Перейти к основному содержимому

200 вопросов по искусственному интеллекту

В РАЗРАБОТКЕЛАБОРАТОРИЯНЕ ОБЯЗАТЕЛЬНО

200 вопросов по искусственному интеллекту​

Основы искусственного интеллекта​

Вопрос​

Что такое искусственный интеллект?

Ответ​

Искусственный интеллект — это область компьютерных наук, направленная на создание систем, способных выполнять задачи, требующие человеческого интеллекта, такие как восприятие, рассуждение, обучение, планирование и понимание естественного языка.

Вопрос​

Какие основные типы ИИ существуют?

Ответ​

Существуют три основных типа ИИ:

  • Узкий (слабый) ИИ — решает конкретную задачу, например распознавание лиц.
  • Общий (сильный) ИИ — обладает универсальным интеллектом, сравнимым с человеческим (на данный момент гипотетический).
  • Сверхразумный ИИ — превосходит человека во всех аспектах интеллекта (также гипотетический).

Вопрос​

Чем отличается машинное обучение от искусственного интеллекта?

Ответ​

Машинное обучение — это подмножество искусственного интеллекта, основанное на алгоритмах, которые позволяют системам обучаться на данных без явного программирования. Искусственный интеллект охватывает более широкий спектр методов, включая логические выводы, экспертные системы и эвристики.

Вопрос​

Что такое данные в контексте ИИ?

Ответ​

Данные — это информация, используемая для обучения, проверки и тестирования моделей ИИ. Они могут быть структурированными (таблицы), неструктурированными (тексты, изображения) или полуструктурированными (JSON, XML).

Вопрос​

Что такое обучающая выборка?

Ответ​

Обучающая выборка — это набор данных, предоставляемый модели во время обучения, чтобы она могла выявить закономерности и зависимости между входными признаками и целевыми метками.

Вопрос​

Что такое тестовая выборка?

Ответ​

Тестовая выборка — это часть данных, не участвующая в обучении, используемая для оценки производительности модели на новых, невидимых ранее примерах.

Вопрос​

Что такое валидационная выборка?

Ответ​

Валидационная выборка — это промежуточный набор данных, используемый во время обучения для настройки гиперпараметров модели и предотвращения переобучения.

Вопрос​

Что означает переобучение?

Ответ​

Переобучение — это ситуация, когда модель слишком хорошо запоминает обучающие данные, включая шум и выбросы, и теряет способность обобщать на новые данные.

Вопрос​

Что означает недообучение?

Ответ​

Недообучение — это состояние, при котором модель недостаточно сложна или недостаточно долго обучалась, чтобы уловить ключевые закономерности в данных, что приводит к низкой точности как на обучающей, так и на тестовой выборке.

Вопрос​

Какие основные этапы жизненного цикла проекта по ИИ?

Ответ​

Основные этапы:

  1. Постановка задачи и определение метрик успеха.
  2. Сбор и подготовка данных.
  3. Выбор и обучение модели.
  4. Оценка и валидация.
  5. Развертывание и мониторинг.
  6. Поддержка и переобучение.

Типы задач в ИИ​

Вопрос​

Что такое задача классификации?

Ответ​

Задача классификации — это задача машинного обучения, в которой модель предсказывает дискретную метку (класс) для входного объекта. Пример: определение, является ли электронное письмо спамом или нет.

Вопрос​

Что такое задача регрессии?

Ответ​

Задача регрессии — это задача машинного обучения, в которой модель предсказывает непрерывное числовое значение. Пример: прогнозирование цены дома на основе его характеристик.

Вопрос​

Что такое кластеризация?

Ответ​

Кластеризация — это метод обучения без учителя, при котором данные группируются в кластеры так, чтобы объекты внутри одного кластера были максимально похожи, а между разными кластерами — максимально различны.

Вопрос​

Что такое обучение с учителем?

Ответ​

Обучение с учителем — это подход, при котором модель обучается на парах «вход–целевой выход». Цель — научиться предсказывать правильный выход для новых входных данных.

Вопрос​

Что такое обучение без учителя?

Ответ​

Обучение без учителя — это подход, при котором модель анализирует данные без явных меток, выявляя скрытые структуры, такие как кластеры или снижение размерности.

Вопрос​

Что такое обучение с подкреплением?

Ответ​

Обучение с подкреплением — это парадигма, в которой агент взаимодействует со средой, получая вознаграждение за действия, и стремится максимизировать совокупное вознаграждение через проб и ошибок.

Вопрос​

Приведите пример задачи обучения с подкреплением.

Ответ​

Пример: обучение робота ходить. Робот получает положительное вознаграждение за движение вперёд и отрицательное — за падение. Со временем он учится выбирать действия, ведущие к максимальному вознаграждению.

Вопрос​

Что такое полуобученное обучение (semi-supervised learning)?

Ответ​

Полуобученное обучение — это подход, сочетающий небольшой объём размеченных данных с большим объёмом неразмеченных. Модель использует структуру неразмеченных данных для улучшения обобщающей способности.

Вопрос​

Что такое онлайн-обучение?

Ответ​

Онлайн-обучение — это режим, при котором модель обновляется последовательно по мере поступления новых данных, а не на фиксированном наборе. Это позволяет адаптироваться к изменяющимся условиям в реальном времени.

Вопрос​

Что такое оффлайн-обучение?

Ответ​

Оффлайн-обучение — это традиционный режим, при котором модель обучается на заранее собранном и фиксированном наборе данных. После обучения параметры модели остаются неизменными до следующего цикла переобучения.

Основные концепции машинного обучения​

Вопрос​

Что такое признак (feature)?

Ответ​

Признак — это отдельное измеримое свойство или характеристика объекта, используемая в качестве входных данных для модели машинного обучения. Например, в задаче предсказания цены дома признаками могут быть площадь, количество комнат, район и год постройки.

Вопрос​

Что такое целевая переменная?

Ответ​

Целевая переменная — это значение, которое модель пытается предсказать. В задачах регрессии это непрерывное число, в задачах классификации — дискретный класс или метка.

Вопрос​

Что такое гиперпараметры?

Ответ​

Гиперпараметры — это настройки модели, задаваемые до начала обучения и не изменяющиеся в процессе. Примеры: скорость обучения, глубина дерева решений, количество слоёв в нейросети.

Вопрос​

Что такое параметры модели?

Ответ​

Параметры модели — это внутренние переменные, которые модель обучает на основе данных. Например, веса и смещения в нейронной сети или коэффициенты в линейной регрессии.

