Trumpas atsakymas: dirbtinio intelekto santrumpa : žmogaus sukurtos sistemos, skirtos atlikti su intelektualiu elgesiu susijusias užduotis, tokias kaip mokymasis, samprotavimas, suvokimas ir kalba. Jei įrankis mokosi iš duomenų ir gali susidoroti su nepažįstamomis situacijomis, jis artimesnis DI; jei jis veikia pagal fiksuotas taisykles, tai pirmiausia yra automatizavimas.
Svarbiausios išvados:
Apibrėžimas : DI reiškia dirbtinį intelektą – sistemas, kurios atlieka mokymosi, samprotavimo, suvokimo ar kalbos užduotis.
Realybės patikrinimas : jei programinė įranga nesimoko ir neapibendrina, ji greičiausiai yra taisyklėmis pagrįsta.
Atsparumas netinkamam naudojimui : Skeptiškai vertinkite „DI“ etiketes, kai įmonės paprastą automatizavimą parduoda kaip DI.
Atskaitomybė : Taikant svarbius veiksmus, užtikrinkite, kad už rezultatus ir klaidas būtų atsakingas įvardytas asmuo arba organizacija.
Skaidrumas : pirmenybę teikite priemonėms, kurios paaiškina ribas, dalijasi vertinimo rezultatais ir aiškiai parodo, kaip sprendimus galima ginčyti.
Straipsniai, kuriuos galbūt norėsite perskaityti po šio:
🔗 Pagrindinis generatyvinio dirbtinio intelekto tikslas paaiškintas paprastai
Suprasti, ką generatyvinis dirbtinis intelektas siekia sukurti ir kodėl jis svarbus.
🔗 Ar dirbtinis intelektas perdėtai išgirstas, ar iš tiesų transformuojantis?
Subalansuota DI pažadų, apribojimų ir realaus pasaulio poveikio apžvalga.
🔗 Ar teksto įgarsinimo funkciją palaiko dirbtinio intelekto technologija?
Sužinokite, kaip veikia šiuolaikinė TTS ir kas ją daro išmanią.
🔗 Ar dirbtinis intelektas gali tiksliai perskaityti ranka rašytą tekstą?
Ištirkite OCR apribojimus ir kaip modeliai apdoroja netvarkingą kursyvinį tekstą.
Pilnas AI pavadinimas (trumpas, visiškai aiškus atsakymas) ✅🤖
Pilnas DI pavadinimas yra dirbtinis intelektas .
Du žodžiai. Milžiniškos pasekmės.
-
Dirbtinis = sukurtas žmonių
-
Intelektas = aštriausia dalis (nes žmonės ginčijasi, kas apskritai yra – mokslininkai, filosofai ir jūsų dėdė, kuris mano, kad intelektas yra „kriketo statistikos žinojimas“ 😅)
Vienas aiškus, plačiai naudojamas bazinis apibrėžimas yra toks: dirbtinis intelektas yra susijęs su sistemų, galinčių atlikti užduotis, dažniausiai susijusias su intelektualiu elgesiu, pavyzdžiui, mokymąsi, samprotavimą, suvokimą ir kalbą, kūrimu. [1]
šiame straipsnyje vėl pamatysite pilnąją frazės „AI“ formą,
Ką „DI“ reiškia praktiškai (ir kodėl apibrėžimai tampa sudėtingi) 🧠🧩
Štai esmė: dirbtinis intelektas yra sritis , o ne vienas produktas.
Kai kurie žmonės vartoja „DI“ tam, kad suprastų:
-
sistemos, kurios veikia kaip „protingi agentai“ (priimdamos sprendimus siekdamos tikslų), arba
-
sistemos, kurios sprendžia „žmogiško stiliaus“ užduotis (regėjimas, kalba, planavimas), arba
-
sistemos, kurios mokosi modelių iš duomenų (būtent čia ir pasireiškia mašininis mokymasis).
