Искусственный интеллект — это совокупность методов и программ, которые позволяют машинам выполнять задачи, требующие человеческого интеллекта: понимать речь, видеть и узнавать объекты, принимать решения, учиться на данных и объяснять свои решения. Ниже — системное, «человекоориентированное» изложение с профессиональными терминами и простыми объяснениями.
Короткое определение и ключевая идея
- Искусственный интеллект — это имитация когнитивных способностей человека с помощью алгоритмов и данных.
- Когнитивные способности включают восприятие, обучение, рассуждение, планирование, язык и моторику.
- Базовая мысль: если описать задачу как последовательность вычислимых шагов и обучить модель на примерах, машина сможет решать её с приемлемой точностью.
Основные ветви ИИ
- Символический ИИ
- Использует явные правила, логические выражения и базы знаний.
- Ключевые понятия:
- Представление знаний: онтологии, логика предикатов, продукционные правила.
- Вывод: дедукция, индукция, абдукция.
- Плюсы: интерпретируемость, строгие объяснения.
- Минусы: хрупкость к неполному знанию, трудоёмкая разработка правил.
- Машинное обучение
- Алгоритмы, которые учатся на данных, минимизируя ошибку.
- Режимы:
- Обучение с учителем: есть входы и правильные ответы.
- Обучение без учителя: есть только входы, ищем структуру.
- Полусупервизия: мало ответов, много безответных примеров.
- Обучение с подкреплением: агент получает вознаграждение за действия.
- Плюсы: масштабируемость на больших данных.
- Минусы: зависимость от данных, риск переобучения.
- Глубокое обучение
- Нейросети с многими слоями, автоматически извлекающие признаки.
- Ключевые архитектуры:
- Сверточные сети для изображений.
- Рекуррентные и трансформеры для последовательностей и текста.
- Плюсы: высокое качество на сложных задачах.
- Минусы: вычислительная требовательность, сложность интерпретации.
- Гибридные подходы
- Комбинирование символических правил и нейросетей.
- Примеры: нейросемантические системы, дифференцируемые структуры данных.
Базовые термины простым языком
- Модель: математическая «формула» с настраиваемыми параметрами, принимающая вход и выдающая ответ.
- Параметры: числа внутри модели, которые она «учит» для улучшения качества.
- Гиперпараметры: настройки обучения, которые задаёт человек, например скорость обучения.
- Признаки: числовые представления свойств объекта.
- Потеря: мера ошибки между предсказанием модели и правильным ответом.
- Оптимизация: процесс поиска параметров, уменьшающих потерю.
- Регуляризация: методы, чтобы модель не запоминала шум и не переобучалась.
- Обобщающая способность: умение работать с новыми, невиданными примерами.
- Переобучение: модель хорошо знает тренировочные примеры, но ошибается на новых.
- Валидация: проверка качества во время разработки на отложенной части данных.
- Тестирование: итоговая проверка на данных, которых модель не видела.
- Метрика: числовой показатель качества, например точность или полнота.
Ключевые типы задач
- Классификация: отнесение объекта к одному из классов.
- Регрессия: предсказание числа.
- Кластеризация: группировка схожих объектов без меток.
- Снижение размерности: сжатие признаков с сохранением структуры.
- Детекция объектов: поиск и маркировка объектов на изображении.
- Сегментация: выделение точной области объекта.
- Обработка естественного языка: понимание и генерация текста.
- Рекомендации: предсказание предпочтений пользователя.
- Управление и планирование: выбор последовательности действий для цели.