Вопрос​

Что такое функция потерь?

Ответ​

Функция потерь — это мера того, насколько предсказания модели отличаются от истинных значений. Она количественно оценивает ошибку модели и используется для её корректировки в процессе обучения.

Вопрос​

Что такое градиентный спуск?

Ответ​

Градиентный спуск — это алгоритм оптимизации, который минимизирует функцию потерь путём итеративного изменения параметров модели в направлении, противоположном градиенту функции потерь.

Вопрос​

Что такое скорость обучения (learning rate)?

Ответ​

Скорость обучения — это гиперпараметр, определяющий размер шага, на который обновляются параметры модели при каждой итерации градиентного спуска. Слишком высокая скорость может привести к расходимости, слишком низкая — к медленной сходимости.

Вопрос​

Что такое эпоха (epoch)?

Ответ​

Эпоха — это один полный проход всей обучающей выборки через модель в процессе обучения. За одну эпоху каждый пример из обучающего набора используется ровно один раз.

Вопрос​

Что такое батч (batch)?

Ответ​

Батч — это подмножество обучающих примеров, обрабатываемых моделью за один шаг обновления параметров. Использование батчей позволяет эффективно использовать память и ускоряет обучение.

Вопрос​

Что такое стохастический градиентный спуск?

Ответ​

Стохастический градиентный спуск — это вариант градиентного спуска, при котором параметры модели обновляются на основе одного случайно выбранного примера, а не всей выборки. Это делает обучение быстрее, но более шумным.

Метрики качества моделей​

Вопрос​

Какие основные метрики используются в задачах классификации?

Ответ​

Основные метрики: точность (accuracy), полнота (recall), точность положительного класса (precision), F1-мера, AUC-ROC. Выбор метрики зависит от дисбаланса классов и бизнес-целей.

Вопрос​

Что такое матрица ошибок (confusion matrix)?

Ответ​

Матрица ошибок — это таблица, показывающая количество истинно положительных, ложно положительных, истинно отрицательных и ложно отрицательных предсказаний модели. Она служит основой для вычисления других метрик.

Вопрос​

Что такое точность (precision)?

Ответ​

Точность — это доля правильно предсказанных положительных примеров среди всех примеров, предсказанных как положительные. Формула: TP / (TP + FP).

Вопрос​

Что такое полнота (recall)?

Ответ​

Полнота — это доля правильно предсказанных положительных примеров среди всех реальных положительных примеров. Формула: TP / (TP + FN).

Вопрос​

Что такое F1-мера?

Ответ​

F1-мера — это гармоническое среднее между точностью и полнотой. Она особенно полезна при несбалансированных данных, где accuracy может вводить в заблуждение.

Вопрос​

Какие метрики используются в задачах регрессии?

Ответ​

Основные метрики: средняя абсолютная ошибка (MAE), среднеквадратичная ошибка (MSE), корень из среднеквадратичной ошибки (RMSE), коэффициент детерминации (R²).

Вопрос​

Что такое кросс-валидация?

Ответ​

Кросс-валидация — это метод оценки качества модели, при котором данные делятся на k частей (фолдов). Модель обучается k раз, каждый раз на k−1 фолдах и тестируется на оставшемся. Результаты усредняются для получения надёжной оценки.

Вопрос​

Зачем нужна нормализация признаков?

Ответ​

Нормализация приводит признаки к сопоставимому масштабу, что ускоряет сходимость алгоритмов, чувствительных к масштабу (например, градиентный спуск), и улучшает стабильность моделей.

Вопрос​

Что такое one-hot encoding?

Ответ​

One-hot encoding — это метод преобразования категориальных признаков в числовую форму, при котором каждая категория представляется вектором из нулей и одной единицы на позиции, соответствующей категории.

# Пример
from sklearn.preprocessing import OneHotEncoder
encoder = OneHotEncoder()
encoded = encoder.fit_transform([['red'], ['green'], ['blue']])

Вопрос​

Что такое регуляризация?

Ответ​

Регуляризация — это техника, добавляющая штраф за сложность модели в функцию потерь, чтобы предотвратить переобучение. Распространённые виды: L1 (Lasso) и L2 (Ridge).

Линейные модели и деревья решений​

Вопрос​

Что такое линейная регрессия?

Ответ​

Линейная регрессия — это модель, предполагающая линейную зависимость между признаками и целевой переменной. Она выражается как взвешенная сумма признаков плюс смещение:
y = w₁x₁ + w₂x₂ + … + wₙxₙ + b.

Вопрос​

Что такое логистическая регрессия?

Ответ​

Логистическая регрессия — это модель для бинарной классификации, которая использует сигмоидную функцию для преобразования линейной комбинации признаков в вероятность принадлежности к положительному классу.

Вопрос​

Почему логистическая регрессия называется «регрессией», если решает задачу классификации?

Ответ​

Название историческое: метод основан на линейной регрессии, но с применением нелинейного преобразования (сигмоиды) для получения вероятностей. Несмотря на название, он используется для классификации.

Вопрос​

Что такое дерево решений?

Ответ​

Дерево решений — это модель, представляющая собой древовидную структуру, где каждый внутренний узел соответствует проверке признака, каждая ветвь — результату проверки, а каждый лист — предсказанию.

Вопрос​

Как дерево решений выбирает признак для разбиения?

Ответ​

Дерево выбирает признак и порог разбиения, максимизируя критерий чистоты, такой как прирост информации (information gain) или уменьшение дисперсии. Часто используются энтропия или индекс Джини.

Вопрос​

Что такое индекс Джини?

Ответ​

Индекс Джини — это мера неоднородности множества. Для бинарной классификации он вычисляется как G = 1 − p₁² − p₀², где p₁ и p₀ — доли объектов каждого класса. Чем ниже значение, тем чище узел.

Вопрос​

Что такое случайный лес?

Ответ​

Случайный лес — это ансамблевый метод, объединяющий множество деревьев решений, обученных на случайных подвыборках данных и признаков. Предсказание формируется путём голосования (классификация) или усреднения (регрессия).

Вопрос​

Почему случайный лес устойчив к переобучению?

Ответ​

Случайный лес снижает переобучение за счёт усреднения множества слабо коррелированных моделей, каждая из которых обучена на разных подмножествах данных и признаков. Это повышает обобщающую способность.

Вопрос​

Что такое градиентный бустинг?