Štai kodėl apibrėžimai šiek tiek svyruoja priklausomai nuo to, kas kalba, – ir kodėl rimti šaltiniai skiria laiko tam, apskritai laikoma
Kodėl žmonės taip dažnai klausia „pilna dirbtinio intelekto forma“ (ir tai nėra kvailas klausimas) 👀📌
Protingas klausimas, nes:
-
Dirbtinis intelektas naudojamas atsitiktinai , tarsi tai būtų vienas dalykas (bet taip nėra)
-
Įmonės žymi „DI“ produktais, kurie iš esmės yra tik išgalvota automatika
-
„DI“ gali reikšti bet ką – nuo rekomendacijų sistemos iki pokalbių roboto ar robotikos, naviguojančios fizinėje erdvėje 🤖🛞
-
Žmonės painioja dirbtinį intelektą su mašininiu mokymusi, duomenų mokslu arba „internetu“, kas yra... įvaizdis, bet neteisinga 😅
Taip pat: dirbtinis intelektas yra ir reali sritis, ir rinkodaros žodis. Taigi pradėti nuo pagrindų – pavyzdžiui, pilnosios dirbtinio intelekto formos – yra teisingas žingsnis.
Paprastas „atpažink dirbtinį intelektą“ kontrolinis sąrašas (kad nebūtumėte suklaidinti) 🕵️♀️🤖
Jei bandote išsiaiškinti, ar kažkas yra „DI“, ar tiesiog... programinė įranga, vilkinti gobtuvą:
-
Ar mokosi iš duomenų? (ar tai daugiausia taisyklių / „jei-tai“ logika?)
-
Ar jis apibendrinamas naujoms situacijoms? (ar nagrinėja tik siaurus, iš anksto parengtus atvejus?)
-
Ar galite tai įvertinti? (tikslumas, klaidų dažnis, kraštutiniai atvejai, gedimų režimai?)
-
Ar atliekama žmogaus priežiūra, kai naudojimas yra labai svarbus (ypač įdarbinimo, sveikatos, finansų, švietimo srityse)
Tai stebuklingai neišsprendžia visų apibrėžimų diskusijų, tačiau tai praktiškas būdas prasiskverbti pro rinkodaros miglą.
Kodėl geras dirbtinio intelekto paaiškinimas apima apribojimus (nes dirbtinio intelekto jų gausu) 🚧
Išsamiame DI paaiškinime turėtų būti paminėta, kad DI gali būti:
-
puikiai atlieka siauras užduotis (vaizdų klasifikavimas, modelių prognozavimas)
-
ir stebėtinai prastai supranta sveiką protą (kontekstą, dviprasmybę, „ką akivaizdžiai darytų normalus žmogus“)
Tai kaip šefas, kuris gamina tobulus sušius, bet jam reikia raštiškų instrukcijų, kaip išvirti kiaušinį.
Taip pat: šiuolaikinės dirbtinio intelekto sistemos gali būti visiškai klaidingos , todėl atsakingos dirbtinio intelekto gairės daugiausia dėmesio skiria patikimumui, skaidrumui, saugumui, šališkumui ir atskaitomybei , o ne tik „oi, jis generuoja daiktus“. [3]
Palyginimo lentelė: naudingi dirbtinio intelekto ištekliai (pagrįsti, o ne masalai su paspaudimais) 🧾🤖
Štai praktiškas mini žemėlapis – penki patikimi ištekliai, apimantys apibrėžimus, diskusijas, mokymąsi ir atsakingą naudojimą:
| Įrankis / išteklius | Auditorija | Kaina | Kodėl tai veikia (ir šiek tiek atvirumo) |
|---|---|---|---|
| Britannica: dirbtinio intelekto apžvalga | Pradedantiesiems | Laisvas | Aiškus, platus apibrėžimas; ne rinkodaros gudrybė. [1] |
| Stanfordo filosofijos enciklopedija: DI | Apmąstę skaitytojai | Nemokama | Įsitraukia į diskusijas apie tai, „kas laikoma dirbtiniu intelektu“; glaustai, bet įtikinamai. [2] |
| NIST dirbtinio intelekto rizikos valdymo sistema (DI RMF) | Statytojai + organizacijos | Nemokama | Praktinė dirbtinio intelekto rizikos ir patikimumo pokalbių struktūra. [3] |
| EBPO dirbtinio intelekto principai | Politikos ir etikos mėgėjai | Nemokama | Griežtos rekomendacijos „ar turėtume?“: teisės, atskaitomybė, patikimas dirbtinis intelektas [4] |
| „Google“ mašininio mokymosi greitasis kursas | Mokiniai | Nemokama | Praktinis įvadas į mašininio mokymosi koncepcijas; vertingas net jei pradedate nuo nulio. [5] |
Atkreipkite dėmesį, kad ne visi šie ištekliai yra vienodo tipo . Tai sąmoningai. Dirbtinis intelektas nėra viena eismo juosta – tai visas greitkelis.
