Modele szkoleniowe i testowe

https://aie24.pl/

Zanim sieć neuronowa będzie mogła wykonać zadanie, musi zostać wytrenowana. W przypadku klasyfikatora hot dogów sieć neuronowa może zostać wytrenowana poprzez analizę tysięcy zdjęć hot dogów, a także takiej samej liczby rzeczy, które nie są hot dogami. Każde zdjęcie musi zostać oznaczone („hot dog” lub „nie hot dog”). Na podstawie tych zdjęć sieć neuronowa może wyciągnąć pewne wnioski na temat tego, co zawiera zdjęcie hot dogów. Na przykład zdjęcie hot dogów zazwyczaj będzie zawierać jaśniejszy obszar (bułkę) otaczający ciemniejszy cylindryczny kształt (hot dog). Gdy warstwy sieci neuronowej analizują zdjęcia, wartości zwane wagami i odchyleniami są przypisywane do każdego neuronu w sieci. Waga określa siłę połączenia między dwoma węzłami w sieci. Odchylenie określa próg, przy którym węzeł jest aktywowany. Wagi i odchylenia dostosowują, w jakim stopniu neuron przyczyni się do końcowego wyniku. Wagi i odchylenia, których model uczy się z danych treningowych, nazywane są parametrami. Złożoność modelu można opisać liczbą jego parametrów. Bardziej złożone modele mają więcej parametrów, ponieważ są w stanie nauczyć się bardziej złożonych wzorców w danych. Parametry można traktować podobnie do synaps, które łączą neurony w ludzkim mózgu. W uczeniu maszynowym model jest matematyczną reprezentacją rzeczywistego systemu lub zjawiska. Oto kilka przykładów modeli:

»»Modele naukowe dokonują przewidywań dotyczących atmosfery, chorób i wszechświata.

»»Modele inżynieryjne projektują i testują nowe produkty.

»»Modele popytu przewidują, ile jednostek produktu sprzeda firma.

»»Modele finansowe przewidują wyniki akcji i innych instrumentów finansowych.

Dokładność przewidywań modelu (na przykład tego, czy nowy obraz zawiera hot doga) zależy od jakości i ilości danych użytych do jego trenowania. Małe modele, które tworzą stosunkowo proste przewidywania, takie jak to, czy fotografia zawiera hot doga, można szybko tworzyć, a ryzyko zepsucia takiego modelu raczej nie będzie katastrofalne. Najbardziej czasochłonną częścią tworzenia modelu jest zazwyczaj zbieranie i etykietowanie zestawów danych. Istnieje wiele publicznie dostępnych bezpłatnych zestawów danych. Ich listę można znaleźć na stronie https://openml.org. Złożone modele, takie jak modele klimatyczne i modele układów ciała ludzkiego, mogą wymagać miesięcy lub lat, a ich błędne wyszkolenie może mieć kosztowne lub zagrażające życiu konsekwencje. Niektóre z wyzwań związanych z trenowaniem sieci neuronowych obejmują:

»»Złożone sieci neuronowe mogą obejmować terabajty danych treningowych i miliardy parametrów. Trenowanie dużej sieci neuronowej jest kosztowne obliczeniowo.

»»Sieci neuronowe mogą zbyt dobrze uczyć się swoich danych treningowych, co jest — nazywane nadmiernym dopasowaniem. Gdy wystąpi nadmierne dopasowanie, model będzie w stanie przejść testy dotyczące danych, na których został wytrenowany, ale będzie miał trudności z generalizacją na nowe dane (co jest celem modelu).

»»Ze względu na liczbę parametrów w modelu, ludziom może być trudno zorientować się, w jaki sposób sieć neuronowa tworzy przewidywania. Możliwość zrozumienia, w jaki sposób model tworzy przewidywania, nazywa się interpretowalnością.

Warstwa wyjściowa

https://aie24.pl/

Sieci neuronowe muszą mieć co najmniej jedną warstwę wyjściową, która dostarcza końcowy wynik obliczeń z ukrytych warstw. Rysunek  przedstawia prostą sztuczną sieć neuronową, która określa, czy zdjęcie zawiera hot doga. Ten typ problemu jest znany jako klasyfikacja binarna, ponieważ wyjście z tej sieci neuronowej to albo 1 (hot dog), albo 0 (nie hot dog).

Ale w jaki sposób sieć neuronowa ustala, czy zdjęcie zawiera hot doga? Tu właśnie wkracza jej szkolenie.

