Результаты обучения
После урока вы сможете:
- различать AI, ML и DL и объяснять отношения между ними;
- приводить примеры AI-систем, не использующих машинное обучение;
- отличать традиционные алгоритмы ML от глубоких нейронных сетей;
- объяснять роль данных, признаков, параметров, обучения и вывода;
- не отождествлять Deep Learning с Generative AI;
- классифицировать систему по её механизму, а не по маркетинговому названию.
В технических описаниях AI, Machine Learning и Deep Learning часто смешивают. Любое ли AI обучается на данных? Всегда ли нейросеть генеративна? Можно ли назвать AI систему, которая работает по заранее заданным правилам?
1. Три понятия — три разных ответа
| Понятие | На какой вопрос отвечает? | Что описывает? |
|---|---|---|
| Artificial Intelligence (AI) | Какую интеллектуальную задачу выполняет машина? | Широкую область методов и систем: восприятие, рассуждение, поиск, планирование, обучение, решения и генерацию. |
| Machine Learning (ML) | Как система извлекает закономерности из данных? | Методы, в которых параметры или структура модели настраиваются по данным или опыту. |
| Deep Learning (DL) | Как обучать сложные представления с помощью многослойных сетей? | Подмножество ML, основанное на обучении многослойных нейронных сетей. |
AI — наиболее широкое понятие. ML — один из подходов, применяемых в AI. DL — один из классов методов внутри ML. Программный продукт при этом может объединять сразу несколько подходов.
2. Иерархия AI → ML → DL
DL ⊂ ML ⊂ AI — концептуальная схема, а не описание внутреннего устройства каждого AI-продукта.
Знак ⊂ означает «является подмножеством». Методы DL относятся к ML, а ML — один из подходов в AI.
2.1. Почему не всякий AI — это ML
AI включает методы, в которых правила и стратегия задаются разработчиком или экспертом. Система может искать путь по графу, проверять логические условия, применять базу экспертных знаний или планировать последовательность действий. Ей не обязательно обучаться на наборе примеров.
Пример — экспертная система. Инженер задаёт правила: «если температура выше порога и давление отклоняется от нормы, выдать предупреждение». Если система использует только заданные правила, это AI-подход, но не обязательно ML. Сам факт обработки входных данных не является доказательством машинного обучения.
2.2. Почему не всякий ML — это DL
К ML относятся линейная и логистическая регрессия, деревья решений, случайный лес, градиентный бустинг, метод опорных векторов и многие другие алгоритмы. Они обучаются на данных, но не используют глубокую нейронную сеть.
Пример — кредитный скоринг. Логистическая регрессия получает подготовленные признаки клиента и оценивает вероятность события. Её коэффициенты подбираются по обучающим данным. Это ML, но не Deep Learning.
3. Что означает «обучение на данных»
В ML разработчик задаёт класс модели, способ измерения ошибки и процедуру настройки. Алгоритм использует обучающие данные, чтобы подобрать параметры модели.
- Алгоритм обучения — процедура подбора параметров, например оптимизация коэффициентов регрессии.
- Модель — математическое или вычислительное описание зависимости, используемое для вывода.
- Обученные параметры — найденные значения: коэффициенты, пороги дерева, веса нейросети.
Данные не обязательно хранятся в модели целиком. Обучение преобразует информацию из примеров в параметры и структуру. Но есть методы, например k ближайших соседей, которые сохраняют обучающие объекты и используют их непосредственно при прогнозе.
4. Чем Deep Learning отличается от традиционного ML
Слово deep («глубокий») относится к глубине вычислительной архитектуры, а не к человеческой глубине мышления или сознанию.
4.1. Признаки и представления
Feature (признак) — измеряемая или вычисляемая характеристика объекта, используемая моделью. Для кредитной модели это могут быть доход, стаж и долговая нагрузка. Для изображения исходными значениями являются пиксели.
Feature engineering (конструирование признаков) — подготовка исходных данных и создание полезных характеристик. В традиционном ML эта работа часто выполняется человеком. В DL сеть может сама обучать промежуточные представления из исходных данных. Это не отменяет очистку данных, разметку, нормализацию и проверку качества.