Dirbtinis intelektas, mašininis mokymasis ir gilusis mokymasis (painiavos zona) 😵💫🔍
Dirbtinis intelektas (DI) 🤖
Dirbtinis intelektas yra plati sąvoka: metodai, skirti užduotims, kurias siejame su intelektualiu elgesiu – samprotavimui, planavimui, suvokimui, kalbai, sprendimų priėmimui. [1][2]
Mašininis mokymasis (ML) 📈
ML yra dirbtinio intelekto pogrupis, kuriame sistemos mokosi modelių iš duomenų, o ne yra aiškiai programuojamos pagal fiksuotas taisykles. (Jei esate girdėję apie „mokymąsi pagal duomenis“, sveiki atvykę į ML.) [5]
Gilusis mokymasis (DL) 🧠
Gilusis mokymasis yra mašininio mokymosi (ML) pogrupis, naudojantis daugiasluoksnius neuroninius tinklus, dažniausiai naudojamus regos ir kalbos sistemose [5]
Nevykusi, bet patogi metafora (ir ji nėra tobula, tik nerėk ant manęs):
DI yra restoranas. MM yra virtuvė. Gilusis mokymasis yra vienas konkretus šefas, kuris puikiai gamina kelis patiekalus, bet kartais padega servetėles 🔥🍽️
Taigi, kai kas nors klausia apie visą dirbtinio intelekto formą , jis dažnai turi omenyje platesnę kategoriją ir konkretų jos segmentą.
Kaip veikia dirbtinis intelektas, paprasta anglų kalba (daktaro laipsnio nereikia) 🧠🧰
Dauguma dirbtinio intelekto, su kuriuo susidursite, atitinka vieną iš šių modelių:
1 modelis: Taisyklės ir loginės sistemos 🧩
Senosios mokyklos dirbtinis intelektas dažnai naudodavo tokias taisykles kaip „JEI tai atsitiks, TADA daryk aną“. Puikiai veikia struktūrizuotoje aplinkoje. Sugriūva, kai realybė susipainioja (o realybė linkusi būti nepaklusni).
2 modelis: mokymasis iš pavyzdžių 📚
Mašininis mokymasis mokosi iš duomenų:
-
Šlamštas ir ne šlamštas 📧
-
Sukčiavimas vs teisėtumas 💳
-
„katės nuotrauka“ ir „mano neryškus nykštys“ 🐱👍
3 šablonas: šablono užbaigimas ir generavimas ✍️
Kai kurios šiuolaikinės sistemos generuoja tekstą, vaizdus, garsą ir kodą. Jos gali būti patogios, bet taip pat gali būti ir nepatikimos, todėl kasdieniam diegimui reikalingos apsaugos priemonės: testavimas, stebėjimas ir aiški atskaitomybė. [3]
Kasdieniai dirbtinio intelekto pavyzdžiai, kuriuos tikriausiai naudojote 📱🌍
Kasdieniai dirbtinio intelekto pastebėjimai:
-
paieškos reitingas 🔎
-
žemėlapiai + eismo prognozė 🗺️
-
rekomendacijos (vaizdo įrašai, muzika, apsipirkimas) 🎵🛒
-
Šlamšto / sukčiavimo apsimetant filtravimas 📧🛡️
-
balso į tekstą 🎙️
-
vertimas 🌐
-
nuotraukų rūšiavimas + patobulinimas 📸
-
klientų aptarnavimo pokalbių robotai 💬😬
Ir didesnės rizikos srityse:
-
medicininės vaizdinės diagnostikos pagalba 🏥
-
tiekimo grandinės prognozavimas 🚚
-
sukčiavimo aptikimas 💳
-
pramoninė kokybės kontrolė 🏭
Pagrindinė idėja: DI dažniausiai yra užkulisinis variklis , o ne dramatiškas humanoidinis robotas. Atsiprašau, mokslinės fantastikos smegenys 🤷
Didžiausios klaidingos nuomonės apie dirbtinį intelektą (ir kodėl jos laikosi) 🧲🤔
„DI visada teisus“
Ne. Dirbtinis intelektas gali klysti – kartais subtiliai, kartais juokingai, kartais pavojingai (priklausomai nuo konteksto). [3]
„DI supranta taip pat, kaip ir žmonės“
