju predpoveď s priradenou kategóriou pre daný obrázok, a vypočíta,
ako veľmi sa mýlila. Tento výpočet sa nazýva výpočet chyby. Následne sa táto
chyba "propaguje" späť cez sieť, od výstupnej vrstvy k vstupnej. Na základe
tejto spätnej propagácie sa upravia prepojenia medzi neurónmi. Prepojenia, ktoré
viedli k správnej predpovedi, sa posilnia, zatiaľ čo tie, ktoré viedli k chybe,
sa oslabia.
Celý proces sa opakuje mnohokrát, často tisíce až milióny iterácií, s rôznymi
obrázkami z trénovacej sady. Postupne sa vytvárajú silnejšie prepojenia medzi
"neurónmi" tam, kde vedú k správnym predpovediam. Týmto spôsobom sa neurónová
sieť učí rozoznávať psy od mačiek čoraz presnejšie, pretože sieť sa učí
identifikovať kľúčové znaky, ktoré robia veci odlišné - napríklad tvar, textúra,
typické farby alebo charakteristické časti (oči mačky alebo uši psa).
Tento proces umožňuje neurónovej sieti "naučiť sa" rozpoznávať predmety ale aj
ľudí na obrázkoch s vysokou presnosťou. Je dôležité poznamenať, že rovnaký
princíp sa dá aplikovať aj na riešenie úplne odlišných typov problémov, čo robí
neurónové siete mimoriadne všestrannými a užitočnými v mnohých oblastiach umelej
inteligencie.


AI EXPLAINED

Vysvetliteľnosť v kontexte neurónových sietí znamená schopnosť pochopiť a
vysvetliť, ako sieť dospela k svojmu rozhodnutiu. Ide o snahu "nahliadnuť" do
čiernej skrinky a porozumieť procesu rozhodovania. Prečo je vysvetliteľnosť
dôležitá? V prvom rade ide o dôveru. Ak rozumieme, ako systém umelej
inteligencie dospel k rozhodnutiu, môžeme mu viac dôverovať.  Po praktickej
stránke nám vysvetliteľnosť umožňuje odhaliť prípadné chyby, odstrániť ich a
vylepšiť náš model.
Ako teda dosiahnuť vysvetliteľnosť v tak zložitých systémoch? Existuje niekoľko
metód, no my sa pozrieme bližšie na dve z nich. 

1. VIZUALIZÁCIA AKTIVÁCIÍ

Zobrazuje, ktoré časti vstupných dát najviac aktivovali neuróny v sieti.
Napríklad pri rozpoznávaní obrázkov by táto metóda mohla ukázať, že sieť sa pri
identifikácii mačky zamerala najmä na oblasť očí a uší.

2. TEPLOTNÉ MAPY

Zvýrazňujú časti vstupných dát s najväčším vplyvom na rozhodnutie siete. Pri
úlohe spracovania textu ako je analýza sentimentu by teplotná mapa podaná ako
vysvetlenie, mohla zyvýrazniť jednotlivé slová ktoré prispeli k ‘pozitívnej’
alebo ‘negatívnej’ klasifikácii sentimentu textu. Teplotná mapa teda zvýrazní
slová, ktoré sieť považovala za najdôležitejšie pre svoju predikciu.
Čím je model zložitejší a výkonnejší, tým je ťažšie ho vysvetliť.
Napriek pokroku v tejto oblasti zostávajú mnohé výzvy. Často existuje kompromis
medzi výkonom modelu a jeho vysvetliteľnosťou.



Vysvetliteľnosť zostáva kľúčovou oblasťou výskumu v oblasti umelej inteligencie.
Ako sa neurónové siete stávajú čoraz dôležitejšími v našom každodennom živote,
schopnosť pochopiť a vysvetliť ich rozhodnutia sa stáva rovnako dôležitou ako
ich výkon. Pokrok v tejto oblasti nám umožní nielen lepšie využívať potenciál
AI, ale aj budovať dôveru v tieto systémy a zabezpečiť ich etické a spravodlivé
používanie. Hoci úplné "odhalenie" čiernej skrinky neurónových sietí zostáva
naďalej výzvou, každý krok smerom k väčšej vysvetliteľnosti je krokom k
zodpovednému a dôveryhodnému využívaniu umelej inteligencie.


