Изучаем ИИ с нуля: понятия и план занятий на каждый день

Чтобы изучить ИИ с нуля, начните с нескольких ключевых идей: системы ИИ учатся находить закономерности в данных, а не следуют правилам, написанным вручную; нейросети — основной инструмент современного ИИ; а большие языковые модели, такие как чатботы, работают, предсказывая следующий фрагмент текста. Когда эти идеи уложатся в голове, вы сможете разбираться в новостях, разумнее пользоваться ИИ-инструментами и решить, стоит ли углубляться в программирование. В этом руководстве простым языком объяснены основные понятия, а также предложен план, как изучать ИИ по несколько минут в день.

Главное

• ИИ, машинное обучение и глубокое обучение — вложенные понятия, от самого широкого к самому узкому.
• У машинного обучения три основных вида: с учителем, без учителя и с подкреплением.
• Большие языковые модели предсказывают токены; их гладкая речь ещё не значит проверенные знания.
• Настоящее понимание можно выработать короткими ежедневными занятиями и самопроверкой.

#Что такое искусственный интеллект на самом деле?

Искусственный интеллект — область, в которой создают компьютерные системы, выполняющие задачи, которые мы связываем с человеческим интеллектом: распознавание изображений, понимание языка, принятие решений или игра.

Стоит знать две исторические вехи:

• В 1950 году Алан Тьюринг опубликовал статью «Вычислительные машины и разум», в которой задал вопрос, могут ли машины мыслить, и предложил то, что позже назвали тестом Тьюринга.
• Термин «искусственный интеллект» связывают с летним семинаром 1956 года в Дартмутском колледже, организованным Джоном Маккарти с коллегами.

Ранний ИИ в основном опирался на правила, написанные вручную. Современный ИИ в основном учится на данных.

#Чем отличаются ИИ, машинное обучение и глубокое обучение?

#Как работает машинное обучение?

Вместо того чтобы программировать каждое правило, вы даёте модели примеры, и она подстраивает внутренние числа, называемые параметрами, пока её ответы хорошо не совпадут с примерами.

#Три основных вида машинного обучения

1. Обучение с учителем: модель учится на размеченных примерах. Покажите ей тысячи писем с пометкой «спам» или «не спам», и она научится классифицировать новые.
2. Обучение без учителя: модель находит структуру в неразмеченных данных, например группирует клиентов со схожим поведением (кластеризация).
3. Обучение с подкреплением: агент учится методом проб и ошибок, получая награды или штрафы. AlphaGo от DeepMind, победившая сильнейшего игрока в го Ли Седоля в 2016 году, сочетала обучение с подкреплением и глубокие нейросети.

#Обучающие данные, признаки и метки

• Обучающие данные: примеры, на которых учится модель.
• Признаки: входная информация (пиксели, слова, числа).
• Метки: правильные ответы в обучении с учителем.
• Тестовые данные: примеры, которые отложили, чтобы проверить, работает ли модель на данных, которых она не видела.

#Что такое переобучение?

Переобучение происходит, когда модель запоминает обучающие данные вместе с шумом вместо того, чтобы выучить общие закономерности. На обучающих примерах она работает хорошо, а на новых — плохо, как студент, который заучил ответы прошлых экзаменов, не понимая предмета.

#Что такое нейронная сеть?

Нейронная сеть — математическая модель, отдалённо вдохновлённая мозгом. Она состоит из слоёв простых элементов («нейронов»). У каждой связи есть вес. Данные поступают через входной слой, проходят через скрытые слои и дают результат на выходе.

Во время обучения:

1. Сеть делает прогноз.
2. Функция потерь измеряет, насколько он ошибочен.
3. Алгоритм обратного распространения ошибки вычисляет, как каждый вес повлиял на ошибку.
4. Градиентный спуск слегка корректирует веса, чтобы уменьшить ошибку.
5. Всё повторяется миллионы раз.

«Глубокое» обучение — это просто сети со многими слоями, которые способны выучивать всё более абстрактные признаки: сначала границы, затем формы, затем объекты на изображении.