Ukryta warstwa

https://aie24.pl/

Ukryta warstwa otrzymuje dane z warstwy wejściowej lub innych ukrytych warstw i przetwarza je dalej, aby wyodrębnić cechy z obrazu, takie jak kolor, kształt i tekstura. Bardziej złożone zadania wymagają większej liczby neuronów w ukrytych warstwach. Sieć neuronowa może mieć wiele ukrytych warstw.

Warstwa wejściowa

https://aie24.pl/

Warstwa wejściowa odbiera dane i umieszcza je w formacie, który może być używany przez warstwy ukryte. Na przykład w sieci neuronowej do analizy obrazów obrazy są najpierw konwertowane do tego samego rozmiaru i wymiarów. Następnie warstwa wejściowa pobiera wartości pikseli (ilość czerwieni, zieleni i błękitu) dla każdego obrazu i przekazuje je do warstwy ukrytej. W poprzednim przykładzie liczba neuronów w warstwie wejściowej jest określana przez liczbę pikseli w obrazie. Jeśli sieć neuronowa będzie przetwarzać obrazy kolorowe, liczba pikseli jest mnożona przez 3 dla każdej z wartości pikseli (czerwony, zielony i niebieski), aby uzyskać liczbę neuronów. Na przykład obraz pokazany na rysunku 2-3 ma szerokość 56 pikseli i wysokość 56 pikseli. Powiększyłem obraz, abyś mógł zobaczyć poszczególne piksele. Warstwa wejściowa do pracy z tym obrazem miałaby 56 x 56 x 3, czyli 9408 neuronów.

Wartości

https://aie24.pl/

Pierwszą rzeczą, od której musisz zacząć, budując fundamenty kultury firmy, jest system wartości. System wartości określa po pierwsze, które osoby zostaną zatrudnione, a po drugie, jak te osoby będą się zachowywać. Zarówno kultura, jak i jej wartości mają ogromne znaczenie. Ponieważ wpływa na to, które osoby zostaną zatrudnione i jak ludzie się zachowają, system wartości jest najważniejszym czynnikiem prowadzenia firmy i osiągania świetnych wyników. Ludzie, którzy myślą w stary sposób, myślą o zasadach i regulacjach, aby prowadzić firmę. Jednak dzisiejsze firmy muszą tak szybko reagować na rynki i możliwości oraz mieć tak wielu utalentowanych ludzi, którzy chcą się przyczynić i sami sobą zarządzać, że nie można prowadzić takiej firmy za pomocą zasad i polityk. Kiedy wszystko zmienia się cały czas, zasady i polityki nie działają. Zasady nie są tak potężne, jak zarządzanie za pomocą wartości i kultury. Zamiast zasad i regulacji potrzebujesz zasad przewodnich i wartości. Podstawowym przekonaniem jest to, że ludzie mogą podejmować właściwe decyzje, gdy mają właściwe wartości. Ludzie zachowują się zgodnie z tym, co uważają za wartościowe w kulturze. Zadają sobie pytanie: Co jest tutaj cenione? Co to miejsce oznacza? Co byłoby postrzegane jako właściwe do zrobienia w tym momencie? W ten sposób kultura zarządza firmą. System wartości jest dla ludzi w firmie tak samo ważny, jak wartości rodziców są dla dziecka. To jak rozwój dziecka. Jedyne, co trzeba zrobić, to wpoić mu i pielęgnować dobre wartości, ponieważ gdy dorośnie, będzie podejmować własne decyzje. Gdy nadejdzie ten moment decyzji, podejmą właściwą decyzję. (Vinod Dham, Silicon Spiee) Gdy liderzy w firmie żyją właściwymi wartościami i wpajają je ludziom, ludzie będą zachowywać się właściwie i podejmować właściwe decyzje. W ten sposób wartość pomoże uniknąć wielu problemów, których firma zwykle doświadcza.

Propozycja: Aby prowadzić firmę, potrzebne są zasady przewodnie i wartości, aby ludzie wiedzieli, co jest cenione i mogli podejmować właściwe decyzje.

