§ 29. Понятие моделей искусственного интеллекта

Определения и обозначения

Модель искусственного интеллекта — формальное представление зависимости между входными данными и результатом, позволяющее системе решать поставленную задачу. Входом могут быть признаки письма, фотография или сведения о квартире. Модель нужна, чтобы по этим данным получить классификацию, прогноз или другой результат.

Обучение модели — процесс настройки параметров модели по примерам, чтобы уменьшить число ошибок на известных данных. Параметры определяют, как модель преобразует вход в выход. Обучение нужно для того, чтобы закономерность не задавалась полностью вручную, а находилась по данным.

Обучающая выборка — набор примеров с данными, на которых модель выявляет закономерности и настраивает параметры. В примерах могут быть указаны и правильные ответы, например отметки «спам» и «не спам». От состава выборки зависит, какие случаи модель научится распознавать.

Нейронная сеть — модель, состоящая из взаимосвязанных слоёв искусственных нейронов, преобразующих входные данные в результат. Каждый слой передаёт следующему обработанную информацию. Нейронные сети особенно полезны там, где закономерности трудно описать коротким списком правил.

Как это устроено

Модель ИИ рассматривают как преобразование входа в выход, потому что любая прикладная задача начинается с данных и заканчивается результатом. Например, на вход поступает текст письма, а на выходе появляется класс «спам» или «не спам». Обычная программа тоже преобразует данные, но её правила заранее формулирует разработчик, тогда как обучаемая модель настраивает внутренние параметры по примерам.

Формирование модели начинается с обучающей выборки. Пример подают на вход, модель вычисляет свой вариант ответа, а специальная оценка показывает величину ошибки относительно правильного результата. Затем параметры немного изменяются так, чтобы ошибка стала меньше, и процесс повторяется на множестве примеров.

Качество зависит от состава данных, потому что модель может научиться только тем закономерностям, которые представлены в выборке. Если данных мало, в них есть неверная разметка или отсутствуют важные варианты, результат будет ненадёжным. Большой объём сам по себе не спасает: фотографии, тексты и другие примеры должны быть разнообразными, точными и похожими на реальные случаи применения.

Обучение и применение — разные этапы. Во время обучения параметры изменяются, а при применении модель использует уже найденные закономерности для нового входа и не получает заранее готовый ответ из памяти. Ошибки возможны, потому что новый пример может отличаться от известных, содержать шум или относиться к редкому случаю; кроме того, сложное сочетание параметров не всегда удаётся понятно объяснить человеку.

Сравнение способов построения моделей искусственного интеллекта

Сначала определите, откуда берётся закономерность: из правил разработчика или из данных. Затем сравните, требуется ли обучение и насколько сложны входные данные. Последние строки помогают оценить практический выбор: простую проверку условий не всегда разумно заменять нейронной сетью.

Разбор задач

Определение элементов модели для поиска спама

Для системы даны письма, заранее помеченные как «спам» и «не спам». Нужно назвать обучающую выборку, вход модели и результат её работы. Надо разделить сведения, используемые при обучении, и данные, поступающие при обычной проверке нового письма.

1. Обучающая выборка — все отмеченные письма вместе с их метками «спам» или «не спам».
2. Вход модели — содержание и признаки проверяемого письма: слова, адрес отправителя, ссылки и другие доступные данные.
3. Модель сравнивает признаки с выявленными закономерностями и выбирает один из классов.

Ответ: выборка состоит из размеченных писем, входом является новое письмо с его признаками, а результатом — метка «спам» или «не спам». Метки обучающих примеров нужны для оценки ошибки при настройке. При применении правильная метка нового письма заранее неизвестна.

Прогноз цены квартиры

Модель получает площадь квартиры, район и число комнат, после чего предсказывает цену. При обучении она подбирает параметры зависимости между этими признаками и известными ценами. Прогноз может быть неверным, если в данных не учтены ремонт, состояние дома или необычная ситуация на рынке.

1. В качестве входных признаков выбираются площадь, район и число комнат, а целевым результатом служит цена.
2. Модель сравнивает свои прогнозы с известными ценами и изменяет параметры, например веса влияния признаков и свободный член.
3. После обучения параметры фиксируются, и модель вычисляет цену для новой квартиры.

Ответ: настраиваются числовые параметры, определяющие вклад каждого признака в прогноз. Ошибка возникает из-за неполной выборки, неточных цен, резкого изменения рынка или отсутствия важных признаков. Чем лучше обучающие примеры описывают реальные квартиры, тем надёжнее прогноз.

Сравнение двух моделей распознавания изображений

Первая модель обучена на разнообразных фотографиях, а вторая — на небольшом наборе изображений одного типа. Требуется предсказать, какая лучше обработает новые фотографии. Для ответа нужно учитывать не только факт обучения, но и способность модели обобщать закономерности.

1. Разнообразная выборка показывает объект при разных освещении, ракурсах, фонах и размерах.
2. Небольшой однотипный набор может позволить второй модели запомнить особенности конкретных фотографий или фона.
3. На новых изображениях проверяют, сохраняется ли качество за пределами виденных во время обучения условий.

Ответ: вероятнее всего, надёжнее первая модель, потому что её выборка лучше отражает разнообразие реальных случаев. Вторая может хорошо работать на похожих снимках, но ошибаться при изменении фона или ракурса. Однако окончательный вывод делают по отдельным тестовым данным, а не только по обучающим примерам.

Типичные ошибки

Ошибка 1. Модель считают готовым набором правил, который всегда выдаёт правильный ответ. Так думают, потому что компьютер воспринимается как абсолютно точный исполнитель. Проверьте себя: спросите, обучалась ли модель по данным и может ли она выдать вероятность или ошибочный результат.

Ошибка 2. Обучение путают с использованием модели. Во время обучения параметры изменяются, а при применении модель работает с уже настроенными параметрами. Проверка проста: если система получает правильные ответы и исправляет себя, это обучение; если только выдаёт прогноз, это применение.

Ошибка 3. Качество оценивают только по обучающим данным. Модель могла запомнить примеры и плохо обобщать закономерность. Для проверки используют новые данные, которых не было при настройке параметров.

Ошибка 4. Большой объём данных считают гарантией точности. В выборке могут быть ошибки, повторы, перекосы или неважные примеры. Проверьте качество разметки, разнообразие данных и их соответствие реальной задаче.

Связь с другими темами

До изучения моделей ИИ нужны понятия алгоритма, данных, признака, классификации и зависимости между входом и выходом. Они помогают описать, что поступает в модель и как понимать её результат. Без различения признаков и классов трудно разобрать устройство обучающей выборки.

Модель реализуется программой, а наборы данных подготавливаются, очищаются и проверяются с помощью алгоритмов. Поэтому тема связана с программированием, таблицами, обработкой данных и оценкой качества результатов. Ошибка в коде или разметке может повлиять на модель так же сильно, как неудачный метод обучения.

Понятие модели пригодится при изучении нейронных сетей, компьютерного зрения, обработки текста, рекомендательных систем и генеративных моделей. Во всех этих областях есть входные данные, преобразование и результат. Различаются главным образом типы данных, цели и способы оценки качества.

Что запомнить

• Модель ИИ преобразует входные данные в результат на основе выявленных закономерностей.
• Модель машинного обучения настраивает параметры по примерам.
• Обучающая выборка содержит данные, необходимые для формирования модели.
• Качество модели зависит не только от алгоритма, но и от качества и разнообразия данных.
• Обучение и применение модели — разные этапы работы.
• Результат модели ИИ может быть ошибочным и не всегда полностью объяснимым.
• Способность модели работать на новых данных называют обобщением.