Logika rozmyta a prawdopodobieństwo: dlaczego „trochę ciepło” nie znaczy „prawdopodobnie ciepło”

Losowość i nieostrość, dwie butelki Bezdeka, aksjomaty prawdopodobieństwa a przynależność rozmyta, ograniczenia Frécheta, prawdopodobieństwo zdarzenia rozmytego na przykładzie prognozy pogody i słowa o prawdopodobieństwie jako zbiory rozmyte.

12 minut Matěj Žalmánek 2026-10-15

Seria Podstawy AI Część 33 z 52

1. Mapa sztucznej inteligencji: co jest czym i jak to do siebie pasuje
2. Krótka historia sztucznej inteligencji: od Turinga do modeli językowych
3. Dane, model, trening, inferencja: podstawowe pojęcia na jednym przykładzie
4. Jak czytać zapis matematyczny: symbole, indeksy, sumy i kwantyfikatory
5. Zbiory i relacje: klocki, z których składają się definicje w AI
6. Funkcje i odwzorowania: dlaczego każdy model AI jest funkcją
7. Logika i dowody: reguły, według których rozumuje AI
8. Grafy i drzewa: struktura, na której opierają się przeszukiwanie i sieci neuronowe
9. Algebra liniowa dla uczenia maszynowego: wektory, macierze i dlaczego AI głównie mnoży
10. Pochodne, gradient i reguła łańcuchowa: jak model ustala, w którą stronę się uczyć
11. Spadek gradientu: jak uczy się model
12. Czym jest prawdopodobieństwo: od rzutu kostką do aksjomatów Kołmogorowa
13. Prawdopodobieństwo warunkowe i twierdzenie Bayesa: jak zmienić ocenę, gdy dowiesz się czegoś nowego
14. Zmienna losowa i dystrybuanta: jedna funkcja, która mówi o rozkładzie wszystko
15. Funkcja gęstości i funkcja prawdopodobieństwa: dlaczego zmienna ciągła ma w punkcie prawdopodobieństwo zero
16. Wartość oczekiwana, wariancja i kowariancja: gdzie leży rozkład, jak jest szeroki i co z czym się wiąże
17. Przegląd rozkładów prawdopodobieństwa: Bernoulliego, dwumianowy, Poissona, jednostajny, normalny i wykładniczy
18. Prawo wielkich liczb i centralne twierdzenie graniczne: dlaczego średnie zachowują się tak przewidywalnie
19. Statystyka i estymacja parametrów: największa wiarygodność, MAP i przedziały ufności
20. Teoria informacji: entropia, entropia krzyżowa i dywergencja KL — skąd się biorą funkcje straty
21. Przeszukiwanie przestrzeni stanów: BFS, DFS, UCS i A* z animacjami
22. Gry i przeciwnik: minimax, przycinanie alfa-beta i Monte Carlo tree search
23. Spełnianie ograniczeń: backtracking, propagacja ograniczeń i AC-3 na sudoku i mapie czeskich krajów
24. Logika i systemy z bazą wiedzy: wnioskowanie w przód i wstecz, rezolucja i systemy ekspertowe
25. Planowanie: STRIPS, świat klocków, heurystyki z relaksacji i planowanie w agentach AI
26. Przeszukiwanie lokalne i symulowane wyżarzanie: komiwojażer przez czeskie miasta wojewódzkie
27. Algorytmy genetyczne: populacja, krzyżowanie, mutacja i selekcja na plecaku na wycieczkę
28. Strategie ewolucyjne i programowanie genetyczne: od reguły jednej piątej do prawa Keplera
29. Optymalizacja kolonią mrówek: jak ślad feromonowy znajduje krótką drogę
30. Optymalizacja rojem cząstek: bezwładność, własne doświadczenie i doświadczenie roju
31. Neuroewolucja: ewolucja wag i kształtu sieci neuronowych oraz algorytm NEAT
32. Zbiory rozmyte i funkcje przynależności: jak zapisać „trochę ciepło”
33. Logika rozmyta a prawdopodobieństwo: dlaczego „trochę ciepło” nie znaczy „prawdopodobnie ciepło”
34. Logika rozmyta: t-normy, implikacje i reguły JEŻELI–TO
35. Sterowanie rozmyte: Mamdani i Sugeno od wentylatora po wahadło na wózku
36. Klasteryzacja rozmyta: algorytm fuzzy c-means i punkty między skupieniami
37. Systemy neuro-rozmyte (ANFIS): reguły rozmyte, które uczą się z danych
38. Łańcuchy Markowa: macierz przejścia, rozkład stacjonarny i PageRank
39. Ukryte modele Markowa: algorytm Viterbiego i nieuczciwe kasyno
40. Sieci bayesowskie: dlaczego trawa jest mokra i co z tego wynika dla zraszacza
41. Filtr Kalmana: jak z niedokładnych pomiarów oszacować, gdzie jest samochód i jak szybko jedzie
42. Rodzaje uczenia maszynowego: nadzorowane, nienadzorowane, półnadzorowane i inne
43. Prompty, kontekst i RAG: jak dać modelowi właściwe informacje
44. Wariacyjne autoenkodery (VAE): nowe obrazki z ciągłej przestrzeni latentnej
45. Generatywne sieci przeciwstawne (GAN): fałszerz kontra detektyw
46. Modele dyfuzyjne: jak z czystego szumu powstaje obraz
47. Procesy decyzyjne Markowa: stany, akcje, nagrody i równania Bellmana
48. Q-learning i DQN: uczenie się wartości akcji od tabeli po sieć neuronową
49. Policy gradient i PPO: uczenie się bezpośrednio polityki
50. Jak działa agent AI: model językowy w pętli z narzędziami
51. Programowanie z agentami AI: zadanie, testy i kontrola
52. Ocena i bezpieczeństwo systemów AI: jak mierzyć i jak pilnować

