Sztuczna inteligencja w biznesie
Informacje ogólne
| Kod przedmiotu: | 2290M0-D |
| Kod Erasmus / ISCED: | (brak danych) / (brak danych) |
| Nazwa przedmiotu: | Sztuczna inteligencja w biznesie |
| Jednostka: | Szkoła Główna Handlowa w Warszawie |
| Grupy: |
Przedmioty kierunkowe do wyboru SMMD-ADA Przedmioty obowiązkowe na programie SMMD-EBI |
| Punkty ECTS i inne: |
3.00 (zmienne w czasie)
|
| Język prowadzenia: | polski |
| Efekty uczenia się: |
Wiedza: Znajomość podstaw SI Wiedza o reprezentatywnych zastosowaniach biznesowych SI Poznanie architektury systemów SI Umiejętności: Podstawowa umiejętność przeprowadzenie analizy wymagań biznesowych Umiejętność identyfikacji ryzyk związanych z budowaniem i użytkowaniem systemów SI Umiejętność zdefiniowania celów biznesowych transformacji cyfrowej w przedsiębiorstwie Kompetencje społeczne: Zrozumienia aspektów etycznych związanych z użytkowaniem systemów SI Świadomość korzyści i zagrożeń społecznych związanych z rozwojem SI Znajomość tematyki przetwarzania danych wrażliwych/osobowych w systemach SI |
Zajęcia w cyklu "Semestr zimowy 2026/27" (jeszcze nie rozpoczęty)
| Okres: | 2026-10-01 - 2027-02-19 |
 
PN WT ŚR CZ PT |
| Typ zajęć: |
Konwersatorium, 30 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | (brak danych) | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: | Ocena | |
| Skrócony opis: |
Tematyka zajęć: 0) Historia Sztucznej Inteligencji (SI) 1) Metody eksploracji danych (data mining) dla danych ustrukturalizowanych (dane ilościowe i jakościowe), 2) Konwolucyjne sieci neuronowe (deep learning) dla danych nieustrukturalizowanych (zdjęcia, video, audio), 3) Duże modele językowe (large language models) dla analizy danych tekstowych 4) Przegląd reprezentatywnych przykładów zastosowań biznesowych 5) Rozwój SI a transformacja cyfrowa przedsiębiorstw 6) Zarządzania ryzykiem w kontekście bezpiecznego stosowania systemów SI 7) Aktualne trendy rozwojowe |
|
| Pełny opis: |
W ramach wykładu zostanie omówiony potencjał rozwoju biznesu związany z najnowszymi osiągnięciami Sztucznej Inteligencji (SI). Wykład obejmuje prezentację: 1) metod eksploracji danych (data mining) dla danych ustrukturalizowanych (dane ilościowe i jakościowe), 2) konwolucyjnych sieci neuronowych (deep learning) dla danych nieustrukturalizowanych (zdjęcia, video, audio), 3) duże modele językowe (large language models) dla analizy danych tekstowych. Każde z omawianych podejść jest ilustrowane reprezentatywnymi przykładami zastosowań biznesowych. Wykład obejmu także problematykę transformacji cyfrowej przedsiębiorstw oraz zarządzania ryzykiem w kontekście bezpiecznego stosowania systemów SI. Wykład kończy się omówieniem aktualnych trendów rozwojowych. |
|
| Literatura: |
Literatura podstawowa: [1] Wolfram S., What Is ChatGPT Doing, Wolfram Media Inc, 2023 [2] Provost F., Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji. Helion, 2014 [3] Surma J., Business Intelligence, PWN, 2016 [4] Notes from the AI frontier: Applications and value of deep learning, McKinsey, 2018 [5] The economic potential of generative AI, McKinsey, 2023 Literatura uzupełniająca: [1] Surma J., Cyfryzacja Życia w Erze Big Data, PWN, 2018 [2] Surma J., Hakowanie Sztucznej Inteligencji, PWN, 2022 [3] Bengio Y., Deep Learning - Systemy uczące się, PWN, 2018 [4] Hinton, ImageNet classification with deep convolutional neural networks, Communications of the ACM, vol. 60(6), 2017 [5] Vaswani A., Attention Is All You Need, arXiv:1706.03762v7, 2017 |
|
| Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny (Pytania otwarte): 30.00% egzamin testowy (Pytania testowe): 60.00% egzamin ustny: 0.00% kolokwium (Pytania testowe): 10.00% referaty/eseje: 0.00% inne: 0.00% projekty: 0.00% studia przypadków: 0.00% prezentacje indywidualne lub grupowe: 0.00% Odsetek nieobecności, powyżej którego nie zalicza się przedmiotu (nie dot. wykładów) wyrażony odsetkiem godzin, powyżej którego wyklucza się osiągnięcie efektów uczenia się: 50% |
|
Zajęcia w cyklu "Semestr letni 2025/26" (w trakcie)
| Okres: | 2026-02-21 - 2026-09-30 |
PN WT ŚR CZ PT WYK
|
| Typ zajęć: |
Wykład, 30 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | Jerzy Surma | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
| Skrócony opis: |
Tematyka zajęć: 0) Historia Sztucznej Inteligencji (SI) 1) Metody eksploracji danych (data mining) dla danych ustrukturalizowanych (dane ilościowe i jakościowe), 2) Konwolucyjne sieci neuronowe (deep learning) dla danych nieustrukturalizowanych (zdjęcia, video, audio), 3) Duże modele językowe (large language models) dla analizy danych tekstowych 4) Przegląd reprezentatywnych przykładów zastosowań biznesowych 5) Rozwój SI a transformacja cyfrowa przedsiębiorstw 6) Zarządzania ryzykiem w kontekście bezpiecznego stosowania systemów SI 7) Aktualne trendy rozwojowe |
|
| Pełny opis: |
W ramach wykładu zostanie omówiony potencjał rozwoju biznesu związany z najnowszymi osiągnięciami Sztucznej Inteligencji (SI). Wykład obejmuje prezentację: 1) metod eksploracji danych (data mining) dla danych ustrukturalizowanych (dane ilościowe i jakościowe), 2) konwolucyjnych sieci neuronowych (deep learning) dla danych nieustrukturalizowanych (zdjęcia, video, audio), 3) duże modele językowe (large language models) dla analizy danych tekstowych. Każde z omawianych podejść jest ilustrowane reprezentatywnymi przykładami zastosowań biznesowych. Wykład obejmu także problematykę transformacji cyfrowej przedsiębiorstw oraz zarządzania ryzykiem w kontekście bezpiecznego stosowania systemów SI. Wykład kończy się omówieniem aktualnych trendów rozwojowych. |
|
| Literatura: |
Literatura podstawowa: [1] Wolfram S., What Is ChatGPT Doing, Wolfram Media Inc, 2023 [2] Provost F., Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji. Helion, 2014 [3] Surma J., Business Intelligence, PWN, 2016 [4] Notes from the AI frontier: Applications and value of deep learning, McKinsey, 2018 [5] The economic potential of generative AI, McKinsey, 2023 Literatura uzupełniająca: [1] Surma J., Cyfryzacja Życia w Erze Big Data, PWN, 2018 [2] Surma J., Hakowanie Sztucznej Inteligencji, PWN, 2022 [3] Bengio Y., Deep Learning - Systemy uczące się, PWN, 2018 [4] Hinton, ImageNet classification with deep convolutional neural networks, Communications of the ACM, vol. 60(6), 2017 [5] Vaswani A., Attention Is All You Need, arXiv:1706.03762v7, 2017 |
|
| Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny (Pytania otwarte): 40.00% egzamin testowy (Pytania testowe): 50.00% egzamin ustny: 0.00% kolokwium (Pytania testowe): 10.00% referaty/eseje: 0.00% inne: 0.00% projekty: 0.00% studia przypadków: 0.00% prezentacje indywidualne lub grupowe: 0.00% Odsetek nieobecności, powyżej którego nie zalicza się przedmiotu (nie dot. wykładów) wyrażony odsetkiem godzin, powyżej którego wyklucza się osiągnięcie efektów uczenia się: 50% |
|
Zajęcia w cyklu "Semestr zimowy 2025/26" (zakończony)
| Okres: | 2025-10-01 - 2026-02-20 |
PN WT ŚR CZ PT |
| Typ zajęć: |
Wykład, 30 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | (brak danych) | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
| Skrócony opis: |