Ответ​

Градиентный бустинг — это метод построения ансамбля моделей последовательно, где каждая новая модель обучается на ошибках предыдущих. Он минимизирует функцию потерь с помощью градиентного спуска в пространстве функций.

Вопрос​

Какие популярные реализации градиентного бустинга существуют?

Ответ​

Популярные реализации: XGBoost, LightGBM, CatBoost. Они оптимизированы по скорости, памяти и качеству, поддерживают категориальные признаки и обладают встроенными механизмами регуляризации.

Нейронные сети: основы​

Вопрос​

Что такое нейрон в искусственной нейронной сети?

Ответ​

Нейрон — это базовый вычислительный элемент, принимающий входные сигналы, взвешивающий их, суммируя и применяя нелинейную активационную функцию для получения выхода.

Вопрос​

Что такое активационная функция?

Ответ​

Активационная функция — это нелинейное преобразование, применяемое к взвешенной сумме входов нейрона. Она позволяет сети моделировать сложные нелинейные зависимости. Примеры: ReLU, сигмоида, tanh.

Вопрос​

Почему необходима нелинейность в нейронных сетях?

Ответ​

Без нелинейных активационных функций многослойная сеть эквивалентна однослойной, так как композиция линейных преобразований остаётся линейной. Нелинейность даёт сети выразительную мощность.

Вопрос​

Что такое ReLU?

Ответ​

ReLU (Rectified Linear Unit) — это активационная функция, определяемая как f(x) = max(0, x). Она проста, эффективна и помогает избежать проблемы затухающих градиентов.

def relu(x):
    return max(0, x)

Вопрос​

Что такое проблема затухающих градиентов?

Ответ​

Проблема затухающих градиентов возникает в глубоких сетях, когда градиенты становятся очень малыми при обратном распространении, что замедляет или останавливает обучение ранних слоёв.

Вопрос​

Что такое прямое распространение (forward pass)?

Ответ​

Прямое распространение — это процесс вычисления выхода нейронной сети по заданным входным данным, проходя последовательно через все слои от входа к выходу.

Вопрос​

Что такое обратное распространение ошибки (backpropagation)?

Ответ​

Обратное распространение — это алгоритм вычисления градиентов функции потерь по параметрам сети с использованием цепного правила дифференцирования. Эти градиенты используются для обновления весов.

Вопрос​

Что такое полносвязный слой (dense layer)?

Ответ​

Полносвязный слой — это слой, в котором каждый нейрон соединён со всеми нейронами предыдущего слоя. Он реализует аффинное преобразование с последующей активацией.

Вопрос​

Что такое функция Softmax?

Ответ​

Softmax — это активационная функция, преобразующая вектор произвольных вещественных чисел в вектор вероятностей, сумма которых равна единице. Используется в выходном слое многоклассовой классификации.

import numpy as np
def softmax(x):
    exp_x = np.exp(x - np.max(x))  # для устойчивости
    return exp_x / np.sum(exp_x)

Вопрос​

Что такое one-hot кодирование меток в классификации?

Ответ​

One-hot кодирование меток — это представление класса в виде вектора, где только один элемент равен единице (соответствующий истинному классу), а остальные — нулю. Используется с функцией потерь categorical crossentropy.

Глубокое обучение: архитектуры и методы​

Вопрос​

Что такое глубокое обучение?

Ответ​

Глубокое обучение — это подраздел машинного обучения, использующий многослойные нейронные сети для автоматического извлечения признаков из сырых данных. Оно особенно эффективно для изображений, текста и звука.

Вопрос​

Что такое свёрточная нейронная сеть (CNN)?

Ответ​

Свёрточная нейронная сеть — это архитектура, специально разработанная для обработки данных с сетчатой топологией, таких как изображения. Она использует свёрточные слои для выявления локальных паттернов, таких как края или текстуры.

Вопрос​

Как работает свёрточный слой?

Ответ​

Свёрточный слой применяет фильтры (ядра) малого размера к входному тензору, вычисляя скалярные произведения между весами фильтра и локальными участками входа. Это создаёт карты признаков, подчёркивающие определённые визуальные структуры.

Вопрос​

Что такое пулинг (pooling)?

Ответ​

Пулинг — это операция понижения пространственного разрешения карт признаков, обычно путём взятия максимума (max pooling) или среднего (average pooling) в локальном окне. Это уменьшает вычислительную сложность и повышает инвариантность к смещениям.

Вопрос​

Что такое полносвязный слой в CNN?

Ответ​

Полносвязный слой в CNN используется на финальных этапах для классификации. Он принимает «выпрямлённые» карты признаков из последнего свёрточного/пулингового слоя и преобразует их в вектор вероятностей классов.

Вопрос​

Что такое рекуррентная нейронная сеть (RNN)?

Ответ​

Рекуррентная нейронная сеть — это архитектура, предназначенная для обработки последовательностей. Она имеет петли обратной связи, позволяющие сохранять информацию о предыдущих шагах, что делает её подходящей для временных рядов и текста.

Вопрос​

Какие проблемы возникают при обучении обычных RNN?

Ответ​

Обычные RNN страдают от проблемы затухающих и взрывающихся градиентов, что затрудняет обучение на длинных последовательностях. Из-за этого они плохо запоминают далёкие зависимости.

Вопрос​

Что такое LSTM?

Ответ​

LSTM (Long Short-Term Memory) — это модификация RNN с механизмами управления потоком информации через «ворота»: входные, забывающие и выходные. Это позволяет модели эффективно учиться на длинных зависимостях.

Вопрос​

Что такое GRU?

Ответ​

GRU (Gated Recurrent Unit) — это упрощённая альтернатива LSTM с двумя воротами: обновления и сброса. Она проще по структуре, но часто показывает сопоставимое качество при меньших вычислительных затратах.

Вопрос​

Что такое dropout?

Ответ​

Dropout — это техника регуляризации, при которой во время обучения случайным образом «отключаются» нейроны с заданной вероятностью. Это предотвращает чрезмерную зависимость от отдельных нейронов и снижает переобучение.

# Пример в Keras
from tensorflow.keras.layers import Dropout
model.add(Dropout(0.5))

Обработка естественного языка​

Вопрос​

Что такое обработка естественного языка (NLP)?

Ответ​

Обработка естественного языка — это область ИИ, занимающаяся взаимодействием компьютеров и человеческого языка. Задачи включают анализ тональности, машинный перевод, генерацию текста и ответы на вопросы.