Pełny program serii Gotowe: 52 z 83 tematów

„Jutro będzie trochę ciepło.” „Jutro będzie prawdopodobnie ciepło.” Oba zdania zawierają niepewność i oba da się wyrazić liczbą między zerem a jedynką. Mimo to mówią coś zupełnie innego. Pierwsze mówi o tym, na ile pogoda będzie przypominać słowo „ciepło”; drugie o tym, czy stanie się coś, czego jeszcze nie wiemy. Pomylenie tych dwóch rodzajów niepewności doprowadziło do jednego z najbardziej zażartych sporów w historii sztucznej inteligencji — i do dziś jest to częsty błąd.

Nawiązuje do części Zbiory rozmyte i funkcje przynależności oraz Czym jest prawdopodobieństwo.

1. Dwa rodzaje niepewności

Definicja — losowość i nieostrość

Losowość (niepewność co do wyniku) dotyczy zdarzenia, które albo zajdzie, albo nie; tylko nie wiemy które. Opisuje ją prawdopodobieństwo P(A) ∈ [0, 1] ostrego zdarzenia A.

Nieostrość (nieokreśloność pojęcia) dotyczy tego, jak dobrze znany element odpowiada nieostro określonemu pojęciu. Opisuje ją stopień przynależności μ_A(x) ∈ [0, 1] do zbioru rozmytego A.

2. Dwie butelki

Różnicę świetnie pokazuje przykład Jamesa Bezdeka. Jesteś na pustyni i chce ci się pić. Przed tobą stoją dwie butelki. Na pierwszej jest napisane: „Przynależność do zbioru płynów zdatnych do picia wynosi 0,91.” Na drugiej: „Prawdopodobieństwo, że płyn jest zdatny do picia, wynosi 0,91.” Z której się napijesz?

Pierwsza butelka zawiera coś, co jest prawie zdatne do picia — na przykład trochę mętną wodę. Na pewno bardzo ci nie zaszkodzi. W drugiej jest z prawdopodobieństwem 0,91 czysta woda, ale w dziewięciu przypadkach na sto coś zupełnie innego, na przykład trucizna. Po otwarciu różnicę widać też w liczbach: przynależność pierwszej butelki pozostaje 0,91, bo niczego nowego się nie dowiadujemy. Prawdopodobieństwo przy drugiej skacze do 1 albo do 0 — zdarzenie losowe albo zaszło, albo nie.

3. Co mówią aksjomaty

Przypomnienie — aksjomaty Kołmogorowa

Prawdopodobieństwo to funkcja P na zdarzeniach z P(A) ≥ 0, P(Ω) = 1 i addytywnością: dla zdarzeń rozłącznych P(A ∪ B) = P(A) + P(B). Wynika z tego P(A) + P(¬A) = 1 i P(A ∩ ¬A) = 0.