Dauguma dirbtinio intelekto „nesupranta“ žmogiškąja prasme. Jis apdoroja modelius. Tai gali atrodyti kaip supratimas, bet tai nėra tas pats. [2]
„DI yra viena technologija“
Dirbtinis intelektas yra metodų grupė (simbolinis samprotavimas, tikimybiniai metodai, neuroniniai tinklai ir kt.). [2]
„Jei tai dirbtinis intelektas, tai jis nešališkas“
Taip pat ne. Dirbtinis intelektas gali atspindėti ir sustiprinti duomenų ar dizaino pasirinkimų šališkumą – būtent todėl egzistuoja valdymo principai ir rizikos sistemos. [3][4]
Ir taip, žmonės mėgsta kaltinti „DI“, nes tai skamba kaip beasmenis piktadarys. Kartais tai ne DI. Kartais tai tiesiog... prastas įgyvendinimas. Arba blogos paskatos. Arba kažkas skuba išleisti funkciją 🫠
Etika, saugumas ir pasitikėjimas: dirbtinio intelekto naudojimas nesukuriant nepriekaištingos nuotaikos 🧯⚖️
Dirbtinis intelektas kelia rimtų klausimų, kai naudojamas tokiose jautriose srityse kaip įdarbinimas, skolinimas, sveikatos apsauga, švietimas ir policijos veikla.
Keletas praktinių pasitikėjimo signalų, į kuriuos reikėtų atkreipti dėmesį:
-
Skaidrumas: ar jie paaiškina, ką daro, o ko nedaro?
-
Atskaitomybė: ar tikras žmogus / organizacija yra atsakinga už rezultatus?
-
Audituojamumas: ar rezultatus galima peržiūrėti arba užginčyti?
-
Privatumo apsauga: ar duomenys tvarkomi atsakingai?
-
Šališkumo testavimas: ar jie tikrina, ar rezultatai nėra nesąžiningi skirtingose grupėse? [3][4]
Jei norite pagrįsto požiūrio į riziką (be pražūties spiralės), tokios sistemos kaip NIST AI RMF yra sukurtos būtent tokiam „gerai, bet kaip tai valdyti atsakingai?“ mąstymui. [3]
Kaip išmokti dirbtinio intelekto nuo nulio (neperkepant smegenų) 🧠🍳
1 veiksmas: sužinokite, kokias problemas bando išspręsti dirbtinis intelektas
Pradėkite nuo apibrėžimų ir pavyzdžių: [1][2]
2 veiksmas: susipažinkite su pagrindinėmis mašininio mokymosi (ML) koncepcijomis
Prižiūrimas ir neprižiūrimas, mokymas/testavimas, perteklinis pritaikymas, vertinimas – tai yra pagrindas. [5]
3 žingsnis: sukurkite ką nors mažo
Ne „sukurti protingą robotą“. Greičiau:
-
šlamšto klasifikatorius
-
paprastas rekomendacijos teikėjas
-
mažas vaizdų klasifikatorius
Geriausias mokymasis yra šiek tiek erzinantis mokymasis. Jei jis pernelyg sklandus, tikriausiai net neprisilietei prie tikrų dalių 😅
4 žingsnis: Nepaisykite etikos ir saugumo
Net ir maži projektai gali kelti klausimų dėl privatumo, šališkumo ir netinkamo naudojimo. [3][4]
DUK apie visą dirbtinio intelekto versiją (greiti atsakymai, be jokių iškraipymų) 🙋♂️🙋♀️
Pilna dirbtinio intelekto forma kompiuteriuose
Dirbtinis intelektas. Ta pati reikšmė – tik įdiegta programinėje / aparatinėje įrangoje.
Dirbtinis intelektas ir robotika
Ne. Robotika gali naudoti dirbtinį intelektą, tačiau robotika taip pat apima jutiklius, mechaniką, valdymo sistemas ir fizinę sąveiką.
Dirbtinis intelektas – daugiau nei robotai ir pokalbių robotai
Visai ne. Daugelis dirbtinio intelekto sistemų yra nematomos: reitingavimas, rekomendacijos, aptikimas, prognozavimas.