Вопрос​

Что такое токенизация?

Ответ​

Токенизация — это процесс разбиения текста на единицы, называемые токенами. Токенами могут быть слова, подслова или символы, в зависимости от выбранного подхода.

Вопрос​

Что такое word embedding?

Ответ​

Word embedding — это представление слов в виде плотных векторов фиксированной размерности, где семантически близкие слова имеют близкие векторные представления. Примеры: Word2Vec, GloVe.

Вопрос​

Что такое Word2Vec?

Ответ​

Word2Vec — это модель для обучения векторных представлений слов на основе контекста. Она использует архитектуры Skip-gram или CBOW для предсказания слова по его окружению или наоборот.

Вопрос​

Что такое BERT?

Ответ​

BERT (Bidirectional Encoder Representations from Transformers) — это предобученная языковая модель, использующая трансформерные энкодеры и учитывающая контекст слова в обоих направлениях (слева и справа).

Вопрос​

Что такое трансформер?

Ответ​

Трансформер — это архитектура нейронной сети, основанная исключительно на механизмах внимания, без рекуррентных или свёрточных слоёв. Она позволяет параллельно обрабатывать всю последовательность и эффективно моделировать длинные зависимости.

Вопрос​

Что такое механизм внимания?

Ответ​

Механизм внимания — это способ, с помощью которого модель динамически определяет, какие части входной последовательности наиболее важны для генерации текущего выхода. Он вычисляет веса внимания на основе сходства запросов и ключей.

Вопрос​

Что такое self-attention?

Ответ​

Self-attention — это разновидность механизма внимания, в которой запросы, ключи и значения извлекаются из одного и того же входного тензора. Это позволяет каждому элементу последовательности взаимодействовать со всеми остальными.

Вопрос​

Что такое fine-tuning в контексте языковых моделей?

Ответ​

Fine-tuning — это процесс дообучения предварительно обученной языковой модели на специфическом наборе данных для конкретной задачи, такой как классификация текста или извлечение сущностей.

Вопрос​

Что такое масштабирование языковых моделей?

Ответ​

Масштабирование языковых моделей — это увеличение числа параметров, объёма обучающих данных и вычислительных ресурсов, что приводит к значительному росту качества и способности к обобщению, как показано в исследованиях типа «scaling laws».

Обучение с подкреплением​

Вопрос​

Что такое среда в обучении с подкреплением?

Ответ​

Среда — это внешняя система, с которой взаимодействует агент. Она определяет набор состояний, возможных действий и правил перехода между состояниями в ответ на действия агента.

Вопрос​

Что такое агент в обучении с подкреплением?

Ответ​

Агент — это сущность, принимающая решения и выполняющая действия в среде с целью максимизации совокупного вознаграждения. Агент реализует политику — стратегию выбора действий в зависимости от состояния.

Вопрос​

Что такое политика (policy)?

Ответ​

Политика — это функция или стратегия, которая отображает состояния среды в действия. Она может быть детерминированной (однозначное действие) или стохастической (распределение вероятностей над действиями).

Вопрос​

Что такое функция ценности состояния (value function)?

Ответ​

Функция ценности состояния оценивает ожидаемое совокупное вознаграждение, которое агент получит, начиная с данного состояния и следуя заданной политике.

Вопрос​

Что такое Q-функция?

Ответ​

Q-функция (функция качества действия) оценивает ожидаемое совокупное вознаграждение при выполнении конкретного действия в данном состоянии и последующем следовании политике.

Вопрос​

Что такое уравнение Беллмана?

Ответ​

Уравнение Беллмана выражает рекурсивную связь между ценностью состояния (или действия) и ценностями последующих состояний. Оно лежит в основе многих алгоритмов обучения с подкреплением.

Вопрос​

Что такое Q-обучение?

Ответ​

Q-обучение — это модельно-независимый алгоритм обучения с подкреплением, который напрямую обучает Q-функцию, обновляя её на основе полученного вознаграждения и максимальной Q-оценки следующего состояния.

Вопрос​

Что такое Deep Q-Network (DQN)?

Ответ​

Deep Q-Network — это метод, сочетающий Q-обучение с глубокими нейронными сетями для аппроксимации Q-функции в задачах с большим или непрерывным пространством состояний, таких как видеоигры.

Вопрос​

Какие ключевые техники используются в DQN для стабилизации обучения?

Ответ​

Ключевые техники:

  • Целевая сеть (target network) — замедленно обновляемая копия основной сети для вычисления целевых значений.
  • Буфер воспроизведения (replay buffer) — хранение опыта для декорреляции последовательных обучающих примеров.

Вопрос​

Что такое политика с градиентом (policy gradient)?

Ответ​

Политика с градиентом — это семейство методов, которые напрямую оптимизируют параметры политики, максимизируя ожидаемое вознаграждение с помощью градиентного восхождения.

Генеративные модели​

Вопрос​

Что такое генеративная модель?

Ответ​

Генеративная модель — это модель, способная генерировать новые данные, похожие на обучающие. Она моделирует совместное распределение признаков и меток или только распределение данных.

Вопрос​

Что такое вариационный автокодировщик (VAE)?

Ответ​

Вариационный автокодировщик — это генеративная модель, состоящая из энкодера, который преобразует вход в латентное представление, и декодера, который восстанавливает данные из этого представления. Обучение включает минимизацию реконструкционной ошибки и регуляризацию латентного пространства.

Вопрос​

Что такое генеративно-состязательная сеть (GAN)?

Ответ​

Генеративно-состязательная сеть состоит из двух нейронных сетей: генератора, создающего поддельные данные, и дискриминатора, пытающегося отличить поддельные данные от реальных. Они обучаются в состязательном режиме.

Вопрос​

Какова цель генератора в GAN?

Ответ​

Цель генератора — создавать данные, настолько правдоподобные, что дискриминатор не сможет отличить их от настоящих. Это достигается путём минимизации функции потерь, основанной на реакции дискриминатора.

Вопрос​

Какова цель дискриминатора в GAN?

Ответ​

Цель дискриминатора — максимально точно различать реальные данные из обучающей выборки и поддельные, сгенерированные генератором. Он обучается как бинарный классификатор.

Вопрос​

Что такое mode collapse в GAN?

Ответ​

Mode collapse — это проблема, при которой генератор начинает выдавать ограниченное разнообразие образцов, «схлопываясь» в один или несколько режимов распределения данных, игнорируя остальные.