Wyprowadzenie. Zdarzenia A i ¬A są rozłączne i razem dają Ω, więc z addytywności P(A) + P(¬A) = P(Ω) = 1. Iloczyn A ∩ ¬A to zdarzenie niemożliwe ∅; jest ono rozłączne samo ze sobą, więc P(∅) = P(∅ ∪ ∅) = 2 P(∅), a to jest możliwe tylko dla P(∅) = 0. ∎

Funkcja przynależności nie ma takiego budżetu. W poprzedniej części 25 °C było „przyjemnie” w stopniu 0,6 i „ciepło” w stopniu 0,5 — razem 1,1, i to jest w porządku. Różnice podsumowuje tabela:

Skąd w tabeli biorą się liczby 0,5? Rozmyte „i” to tu minimum, „lub” maksimum, a „nie” dopełnienie 1 − μ, jak w części o zbiorach rozmytych.

Twierdzenie — „A i nie A” oraz „A lub nie A” w zbiorach rozmytych

Dla każdego a = μ_A(x) ∈ [0, 1] zachodzi min(a, 1 − a) ≤ 0,5 ≤ max(a, 1 − a), z równością dokładnie dla a = 0,5.

Dowód. Liczby a i 1 − a sumują się do 1, więc mniejsza z nich to co najwyżej połowa sumy, a większa co najmniej połowa. Obie są równe 0,5 tylko wtedy, gdy są sobie równe, czyli dla a = 0,5. ∎

Przykład. Przy 25 °C jest „ciepło” w stopniu 0,5. Wtedy „ciepło i nie jest ciepło” = min(0,5; 0,5) = 0,5, a „ciepło lub nie jest ciepło” = max(0,5; 0,5) = 0,5 — klasyczne prawo niesprzeczności chciałoby 0, prawo wyłączonego środka 1. W przypadku prawdopodobieństwa „będzie co najmniej 25 °C i nie będzie co najmniej 25 °C” miałoby zawsze prawdopodobieństwo 0.

4. Składanie: kto potrzebuje więcej informacji

Ostatni wiersz tabeli jest być może najważniejszy. Logika rozmyta jest prawdziwościowo funkcjonalna: wartość „A i B” oblicza się wyłącznie z wartości A i B. W przypadku prawdopodobieństwa to niemożliwe.

Definicja — funkcjonalność prawdziwościowa

Spójnik „i” jest prawdziwościowo funkcjonalny, jeśli istnieje funkcja g : [0, 1]² → [0, 1] taka, że dla wszystkich zdań A, B wartość „A i B” jest równa g(wartość A, wartość B). W logice rozmytej g = min (albo inna t-norma).

Przykład — dlaczego prawdopodobieństwo nie jest prawdziwościowo funkcjonalne

Rzucamy raz kostką. Zdarzenie A = „wypadnie liczba parzysta” = {2, 4, 6} ma P(A) = 3/6 = 1/2. Weźmy trzy zdarzenia B, wszystkie z prawdopodobieństwem 1/2:

• B = {2, 4, 6} (parzysta): A ∩ B = {2, 4, 6}, P = 3/6 = 1/2,
• B = {4, 5, 6} (co najmniej 4): A ∩ B = {4, 6}, P = 2/6 = 1/3,
• B = {1, 3, 5} (nieparzysta): A ∩ B = ∅, P = 0.

Dane wejściowe są za każdym razem takie same (1/2 i 1/2), wyniki trzy różne. Żadna funkcja g nie może dać z (1/2, 1/2) jednocześnie 1/2, 1/3 i 0.

Twierdzenie — ograniczenia Frécheta

Dla dowolnych zdarzeń A, B zachodzi

max(0, P(A) + P(B) − 1) ≤ P(A ∩ B) ≤ min(P(A), P(B))

i oba ograniczenia mogą zostać osiągnięte. Bez znajomości związku między A i B nie da się wyznaczyć P(A ∩ B) dokładniej.

