Конспект

YouTubeЮФУ -- 2026.09.07 -- Что такое AI? Введение, терминология, типы данных и задач

🎯 Введение в искусственный интеллект

Ключевые тезисы

  • Искусственный интеллект (ИИ) — это одновременно раздел науки (о создании программ для решения неформализованных задач) и его конечная цель (продукт), что часто приводит к путанице.
  • Практически весь современный ИИ основан на машинном обучении (ML), где системы обучаются на данных, а не программируются вручную.
  • Прогресс в ИИ ускоряется, и большие языковые модели (LLM) радикально трансформируют мир.
  • Определить, что такое «искусственный интеллект» или «общий ИИ (AGI)», крайне сложно — границы постоянно сдвигаются (феномен «движения ворот»).

📈 Эволюция мотивации для изучения ИИ

  • 20 лет назад: Примеры — рекомендательные системы (Netflix), поисковая выдача (Google), спам-фильтры. Нужно было убеждать в практической пользе.
  • 15 лет назад: Революция глубокого обучения. Пример — скачок в распознавании речи, переход из состояния «не работает» в «работает» (стало достаточно хорошо для голосовых помощников).
  • 5-10 лет назад: Нейросети революционизировали компьютерное зрение и обработку естественного языка (NLP). Пример — машинный перевод (Google Translate) стал практически полезен.
  • Сегодня (2026): Мотивация очевидна благодаря большим языковым моделям (LLM), которые трансформируют мир и выполняют значительную часть интеллектуальной работы.

🤔 Что такое искусственный интеллект?

  • Проблема определения: Традиционные определения (например, «выполнение функций, считающихся прерогативой человека») ведут к «движению ворот»: как только ИИ решает задачу (шахматы, Го), её перестают считать признаком «настоящего» ИИ.
  • ИИ как наука vs. продукт: Важно разделять ИИ как раздел компьютерных наук (машинное обучение) и как цель этой науки (AGI). Смешение этих понятий мешает дискуссии.
  • Интеллект — сложное, многомерное понятие. Часто рассматривается как способность использовать знания для управления окружающей средой.

🧠 Основные методы: машинное обучение

  • ML — центральный раздел ИИ. Исторические подходы (экспертные системы, системы на правилах) отошли на второй план.
  • Обучение — улучшение качества решения задач с накоплением опыта относительно целевой функции.
  • Пример: Распознавание кошек и собак. Ручное описание признаков (правила) оказалось тупиковым путём. Эффективнее обучить нейросеть на миллионах размеченных картинок, чтобы она сама извлекла нужные признаки.

📊 Классификация по типам данных (модальностям)

ИИ-системы можно различать по виду входных данных:

  1. Табличные данные (размерность 0): Классическое ML (прогноз оттока клиентов, оценка кредита). Признаки уже извлечены, их относительно немного.
  2. Последовательности (размерность 1):
    • Временные ряды (финансы, погода).
    • Текст — ключевая модальность для NLP и LLM.
    • Звук (распознавание и синтез речи).
  3. Изображения (2D данные): Компьютерное зрение. Главная сложность — высокая размерность (миллионы пикселей).
  4. 3D данные: 3D-сцены (лидары) или видео (2D + время).
  5. Мультимодальные модели: Объединяют несколько модальностей (текст+изображение, видео+звук).

💎 Выводы

  • Курс будет посвящён основам машинного обучения и нейросетей, объяснённым «на пальцах» с минимальным использованием сложной математики.
  • Прогресс в ИИ, особенно после 2022 года, невероятно быстр и, вероятно, ведёт к созданию AGI и технологической сингулярности.
  • Ключевые вопросы этики, безопасности и интерпретируемости ИИ становятся всё более актуальными.
  • Для глубокого понимания ИИ необходима фундаментальная математическая подготовка (теория вероятностей, математический анализ).