AI UMELÁ INTELIGENCIA SA MÝLI

Umelá inteligencia ľudské schopnosti v mnohom predčí. Algoritmus však nie je
neomylný - naopak, nemôžeme sa naň úplne spoliehať a stále si vyžaduje ľudskú
kontrolu so zapojením kritického myslenia a zdravého úsudku. Prvým krokom k
tomu, aby sme týmto chybám predišli je, že budeme dobre rozumieť ako konkrétne
modely AI pracujú. Avšak vnútorné fungovanie neurónových sietí  často zostáva
záhadou aj pre ich tvorcov. Prečo je to tak? 



Predstavte si neurónovú sieť ako obrovský labyrint s miliónmi prepojených ciest.
Keď dáme na vstup nejaké dáta, napríklad obrázok, dáta prechádzajú labyrintom,
pričom sa na každej križovatke (neuróne) upravujú a kombinujú. Na konci
labyrintu dostaneme výsledok - napríklad "tento obrázok zobrazuje mačku".


Ale sledovať presnú cestu, ktorou dáta prešli a ako sa na každej križovatke
zmenili, je prakticky nemožné kvôli obrovskému množstvu týchto ciest a
transformácií. S narastajúcou zložitosťou úlohy rastie aj komplexnosť siete,
teda pomyselný labyrint sa zväčšuje.



Táto nepriehľadnosť vedie k tomu, že neurónové siete často fungujú ako "čierne
skrinky" - vieme, čo dávame na vstup a čo dostávame na výstup, poznáme tiež
základný algoritmus učenia avšak napriek tomu nie je jasné, ako presne sieť
dospela k svojmu rozhodnutiu. Týmto nastáva problém v mnohých situáciách, najmä
ak sa neurónové siete používajú na rozhodovanie v citlivých oblastiach.

CHATBOT RASISTA

Chatbot Tay od firmy Microsoft, sa mal učiť konverzáciou s používateľmi na
Twitteri. Nanešťastie, Tay sa dostal do kontaktu s používateľmi, ktorí ho
naučili nevhodné a rasistické správanie.

AI VYMÝŠĽA NEBEZPEČNÉ HRY

Domáci asistent Alexa od firmy Amazon dokáže rozoznať a vykonať hlasový povel.
Mnohí rodičia ho využívajú aj na zabavenie svojich detí. Raz však Alexa
vymyslela hru, počas ktorej mali deti postupne plniť rôzne úlohy. Robot ale
poslal dieťa vložiť kovovú mincu do elektrickej zásuvky. Inokedy zas hlasový
asistent nerozumel detskej výslovnosti a namiesto obľúbenej pesničky spustil
prehrávanie na pornografickej stránke.

DRAHÉ NÁKUPY

6-ročná Američanka dokázala Alexu presvedčiť, aby jej objednala drahý domček pre
bábiky a 2 kilogramy obľúbených sušienok. Rodičia sa o tom dozvedeli až keď
dorazil kuriér. Všetko pochopili až po prehratí histórie konverzácie s robotom.

PSYCHOLÓG BEZ KVALIFIKÁCIE

Najmä v Japonsku je veľmi populárny predaj robotov pre starších ľudí, ktorí sa
nemajú s kým porozprávať. Jazykový model GPT-3, testovaný ako robot-psychológ,
odporučil pacientovi v depresii spáchať samovraždu.

KEĎ JE ROBOT SÁM DOMA

Kým bol majiteľ hlasového asistenta v práci, začal robot v noci púšťať hudbu tak
hlasno, že susedia museli zavolať políciu. Aby policajti robota umlčali, museli
vyraziť dvere. Majiteľ tiež dostal pokutu za rušenie nočného kľudu.

