May 11
Блок 1. Что такое ИИ: история, термины, этика
Цель блока: Сформировать правильную ментальную модель: ИИ не магия, а инженерная дисциплина. Разобраться в границах возможного и рисках.
1. Определения и границы
- ИИ как научное поле (1956, Дартмутская конференция).
- Отличие сильного ИИ (AGI) от узкого ИИ (ANI).
- Почему AGI всё ещё фантастика, а ANI — вокруг нас (рекомендации, распознавание лиц, ChatGPT).
- Разница между символьным ИИ (правила, экспертные системы) и обучающимся ИИ (ML).
2. Ключевая терминология
Данные (data) - Сырой материал для обучения
Алгоритм - Правило, по которому ИИ учится
Модель (model) - Результат обучения (веса + архитектура)
Обучение (training) - Процесс подгонки модели под данные
Предсказание (inference) - Использование модели на новых данных
Функция потерь (loss) - Число насколько модель ошибается
Признак (feature) - Входная переменная (например, возраст, цвет)
3. Три парадигмы обучения (обязательно с примерами)
- Supervised learning (обучение с учителем): есть правильные ответы. Пример: спам-фильтр (письмо → спам/не спам).
- Unsupervised learning (без учителя): нет ответов, ищем структуру. Пример: сегментация покупателей.
- Reinforcement learning (с подкреплением): агент и среда, награда. Пример: AlphaGo, робот, который учится ходить.
4. Краткая история (через 5 прорывов)
- 1950-70: Персептрон, зима ИИ (переоценка).
- 1997: Deep Blue побеждает Каспарова (символьный ИИ).
- 2012: AlexNet и революция глубокого обучения (ImageNet).
- 2016: AlphaGo (RL + tree search).
- 2020+: GPT, трансформеры, генеративный ИИ.
5. Этический минимум (базовые проблемы)
- Bias / предвзятость: модель учится на исторических данных → воспроизводит расизм/сексизм. Пример: кредитный скоринг.
- Чёрный ящик: почему модель сказала «нет» ипотеке?
- Переобучение (overfitting): выучила шум, а не закономерность.
- Галлюцинации (hallucinations): LLM уверенно врёт.
- Автоматизация предубеждений: если вредная практика была редкой, ИИ может её нормализовать.
https://t.me/BenElit - продолжение обучения