DI mąsto kaip žmogus
Dauguma dirbtinio intelekto sistemų nemąsto kaip žmonės. Žodis „mąstymas“ yra daugžodis – jei norite gilesnių diskusijų, dirbtinio intelekto filosofijos diskusijose šiuo klausimu kalbama griežtai. [2]
Kodėl visi staiga viską vadina dirbtiniu intelektu
Nes tai galinga etiketė. Kartais tiksli, kartais tampri... kaip sportinės kelnės.
Apibendrinimas + trumpa santrauka 🧾✨
Atėjote dėl pilnos DI formos , ir taip – tai dirbtinis intelektas .
Tačiau praktiškesnė išvada yra tokia: DI nėra vienas įrenginys ar programėlė. Tai plati metodų sritis, padedanti mašinoms atlikti užduotis, kurios atrodo protingos – mokytis modelių, tvarkyti kalbą, atpažinti vaizdus, priimti sprendimus ir (kartais) generuoti turinį. Jis gali būti labai efektyvus, kartais painus, ir jam naudingas atsakingas rizikos vertinimas. [3][4]
Trumpa santrauka:
-
Pilna AI forma = Dirbtinis intelektas 🤖
-
Dirbtinis intelektas yra plati sritis (po ja tinka mašininis mokymasis ir gilusis mokymasis) 🧠
-
Dirbtinis intelektas yra galingas, bet ne stebuklingas – jis turi ribų ir rizikų 🚧
-
Vertindami dirbtinio intelekto teiginius, naudokite pagrįstas sistemas / principus ⚖️ [3][4]
Jei nieko daugiau neprisimenate, prisiminkite štai ką: kai kas nors sako „DI“, įvardykite konkrečią rūšį. 😉
Papildomi DUK
Kokia yra pilna AI forma paprastais žodžiais?
DI reiškia dirbtinį intelektą . Tai reiškia žmogaus sukurtas sistemas, skirtas atlikti su intelektualiu elgesiu susijusias užduotis, tokias kaip mokymasis, samprotavimas, suvokimas ir kalba. Praktiškai „DI“ vartojamas labai plačiai, todėl naudinga pažvelgti į tai, ką sistema daro . Jei ji gali mokytis iš duomenų ir susidoroti su nepažįstamomis situacijomis, ji artimesnė DI nei paprasta automatizacija.
Kaip atskirti, ar kažkas yra tikras dirbtinis intelektas, ar tik automatizuotas?
Praktinis testas yra tai, ar įrankis mokosi iš duomenų ir apibendrina ne tik fiksuotas situacijas. Jei jis daugiausia vadovaujasi „jei tai, tai ana“ taisyklėmis, tai paprastai yra taisyklėmis pagrįsta programinė įranga, o ne dirbtinis intelektas. Kitas požymis yra tai, kaip jis vertinamas: tikros dirbtinio intelekto sistemos dažniausiai matuojamos pagal tikslumą, klaidų dažnį ir kraštutinių atvejų testavimą. Rinkodaros etiketės gali būti klaidinančios, todėl vertinkite ją pagal elgesį.
Ar mašininis mokymasis yra tas pats, kas dirbtinis intelektas?
Ne visai. Dirbtinis intelektas yra platus sistemų, atliekančių su intelektualiu elgesiu susijusias užduotis, pavadinimas. Mašininis mokymasis (ML) yra DI pogrupis, orientuotas į mokymosi modelius iš duomenų, o ne į aiškiai programuojamą pagal fiksuotas taisykles. Gilusis mokymasis yra ML pogrupis, kuriame naudojami daugiasluoksniai neuroniniai tinklai, dažnai regėjimo ir kalbos užduotims. Žmonės painioja šiuos terminus, todėl kontekstas yra svarbus.
Kodėl įmonės pagrindinę programinę įrangą vadina „DI“?
Nes „DI“ yra galinga etiketė, galinti sukurti įspūdį, kad produktas yra pažangesnis, nei yra iš tikrųjų. Kai kurie įrankiai, parduodami kaip DI, daugiausia yra automatizavimo arba taisyklėmis pagrįstos sistemos, pasižyminčios ribotu lankstumu. Todėl verta išlikti skeptiškai nusiteikusiems ir paklausti, iš ko sistema mokosi, kaip ji apibendrinama ir kokie yra jos gedimų režimai. Aiški dokumentacija ir vertinimo rezultatai yra geri pasitikėjimo signalai.
