Основы искусственного интеллекта

Цель лекции: Сформировать понимание алгоритмической природы искусственного интеллекта, раскрыть фундаментальное различие между классическим программированием и машинным обучением, а также разобрать математическую логику работы простейших базовых моделей ИИ на прикладных примерах.

1. Введение: Что такое алгоритм в контексте ИИ?

Слово «алгоритм» звучит математически сухо, но на самом деле мы сталкиваемся с ними каждую секунду.

·                     Алгоритм — это точная последовательность инструкций или правил, выполнение которых приводит к решению задачи. Кулинарный рецепт, инструкция по сборке мебели из IKEA, порядок действий при эвакуации — все это алгоритмы.

·                     В компьютерных науках алгоритм — это фундамент. Компьютер абсолютно «глуп», он не умеет догадываться. Он лишь безукоризненно и молниеносно выполняет переданные ему инструкции.

·                     Главный сдвиг парадигмы: Искусственный интеллект не отменил алгоритмы. Он изменил способ их создания.

2. Классические алгоритмы vs Машинное обучение

Чтобы понять, как работает ИИ, нужно сравнить его с традиционным подходом к автоматизации.

А. Традиционное программирование (ЖЕСТКИЙ АЛГОРИТМ)

Инженер-программист сам придумывает правила, переводит их в код, подает на вход данные, а компьютер выдает ответ.

·                     Пример: Банковская программа для выдачи кредита. Программист пишет жесткое правило: ЕСЛИ возраст > 21 И доход > 150 000 ТОГДА выдать_кредит = ИСТИНА.

·                     Минус: Если факторов становится 50 (кредитная история, семейное положение, стаж, марка машины), человек физически не сможет прописать все комбинации правил вручную.

Б. Машинное обучение (ИИ-ПОДХОД)

Мы меняем компоненты местами. Мы даем компьютеру исторические данные и правильные ответы (исходы), а компьютер сам находит закономерности и генерирует алгоритм (модель).

·                     Пример: Мы загружаем в ИИ данные 10 000 реальных клиентов за прошлые годы (их анкеты) и информацию, кто из них вернул кредит, а кто — нет. ИИ сам ищет скрытые взаимосвязи, подбирает математические формулы и создает модель, которая сможет предсказывать надежность новых клиентов.

3. Что такое «Модель» в ИИ и примеры простых моделей

Модель ИИ — это математическое уравнение или логическая структура, которая обучилась на данных и способна делать прогнозы. Давайте разберем три базовые модели, которые лежат в основе современного ИИ.

Модель 1. Линейная регрессия (Linear Regression)

Это модель для предсказания конкретного числа.

Представьте, что вам нужно предсказать стоимость квартиры на основе ее площади. У вас есть исторические данные (точки на графике). Модель линейной регрессии пытается провести через эти точки идеальную прямую линию так, чтобы расстояние от линии до всех точек было минимальным.

Математически это выглядит как школьная формула прямой:

y = k · x + b

Где:

·                     y — то, что мы ищем (цена квартиры).

·                     x — известный фактор (площадь).

·                     k и b — веса (коэффициенты), которые компьютер подбирает в процессе обучения.

Если площадь (x) увеличивается, модель умножает её на коэффициент k и выдает прогноз цены.

·                     Где применяется: Прогноз температуры, расчет стоимости акций, планирование спроса на товары в супермаркете.

Модель 2. Логистическая регрессия (Logistic Regression)

Это модель для классификации (когда ответом является «Да» или «Нет», «0» или «1»).

Она похожа на линейную, но вместо бесконечной прямой линии она использует специальную математическую функцию (сигмоиду), которая зажимает любой результат в строгий диапазон от 0 до 1 (от 0% до 100% вероятности).

·                     Пример: Анализ электронного письма. Модель оценивает частоту слов «акция», «бесплатно», «миллион». На выходе она говорит: вероятность того, что это спам — 0.92 (или 92%). Система принимает решение отправить письмо в папку «Спам».

·                     Где применяется: Медицинская диагностика (болен/здоров), кредитный скоринг (вернет/не вернет), модерация контента.

Модель 3. Дерево решений (Decision Tree)

Это логическая модель, имитирующая человеческое мышление.

Модель строит структуру в виде перевернутого дерева, где в «узлах» стоят вопросы к данным, а в «листьях» — итоговый ответ. ИИ конструирует эти вопросы автоматически, выбирая те признаки, которые сильнее всего разделяют данные.

·                     Плюс модели: Она абсолютно прозрачна. Мы можем проследить глазами, почему ИИ принял именно такое решение.

·                     Где применяется: Системы поддержки принятия решений в менеджменте, диагностика неисправностей оборудования, скоринг.

4. Как происходит процесс «Обучения» модели

Обучение модели состоит из трех повторяющихся шагов:

1.                  Прямой ход (Предсказание): Модель берет данные, подставляет их в свои текущие формулы и выдает случайный (сначала очень плохой) ответ.

2.                  Расчет функции потерь (Loss Function): Специальный алгоритм сравнивает ответ ИИ с реальным правильным ответом и вычисляет размер ошибки (штрафной балл).

3.                  Оптимизация (Градиентный спуск): Алгоритм слегка корректирует коэффициенты (веса) в формулах модели, чтобы в следующий раз ошибка стала меньше.

Этот цикл прокручивается тысячи или миллионы раз, пока точность модели не перестанет расти.

5. Заключение: Границы применимости простых моделей

Простые алгоритмы (линейные модели, деревья решений) до сих пор составляют до 70% всех работающих систем в реальном бизнесе и аналитике. Они быстры, требуют мало вычислительной мощности и легко интерпретируются человеком.

Однако у них есть предел: они бессильны перед сложными неструктурированными данными — такими как живой человеческий текст, аудиопотоки или видео высокого разрешения. Именно для преодоления этих границ и были созданы нейронные сети, которые мы изучали ранее.

Вопросы

1.                  В чем принципиальное отличие создания алгоритма программистом вручную от автоматического обучения модели ИИ?

2.                  Представьте, что модель линейной регрессии прогнозирует урожайность пшеницы на основе количества выпавших осадков. Из-за чего эта модель может выдать абсолютно нереальный (ошибочный) прогноз в экстремальных погодных условиях?