Poniżej przedstawimy przykładowy system wartości, który opiera się na wielu systemach wartości, z którymi zetknęliśmy się w naszych wywiadach:

Wartości firmy:

  1. Szacunek: Szacunek nie opiera się na stażu pracy, ale na tym, co wnosisz do firmy. Firma jest jak Organizacja Narodów Zjednoczonych. Mamy ludzi z całego świata o bardzo zróżnicowanym pochodzeniu. W firmie mamy światowej klasy naukowca od rakiet, nazwijmy go kujonem, i sprzedawcę. Ale wszyscy muszą się nawzajem szanować.
  2. Integralność. Integralność we wszystkim, co robisz. Integralność jako jednostki, ale także integralność jako firmy. Ma to związek ze wszystkim, od sposobu, w jaki traktujemy pracowników, po sposób, w jaki zarządzamy naszymi księgami. Powinniśmy być bardzo agresywni, jeśli chodzi o marketing i rozwój produktu. Powinniśmy dojść do granicy, a może nawet upadniesz. Ale jeśli chodzi o integralność, nie dochodzimy nawet do granicy. Ludzie mogą mówić, że nie podoba im się, do jakiej szkoły chodziłeś lub jak wyglądasz, ale jedną rzeczą, której nigdy nie mogą nam odebrać, jest nasza integralność.
  3. Kultura bez ego: Ego nie jest w tym, co robimy, ale w projekcie. Nie ma znaczenia, ile wniesiesz osobiście, ważne jest, aby osiągnąć najlepszy wynik.
  4. Pasja do doskonałości: promujemy i nagradzamy doskonałość. Stawiamy sobie wielkie cele i dążymy do marzenia. Nigdy nie wiemy, czy możemy to osiągnąć, ale jeśli celujemy w księżyc i znajdziemy się w połowie drogi, to wciąż jest to dość odległe. Szukamy osób, które mają bardzo silną wewnętrzną motywację do doskonałości. Chcemy osiągnąć doskonałość we wszystkim, co robimy. Stawiamy bardzo wysokie standardy. Każdy musi je spełnić w swoich obszarach.
  5. Orientacja na wyniki: pod koniec dnia musimy osiągnąć jakieś wyniki. Wszystkie dyskusje, rozmowy, spotkania i wizyty u klientów nie mają znaczenia, jeśli pod koniec dnia nie przynoszą żadnych rezultatów.
  6. Odwaga. Chodzi o podejmowanie ryzyka, niezależnie od tego, czy idziemy na nowy rynek, budujemy prototyp czy zajmujemy się klientem. Siedzisz naprzeciwko dyrektora BMW i pyta cię, kim są twoi pozostali klienci. Mówisz: „To dobra nowina, będziesz naszym pierwszym, będziemy traktować cię wyjątkowo”. To wymaga odwagi!

7. Świetne miejsce pracy: Spraw, aby praca tutaj była przyjemnością.

Myślenie o sieciach neuronowych

https://aie24.pl/

Idea głębokiego uczenia się polega na nauczeniu komputerów przetwarzania danych w oparciu o to, jak myślimy, że działa nasz mózg. W ludzkim mózgu komórki zwane neuronami tworzą złożoną i masywną sieć połączoną ze sobą. Wykorzystując reakcje chemiczne i prądy elektryczne, neurony wysyłają do siebie sygnały, aby umożliwić nam naukę i przetwarzanie informacji. Sieci neuronowe w głębokim uczeniu się, znane również jako symulowane sieci neuronowe (SNN) lub sztuczne sieci neuronowe (ANN), składają się ze sztucznych neuronów zwanych węzłami, które tworzą warstwy, jak pokazano na rysunku .

Każdy węzeł to moduł oprogramowania, który przetwarza dane wejściowe i ustala, czy przekazać je do następnej warstwy neuronów w celu dalszego przetwarzania. Prosta sieć neuronowa składa się z trzech warstw: warstwy wejściowej, warstwy ukrytej i warstwy wyjściowej.

Definiowanie kluczowych pojęć

https://aie24.pl/

Zanim zanurzysz palce u stóp w zrozumieniu, w jaki sposób najnowsze systemy AI są zdolne do pisania kodu i generowania złożonych odpowiedzi na dane wejściowe w języku naturalnym, muszę przedstawić trochę słownictwa. Osoby pracujące z systemami, o których mówię w tej książce, lub piszące o nich, często używają zamiennie terminów AI, uczenie maszynowe, głębokie uczenie i generatywna AI, ale te podstawowe terminy są różne:

»»Sztuczna inteligencja (AI) to wykorzystanie informatyki i danych do rozwiązywania problemów. AI obejmuje wszystko, od systemów eksperckich i drzew decyzyjnych, które symulują osąd i zachowanie ludzi, wykorzystując złożoną serię instrukcji if-then, po uczenie maszynowe, widzenie komputerowe i przetwarzanie języka naturalnego.

