Основы искусственного интеллекта

Цель работы. Изучить основные алгоритмы и модели принятия решений в системах искусственного интеллекта, а также освоить принципы их применения для анализа и выбора оптимальных решений.

Теоретическая часть

Принятие решений в ИИ — это процесс выбора оптимального действия на основе анализа данных, моделей и заданных критериев.

Системы ИИ используют различные алгоритмы для автоматизации решений в условиях:

·                     неопределенности;

·                     большого объема данных;

·                     ограниченных ресурсов;

·                     многокритериальности.

Основные подходы к принятию решений:

1. Правиловые системы (Rule-based systems)

Используют набор заранее заданных правил:

·                     если условие → то действие

Пример:

·                     если температура > 30°C → включить охлаждение

2. Модели машинного обучения

Система обучается на данных и делает прогнозы:

·                     классификация;

·                     регрессия;

·                     кластеризация.

Пример:

·                     прогноз успеваемости студента;

·                     определение категории изображения.

3. Вероятностные модели

Основаны на теории вероятностей:

·                     байесовские сети;

·                     статистические модели.

Пример:

·                     диагностика заболеваний;

·                     прогноз рисков.

4. Оптимизационные алгоритмы

Используются для поиска наилучшего решения:

·                     минимизация затрат;

·                     максимизация эффективности.

Пример:

·                     маршрутизация транспорта;

·                     распределение ресурсов.

5. Обучение с подкреплением (Reinforcement Learning)

Агент учится через взаимодействие со средой:

·                     награда / штраф;

·                     постепенное улучшение стратегии.

Пример:

·                     робот-навигация;

·                     игровые ИИ.

План выполнения работы

1. Изучение моделей принятия решений

Обучающийся должен:

·                     изучить основные типы алгоритмов принятия решений;

·                     понять различие между правилами, обучением и вероятностными моделями;

·                     привести теоретические примеры.

2. Анализ практических примеров ИИ-систем

Необходимо выбрать 2–3 примера ИИ-систем, использующих разные модели принятия решений.

Примеры:

·                     рекомендательные системы;

·                     навигационные системы;

·                     медицинские экспертные системы;

·                     финансовые прогнозные модели;

·                     системы управления роботами.

Для каждого примера указать:

·                     тип модели принятия решений;

·                     используемые данные;

·                     алгоритмический подход;

·                     результат решения;

·                     преимущества и ограничения.

3. Практический анализ процесса принятия решений

Для одного выбранного примера необходимо:

·                     описать входные данные;

·                     определить логику обработки;

·                     показать, какое решение принимает система;

·                     объяснить, почему выбрано именно это решение.

4. Сравнение моделей

Необходимо сравнить минимум 2 модели принятия решений по параметрам:

·                     точность;

·                     скорость;

·                     сложность;

·                     область применения.

Пример структуры анализа

Система	Тип модели	Данные	Решение	Результат
Рекомендательная система	ML	история просмотров	подбор контента	персонализация
Навигация	оптимизация	карта, трафик	маршрут	кратчайший путь

Требования к оформлению результата

Работа должна содержать:

·                     введение;

·                     описание моделей принятия решений;

·                     анализ 2–3 ИИ-систем;

·                     сравнительную таблицу;

·                     выводы.

Допускается использование:

·                     таблиц;

·                     схем;

·                     блок-схем;

·                     примеров из реальных сервисов.

Критерии оценивания

Критерий	Описание	Баллы
Понимание моделей ИИ	Корректное описание алгоритмов принятия решений	0–40
Анализ примеров	Правильный разбор ИИ-систем	0–30
Сравнение моделей	Логичность и обоснованность сравнения	0–20
Оформление работы	Структура и аккуратность	0–10

Максимальный балл: 100

Дополнительно (рекомендации для студентов)

Для повышения оценки рекомендуется:

·                     использовать реальные примеры систем (Google Maps, Netflix, ChatGPT и др.);

·                     сравнивать разные типы алгоритмов;

·                     приводить примеры из своей будущей профессии;

·                     оформлять работу в виде схем или презентации.

Итог работы

Студент должен уметь:

·                     объяснять основные модели принятия решений в ИИ;

·                     различать алгоритмические подходы;

·                     анализировать реальные ИИ-системы;

·                     сравнивать эффективность различных моделей.