Вопрос​

Что такое диффузионная модель?

Ответ​

Диффузионная модель — это генеративная модель, которая постепенно добавляет шум к данным (прямой процесс), а затем обучает нейросеть обращать этот процесс (обратный процесс), чтобы генерировать новые данные из чистого шума.

Вопрос​

Почему диффузионные модели стали популярны?

Ответ​

Диффузионные модели обеспечивают высокое качество генерации, стабильное обучение и хорошее покрытие мод распределения данных. Они показали превосходство над GAN в таких областях, как генерация изображений.

Вопрос​

Что такое автопараметрическая модель (autoregressive model)?

Ответ​

Автопараметрическая модель генерирует последовательность поэлементно, предсказывая каждый следующий элемент на основе всех предыдущих. Примеры: PixelRNN, WaveNet, трансформеры в режиме генерации текста.

Вопрос​

Что такое языковая модель?

Ответ​

Языковая модель — это модель, оценивающая вероятность последовательности слов или предсказывающая следующее слово по контексту. Современные языковые модели основаны на трансформерах и могут быть как автопараметрическими, так и диффузионными.

Оценка, интерпретируемость и этика ИИ​

Вопрос​

Что такое калибровка модели?

Ответ​

Калибровка модели — это процесс корректировки выходных вероятностей так, чтобы они отражали истинную частоту наступления события. Хорошо калиброванная модель даёт, например, предсказание с вероятностью 0.8 для случаев, которые действительно происходят в 80% случаев.

Вопрос​

Что такое кривая ROC?

Ответ​

Кривая ROC (Receiver Operating Characteristic) — это график зависимости полноты (True Positive Rate) от доли ложных срабатываний (False Positive Rate) при различных порогах классификации. Она используется для оценки качества бинарного классификатора.

Вопрос​

Что такое AUC-ROC?

Ответ​

AUC-ROC — это площадь под кривой ROC. Она принимает значения от 0 до 1 и интерпретируется как вероятность того, что случайно выбранный положительный пример получит более высокую оценку, чем случайный отрицательный.

Вопрос​

Что такое SHAP?

Ответ​

SHAP (SHapley Additive exPlanations) — это метод интерпретации предсказаний модели на основе теории кооперативных игр. Он распределяет вклад каждого признака в предсказание, обеспечивая справедливое и согласованное объяснение.

Вопрос​

Что такое LIME?

Ответ​

LIME (Local Interpretable Model-agnostic Explanations) — это метод локальной интерпретации, аппроксимирующий сложную модель простой интерпретируемой моделью (например, линейной) в окрестности конкретного предсказания.

Вопрос​

Что такое смещение (bias) в ИИ?

Ответ​

Смещение в ИИ — это систематическая ошибка в предсказаниях модели, возникающая из-за несбалансированных или предвзятых обучающих данных, а также особенностей алгоритма. Оно может приводить к несправедливым или дискриминационным результатам.

Вопрос​

Что такое справедливость (fairness) в машинном обучении?

Ответ​

Справедливость — это свойство модели, при котором её предсказания не зависят от чувствительных атрибутов, таких как пол, раса или возраст. Существуют различные формальные определения справедливости: демографическая паритетность, равные шансы, калиброванность по группам.

Вопрос​

Что такое дрейф данных (data drift)?

Ответ​

Дрейф данных — это изменение распределения входных признаков во времени после развертывания модели. Это может привести к снижению качества предсказаний, если модель не адаптирована к новым условиям.

Вопрос​

Что такое дрейф концепции (concept drift)?

Ответ​

Дрейф концепции — это изменение зависимости между входными признаками и целевой переменной со временем. Даже при неизменных данных качество модели падает, потому что прежние закономерности перестают быть актуальными.

Вопрос​

Как обнаруживают дрейф данных?

Ответ​

Дрейф данных обнаруживают с помощью статистических тестов (например, Kolmogorov-Smirnov), метрик расстояния между распределениями (например, Wasserstein distance) или мониторинга энтропии и средних значений признаков.

Инфраструктура и развертывание моделей ИИ​

Вопрос​

Что такое MLOps?

Ответ​

MLOps — это набор практик, объединяющих машинное обучение, разработку ПО и операционные процессы для автоматизации жизненного цикла моделей: от экспериментов до развертывания, мониторинга и переобучения.

Вопрос​

Что такое модельный реестр?

Ответ​

Модельный реестр — это централизованное хранилище метаданных о моделях: версии, параметры, метрики, артефакты, владельцы и статусы. Он обеспечивает воспроизводимость и управление моделями в production.

Вопрос​

Что такое сериализация модели?

Ответ​

Сериализация модели — это процесс преобразования обученной модели в формат, пригодный для сохранения на диск и последующей загрузки без повторного обучения. Примеры форматов: pickle, joblib, ONNX, TensorFlow SavedModel.

Вопрос​

Что такое ONNX?

Ответ​

ONNX (Open Neural Network Exchange) — это открытый формат для представления моделей глубокого обучения, позволяющий переносить модели между различными фреймворками, такими как PyTorch, TensorFlow и others.

Вопрос​

Что такое inference?

Ответ​

Inference — это этап использования обученной модели для получения предсказаний по новым данным. Он происходит после развертывания модели и может выполняться на сервере, устройстве или в облаке.

Вопрос​

Что такое latency в контексте inference?

Ответ​

Latency — это время от момента подачи входных данных до получения результата предсказания. Низкая задержка критична для интерактивных приложений, таких как голосовые помощники или автопилоты.

Вопрос​

Что такое throughput в контексте inference?

Ответ​

Throughput — это количество запросов, которые система может обработать за единицу времени (например, запросов в секунду). Высокая пропускная способность важна для сервисов с большой нагрузкой.

Вопрос​

Что такое quantization модели?

Ответ​

Quantization — это техника сжатия модели, при которой точность весов и активаций снижается (например, с float32 до int8). Это уменьшает размер модели и ускоряет inference с минимальной потерей точности.

Вопрос​

Что такое pruning?

Ответ​

Pruning — это метод сжатия нейронной сети, при котором удаляются наименее значимые веса или нейроны. Полученная разреженная модель требует меньше памяти и вычислительных ресурсов.

Вопрос​

Что такое knowledge distillation?

Ответ​

Knowledge distillation — это метод передачи знаний от большой «учительской» модели к маленькой «студенческой». Студенческая модель обучается имитировать мягкие вероятности учителя, а не только жёсткие метки, что повышает её качество.

