ИИ, машинное обучение и нейросети — не одно и то же
Искусственный интеллект — самое широкое понятие. В него входят разные методы автоматического принятия решений. Машинное обучение — подход, при котором правила не прописываются полностью вручную, а извлекаются из примеров. Нейронные сети — класс моделей машинного обучения, состоящий из множества связанных вычислительных элементов. Поэтому любую нейросеть можно отнести к ИИ, но не всякая система ИИ обязана быть нейросетью.
Что означает обучение модели
Во время обучения модели показывают множество примеров. У каждого примера могут быть правильные ответы или другая форма обратной связи. Модель делает прогноз, сравнивает его с ожидаемым результатом и постепенно меняет внутренние параметры так, чтобы ошибка уменьшалась. Эти параметры обычно не являются понятными человеку правилами вроде «если объект красный, делай X». Они образуют сложную числовую структуру, которая кодирует обнаруженные закономерности.
Почему данные так важны
Модель учится на том, что ей показали. Если данные неполные, содержат систематические перекосы или плохо соответствуют реальной задаче, результат тоже будет ограниченным. Большой набор данных сам по себе не гарантирует качество. Важно, насколько примеры разнообразны, корректны и похожи на ситуации, в которых модель будет использоваться. Поэтому подготовка данных часто занимает не меньше внимания, чем выбор архитектуры.
Почему нейросети ошибаются уверенно
Модель обычно не хранит внутри проверенный справочник истин. Она рассчитывает наиболее вероятный ответ на основе выученных закономерностей. В задачах генерации текста это означает, что фраза может звучать убедительно и при этом содержать ошибку. Поэтому критичные факты нужно проверять, а результаты модели оценивать на специальных тестовых данных. ИИ полезен как инструмент, но качество его ответа зависит от задачи, данных и способа проверки.
Попробуйте на практике
Разобрать одну бытовую задачу и определить, где в ней мог бы использоваться ИИ.
- Выберите задачу, например сортировку фотографий или фильтрацию нежелательных сообщений.
- Опишите, какие данные система получает на вход.
- Сформулируйте, какой результат она должна выдавать.
- Придумайте три разных примера для обучения и два сложных пограничных случая.
- Запишите, как человек будет проверять качество результата.
Как проверить результат. Разбор готов, если можно ясно отделить входные данные, ожидаемый выход, процесс обучения и способ проверки ошибок.
Частые вопросы
Нейросеть копирует человеческий мозг?
Она вдохновлена идеей связанных нейронов, но современные искусственные сети сильно упрощены и работают иначе, чем биологический мозг.
Чем обучение отличается от обычного программирования?
В обычной программе человек явно задаёт правила. В машинном обучении модель настраивает множество параметров на примерах, чтобы находить закономерности автоматически.
Если модель обучена на огромном количестве данных, она знает всё?
Нет. Она может не иметь нужной информации, неверно обобщать данные или генерировать правдоподобные, но ошибочные ответы.
Самостоятельный разбор темы. Содержание конкретной обучающей программы здесь не представлено.