Презентация на тему «Искусственный интеллект: как он работает»

Слайд 1. Искусственный интеллект: как он работает

• Устройство, обучение и границы возможностей современных интеллектуальных систем

Доклад: Тема нашей работы — искусственный интеллект и принципы его работы. Мы разберём не отдельные продукты, а внутреннее устройство обучаемых систем: из чего они состоят и почему вообще способны выдавать осмысленный результат. Такой взгляд позволяет трезво оценивать и возможности технологии, и её пределы.

Слайд 2. Содержание

• Введение
• Ключевые понятия
• Уровни технологии
• Вехи развития
• Учёные, заложившие основы
• Искусственный нейрон
• Формула искусственного нейрона
• Путь сигнала по сети
• Виды машинного обучения
• Как модель учится
• Слагаемые обученной модели
• Масштабы обучения
• Вычислительная основа
• Рост размера языковых моделей
• Архитектуры глубокого обучения
• Трансформер и механизм внимания
• Цикл порождения текста
• Прикладные области
• Ограничения и риски
• Выводы
• Список литературы

Доклад: Работа построена от общих понятий к деталям. Сначала мы определим термины и покажем, как связаны искусственный интеллект, машинное обучение и нейронные сети, затем разберём устройство нейрона и процесс обучения, а в конце рассмотрим прикладные области и ограничения.

Слайд 3. Введение

• Технологии искусственного интеллекта вышли за пределы исследовательских лабораторий: их применяют в медицине, транспорте, промышленности и образовании.
• Понимание внутреннего устройства обучаемых систем становится частью профессиональной грамотности специалиста любой отрасли.
• Массовое распространение генеративных моделей обострило вопросы достоверности данных, авторского права и ответственности за принятые решения.
• Цель работы — разобрать, из каких элементов состоит система искусственного интеллекта и по каким принципам она обучается.

Доклад: Актуальность темы определяется масштабом её проникновения: обучаемые системы работают в медицине, транспорте, промышленности и образовании. Для специалиста понимание их устройства становится такой же базовой грамотностью, как умение работать с таблицами. Цель работы — показать внутреннюю логику этих систем без упрощений и без мистики.

Слайд 4. Ключевые понятия

• Искусственный интеллект — свойство технических систем решать задачи, которые традиционно требуют человеческого мышления.
• Машинное обучение — раздел, в котором правила не задаются программистом, а извлекаются алгоритмом из данных.
• Нейронная сеть — вычислительная модель из простых связанных элементов, поведение которых задаётся числовыми весами.
• Глубокое обучение — настройка сетей с большим числом слоёв, выявляющих признаки возрастающей сложности.
• Обучающая выборка — набор примеров, на котором модель подбирает значения своих параметров.

Доклад: Начнём с терминологии, поскольку в обиходе понятия часто смешивают. Искусственный интеллект — самое широкое понятие, машинное обучение — способ получения правил из данных, а нейронная сеть — конкретная вычислительная модель. Обучающая выборка при этом играет роль учебника, по которому система настраивает свои параметры.

Слайд 5. Уровни технологии

• Понятия «искусственный интеллект», «машинное обучение» и «нейронные сети» в обиходе смешивают.
• На деле они вложены друг в друга и образуют слои единой технологии.
• Каждый верхний слой опирается на возможности нижележащего.
• Внизу — универсальные алгоритмы, наверху — готовые продукты для пользователя.
• Прикладные сервисы — переводчики, помощники, системы рекомендаций
• Генеративные модели — порождают текст, изображение и звук
• Глубокое обучение — многослойные нейронные сети
• Машинное обучение — статистические алгоритмы, обучаемые на данных

Доклад: Наглядно связь этих понятий выглядит как слоёный пирог. В основании лежат статистические алгоритмы машинного обучения, над ними — глубокие нейронные сети, ещё выше — генеративные модели, а на поверхности находятся привычные пользователю сервисы. Каждый верхний слой полностью опирается на возможности нижнего.

Слайд 6. Вехи развития

• Идея мыслящей машины старше самих вычислительных машин, но её практическое воплощение заняло семь десятилетий.
• Периоды подъёма чередовались с «зимами», когда финансирование направления резко сокращалось.
• Каждый новый скачок опирался на рост вычислительной мощности и объёма доступных данных.
• 1950 — Тьюринг предлагает проверку разумности машины
• 1956 — Дартмутский семинар вводит термин
• 1958 — Розенблатт строит перцептрон
• 1986 — метод обратного распространения ошибки
• 2012 — прорыв в распознавании изображений
• 2017 — появление архитектуры «трансформер»

Доклад: История направления показывает, что путь от идеи до практики занял около семидесяти лет. Отправной точкой считают работу Тьюринга 1950 года, а сам термин появился на Дартмутском семинаре в 1956 году. Периоды энтузиазма сменялись «зимами» искусственного интеллекта, и лишь рост вычислительной мощности сделал старые идеи работоспособными.