Оптимизация и вычислительные аспекты​

Вопрос​

Что такое Adam?

Ответ​

Adam (Adaptive Moment Estimation) — это алгоритм оптимизации, сочетающий идеи моментума и адаптивного изменения скорости обучения для каждого параметра. Он вычисляет экспоненциально взвешенные средние первого и второго моментов градиентов.

Вопрос​

Что такое batch normalization?

Ответ​

Batch normalization — это техника, нормализующая активации каждого слоя по мини-батчу: вычитает среднее и делит на стандартное отклонение, затем применяет обучаемые параметры масштаба и смещения. Это ускоряет обучение и повышает стабильность.

Вопрос​

Почему batch normalization помогает при обучении глубоких сетей?

Ответ​

Batch normalization уменьшает внутреннее ковариатное смещение, стабилизирует распределение активаций и позволяет использовать более высокие скорости обучения, что ускоряет сходимость и снижает чувствительность к инициализации.

Вопрос​

Что такое learning rate scheduling?

Ответ​

Learning rate scheduling — это стратегия постепенного изменения скорости обучения в процессе обучения. Примеры: step decay, exponential decay, cosine annealing. Это помогает точнее сходиться к оптимуму на поздних этапах.

Вопрос​

Что такое early stopping?

Ответ​

Early stopping — это метод регуляризации, при котором обучение прекращается, если метрика на валидационной выборке перестаёт улучшаться в течение заданного числа эпох. Это предотвращает переобучение.

Вопрос​

Что такое гиперпараметрическая оптимизация?

Ответ​

Гиперпараметрическая оптимизация — это процесс поиска наилучших значений гиперпараметров модели для максимизации её качества. Методы включают сеточный поиск, случайный поиск, Bayesian optimization и другие.

Вопрос​

Что такое grid search?

Ответ​

Grid search — это метод гиперпараметрической оптимизации, при котором перебираются все возможные комбинации значений из заданных диапазонов. Он точен, но вычислительно дорог при большом числе гиперпараметров.

Вопрос​

Что такое random search?

Ответ​

Random search — это метод, при котором значения гиперпараметров выбираются случайно из заданных распределений. Он часто эффективнее grid search, особенно когда не все гиперпараметры одинаково важны.

Вопрос​

Что такое Bayesian optimization?

Ответ​

Bayesian optimization — это метод последовательного поиска гиперпараметров, строящий вероятностную модель (например, Gaussian process) зависимости качества от гиперпараметров и выбирающий следующую точку на основе функции приобретения.

Вопрос​

Что такое mixed-precision training?

Ответ​

Mixed-precision training — это техника, использующая как 16-битные (float16), так и 32-битные (float32) числа в обучении. Это ускоряет вычисления и снижает потребление памяти без существенной потери точности.

Работа с данными в ИИ​

Вопрос​

Что такое аугментация данных?

Ответ​

Аугментация данных — это техника искусственного увеличения обучающего набора путём применения допустимых преобразований к исходным данным. Для изображений это вращение, отражение, изменение яркости; для текста — замена синонимов, перестановка слов.

Вопрос​

Зачем нужна аугментация данных?

Ответ​

Аугментация данных повышает обобщающую способность модели, делая её устойчивой к вариациям во входных данных, и помогает бороться с переобучением, особенно при ограниченном объёме обучающих примеров.

Вопрос​

Что такое imbalanced dataset?

Ответ​

Imbalanced dataset — это набор данных, в котором распределение классов сильно неравномерно. Например, 99% примеров одного класса и 1% — другого. Это затрудняет обучение и требует специальных подходов.

Вопрос​

Какие методы применяют при работе с несбалансированными данными?

Ответ​

Методы включают:

  • Изменение весов классов в функции потерь.
  • Аугментацию редкого класса или понижение частоты доминирующего (undersampling).
  • Использование метрик, устойчивых к дисбалансу (F1, AUC-ROC).
  • Генерацию синтетических примеров (например, SMOTE).

Вопрос​

Что такое SMOTE?

Ответ​

SMOTE (Synthetic Minority Over-sampling Technique) — это метод генерации синтетических примеров для редкого класса путём интерполяции между ближайшими соседями в пространстве признаков.

Вопрос​

Что такое feature engineering?

Ответ​

Feature engineering — это процесс создания новых признаков или преобразования существующих на основе предметной области и анализа данных. Цель — улучшить качество модели, выявив скрытые закономерности.

Вопрос​

Что такое feature selection?

Ответ​

Feature selection — это выбор подмножества наиболее информативных признаков для обучения модели. Это снижает размерность, ускоряет обучение и может улучшить обобщающую способность.

Вопрос​

Какие методы feature selection существуют?

Ответ​

Методы делятся на:

  • Фильтрационные (например, корреляция с целевой переменной).
  • Обёрточные (например, рекурсивное исключение признаков).
  • Встроенные (например, важность признаков в деревьях решений или L1-регуляризация).

Вопрос​

Что такое PCA?

Ответ​

PCA (Principal Component Analysis) — это метод снижения размерности, проецирующий данные на ортогональные оси максимальной дисперсии. Он сохраняет как можно больше информации при меньшем числе признаков.

Вопрос​

Когда применяют PCA?

Ответ​

PCA применяют для визуализации высокоразмерных данных, ускорения обучения моделей, устранения мультиколлинеарности и шумоподавления. Он особенно эффективен, когда признаки сильно коррелированы.

Обработка естественного языка и генеративные модели​

Вопрос​

Что такое трансляция текста?

Ответ​

Трансляция текста — это задача автоматического перевода текста с одного языка на другой. Современные системы используют нейронные сети, особенно архитектуру encoder-decoder с механизмом внимания.

Вопрос​

Что такое анализ тональности?

Ответ​

Анализ тональности — это задача определения эмоциональной окраски текста: положительной, отрицательной или нейтральной. Применяется в обработке отзывов, социальных сетей и клиентской обратной связи.

Вопрос​

Что такое генерация текста?

Ответ​

Генерация текста — это задача создания связного и осмысленного текста на основе заданного контекста или промпта. Используется в чат-ботах, написании новостей, создании сценариев и других приложениях.

Вопрос​

Что такое zero-shot learning?

Ответ​

Zero-shot learning — это способность модели выполнять задачу без предварительного обучения на примерах этой задачи. Модель использует знания, полученные при обучении на других задачах, и описание новой задачи на естественном языке.