CEZ OKNO VYLETÍ… PES

Keď sa výskumníci z Allenovho inštitútu pri testovaní pýtali modelu Chat GPT 3
”na čo slúžia okná, robot im odpovedal “aby sme mohli vyhodiť psa”.



PODVOD POMOCOU AI

V Anglicku robotický hlas napodobnil šéfa firmy a presvedčil asistenta, aby
vykonal bankovú transakciu vo výške 220 000 eur. Asistent bol presvedčený, že
hovorí so svojím šéfom a peniaze odoslal.

 * 
 * 
 * 




POZÝVAME VÁS NA POHOVOR S AI

Ako by to asi vyzeralo, keby o vašom prijatí alebo neprijatí do zamestnania
rozhodovala umelá inteligencia? Celý proces sa začína čítaním a porozumením
textu pracovnej pozície a dostupných životopisov. Systém spracuje obsah tak, že
texty prevedie na ich číselné kódy (číselné reprezentácie - vektory). Vďaka nim
vie zohľadniť význam slov a zisťuje, do akej miery sú rôzne pojmy v dokumentoch
zhodné.
Takýto systém je pritom celkom šikovný. Porovnáva, či sú v životopisoch rovnaké
zručnosti, skúsenosti a kvalifikácie, aj keď používajú rôzne slová - zameriava
sa na obsahový význam. Napríklad ak ponuka práce vyžaduje „skúsenosti vo
finančnom sektore“ a v životopise kandidáta sa uvádza „kontroly rozpočtu a
finančné prognózy“, systém rozpozná, že tieto frázy spolu súvisia. AI teda hľadá
najväčšiu zhodu medzi kandidátom a pracovnou pozíciou. Systém nájde životopisy,
ktoré najlepšie zodpovedajú požiadavkám uvedeným v popise práce, a zoradí ich
podľa relevantnosti.
Interview s AIInterview s AI
Na dnešnom trhu práce môže byť hľadanie ideálneho kandidáta náročná úloha. Veľké
spoločnosti často dostávajú stovky žiadostí o inzerované pracovné miesto, takže
je takmer vylúčené ručne prechádzať všetky životopisy. Našťastie pokroky v
umelej inteligencii menia proces prijímania nových uchádzačov. Jednou takouto
inováciou je inteligentné vyhladávanie vhodných kandidátov pre inzerovanú
pracovnú pozíciu. Takýto prístup môže pomôcť firmám efektívne identifikovať
najlepších kandidátov pre ich pracovné pozície.
Pomocou inteligentného spracovania prirodzeného jazyka a strojového učenia,
dokáže systém porozumieť a analyzovať obsah inzerovanej pracovnej pozicie ako aj
životopisy. Najlepšie zhody sú nájdené na základe sémantickej (významovej)
podobnosti párov pracovná pozícia - kandidát.


AKO TO FUNGUJE?

Celý proces začína čítaním a porozumením textu inzerovanej pracovnej pozície a
dostupných životopisov. Inteligentné systémy trénované pre spracovanie
prirodzeného jazyka dokážu pochopiť kontext, význam slov alebo fráz, čo umožňuje
presne interpretovať požiadavky a kvalifikácie uvedené v pracovných pozíciách.
Po spracovaní-pochopení obsahu dokumentov, systém následne prevedie text a
informácie v ňom na vektory – číselné reprezentácie (číselné kódy pre slová),
ktoré zachytávajú sémantický význam slov alebo fráz v číselnom formáte, ktorý
možno ľahko spracovať digitálne. 

Tieto špecifické transformácie textu na vektory sa vytvárajú tréningom na veľkom
množstve textových dát, čo umožňuje modelu naučiť sa kontext a vzťahy medzi
slovami. V pomyselnom vektorovom priestore budú mať slová s podobným významom
alebo slová, ktoré sa používajú v podobných kontextoch vektory, ktoré sú blízko
seba.