Representation (представление) — внутреннее кодирование объекта или его свойств. Например, слои сети могут преобразовывать пиксели в числовые признаки контуров, текстур и частей объектов. Такие представления не всегда легко интерпретировать человеку.
4.2. Пример распознавания изображения
Традиционный подход: вручную сконструировать признаки — цветовые гистограммы, контуры или текстуры — и обучить классификатор, например SVM или Random Forest. Подход DL: обучить свёрточную нейронную сеть преобразовывать пиксели в иерархию признаков и выдавать оценки классов.
Оба решения относятся к ML. Только второе в данном примере относится к DL. Нельзя утверждать, что DL всегда лучше: результат зависит от данных, вычислительных ресурсов, метрики и условий эксплуатации.
5. Deep Learning — не синоним Generative AI
Многие современные генеративные модели построены на DL. Например, большие языковые модели используют глубокие нейронные сети архитектуры Transformer. Но понятия не тождественны.
- DL может классифицировать изображение и ничего не генерировать.
- Генеративная модель создаёт новые образцы содержимого.
- Не всякая нейросеть генеративна, и не всякая AI-система является нейросетью.
Нейросеть, определяющая класс изображения, — пример DL для классификации. Языковая модель, создающая текст, — пример генеративного AI на основе DL. Различаются задачи, хотя оба решения используют нейросети.
6. Термины, которые важно не смешивать
| Термин | Значение | Пример |
|---|---|---|
| AI-система | Полное решение, выполняющее задачу и взаимодействующее со средой. | Сервис рекомендаций с интерфейсом и моделью. |
| Алгоритм | Последовательность вычислительных шагов. | Алгоритм обучения дерева. |
| Модель | Формальное описание зависимости для вывода. | Обученная логистическая регрессия. |
| Нейронная сеть | Класс моделей из связанных вычислительных слоёв. | CNN для изображений. |
| Generative model | Модель, создающая новые образцы данных. | Модель генерации текста. |
| Foundation model | Широко предварительно обученная модель, адаптируемая к разным задачам. | Языковая или мультимодальная модель. |
| AI-продукт | Решение, объединяющее модели, правила, интерфейсы и инфраструктуру. | Помощник с LLM, поиском и инструментами. |
Foundation Model (базовая модель) — модель, предварительно обученная на широком наборе данных и применимая после адаптации к множеству задач. Это не отдельный уровень схемы AI → ML → DL, а характеристика роли и способа использования модели. Многие foundation models являются глубокими нейросетями.
7. Практическая классификация систем
| Система | Класс | Почему |
|---|---|---|
| Экспертная система IF–THEN | AI, не обязательно ML | Решение задаётся правилами, а не обучением на примерах. |
| Логистическая регрессия для прогноза оттока | AI / ML, не DL | Коэффициенты обучаются; многослойной сети нет. |
| Случайный лес для оценки риска | AI / ML, не DL | Ансамбль деревьев обучается на выборке. |
| CNN для классификации снимков | AI / ML / DL | Используется многослойная нейронная сеть. |
| Transformer LLM для генерации текста | AI / ML / DL + Generative AI | Глубокая сеть обучена генерировать последовательности текста. |
| Шахматная программа с поиском | AI, ML необязателен | Поиск по дереву вариантов может работать без обучения; современные системы могут дополнительно применять ML. |
Классифицируйте не только продукт в целом, но и отдельные компоненты. Один сервис может сочетать поиск, правила, ML-модель и генеративную нейросеть.
8. Самопроверка
Вопрос 1
Как точнее описать связь понятий?
- AI, ML и DL — синонимы.
- ML входит в AI, DL входит в ML.
- Любая AI-система использует DL.
- DL шире AI.
Ответ и объяснение
Верно: B. AI — широкая область; ML — один из подходов; DL — направление ML на основе многослойных сетей. Другие варианты смешивают уровни.
Вопрос 2
Система выдаёт рекомендации по заранее заданным экспертным правилам. Обязательно ли это ML?
Ответ и объяснение
Нет. Если решение формируется только записанными правилами, а параметры не обучаются по данным, это AI без обязательного компонента ML. Наличие входных данных не доказывает машинное обучение.