Вопрос​

Что такое few-shot learning?

Ответ​

Few-shot learning — это подход, при котором модель обучается на небольшом числе примеров новой задачи (обычно от одного до нескольких десятков). Это позволяет быстро адаптировать модель к новым условиям.

Вопрос​

Что такое prompt engineering?

Ответ​

Prompt engineering — это практика формулирования входных запросов (промптов) таким образом, чтобы получить от языковой модели наиболее точный и полезный ответ. Это включает выбор формулировок, структуры и контекста.

Вопрос​

Что такое температура в генеративных моделях?

Ответ​

Температура — это параметр, контролирующий степень случайности при генерации текста. Низкая температура делает вывод более детерминированным и консервативным, высокая — более разнообразным и креативным.

# Пример использования в Hugging Face Transformers
from transformers import pipeline
generator = pipeline('text-generation', model='gpt2')
result = generator("Once upon a time", temperature=0.7)

Вопрос​

Что такое top-k sampling?

Ответ​

Top-k sampling — это метод генерации, при котором модель выбирает следующий токен только из k наиболее вероятных вариантов. Это ограничивает пространство выбора и повышает качество генерируемого текста.

Вопрос​

Что такое nucleus sampling (top-p)?

Ответ​

Nucleus sampling — это метод, при котором выбираются токены, суммарная вероятность которых не превышает порог p. Это динамически изменяет количество кандидатов в зависимости от распределения вероятностей.

Вопрос​

Что такое instruction tuning?

Ответ​

Instruction tuning — это этап дообучения языковой модели на наборе пар «инструкция – ожидаемый ответ». Это улучшает способность модели следовать указаниям пользователя и повышает её полезность в интерактивных сценариях.

Компьютерное зрение​

Вопрос​

Что такое компьютерное зрение?

Ответ​

Компьютерное зрение — это область ИИ, занимающаяся автоматическим извлечением, анализом и пониманием информации из изображений и видео. Задачи включают распознавание объектов, сегментацию, отслеживание и 3D-реконструкцию.

Вопрос​

Что такое transfer learning в компьютерном зрении?

Ответ​

Transfer learning — это подход, при котором модель, предварительно обученная на крупном наборе данных (например, ImageNet), используется в качестве начальной точки для решения новой, но связанной задачи с меньшим объёмом данных.

Вопрос​

Что такое fine-tuning в компьютерном зрении?

Ответ​

Fine-tuning — это процесс дообучения предварительно обученной модели на новых данных, обычно с меньшей скоростью обучения. Это позволяет адаптировать общие признаки к специфике целевой задачи.

Вопрос​

Что такое object detection?

Ответ​

Object detection — это задача локализации и классификации объектов на изображении. Результат — список ограничивающих рамок с соответствующими метками классов.

Вопрос​

Что такое semantic segmentation?

Ответ​

Semantic segmentation — это задача пиксельной классификации, при которой каждый пиксель изображения помечается меткой соответствующего класса. В отличие от instance segmentation, она не различает отдельные экземпляры одного класса.

Вопрос​

Что такое instance segmentation?

Ответ​

Instance segmentation — это задача, сочетающая object detection и semantic segmentation: она выделяет каждый отдельный объект на изображении с пиксельной точностью и присваивает ему уникальный идентификатор.

Вопрос​

Что такое YOLO?

Ответ​

YOLO (You Only Look Once) — это семейство моделей для детекции объектов, работающих в режиме реального времени. Они обрабатывают всё изображение за один проход и предсказывают bounding boxes и классы одновременно.

Вопрос​

Что такое OpenCV?

Ответ​

OpenCV — это библиотека с открытым исходным кодом для компьютерного зрения, машинного обучения и обработки изображений. Она предоставляет сотни функций для работы с видео, калибровки камер, трекинга и многого другого.

Вопрос​

Что такое data augmentation в компьютерном зрении?

Ответ​

Data augmentation — это техника увеличения обучающего набора путём применения допустимых преобразований к изображениям: поворот, масштабирование, зеркальное отражение, изменение яркости и другие.

Вопрос​

Что такое pretrained model?

Ответ​

Pretrained model — это модель, обученная на большом наборе данных (часто общего назначения, например ImageNet) и доступная для повторного использования. Такие модели служат отправной точкой для множества прикладных задач.

Продвинутые темы и современные подходы​

Вопрос​

Что такое self-supervised learning?

Ответ​

Self-supervised learning — это парадигма обучения, при которой модель создаёт собственные метки из структуры данных. Например, в языковом моделировании предсказывается пропущенное слово, а в изображениях — восстанавливается повреждённый участок.

Вопрос​

Что такое contrastive learning?

Ответ​

Contrastive learning — это метод self-supervised обучения, при котором модель учится сближать представления похожих объектов (положительных пар) и отдалять непохожие (отрицательные пары) в латентном пространстве.

Вопрос​

Что такое foundation model?

Ответ​

Foundation model — это крупная модель, предварительно обученная на широком наборе данных и адаптируемая к множеству задач. Такие модели (например, GPT, BERT, DALL·E) служат основой для широкого спектра приложений.

Вопрос​

Что такое multimodal model?

Ответ​

Multimodal model — это модель, способная обрабатывать и связывать данные из нескольких модальностей: текст, изображения, аудио, видео. Пример: CLIP, который выравнивает текстовые и визуальные представления в общем пространстве.

Вопрос​

Что такое few-shot image classification?

Ответ​

Few-shot image classification — это задача классификации изображений, при которой доступно лишь несколько примеров каждого нового класса. Модели решают её с помощью метаобучения или переноса знаний от предобученных энкодеров.

Вопрос​

Что такое meta-learning?

Ответ​

Meta-learning — это «обучение обучению»: модель учится быстро адаптироваться к новым задачам на основе опыта решения множества похожих задач. Применяется в few-shot learning и персонализации.

Вопрос​

Что такое continual learning?

Ответ​

Continual learning — это способность модели последовательно обучаться на новых задачах или данных без забывания ранее усвоенной информации. Это ключевая проблема для систем, работающих в динамичной среде.

Вопрос​

Что такое catastrophic forgetting?

Ответ​

Catastrophic forgetting — это резкая потеря производительности на старых задачах при обучении модели на новых данных. Это характерная проблема нейронных сетей при последовательном обучении без специальных механизмов защиты.

Вопрос​

Что такое federated learning?