Слайд 7. Учёные, заложившие основы

• Алан Тьюринг, 1912–1954, Предложил математическую модель вычислений и критерий разумности машины.
• Джон Маккарти, 1927–2011, Ввёл сам термин «искусственный интеллект» и создал язык программирования Лисп.
• Джеффри Хинтон, род. 1947, Развил метод обратного распространения ошибки; лауреат Нобелевской премии по физике 2024 года.
• Ян Лекун, род. 1960, Автор свёрточных нейронных сетей — основы современного распознавания изображений.

Доклад: За ключевыми идеями стоят конкретные исследователи. Алан Тьюринг заложил математическую основу вычислений, Джон Маккарти дал направлению имя, Джеффри Хинтон довёл до практического применения метод обратного распространения ошибки, а Ян Лекун создал свёрточные сети. Работы Хинтона и Лекуна лежат в основе всего современного глубокого обучения.

Слайд 8. Искусственный нейрон

• Нейрон принимает несколько числовых сигналов, и каждому соответствует свой вес — мера важности связи.
• Взвешенная сумма входов складывается со смещением и передаётся в функцию активации.
• Функция активации вносит нелинейность: без неё сеть любой глубины сводилась бы к одной линейной формуле.
• Перцептрон Розенблатта (1958) стал первой реализацией такого элемента с обучаемыми весами.

Доклад: Базовый элемент любой сети — искусственный нейрон, и устроен он на удивление просто. Он складывает входные сигналы с учётом весов, добавляет смещение и пропускает результат через функцию активации. Именно нелинейность активации позволяет сети выражать сложные зависимости, а не оставаться линейной формулой.

Слайд 9. Формула искусственного нейрона

• y = f(w₁x₁ + w₂x₂ + … + wₙxₙ + b)
• x — входные сигналы от данных или от предыдущего слоя
• w — веса связей, именно они изменяются при обучении
• b — смещение, сдвигающее порог срабатывания нейрона
• f — функция активации, задающая нелинейный отклик
• y — выходной сигнал, передаваемый дальше по сети

Доклад: Запишем работу нейрона формулой. Выход равен функции активации от суммы произведений входов на веса плюс смещение. Ключевой момент: при обучении меняются именно веса и смещение — входы приходят извне, а вид функции активации задаётся заранее конструктором сети.

Слайд 10. Путь сигнала по сети

• Прямой проход по сети — это последовательность матричных умножений и нелинейных преобразований.
• Один и тот же механизм работает и при обучении модели, и при её практическом применении.
• Входной слой — исходные данные переводятся в числа
• Скрытые слои — выявляются признаки возрастающей сложности
• Выходной слой — формируется числовой ответ модели
• Интерпретация — число превращается в класс, текст или действие

Доклад: Теперь проследим путь сигнала целиком. Данные поступают на входной слой в числовом виде, затем проходят через скрытые слои, где выявляются признаки возрастающей сложности — от простых контуров до целых объектов. На выходном слое формируется число, которое мы уже интерпретируем как класс, текст или команду.

Слайд 11. Виды машинного обучения

• Способ обучения определяется тем, что известно о данных заранее. По этому основанию выделяют три больших семейства алгоритмов.
• Размеченные примеры
• Классификация
• Регрессия
• Диагностика по снимкам
• Неразмеченные данные
• Кластеризация
• Поиск аномалий
• Сегментация клиентов
• Награда и штраф
• Стратегия действий
• Игровые среды
• Управление роботом

Доклад: Способы обучения различаются по тому, что известно о данных заранее. При обучении с учителем есть готовые правильные ответы, при обучении без учителя система сама ищет структуру в данных, а при обучении с подкреплением она действует методом проб и получает награду или штраф. Выбор семейства алгоритмов определяется постановкой задачи.

Слайд 12. Как модель учится

• Обучение — это не «понимание», а численная оптимизация большого набора параметров.
• Цикл повторяется миллионы раз на разных порциях обучающей выборки.
• Скорость обучения задаёт величину шага изменения весов на каждой итерации.
• Обучение останавливают, когда ошибка на проверочной выборке перестаёт снижаться.
• Подготовка данных — очистка, разметка и разделение выборки
• Прямой проход — модель выдаёт предсказание при текущих весах
• Расчёт ошибки — функция потерь измеряет расхождение с верным ответом
• Обратное распространение — вычисляется вклад каждого веса в ошибку
• Обновление весов — градиентный спуск сдвигает параметры в сторону меньшей ошибки

Доклад: Сам процесс обучения — это повторяющийся цикл из пяти шагов. Модель делает предсказание, функция потерь измеряет ошибку, обратное распространение показывает вклад каждого веса в эту ошибку, после чего градиентный спуск сдвигает параметры в нужную сторону. Цикл повторяется миллионы раз, пока ошибка на проверочной выборке не перестанет уменьшаться.