Dowód. Ograniczenie górne: A ∩ B ⊆ A, więc P(A ∩ B) ≤ P(A), i tak samo ≤ P(B). Ograniczenie dolne: ze wzoru na sumę zdarzeń P(A ∩ B) = P(A) + P(B) − P(A ∪ B) i z P(A ∪ B) ≤ 1 wynika P(A ∩ B) ≥ P(A) + P(B) − 1; nieujemność dodaje 0. Ograniczenie górne zachodzi, gdy jedno zdarzenie leży całe w drugim (A ⊆ B); dolne, gdy zdarzenia nakładają się jak najmniej — jeśli nie są rozłączne, razem pokrywają całe Ω. ∎

max(0, P(A) + P(B) − 1) ≤ P(A ∩ B) ≤ min(P(A), P(B))

P(A ∩ B)

prawdopodobieństwo, że zajdą oba zdarzenia — to, co chcielibyśmy znać, ale z dwóch liczb nie potrafimy

max(0, P(A) + P(B) − 1)

ograniczenie dolne — dwa prawdopodobieństwa, które razem dają więcej niż 1, nie zmieszczą się w całości bez nakładania; nadwyżka ponad jedynkę musi się nałożyć. Zero jest tam dlatego, że gdy nadwyżki nie ma, nakładanie może całkiem nie występować

min(P(A), P(B))

ograniczenie górne — oba zdarzenia naraz nie mogą zachodzić częściej niż rzadsze z nich

Każde założenie o związku zdarzeń daje jedną liczbę z przedziału — i każdemu odpowiada jedno rozmyte „i” (t-norma) z części o logice rozmytej:

Stąd wynika praktyczna różnica. System rozmyty liczy się łatwo i szybko, ale po cichu zakłada jeden konkretny związek między pojęciami. Model probabilistyczny musi związki wyraźnie podać — albo nauczyć się ich z danych — i w zamian dostaje wyniki zgodne z częstościami w rzeczywistym świecie.

5. Prawdopodobieństwo zdarzenia rozmytego

Obie niepewności jednak się nie wykluczają — często pojawiają się naraz. „Jakie jest prawdopodobieństwo, że jutro będzie ciepło?” zawiera losowość (jaka będzie temperatura) i nieostrość (co to jest „ciepło”).

Definicja — prawdopodobieństwo zdarzenia rozmytego (Zadeh, 1968)

Jeśli X jest zmienną losową o gęstości f, a A zbiorem rozmytym na jej wartościach, to prawdopodobieństwo zdarzenia rozmytego A wynosi

P(A) = E[μ_A(X)] = ∫ μ_A(x) f(x) dx.

Dla zbioru ostrego jest to zwykłe prawdopodobieństwo. Jeśli X ma tylko skończenie wiele wartości x_i z prawdopodobieństwami p_i, całka staje się sumą: P(A) = ∑_i μ_A(x_i) p_i.

P(A) = ∫ μ_A(x) · f(x) dx

P(A)

prawdopodobieństwo zdarzenia rozmytego — jedna liczba, która niesie obie niepewności naraz

f(x)

gęstość prognozy — losowość: jak prawdopodobna jest temperatura x (na rysunku szara krzywa)

μ_A(x)

przynależność — nieostrość: ile z temperatury x to „ciepło”; zamiast ostrego „liczy się / nie liczy się” każda temperatura liczy się tylko swoją częścią (na rysunku bursztynowa)

∫ … dx

sumowanie po wszystkich temperaturach — jak przy zwykłym prawdopodobieństwie, tylko nie sumuje się całej gęstości, lecz gęstość ważoną przynależnością; wynikiem jest pole wypełnione na rysunku

Prognoza mówi, że jutrzejsza temperatura ma rozkład normalny z wartością oczekiwaną 24 °C i odchyleniem standardowym 3 °C. „Ciepło” to trójkąt (22, 28, 34) z poprzedniej części:

Przykład — całka jako suma co jeden stopień

Gęstość rozkładu normalnego z wartością oczekiwaną m = 24 i odchyleniem standardowym σ = 3 to f(x) = e^{−(x − m)² / (2σ²)} / (σ √(2π)). Dla 25 °C: f(25) = e^−1/18 / (3 · 2,5066) = 0,9460 · 0,1330 = 0,1258. Przynależność do trójkąta (22, 28, 34) po stronie rosnącej to (x − 22) / (28 − 22), czyli μ(25) = 3/6 = 0,5. Temperatura 25 °C wnosi więc 0,5 · 0,1258 = 0,0629 na stopień.

