Что такое ИИ?
Искусственный интеллект (ИИ) — это когда компьютер выполняет задачу, для которой нужно человеческое мышление: видеть, слышать, понимать речь или принимать решения. Большинство современных ИИ учатся на данных, а не просто выполняют заранее заданные инструкции.
ИИ, машинное обучение и глубокое обучение
- ИИ — общая идея: машины, которые действуют разумно.
- Машинное обучение (МО) — часть ИИ, в которой машина сама находит закономерности в данных.
- Глубокое обучение — часть МО, где используют большие нейронные сети, например для распознавания лиц.
Три главные области
- Наука о данных: числа и таблицы (прогноз цен).
- Компьютерное зрение: изображения и видео (разблокировка по лицу).
- Обработка естественного языка (NLP): текст и речь (голосовые помощники, перевод).
Не всё автоматическое — это ИИ: таймер стиральной машины выполняет одни и те же шаги и ничему не учится.
Шесть этапов цикла проекта ИИ
- Постановка задачи: понять проблему. Заполни холст 4W: Who (кого это касается), What (в чём проблема и чем это подтверждается), Where (ситуация, обстановка), Why (какая польза от решения). В конце напиши формулировку задачи одним предложением.
- Сбор данных: собери данные, которые нужны, надёжны и которыми разрешено пользоваться. Источники: опросы, датчики, камеры, наблюдения, веб-скрапинг, открытые наборы данных (API). У данных есть признаки (входные свойства, например размер, цвет) и метка (ответ, например «яблоко»).
- Исследование данных: очисти данные (исправь пропущенные, неверные или повторяющиеся значения) и построй графики, чтобы заметить закономерности.
- Моделирование: выбери метод. На правилах: правила пишут люди. На обучении: машина сама выводит правила из данных (например, обучение с учителем на размеченных данных, обучение без учителя, которое находит группы).
- Оценка: проверь модель на данных, которых она ещё не видела. Измерь точность и посмотри на ошибки.
- Внедрение: поставь модель в настоящее приложение или устройство, наблюдай за её работой и продолжай улучшать. Потом цикл повторяется.
Оценка модели: точность простыми числами
Точность = верные предсказания ÷ все предсказания × 100%.
Если модель фруктов увидела 200 новых фруктов и угадала 180, точность = 180 ÷ 200 × 100 = 90%. Часть данных мы откладываем как тестовые данные, потому что модель может просто «запомнить» обучающие данные. Проверка на новых данных показывает, научилась ли она на самом деле.
Одна точность может скрыть проблемы: модель может быть права в 95% случаев в целом, но намного хуже работать для одной группы людей. Поэтому мы смотрим результаты ещё и по группам.
Этика и предвзятость в ИИ
Этика ИИ — это забота о том, чтобы ИИ применяли справедливо и безопасно для людей.
- Предвзятость: модель относится к некоторым людям несправедливо, обычно потому что в обучающих данных мало примеров или они односторонние. Пример: система разблокировки по лицу, обученная в основном на одном оттенке кожи, чаще ошибается для других.
- Приватность: собирай только нужные данные, с разрешения, и храни их надёжно.
- Прозрачность: люди должны знать, когда решение принимает ИИ и почему.
- Ответственность: за действия ИИ отвечают люди.
- Работа и доступ: ИИ должен помогать людям, и пользоваться им должны мочь все.
Что помогает: сбалансированные и проверенные данные, тесты для каждой группы, проверка важных решений человеком.
Главные формулы и определения
- Точность (%) = верные предсказания ÷ все предсказания × 100
- Цикл проекта ИИ: постановка задачи → сбор данных → исследование данных → моделирование → оценка → внедрение
- Холст 4W: Who, What, Where, Why
- Признак: входное свойство данных. Метка: правильный ответ для примера.
- Обучающие данные учат модель; тестовые данные её проверяют.
- Предвзятость: несправедливые результаты для какой-то группы, часто из-за несбалансированных данных.
Разобранные примеры
1. Составь формулировку задачи по 4W для школьников, которые забывают пить воду в школе.
Who: школьники 12–15 лет. What: они пьют слишком мало воды и устают. Where: в классах во время долгих уроков. Why: напоминания могли бы улучшить здоровье и внимание. Формулировка: «Наши школьники (кто) пьют слишком мало воды (что) во время долгих уроков (где); умное напоминание помогло бы им оставаться здоровыми и бодрыми (зачем)».
2. Модель, определяющая болезни растений, проверена на 250 новых фото листьев и дала 215 верных ответов. Найди точность.
Точность = 215 ÷ 250 × 100 = 86%.
3. Модель, которая одобряет кредиты, обучена только на данных заявителей из города. Какая проблема может появиться и как её исправить?
Она может несправедливо отказывать жителям деревень, потому что не училась на их данных (предвзятость). Решение: собрать сбалансированные данные и из деревень, проверять точность отдельно для каждой группы и давать человеку пересматривать отказы.
Частые ошибки
- Сразу браться за модель, не поставив задачу. Без чёткой формулировки собранные данные могут оказаться бесполезными.
- Проверять модель на тех же данных, на которых она училась. Так проверяется только память, а не обучение.
- Думать, что больше данных — всегда лучше. Это не так: неверные, предвзятые или личные данные делают модель хуже или неэтичной.
- Называть ИИ любую автоматическую машину. Это ИИ только тогда, когда она учится или рассуждает на основе данных.