Tematyka zajęć: 0) Historia Sztucznej Inteligencji (SI) 1) Metody eksploracji danych (data mining) dla danych ustrukturalizowanych (dane ilościowe i jakościowe), 2) Konwolucyjne sieci neuronowe (deep learning) dla danych nieustrukturalizowanych (zdjęcia, video, audio), 3) Duże modele językowe (large language models) dla analizy danych tekstowych 4) Przegląd reprezentatywnych przykładów zastosowań biznesowych 5) Rozwój SI a transformacja cyfrowa przedsiębiorstw 6) Zarządzania ryzykiem w kontekście bezpiecznego stosowania systemów SI 7) Aktualne trendy rozwojowe |
|
| Pełny opis: |
W ramach wykładu zostanie omówiony potencjał rozwoju biznesu związany z najnowszymi osiągnięciami Sztucznej Inteligencji (SI). Wykład obejmuje prezentację: 1) metod eksploracji danych (data mining) dla danych ustrukturalizowanych (dane ilościowe i jakościowe), 2) konwolucyjnych sieci neuronowych (deep learning) dla danych nieustrukturalizowanych (zdjęcia, video, audio), 3) duże modele językowe (large language models) dla analizy danych tekstowych. Każde z omawianych podejść jest ilustrowane reprezentatywnymi przykładami zastosowań biznesowych. Wykład obejmu także problematykę transformacji cyfrowej przedsiębiorstw oraz zarządzania ryzykiem w kontekście bezpiecznego stosowania systemów SI. Wykład kończy się omówieniem aktualnych trendów rozwojowych. |
|
| Literatura: |
Literatura podstawowa: [1] Wolfram S., What Is ChatGPT Doing, Wolfram Media Inc, 2023 [2] Provost F., Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji. Helion, 2014 [3] Surma J., Business Intelligence, PWN, 2016 [4] Notes from the AI frontier: Applications and value of deep learning, McKinsey, 2018 [5] The economic potential of generative AI, McKinsey, 2023 Literatura uzupełniająca: [1] Surma J., Cyfryzacja Życia w Erze Big Data, PWN, 2018 [2] Surma J., Hakowanie Sztucznej Inteligencji, PWN, 2022 [3] Bengio Y., Deep Learning - Systemy uczące się, PWN, 2018 [4] Hinton, ImageNet classification with deep convolutional neural networks, Communications of the ACM, vol. 60(6), 2017 [5] Vaswani A., Attention Is All You Need, arXiv:1706.03762v7, 2017 |
|
| Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny (Pytania otwarte): 40.00% egzamin testowy (Pytania testowe): 50.00% egzamin ustny: 0.00% kolokwium (Pytania testowe): 10.00% referaty/eseje: 0.00% inne: 0.00% projekty: 0.00% studia przypadków: 0.00% prezentacje indywidualne lub grupowe: 0.00% Odsetek nieobecności, powyżej którego nie zalicza się przedmiotu (nie dot. wykładów) wyrażony odsetkiem godzin, powyżej którego wyklucza się osiągnięcie efektów uczenia się: 50% |
|
Zajęcia w cyklu "Semestr letni 2024/25" (zakończony)
| Okres: | 2025-02-15 - 2025-09-30 |
PN WT ŚR CZ PT WYK
|
| Typ zajęć: |
Wykład, 30 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | Jerzy Surma | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
| Skrócony opis: |
Tematyka zajęć: 0) Historia Sztucznej Inteligencji (SI) 1) Metody eksploracji danych (data mining) dla danych ustrukturalizowanych (dane ilościowe i jakościowe), 2) Konwolucyjne sieci neuronowe (deep learning) dla danych nieustrukturalizowanych (zdjęcia, video, audio), 3) Duże modele językowe (large language models) dla analizy danych tekstowych 4) Przegląd reprezentatywnych przykładów zastosowań biznesowych 5) Rozwój SI a transformacja cyfrowa przedsiębiorstw 6) Zarządzania ryzykiem w kontekście bezpiecznego stosowania systemów SI 7) Aktualne trendy rozwojowe |
|
| Pełny opis: |