Sémantická podobnosť presahuje ‘len’ obsahovú podobnosť. Zatiaľ čo podobnosť
obsahu sa môže zamerať na presné slová alebo frázy, sémantická podobnosť
zohľadňuje samotný význam týchto slov. Ide o pochopenie kontextu a nuancií, aby
sme určili, do akej miery sú rôzne pojmy zhodné. V kontexte hľadania zhody medzi
pracovnou pozíciou a kandidátom, sémantická podobnosť predstavuje porovnanie
popisu práce a životopisov, aby sa zistilo, či dokumenty hovoria o rovnakých
zručnostiach, skúsenostiach a kvalifikáciách, napriek tomu že môžu používať
rôzne slová. Ak napríklad ponuka práce vyžaduje „skúsenosti vo finančnom
sektore“ a v životopise kandidáta sa uvádza „kontroly rozpočtu a finančné
prognózy“, inteligentný systém, ktorý používa sémantickú podobnosť, rozpozná, že
tieto frázy spolu súvisia, aj keď sa presné znenie líši.

Jadro celého procesu teda predstavuje hľadanie najväčšej podobnosti - zhody
kandidáta a pracovnej pozície. Zjednodušene povedané, systém nájde životopisy,
ktoré najlepšie zodpovedajú požiadavkám a povinnostiam uvedeným v popise práce.
Keď systém identifikuje najväčšie zhody, životopisy zoradí na základe ich
relevantnosti pre konkrétnu pracovnú pozíciu. Takýto rebríček najlepších
kandidátov pomáha náborovým manažérom zistiť, kto je pre pozíciu najvhodnejší
kandidát a ďalej sa môžu zamerať na strategickejšie úlohy, ako sú pohovory a
onboarding, vďaka čomu je celkový proces náboru nákladovo efektívnejší. 

Napríklad ak by sme transformovali slová medveď hnedý, medveď čierny a zajac
poľný vo vektorovom priestore budú vektory medveďov blízko pri sebe zatiaľ čo
vektor zajaca bude vzdialený ďalej. To znamená, že vzdialenosť medzi vektormi
predstavuje sémantickú podobnosť medzi slovami. 


POĎTE SI S NAMI VYSKÚŠAŤ, AKO TO FUNGUJE V PRAXI.

Vybrali by ste rovnakého kandidáta ako umelá inteligencia?

PRACOVNÁ POZÍCIA: LETUŠKA/STEWARD

Do nášho medzinárodného tímu hľadáme letušku alebo stewarda, ktorí rozšíria našu
flotilu profesionálov. Vyžadujeme profesionalitu a zákaznícky orientovaný
prístup. Ideálny kandidát/-ka pre túto prácu sa musí dokázať postarať o
bezpečnosť pasažierov a poskytnúť im kvalitný palubný servis počas letu. Vašou
úlohou bude vytvoriť príjemný letový zážitok za dodržania všetkých potrebných
predpisov našej leteckej spoločnosti.
proklientský prístup
príjemné vystupovanie
aspoň 2 roky praxe na pozícii
ukončené stredoškolské vzdelanie
komunikačné zručnosti
znalosť bezpečnostných postupov
angličtina na komunikačnej úrovni, ďalší cudzí jazyk výhodou
bez tetovaní na viditeľných miestach

EVA

8 rokov praxe

Som letuška s osemročnými skúsenosťami v leteckej doprave. Mám certifikáciu v
bezpečnostných postupoch a kladiem veľký dôraz na perfektnú vizáž počas celého
výkonu práce. Moje stredoškolské vzdelanie v oblasti zdravotníctva mi poskytlo
cenné znalosti, ktoré som už niekoľkokrát využila pri krízových situáciách na
palube. Počas mojej kariéry som úspešne asistovala pri nečakanom pôrode a
záchrane ľudského života, pričom oba prípady sa vďaka mojej duchaprítomnosti a
znalostiam skončili šťastne. Mám bohaté skúsenosti z medzinárodných letov.
Plynule hovorím po nemecky a mám základnú znalosť angličtiny.