»»Uczenie maszynowe to rodzaj AI, który koncentruje się na rozwijaniu i używaniu systemów komputerowych, które mogą się uczyć i dostosowywać bez wykonywania wyraźnych instrukcji. Uczenie maszynowe może rozwiązywać problemy, których rozwiązanie byłoby niewspółmiernie kosztowne dla programistów piszących algorytmy ręcznie.

»»Głębokie uczenie to rodzaj uczenia maszynowego opartego na sztucznych sieciach neuronowych. Słowo głębokie w głębokim uczeniu nie oznacza, że ​​wytwarza ono z natury bardziej głęboką lub tajemniczą AI. Odnosi się raczej do wykorzystania wielu warstw algorytmów (sztucznych neuronów) w sieci neuronowej. Sztuczne sieci neuronowe i warstwy wyjaśniam w następnej sekcji.

»»Generatywna AI (GenAI) to systemy AI, które mogą generować nową treść na podstawie danych użytych do ich trenowania. Pewna forma GenAI istnieje od lat 60. XX wieku. W ostatnich latach treści tworzone przez GenAI są na tyle wysokiej jakości, że są czymś więcej niż tylko nowością, dzięki wykorzystaniu głębokiego uczenia.

Analiza uczenia maszynowego i głębokiego uczenia

https://aie24.pl/

Decoding Machine i Deep Learning

Kiedy po raz pierwszy zetkniesz się z narzędziem generatywnej AI, takim jak ChatGPT, może to wydawać się magiczne. Niektórzy nawet spekulują, że narzędzia generatywnej AI są świadome i zdolne do myślenia i odczuwania emocji. Wiedza o tym, jak te narzędzia zostały stworzone i jak działają, szybko rozwieje to pojęcie — lub sprawi, że zaczniesz inaczej myśleć o świadomości, ale to temat na książkę filozoficzną, a nie książkę o kodowaniu.

Korzystanie z podpowiedzi w celu utworzenia gry quizowej

https://aie24.pl/

W tej sekcji użyjesz Copilota, aby pomóc Ci zbudować grę quizową, która wyświetla jedno pytanie wielokrotnego wyboru na raz, a następnie losowo wybiera nowe pytanie, gdy użytkownik wybierze odpowiedź. Pomyśl o strukturze aplikacji, którą chcesz zbudować. Jakie inne szczegóły, Twoim zdaniem, będą ważne, aby upewnić się, że Copilot oferuje użyteczne wybory? W poniższych krokach zobaczysz, jak przebiegło ćwiczenie w moim przypadku. Twoje doświadczenie będzie inne:

  1. Utwórz plik o nazwie index.html i wpisz komentarz HTML. Oto komentarz, który napisałem:

<!– Strona główna gry quizowej o uczeniu maszynowym –>

W odpowiedzi na ten monit Copilot sugeruje deklarację DOCTYPE dla pliku HTML5, co jest poprawne.

  1. Naciśnij klawisz Tab, aby zaakceptować sugestię Copilot, a następnie naciśnij Enter, aby przejść do następnego wiersza i ocenić kolejną sugestię.
  2. Kontynuuj akceptowanie sugestii Copilot, aż pojawi się taka, której nie chcesz.

Copilot zasugerował podstawowy szablon HTML zawierający formularz, który przesyła się do skryptu PHP. To nie jest to, co sobie wyobrażałem, więc muszę podać dodatkowe informacje w moim początkowym monicie. Zmieniłem mój monit w następujący sposób

<!–

Strona główna gry quizowej o uczeniu maszynowym.

Ta gra wyświetli jedno pytanie wielokrotnego wyboru na raz, używając JavaScript, który pobiera dane z data/trivia.js.

Możliwe odpowiedzi będą wyświetlane z przyciskami radiowymi po lewej stronie. Po kliknięciu przycisku radiowego użytkownikowi zostanie wyświetlone nowe losowe pytanie.