W ramach wykładu zostanie omówiony potencjał rozwoju biznesu związany z najnowszymi osiągnięciami Sztucznej Inteligencji (SI). Wykład obejmuje prezentację: 1) metod eksploracji danych (data mining) dla danych ustrukturalizowanych (dane ilościowe i jakościowe), 2) konwolucyjnych sieci neuronowych (deep learning) dla danych nieustrukturalizowanych (zdjęcia, video, audio), 3) duże modele językowe (large language models) dla analizy danych tekstowych. Każde z omawianych podejść jest ilustrowane reprezentatywnymi przykładami zastosowań biznesowych. Wykład obejmu także problematykę transformacji cyfrowej przedsiębiorstw oraz zarządzania ryzykiem w kontekście bezpiecznego stosowania systemów SI. Wykład kończy się omówieniem aktualnych trendów rozwojowych. |
|
| Literatura: |
Literatura podstawowa: [1] Wolfram S., What Is ChatGPT Doing, Wolfram Media Inc, 2023 [2] Provost F., Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji. Helion, 2014 [3] Surma J., Business Intelligence, PWN, 2016 [4] Notes from the AI frontier: Applications and value of deep learning, McKinsey, 2018 [5] The economic potential of generative AI, McKinsey, 2023 Literatura uzupełniająca: [1] Surma J., Cyfryzacja Życia w Erze Big Data, PWN, 2018 [2] Surma J., Hakowanie Sztucznej Inteligencji, PWN, 2022 [3] Bengio Y., Deep Learning - Systemy uczące się, PWN, 2018 [4] Hinton, ImageNet classification with deep convolutional neural networks, Communications of the ACM, vol. 60(6), 2017 [5] Vaswani A., Attention Is All You Need, arXiv:1706.03762v7, 2017 |
|
Zajęcia w cyklu "Semestr zimowy 2024/25" (zakończony)
| Okres: | 2024-10-01 - 2025-02-14 |
PN WT ŚR CZ PT |
| Typ zajęć: |
Wykład, 30 godzin
|
|
| Koordynatorzy: | (brak danych) | |
| Prowadzący grup: | (brak danych) | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
| Skrócony opis: |
Tematyka zajęć: 0) Historia Sztucznej Inteligencji (SI) 1) Metody eksploracji danych (data mining) dla danych ustrukturalizowanych (dane ilościowe i jakościowe), 2) Konwolucyjne sieci neuronowe (deep learning) dla danych nieustrukturalizowanych (zdjęcia, video, audio), 3) Duże modele językowe (large language models) dla analizy danych tekstowych 4) Przegląd reprezentatywnych przykładów zastosowań biznesowych 5) Rozwój SI a transformacja cyfrowa przedsiębiorstw 6) Zarządzania ryzykiem w kontekście bezpiecznego stosowania systemów SI 7) Aktualne trendy rozwojowe |
|
| Pełny opis: |
W ramach wykładu zostanie omówiony potencjał rozwoju biznesu związany z najnowszymi osiągnięciami Sztucznej Inteligencji (SI). Wykład obejmuje prezentację: 1) metod eksploracji danych (data mining) dla danych ustrukturalizowanych (dane ilościowe i jakościowe), 2) konwolucyjnych sieci neuronowych (deep learning) dla danych nieustrukturalizowanych (zdjęcia, video, audio), 3) duże modele językowe (large language models) dla analizy danych tekstowych. Każde z omawianych podejść jest ilustrowane reprezentatywnymi przykładami zastosowań biznesowych. Wykład obejmu także problematykę transformacji cyfrowej przedsiębiorstw oraz zarządzania ryzykiem w kontekście bezpiecznego stosowania systemów SI. Wykład kończy się omówieniem aktualnych trendów rozwojowych. |
|
| Literatura: |
Literatura podstawowa: [1] Wolfram S., What Is ChatGPT Doing, Wolfram Media Inc, 2023 [2] Provost F., Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji. Helion, 2014 [3] Surma J., Business Intelligence, PWN, 2016 [4] Notes from the AI frontier: Applications and value of deep learning, McKinsey, 2018 [5] The economic potential of generative AI, McKinsey, 2023 Literatura uzupełniająca: [1] Surma J., Cyfryzacja Życia w Erze Big Data, PWN, 2018 [2] Surma J., Hakowanie Sztucznej Inteligencji, PWN, 2022 [3] Bengio Y., Deep Learning - Systemy uczące się, PWN, 2018 [4] Hinton, ImageNet classification with deep convolutional neural networks, Communications of the ACM, vol. 60(6), 2017 [5] Vaswani A., Attention Is All You Need, arXiv:1706.03762v7, 2017 |
|
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.