Вопрос 3
Градиентный бустинг обучен на большой таблице. Это DL?
Ответ и объяснение
Нет. Это ML, но не глубокое обучение на многослойной нейронной сети. Размер выборки не меняет класс алгоритма.
Вопрос 4
Нейросеть определяет класс изображения. Является ли она генеративным AI?
Ответ и объяснение
Не обязательно. Классификация предсказывает класс, генеративная система создаёт новые образцы содержимого.
Вопрос 5
Почему фразы «мы используем AI» недостаточно для технического описания?
Ответ и объяснение
Она не раскрывает механизм. Нужно указать правила, поиск, традиционный ML, DL, генеративную модель или гибрид, а также входы, выходы, обучение и ограничения.
9. Практическое задание: паспорт AI-системы
Мини-исследование
Цель: научиться отличать область применения, подход и архитектуру.
- Выберите спам-фильтр, рекомендатель, голосовой помощник, промышленный детектор дефектов или шахматную программу.
- Опишите задачу и входные данные.
- Укажите компоненты, основанные на правилах, поиске, ML или DL.
- Назовите сведения, которые нужно запросить у разработчика, чтобы подтвердить классификацию.
- Разделите известные факты, предположения и неизвестное.
Результат: таблица с колонками «Задача», «Входы», «Механизм», «Обучение», «Класс AI/ML/DL», «Неопределённость».
Критерий успеха: вы не называете систему DL без подтверждения нейросетевой архитектуры и не называете её ML только потому, что она обрабатывает данные.
10. Ограничения и типичные ошибки
- Вложенная схема упрощает реальность. AI-продукт может объединять поиск, правила, ML-модель, базу знаний и инструменты. Классифицировать следует компоненты.
- У AI нет одного универсального определения. Границы зависят от исследовательского, инженерного или нормативного контекста.
- Обучение не доказывает человеческое понимание. Это описание настройки модели, а не сознания.
- DL не гарантирует превосходства. На табличных данных бустинг может быть эффективнее нейросети.
- Автоматическое извлечение признаков не отменяет подготовку данных. Нужны разметка, валидация и контроль смещения.
- Генеративность не равна достоверности. Связный текст может содержать фактические ошибки.
Объясните, почему DL входит в ML, но ML не сводится к DL. Приведите пример AI без ML и ML без DL. Затем выберите гибридный AI-продукт и перечислите компоненты, которые нужно исследовать отдельно.
11. Ключевые выводы
- AI — широкая область интеллектуальных машинных систем и методов.
- ML — подход, при котором модель настраивается на основе данных.
- DL — направление ML на основе многослойных нейронных сетей.
- Не всякий AI использует ML, и не всякий ML использует DL.
- Generative AI — не синоним DL, а характеристика генеративной задачи/модели.
- Для анализа важно различать модель, алгоритм, систему и продукт.
12. Словарь терминов
- Artificial Intelligence (AI) — искусственный интеллект
- Область исследований и инженерии машинных систем, выполняющих задачи интеллектуального поведения.
- Machine Learning (ML) — машинное обучение
- Методы настройки моделей на основе данных или опыта.
- Deep Learning (DL) — глубокое обучение
- Направление ML с многослойными нейронными сетями.
- Neural Network — нейронная сеть
- Параметризованная вычислительная модель из связанных слоёв.
- Feature — признак
- Характеристика объекта, используемая моделью.
- Feature Engineering — конструирование признаков
- Подготовка и преобразование исходных данных в полезные характеристики.
- Parameter — параметр
- Настраиваемая величина внутри модели, например коэффициент или вес.
- Training — обучение
- Процесс подбора параметров или структуры модели по данным.
- Inference — вывод
- Применение модели к входным данным для получения результата.
- Representation — представление
- Внутреннее кодирование объекта или его свойств.
- Generative AI — генеративный AI
- Системы, создающие новые образцы текста, изображений, аудио, видео и других данных.
- Foundation Model — базовая модель
- Широко предварительно обученная модель, адаптируемая для множества задач.
- Algorithm — алгоритм
- Определённая последовательность вычислительных шагов.