–>

Dzięki dodatkowemu kontekstowi Copilot był w stanie stworzyć coś, co znacznie bardziej przypominało moją wizję

<!DOCTYPE html>

<html lang=”en”>

<head>

<meta charset=”UTF-8″>

<title>Machine Learning Trivia</title>

<link rel=”stylesheet” href=”css/style.css”>

</head>

<body>

<div class=”container”>

<header>

<h1>Machine Learning Trivia</h1>

</header>

<main>

<div id=”question”></div>

<div id=”answers”></div>

<div id=”score”></div>

</main>

<footer>

<p>&copy; Chris Minnick</p>

</footer>

</div>

<script src=”js/trivia.js”></script>

</html>

  1. Dodaj type=”module” do znacznika <script>, aby poinformować Copilot, że użyjesz instrukcji import w pliku trivia.js.
  2. Utwórz trzy foldery o nazwach js, css i data.
  3. W folderze data utwórz plik o nazwie triviaQuestions.js.
  4. Napisz komentarz na początku pliku triviaQuestions.js, który opisuje, co powinien zawierać plik.

Oto, co napisałem:

// Moduł zawierający tablicę 10 obiektów

// zawierających pytania i odpowiedzi quizowe.

  1. Jeśli Twój monit, podobnie jak mój, nie wygenerował oczekiwanej zawartości, wykonaj następujące czynności:
  2. Kliknij ikonę czatu w lewym panelu kodu programu Visual Studio, aby otworzyć interfejs czatu Copilot. Możesz również użyć ChatGPT w tym kroku.
  3. W interfejsie czatu wprowadź następujący monit:

Podaj mi tablicę JavaScript zawierającą 10 pytań wielokrotnego wyboru dotyczących uczenia maszynowego

W odpowiedzi na ten monit Copilot Chat dał mi odpowiednio sformatowany i odpowiedni zestaw pytań i odpowiedzi. Oto kilka pierwszych pytań:

const triviaQuestions = [

{

question: “What is the name of the algorithm that is

commonly used for supervised learning?”,

choices: [“Decision Tree”, “K-Means”, “Naive Bayes”,

“Random Forest”],

answer: “Decision Tree”

},

{

question: “What is the name of the algorithm that is

commonly used for unsupervised learning?”,

choices: [“K-Means”, “Decision Tree”, “Naive Bayes”,

“Random Forest”],

answer: “K-Means”

},

{

question: “What is the name of the algorithm that is

commonly used for reinforcement learning?”,

choices: [“Q-Learning”, “K-Means”, “Naive Bayes”,

“Random Forest”],

answer: “Q-Learning”

},

];

  1. Skopiuj wygenerowaną tablicę i wklej ją do pliku danych.
  2. Będziesz importować tablicę do pliku JavaScript, więc dodaj słowo kluczowe export przed const, w ten sposób:

export const triviaQuestions = [

  1. Utwórz nowy plik w folderze js o nazwie trivia.js. Upewnij się, że masz otwarte pliki triviaQuestions.js i index.html podczas pracy nad trivia.js. Copilot używa plików, które masz otwarte jako kontekst dla pliku, nad którym pracujesz.
  2. Napisz komentarz na początku pliku trivia.js, opisując, co powinien on robić. Oto komentarz, który napisałem:

/* JavaScript dla gry Trivia.

Ten skrypt jest ładowany przez plik index.html i wyświetli pytania i możliwe odpowiedzi, z których użytkownicy mogą wybierać. Gra wyświetli nowe losowe pytanie, gdy użytkownik kliknie przycisk radiowy, aby wybrać odpowiedź i śledzić wynik użytkownika. */

  1. Bezpośrednio po komentarzu rozpocznij instrukcję importu JavaScript, aby zaimportować dane pytania. Niezależnie od tego, czy Copilot zorientuje się, co robisz i Ci pomoże, czy nie, instrukcja importu powinna wyglądać następująco:

import {triviaQuestions} from ‘../data/triviaQuestions.js’;

  1. Naciśnij Enter i zaakceptuj zmienne sugerowane przez Copilot.

Ostatecznie Copilot zasugeruje funkcję. Nie akceptuj sugerowanej funkcji od razu. Jeśli Copilot nie podaje żadnych sugestii, spróbuj wstawić pustą linię. Następnie spójrz na ikonę Copilot w prawym dolnym rogu. Powinna zacząć się obracać, a po kilku sekundach zobaczysz sugestię, jak zacząć pisać kod.

15. Najedź kursorem myszy na sugestię funkcji, aby wyświetlić menu Copilot, które może zawierać wiele możliwych sugestii, jak pokazano na rysunku .

  1. Jeśli podoba Ci się jedna z sugestii, zaakceptuj ją. Jeśli nie, spróbuj dopracować swój komentarz, aby podać więcej informacji o tym, czego chcesz.
  2. Kontynuuj ten proces akceptowania sugestii, pisania kodu i używania komentarzy, aby zapewnić kontekst, aż znajdziesz coś, co może zadziałać.