#Как работают большие языковые модели?

Большие языковые модели построены на архитектуре трансформер, представленной в 2017 году в научной статье «Attention Is All You Need» исследователей из Google. Трансформеры используют механизм внимания, который позволяет модели оценивать, насколько каждое слово в отрывке важно для всех остальных.

Основная задача обучения на удивление проста:

• Текст разбивается на токены (слова или их части).
• Модель учится предсказывать следующий токен по предыдущим.
• Обученная на огромных объёмах текста, такая модель умеет делать краткие пересказы, переводить, объяснять и писать код.

Многие чат-ассистенты затем дополнительно настраивают с помощью обратной связи от людей и других методов, чтобы они следовали инструкциям и отвечали полезнее и безопаснее.

#Обучение и инференс

• Обучение — дорогостоящий процесс подбора параметров по данным.
• Инференс — использование обученной модели для получения результатов, например ответа на ваш вопрос.

#Что такое контекстное окно?

Контекстное окно — это объём текста (в токенах), который модель может учитывать одновременно, включая ваш запрос и её ответ. Всё, что за его пределами, модель в этот момент «не видит».

#Каковы главные ограничения ИИ?

Понимать ограничения так же важно, как и возможности.

• Галлюцинации: модели могут выдавать гладкие, уверенные и ложные утверждения. Важные факты проверяйте.
• Предвзятость: модели учатся на данных, в которых могут быть социальные предубеждения, и способны их воспроизводить.
• Предел знаний: встроенные знания модели заканчиваются на моменте сбора обучающих данных, если только она не подключена к поиску или другим инструментам.
• Непрозрачность: часто трудно объяснить, почему большая нейросеть выдала именно такой результат.
• Конфиденциальность: будьте осторожны с личной и конфиденциальной информацией, которой вы делитесь с ИИ-инструментами.

#Что стоит изучить новичку в первую очередь?

Практичный порядок для неспециалистов:

1. Терминология: ИИ, ML, глубокое обучение, нейросети, LLM, токены, обучение, инференс.
2. Как грамотно пользоваться ИИ-инструментами: чёткие запросы, контекст, проверка результатов.
3. Ограничения и риски: галлюцинации, предвзятость, конфиденциальность.
4. Как критически читать новости об ИИ: что на самом деле показывает тест производительности или «прорыв».

Если хотите создавать ИИ самостоятельно, добавьте:

1. Python — самый распространённый язык в работе с ИИ.
2. Базовую статистику и теорию вероятностей.
3. Линейную алгебру и немного математического анализа, хотя бы на уровне интуиции о векторах, матрицах и градиентах.
4. Практический проект, например обучение простого классификатора с помощью популярной библиотеки.

#Как изучать ИИ по несколько минут в день?

ИИ — обширная область, но она естественным образом делится на небольшие понятия, поэтому отлично подходит для микрообучения.

Что помогает:

• Объясняйте просто. После каждого понятия напишите два предложения, как будто объясняете другу.
• Проверяйте себя на следующий день. «Что такое переобучение?» Извлечение из памяти укрепляет её; см. активное воспроизведение.
• Используйте ИИ, чтобы учить ИИ, но осторожно. Попросите чатбота объяснить понятие, а затем сверьте с надёжным источником.
• Сохраняйте чувство меры с новостями. Наше руководство о том, как следить за новостями об ИИ, рассказывает, как делать это без перегрузки.

Тема «ИИ» в Topicly готовит одно короткое ежедневное открытие с выбранной вами глубиной и временем чтения, а затем несколько быстрых вопросов по прочитанному. Если хотите узнать, как само приложение использует ИИ для персонализации тем, прочитайте как работает персонализированное обучение с ИИ.

#Попробуйте

Сегодня своими словами запишите разницу между ИИ, машинным обучением и глубоким обучением. Завтра попробуйте объяснить, что такое токен, не подглядывая. Если хотите, чтобы каждый день вас ждал короткий урок об ИИ, скачайте Topicly и добавьте ИИ как тему.