Слайд 13. Слагаемые обученной модели

• Ни одно слагаемое не работает в одиночку: нехватка любого из трёх делает обучение невозможным.
• Именно поэтому крупные модели создают целые лаборатории, а не отдельные исследователи.
• Данные — размеченные примеры, тексты и изображения
• Алгоритм — архитектура сети и функция потерь
• Вычисления — специализированные процессоры и время обучения
• Обученная модель — набор настроенных весов

Доклад: Обученная модель — это результат сложения трёх обязательных слагаемых: данных, алгоритма и вычислительных ресурсов. Нехватка любого из них делает обучение невозможным: без данных нечему учиться, без подходящей архитектуры зависимость не выразить, а без вычислений процесс растянется на годы.

Слайд 14. Масштабы обучения

• Порядок величин, с которыми работают крупные языковые модели, объясняет их высокую стоимость.
• 175 млрд — параметров в языковой модели поколения 2020 года
• 570 ГБ — объём очищенного текста в обучающей выборке
• 10 тыс. — вычислительных ускорителей в обучающем кластере
• 3–6 мес. — длительность одного цикла обучения

Доклад: Порядок величин здесь заслуживает отдельного внимания. Языковая модель поколения 2020 года содержала около ста семидесяти пяти миллиардов параметров и обучалась на выборке в сотни гигабайт очищенного текста. Обучение занимало месяцы на кластере из тысяч ускорителей — отсюда и стоимость таких проектов.

Слайд 15. Вычислительная основа

• Обучение сети сводится к умножению больших матриц, поэтому нужны процессоры с тысячами параллельных ядер.
• Графические ускорители подошли для этой задачи: они изначально создавались для параллельных расчётов.
• Тензорные процессоры проектируют специально под операции нейронных сетей — они быстрее и экономичнее по энергии.
• Доступность и стоимость вычислений сегодня остаются главным ограничением при разработке крупных моделей.

Доклад: Технической основой этих расчётов служат специализированные процессоры. Обучение сети сводится к перемножению огромных матриц, а такие операции хорошо распараллеливаются. Сначала для этого приспособили графические ускорители, а затем появились тензорные процессоры, спроектированные прямо под операции нейронных сетей.

Слайд 16. Рост размера языковых моделей

• Число обучаемых параметров росло на порядок каждые полтора-два года.
• Дальнейший рост упирается в стоимость вычислений и запас качественных текстов.

Доклад: Динамика роста моделей наглядна: за пять лет число параметров выросло примерно в тысячи раз. Однако кривая не может расти бесконечно — упор идёт в стоимость вычислений и в исчерпание качественных текстовых данных. Поэтому исследования смещаются в сторону эффективности, а не только размера.

Слайд 17. Архитектуры глубокого обучения

• Архитектура — это способ соединения слоёв, подобранный под структуру данных.
• Универсальной архитектуры не существует: выбор диктуется задачей.

Доклад: Архитектур глубокого обучения существует несколько, и каждая подобрана под свою структуру данных. Свёрточные сети приспособлены к изображениям, рекуррентные — к последовательностям, трансформеры универсальны и особенно сильны в работе с текстом. Универсального решения нет: выбор всегда диктуется задачей.

Слайд 18. Трансформер и механизм внимания

• Текст разбивается на токены — короткие фрагменты слов, и каждый превращается в числовой вектор.
• Механизм внимания оценивает, насколько каждый фрагмент важен для понимания всех остальных.
• Позиционное кодирование добавляет сведения о порядке слов, которых сами векторы не хранят.
• Многоголовое внимание разбирает связи одновременно по нескольким смысловым срезам.
• Все фрагменты обрабатываются параллельно — отсюда выигрыш в скорости перед рекуррентными сетями.

Доклад: Отдельно остановимся на трансформере — именно он обеспечил прорыв последних лет. Текст разбивается на фрагменты, механизм внимания вычисляет, насколько каждый фрагмент важен для остальных, а позиционное кодирование сохраняет порядок слов. Главное преимущество — параллельная обработка всей последовательности сразу.