Poza przedziałem (22, 34) jest μ = 0, więc wystarczy zsumować wkłady pełnych stopni od 23 do 33 (każdy razy szerokość 1 °C):

x (°C)	23	24	25	26	27	28	29	30	31	32	33
μ(x)	0,17	0,33	0,50	0,67	0,83	1,00	0,83	0,67	0,50	0,33	0,17
f(x)	0,126	0,133	0,126	0,106	0,081	0,055	0,033	0,018	0,009	0,004	0,001
μ · f	0,021	0,044	0,063	0,071	0,067	0,055	0,028	0,012	0,004	0,001	0,000

Suma ostatniego wiersza wynosi 0,367 — nawet z tak grubym krokiem tyle samo co dokładna całka. Największych wkładów nie dają najcieplejsze dni (28 °C to „ciepło” w całości, ale mało prawdopodobne) ani najbardziej prawdopodobne (24 °C to „ciepło” tylko w jednej trzeciej), lecz 25–28 °C, gdzie obie liczby są rozsądnie duże.

Prawdopodobieństwo zdarzenia rozmytego „będzie ciepło” wychodzi 0,367 — prawie tyle samo co prawdopodobieństwo ostrego zdarzenia „będzie co najmniej 25 °C” (0,369). To przypadek tej prognozy. Gdy prognozę przesuniemy, rozejdą się:

Przy chłodnej prognozie zdarzenie rozmyte daje więcej, bo wlicza też „trochę ciepłe” dni poniżej 25 °C. Przy prognozie 28 °C natomiast wyraźnie mniej: ostre zdarzenie „co najmniej 25 °C” na pewno obejmie też 33 °C, ale to według naszej zmiennej lingwistycznej nie jest już „ciepło”, lecz „gorąco”. Zdarzenie rozmyte trzyma się tego, co słowo naprawdę znaczy.

6. Słowa o prawdopodobieństwie

W artykule z 1964 roku Sherman Kent, analityk CIA, opisał, że raporty wywiadowcze są pełne słów takich jak „prawdopodobnie” albo „niemal na pewno” — i że każdy czytelnik wyobraża sobie pod nimi inną liczbę. Zaproponował tabelę: „niemal na pewno” około 93 %, „prawdopodobnie” około 75 %, „mniej więcej pół na pół” około 50 %, „raczej nie” około 30 % i „niemal na pewno nie” około 7 %, zawsze z rozpiętością. Tu obie niepewności spotykają się idealnie: słowa o prawdopodobieństwie to zbiory rozmyte na prawdopodobieństwach.

Przykład — które słowo pasuje do danego prawdopodobieństwa

Słowa to trójkąty wokół wartości Kenta: „prawdopodobnie” to (0,6; 0,75; 0,9), „raczej nie” (0,18; 0,3; 0,42), „pół na pół” (0,38; 0,5; 0,62). Szerokość trójkątów to nasz wybór dla ilustracji, nie tabela Kenta. Po stronie malejącej trójkąta (a, b, c) jest μ(p) = (c − p) / (c − b), po rosnącej (p − a) / (b − a).

• p = 0,8: μ_{prawdopodobnie} = (0,9 − 0,8) / (0,9 − 0,75) = 0,1 / 0,15 = 0,67; pozostałe słowa mają w 0,8 zero.
• p = 0,37: μ_{raczej nie} = (0,42 − 0,37) / (0,42 − 0,3) = 0,05 / 0,12 = 0,42; „pół na pół” zaczyna się dopiero od 0,38, więc ma 0,00.

Najlepiej pasuje słowo o największej przynależności: słowo(p) = argmax_s μ_s(p).

Prawdopodobieństwo 0,8 to „prawdopodobnie” w dwóch trzecich; 0,37 z naszej prognozy najlepiej oddaje „raczej nie”. Podobnie pracuje dziś na przykład Międzyrządowy Zespół do spraw Zmian Klimatu (IPCC): „likely” oznacza 66–100 %, a „very likely” 90–100 %, żeby słowa w raportach nie prowadziły do innej interpretacji.