Teraz czas na podgląd Twojej aplikacji:

  1. Kliknij ikonę rozszerzeń po lewej stronie VSCode i użyj pola wyszukiwania, aby znaleźć rozszerzenie Live Server.
  2. Kliknij przycisk Instaluj pod rozszerzeniem Live Server. To rozszerzenie otwiera pliki HTML za pomocą serwera deweloperskiego.
  3. W Eksploratorze plików programu Visual Studio Code kliknij prawym przyciskiem myszy plik index.html i wybierz opcję Otwórz za pomocą Live Server. Twoja aplikacja zostanie otwarta w domyślnej przeglądarce internetowej.

Rysunek  przedstawia (szorstką i niegotową) grę, którą stworzyłem z pomocą Copilota. Proces ten zajął mi około 20 minut przy drugiej próbie.

Jeśli Twoja aplikacja nie działa, spróbuj debugowania za pomocą Copilot Chat. Niezależnie od tego, czy skończyłeś z użyteczną — lub nawet dobrą — aplikacją, zadaj sobie następujące pytania:

*Czy programowanie w parach z AI było łatwiejsze czy trudniejsze niż programowanie w parach z innym programistą?

*Czy byłeś zaskoczony (pozytywnie lub negatywnie) sugestiami oferowanymi przez Copilot?

* Jak zmieniłbyś swoje podejście do programowania w parach z AI, gdybyś miał powtórzyć to ćwiczenie?

Sesja programowania par AI

https://aie24.pl/

W tej sekcji współpracujesz z programistą par AI, aby opracować interaktywną grę quizową opartą na sieci Web. Do tego ćwiczenia potrzebujesz dostępu do GitHub Copilot.

Instalowanie Copilot

Jeśli rozszerzenie Copilot nie jest zainstalowane w edytorze kodu, wykonaj następujące kroki, aby je zainstalować i zapisać się na bezpłatną wersję próbną Copilot:

  1. Otwórz program Visual Studio Code. Jeśli program Visual Studio Code nie jest zainstalowany, możesz go pobrać ze strony https://code.visualstudio.com.
  2. Kliknij ikonę rozszerzeń na lewym pasku bocznym programu Visual Studio Code i wyszukaj Copilot, jak pokazano na rysunku 1-14.
  3. Zainstaluj rozszerzenie Copilot. Należy pamiętać, że rozszerzenie Copilot Chat jest instalowane automatycznie podczas instalacji Copilot.
  4. W przeglądarce przejdź do witryny https://github.com i zaloguj się. Jeśli nie masz konta, utwórz je, a następnie się zaloguj. Aby korzystać z Copilot, potrzebujesz konta GitHub.
  5. W oknie, które pojawi się w Visual Studio Code po zainstalowaniu Copilot, kliknij Zaloguj się do GitHub. Jeśli okno nie jest otwarte, kliknij ikonę Copilot w prawym dolnym rogu Visual Studio Code.
  6. Przejdź przez pojawiające się okna dialogowe, aby przyznać Visual Studio Code dostęp do konta GitHub. Po połączeniu GitHub i Visual Studio Code, Copilot wyświetli komunikat informujący, że nie masz dostępu do Copilot.
  7. Kliknij łącze, aby przejść do GitHub i zarejestrować się na 30-dniowy bezpłatny okres próbny Copilot.

Musisz mieć subskrypcję Copilot, aby korzystać z Copilot. Bezpłatna wersja próbna jest dostępna pod adresem https://github.com/features/copilot#pricing. Nauczyciele i studenci mają bezpłatny dostęp do Copilot za pośrednictwem GitHub Global Campus pod adresem https://education.github.com/. Zapisanie się na wersję próbną Copilot wymaga podania informacji o płatności, a wersja próbna automatycznie przekształca się w płatną subskrypcję po 30 dniach, chyba że ją anulujesz. Po zarejestrowaniu się w Copilot ikona Copilot w prawym dolnym rogu programu Visual Studio Code staje się aktywna. Jeśli klikniesz ikonę, na górze VS Code pojawi się kilka opcji, w tym Deactivate Copilot, która wyłącza sugestie z modelu do momentu ponownego kliknięcia ikony i ponownej aktywacji. Gratulacje! Zarejestrowałeś się w Copilot i jesteś gotowy, aby utworzyć grę quizową.