Слайд 19. Цикл порождения текста

• Языковая модель не «знает» ответ целиком — она достраивает текст по одному фрагменту.
• Каждый следующий фрагмент выбирается по вероятностям, рассчитанным для всего словаря.
• Параметр «температура» регулирует степень случайности этого выбора.
• Уже написанная часть ответа снова подаётся на вход — так цикл замыкается.
• Приём запроса
• Оценка контекста
• Выбор фрагмента
• Дописывание ответа
• Повтор шага

Доклад: Порождение текста устроено циклически. Модель принимает запрос, оценивает контекст и выбирает очередной фрагмент по рассчитанным вероятностям, после чего дописывает его к ответу и снова подаёт всё на вход. Именно поэтому модель не «знает» ответ заранее — она строит его пошагово.

Слайд 20. Прикладные области

• Транспорт: беспилотный автомобиль объединяет распознавание образов, прогноз траекторий и планирование маршрута.
• Медицина: анализ снимков помогает выявлять патологии на ранних стадиях с чувствительностью, сопоставимой с врачебной.
• Промышленность: предиктивное обслуживание предсказывает отказ оборудования по показаниям датчиков.
• Образование и наука: модели ускоряют поиск литературы, обработку данных и подготовку учебных материалов.

Доклад: Прикладные области охватывают практически все отрасли. В транспорте беспилотный автомобиль совмещает распознавание образов, прогноз траекторий и планирование маршрута, в медицине системы анализа снимков помогают выявлять патологии на ранней стадии, в промышленности — предсказывать отказ оборудования по данным датчиков.

Слайд 21. Ограничения и риски

• На поверхности заметны лишь отдельные неточности в ответах.
• Их причины лежат глубже — в данных, архитектуре и самом способе обучения.
• Поэтому проверка результата человеком остаётся обязательной.
• Критически важные решения нельзя передавать модели без контроля специалиста.
• Правдоподобные ошибки — модель уверенно выдаёт вымышленные факты
• Качество данных — искажения обучающей выборки переносятся в ответы
• Непрозрачность — связь между весами и итоговым выводом не поддаётся простому объяснению
• Отсутствие модели мира — система оперирует статистикой, а не причинами явлений
• Правовая неопределённость — ответственность за ошибку системы не закреплена законодательно

Доклад: Ограничения систем вытекают из самого принципа их работы. На поверхности мы видим правдоподобные, но вымышленные факты в ответах, а под водой скрыты подлинные причины: качество обучающих данных, непрозрачность решений и отсутствие у модели представления о причинно-следственных связях. Отсюда обязательное правило — проверка результата человеком.

Слайд 22. Выводы

• Искусственный интеллект — не одна технология, а слоистая система: от статистических алгоритмов до готовых сервисов.
• В основе современных систем лежит искусственный нейрон — взвешенная сумма входов с нелинейным откликом.
• Обучение сводится к численной оптимизации: сеть многократно сравнивает свой ответ с эталоном и корректирует веса.
• Прорыв последних лет обеспечили три условия сразу: большие данные, архитектура «трансформер» и дешёвые параллельные вычисления.
• Ограничения систем вытекают из самого принципа их работы, поэтому проверка результата человеком остаётся необходимой.

Доклад: Подведём итоги. Искусственный интеллект — это слоистая система технологий, в основе которой лежит предельно простой элемент, а сила достигается их количеством и объёмом обучающих данных. Понимание этого механизма позволяет применять технологию осознанно: доверять ей рутинные расчёты и обязательно контролировать ответственные решения.

Слайд 23. Список литературы

• Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль. — Москва : ДМК Пресс, 2018. — 652 с.
• Николенко, С. И. Глубокое обучение / С. И. Николенко, А. А. Кадурин, Е. О. Архангельская. — Санкт-Петербург : Питер, 2018. — 480 с.
• Рассел, С. Искусственный интеллект: современный подход / С. Рассел, П. Норвиг. — Москва : Вильямс, 2016. — 1408 с.
• Флах, П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / П. Флах. — Москва : ДМК Пресс, 2015. — 400 с.
• Хайкин, С. Нейронные сети: полный курс / С. Хайкин. — Москва : Вильямс, 2006. — 1104 с.
• Ясницкий, Л. Н. Введение в искусственный интеллект : учебное пособие / Л. Н. Ясницкий. — Москва : Академия, 2010. — 176 с.

Доклад: В списке литературы приведены источники, на которые опирается работа: классические учебники по нейронным сетям и машинному обучению, а также отечественные пособия по введению в искусственный интеллект. Описания даны по действующему стандарту библиографического описания.

Слайд 24. Спасибо за внимание!

Доклад: Благодарю за внимание. Готов ответить на вопросы по устройству нейронных сетей, процессу их обучения и по границам применимости современных интеллектуальных систем.