komunikatívnosť
riešenie konfliktov
orientácia na zákazníka
prispôsobivosť
Vybrať kandidáta

MARTIN

1 rok praxe

Som mladý steward s ročnou praxou v leteckej doprave. Hoci moja prax v odbore
môže pôsobiť krátko, mám cennú skúsenosť zo súkromnej leteckej spoločnosti, kde
som pracoval primárne pre prémiových klientov na úrovni First Class a Ultra
First Class. Moje silné stránky sú príjemné vystupovanie a vynikajúce
komunikačné schopnosti v angličtine i španielčine. Napriek tomu, že mám zatiaľ
iba základné skúsenosti v oblasti bezpečnosti, aktívne pracujem na ich
rozšírení.



tímová práca
zvládanie núdzových situácií
orientácia na zákazníka
jazykové znalosti
Vybrať kandidáta

IZABELA

bez praxe

Som absolventkou strednej zdravotníckej školy so skúsenosťami v poskytovaní
prvej pomoci a starostlivosti o ľudí. Pracovala som ako zdravotná asistentka,
kde som si vybudovala organizačné schopnosti a zvládanie stresových situácií.
Prácu letušky vidím ako možnosť spojiť starostlivosť o ľudí s mojou láskou k
cestovaniu.

fyzická zdatnosť
poskytovanie prvej pomoci
stresová odolnosť
organizačné schopnosti
Vybrať kandidáta
 * 

AK SA CHCETE O UMELEJ INTELIGENCII DOZVEDIEŤ VIAC, POZRITE SI NAŠE BLOGY:

HOW DOES ARTIFICIAL INTELLIGENCE THINK?

Explainable Artificial Intelligence: From Black Boxes to Transparent Models Can
artificial intelligence decide on who will be released from prison, who will
advance to the next round of job interviews…

Celý článok

THREE BENEFITS OF EXPLAINABLE ARTIFICIAL INTELLIGENCE

Explainable Artificial Intelligence: From Black Boxes to Transparent Models
Artificial intelligence will increasingly interfere in our lives. However, many
people do not trust artificial intelligence and are reluctant to leave…

Celý článok

TRANSPARENT MODELS VS. BLACK BOX MODELS

Explainable Artificial Intelligence: From Black Boxes to Transparent Models Can
artificial intelligence decide on who will be released from prison, who will
advance to the next round of job interviews…

Celý článok

COMPONENTS AND PROPERTIES OF GOOD EXPLANATIONS OF ARTIFICIAL INTELLIGENCE
MODELS’ DECISIONS

Explainable Artificial Intelligence: From Black Boxes to Transparent Models From
the perspective of machine learning (ML), we are living in happy times. For many
tasks that we were not able…

Celý článok

HOW TO MEASURE THE QUALITY OF EXPLANATIONS OF AI PREDICTIONS

Explainable Artificial Intelligence: From Black Boxes to Transparent Models In
the previous part of the series, we looked at what components and properties
should good explanations have. The first component,…

Celý článok

ARE THE EXPLANATIONS WE CONSIDER TO BE  GOOD REALLY GOOD?

Explainable Artificial Intelligence: From Black Boxes to Transparent Models In
previous articles, we introduced three very interesting concepts from the field
of eXplainable Artificial Intelligence (XAI): In this article, we…

Celý článok
 * 
 * 

www.kinit.sk
Hlavný partner projektu je Férová Nadácia O2
© 2024 www.kinit.sk
Tento web používa analytiku, ktorá nezbiera cookies.
Nastavenia CookiesOchrana osobných údajov


 * Budúcnosť je tu
 * Spleť neurónov
 * Dôveruj, ale preveruj
 * Pohovor s AI
 * Zaujímavé čítanie