Kokie yra įprasti kasdieniai dirbtinio intelekto pavyzdžiai, kai žmonės jį naudoja nepastebėdami?
Daugelis dirbtinio intelekto sistemų veikia užkulisiuose, o ne atrodo kaip akivaizdūs robotai ar pokalbių robotai. Pavyzdžiui, paieškos reitingavimas, žemėlapiai ir eismo prognozavimas, vaizdo įrašų ar apsipirkimo rekomendacijos, šlamšto ir sukčiavimo apsimetant filtravimas, balso konvertavimas į tekstą, vertimas ir nuotraukų rūšiavimas ar tobulinimas. Šios sistemos dažnai gerai veikia atliekant siauras užduotis, tačiau joms vis tiek naudinga stebėti ir aiškiai nustatyti apribojimus.
Ar dirbtinis intelektas gali būti užtikrintai klystantis ir kodėl tai svarbu?
Taip – šiuolaikinės dirbtinio intelekto sistemos gali pateikti įtikinamus rezultatus net ir tada, kai jie yra neteisingi. Štai kodėl atsakingas naudojimas daugiausia dėmesio skiria patikimumui, skaidrumui, saugumui, šališkumui ir atskaitomybei, o ne vien gebėjimams. Svarbesnėse srityse, tokiose kaip įdarbinimas, sveikatos apsauga, finansai ar švietimas, svarbu, kad būtų vykdoma žmogaus priežiūra, testavimas ir aiškus procesas, skirtas peržiūrėti ir užginčyti sprendimus, kai to reikia.
Į ką turėčiau atkreipti dėmesį prieš naudodamas dirbtinį intelektą didelės rizikos situacijose?
Pradėkite nuo atskaitomybės : įvardytas asmuo arba organizacija turėtų prisiimti atsakomybę už rezultatus ir klaidas. Tada patikrinkite skaidrumą : įrankis turėtų paaiškinti, ką jis daro, ko nedaro ir kokie yra jo apribojimai. audituojamumas – ar sprendimus galima peržiūrėti ar užginčyti? Galiausiai ieškokite vertinimo ir rizikos mąstymo įrodymų, pavyzdžiui, dokumentuotų klaidų dažnių, šališkumo patikrinimų ir valdymo praktikos.
Ar dirbtinis intelektas „mąsto kaip žmogus“, ar jis tik imituoja intelektą?
Dauguma dirbtinio intelekto (DI) „negalvoja“ kaip žmonės kasdienine prasme. Jis apdoroja modelius ir gali atlikti užduotis, kurios atrodo protingos, ypač kalbos ir suvokimo srityse, tačiau tai nėra tas pats, kas žmogaus supratimas. Štai kodėl apibrėžimai tampa sudėtingi ir rimtos diskusijos sutelkiamos į tai, kas laikoma intelektu, ką reiškia apibendrinimas ir kaip saugiai interpretuoti DI veikimą praktiškai diegiant.
Nuorodos
[1] Encyclopaedia Britannica – Dirbtinis intelektas (DI): apibrėžimas, istorija ir pagrindiniai metodai – Dirbtinis intelektas (DI) – Encyclopaedia Britannica
[2] Stanfordo filosofijos enciklopedija – Dirbtinis intelektas: kas laikoma DI, pagrindinės sąvokos ir pagrindiniai filosofiniai debatai – Dirbtinis intelektas – Stanfordo filosofijos enciklopedija
[3] NIST – Dirbtinio intelekto rizikos valdymo sistema (DI RMF 1.0): valdymas, rizika, skaidrumas, saugumas ir atskaitomybė (PDF) – NIST Dirbtinio intelekto rizikos valdymo sistema (DI RMF 1.0) PDF
[4] OECD.AI – OECD Dirbtinio intelekto principai: patikimas DI, žmogaus teisės ir atsakingas kūrimas bei diegimas – OECD Dirbtinio intelekto principai – OECD.AI
[5] „Google Developers“ – Mašininio mokymosi greitasis kursas: mašininio mokymosi pagrindai, modelių mokymas, vertinimas ir pagrindinė terminologija – Mašininio mokymosi greitasis kursas – „Google Developers“