7. Spór o niepewność

W latach osiemdziesiątych rozgorzał spór, który oddają dwa głosy. Statystyk Dennis Lindley twierdził, że jedynym rozsądnym opisem niepewności jest prawdopodobieństwo — i że wszystko, co robi logika rozmyta, prawdopodobieństwo zrobi lepiej. Bart Kosko przeciwnie argumentował, że prawdopodobieństwo to tylko szczególny przypadek nieokreśloności. Obaj mieli trochę racji. W podejmowaniu decyzji w warunkach niepewności, uczeniu się z danych i zakładach prawdopodobieństwo ma mocne oparcie teoretyczne: z kimś, kto zakłada się według innych liczb niż prawdopodobieństwa, można zawrzeć serię zakładów, na których na pewno straci. Do pracy z nieostrymi słowami, ręcznie pisanych reguł i prostego sterowania zbiory rozmyte są naturalniejsze i bardziej zrozumiałe. Dziś obie teorie stosuje się obok siebie, każdą do tego, do czego pasuje.

Przykład — zakłady, na których na pewno się traci

Argument sformułował Bruno de Finetti (1931, niezależnie od niego Frank Ramsey w 1926); tu w uproszczonej postaci. Kto zdarzeniu A przypisuje „stopień przekonania” q(A), jest gotów kupić za q(A) euro zakład, który wypłaci 1 euro, jeśli A zajdzie.

Gracz wierzy, że jutro będzie padać, w stopniu 0,6, i że nie będzie padać, również w stopniu 0,6 — razem 1,2, wbrew P(A) + P(¬A) = 1. Sprzedajemy mu oba zakłady:

• płaci 0,6 + 0,6 = 1,2 €,
• jakakolwiek będzie pogoda, zajdzie dokładnie jedno ze zdarzeń, więc dostanie z powrotem dokładnie 1 €,
• traci 1,2 − 1 = 0,2 € — na pewno, niezależnie od pogody.

Gdyby liczby sumowały się do mniej niż 1 (na przykład 0,4 + 0,4), to my kupimy od niego zakłady za 0,8 i wypłacimy 1 — znów straci 0,2. Bezpieczna jest tylko suma równa dokładnie 1. Podobnie można pokazać, że ochrona przed pewną stratą wymaga wszystkich aksjomatów Kołmogorowa (dla skończenie wielu zdarzeń). Przynależności rozmyte nie sumują się do 1 — i to nie jest błąd, bo nie chodzi o zakłady na to, co się wydarzy.

8. Obie niepewności w sztucznej inteligencji

• Uczenie maszynowe jest przeważnie probabilistyczne. Klasyfikatory i modele językowe zwracają rozkłady prawdopodobieństwa; uczą się przez maksymalizację wiarygodności, jak pokazały części o statystyce i teorii informacji.
• Kalibracja. Gdy model twierdzi 90 %, powinien mieć rację w dziewięciu przypadkach na dziesięć. Kalibracja to czysto probabilistyczna własność i da się ją zmierzyć.
• Pewność w słowach. Modele językowe często wyrażają pewność słowami — „prawdopodobnie”, „najpewniej”, „może”. Tu pomaga rozumowanie Kenta: słowo to zbiór rozmyty na prawdopodobieństwach, a jeśli słowna pewność ma być użyteczna, musi odpowiadać liczbom, które za nią stoją.
• Reguły rozmyte są nadal stosowane tam, gdzie potrzebne jest ręczne, czytelne sterowanie bez dużej ilości danych — od pralek po sterowanie produkcją.

9. Podsumowanie

• Prawdopodobieństwo opisuje losowość — czy zdarzenie zajdzie; przynależność rozmyta opisuje nieostrość — na ile element odpowiada pojęciu.
• Po obserwacji prawdopodobieństwo zmienia się na 0 lub 1, przynależność pozostaje taka sama (butelki Bezdeka).
• Prawdopodobieństwa sumują się do jedynki i P(A ∩ ¬A) = 0; przynależności nie.
• Logika rozmyta jest prawdziwościowo funkcjonalna; w przypadku prawdopodobieństwa P(A ∩ B) leży tylko między ograniczeniami Frécheta, a rozmyte minimum to to górne.
• Obie niepewności da się połączyć: prawdopodobieństwo zdarzenia rozmytego „będzie ciepło” to wartość oczekiwana przynależności; słowa o prawdopodobieństwie to zbiory rozmyte na prawdopodobieństwach.

Chcesz to wypróbować? Zapytaj kilka osób, jaki procent wyobrażają sobie pod „prawdopodobnie” i „raczej nie”, i niech agent AI narysuje z odpowiedzi funkcje przynależności.

Masz inne zdanie? Napisz na support@coden-app.com.