Ответ​

Federated learning — это распределённый подход к обучению, при котором модель обучается на устройствах пользователей без передачи сырых данных на центральный сервер. Только обновления модели отправляются и агрегируются.

Вопрос​

Какие преимущества у federated learning?

Ответ​

Преимущества: сохранение конфиденциальности данных, снижение задержек (локальное inference), экономия трафика и соответствие требованиям регулирования, таким как GDPR.

Безопасность, надёжность и будущее ИИ​

Вопрос​

Что такое adversarial example?

Ответ​

Adversarial example — это входные данные, намеренно изменённые незаметными для человека возмущениями, которые вызывают ошибочное предсказание модели. Это демонстрирует уязвимость нейронных сетей.

Вопрос​

Что такое adversarial training?

Ответ​

Adversarial training — это метод повышения устойчивости модели путём включения adversarial examples в обучающий набор. Это заставляет модель учиться игнорировать вредоносные возмущения.

Вопрос​

Что такое robustness в ИИ?

Ответ​

Robustness — это способность модели сохранять высокое качество предсказаний при наличии шума, смещений в данных или целенаправленных атак. Это критически важно для безопасного применения ИИ в реальном мире.

Вопрос​

Что такое explainable AI (XAI)?

Ответ​

Explainable AI — это направление, направленное на создание моделей, чьи решения можно понять и интерпретировать человеком. Это необходимо для доверия, отладки и соблюдения нормативных требований.

Вопрос​

Что такое hallucination в генеративных моделях?

Ответ​

Hallucination — это генерация моделию фактически неверной, вымышленной или не подтверждённой информации, представленной как достоверная. Это распространённая проблема больших языковых моделей.

Вопрос​

Что такое alignment в ИИ?

Ответ​

Alignment — это процесс согласования поведения ИИ с целями, ценностями и намерениями человека. Он включает техники, такие как reinforcement learning from human feedback (RLHF).

Вопрос​

Что такое RLHF?

Ответ​

RLHF (Reinforcement Learning from Human Feedback) — это метод дообучения языковых моделей, при котором люди оценивают качество ответов, а модель обучается максимизировать эти оценки через алгоритмы обучения с подкреплением.

Вопрос​

Что такое scaling laws в ИИ?

Ответ​

Scaling laws — это эмпирические закономерности, описывающие, как качество модели зависит от трёх факторов: числа параметров, объёма обучающих данных и вычислительных затрат. Они показывают предсказуемый рост производительности при масштабировании.

Вопрос​

Что такое emergent abilities?

Ответ​

Emergent abilities — это способности, которые появляются у больших моделей только после достижения определённого порога масштаба и отсутствуют у меньших аналогов. Пример: выполнение арифметики или следование сложным инструкциям.

Вопрос​

Что такое AGI?

Ответ​

AGI (Artificial General Intelligence) — это гипотетическая форма ИИ, обладающая универсальным интеллектом, способным понимать, учиться и применять знания в любой области так же гибко, как человек.

Практическое применение и системное мышление​

Вопрос​

Как выбрать подходящий алгоритм машинного обучения для задачи?

Ответ​

Выбор алгоритма зависит от типа задачи (классификация, регрессия, кластеризация), объёма и качества данных, требований к интерпретируемости, скорости обучения и inference, а также доступных вычислительных ресурсов. Начинают с простых базовых моделей, затем переходят к более сложным при необходимости.

Вопрос​

Когда использовать нейронные сети вместо традиционных моделей?

Ответ​

Нейронные сети предпочтительны при работе с неструктурированными данными (изображения, текст, аудио), наличии большого объёма данных и когда важна максимальная точность, а не интерпретируемость. Для табличных данных часто достаточно градиентного бустинга или линейных моделей.

Вопрос​

Что такое baseline в проекте по ИИ?

Ответ​

Baseline — это простая модель или эвристика, используемая как отправная точка для сравнения. Она может быть случайным предсказанием, средним значением или логистической регрессией. Хороший baseline помогает оценить, действительно ли сложная модель даёт прирост качества.

Вопрос​

Как обрабатывать отсутствующие значения в данных?

Ответ​

Методы включают: удаление строк или столбцов, заполнение средним/медианой/модой, предсказание пропусков с помощью модели, использование алгоритмов, устойчивых к пропускам (например, XGBoost). Выбор зависит от доли пропусков и механизма их возникновения.

Вопрос​

Что такое leakage в машинном обучении?

Ответ​

Leakage — это ситуация, когда информация из будущего или из целевой переменной непреднамеренно попадает в признаки. Это приводит к завышенной оценке качества модели, которая не сохраняется в production.

Вопрос​

Как избежать data leakage?

Ответ​

Чтобы избежать data leakage, все преобразования (нормализация, кодирование, PCA) должны обучаться только на обучающей выборке и применяться к валидационной и тестовой без повторного подсчёта статистик.

Вопрос​

Что такое production-ready модель?

Ответ​

Production-ready модель — это модель, прошедшая полный цикл валидации, оптимизации, тестирования и упаковки, готовая к развертыванию в реальной системе с учётом требований к latency, throughput, надёжности и мониторингу.

Вопрос​

Какие метрики важны при развертывании модели в production?

Ответ​

Важны как бизнес-метрики (доход, конверсия), так и технические: latency, throughput, потребление памяти, стабильность, частота ошибок. Также отслеживают дрейф данных и снижение качества со временем.

Вопрос​

Что такое A/B-тестирование модели ИИ?

Ответ​

A/B-тестирование — это эксперимент, при котором две версии системы (старая и новая с обновлённой моделью) работают параллельно на разных группах пользователей. Сравнение метрик позволяет объективно оценить эффект от внедрения.

Вопрос​

Что такое shadow mode развертывания?

Ответ​

Shadow mode — это режим, при котором новая модель работает параллельно с текущей, но её предсказания не влияют на пользователя. Это позволяет собрать данные о её поведении в реальных условиях без риска для бизнеса.

Завершение и перспективы​

Вопрос​

Как оценивать экономическую эффективность модели ИИ?

Ответ​

Экономическую эффективность оценивают через ROI: сравнивают затраты на разработку, обучение и поддержку модели с полученной выгодой — например, снижением издержек, ростом продаж или улучшением удовлетворённости клиентов.

Вопрос​

Что такое technical debt в машинном обучении?

Ответ​

Technical debt в ML — это совокупность скрытых проблем: зависимость от устаревших данных, сложные pipeline’ы, отсутствие мониторинга, плохая документация. Эти долги замедляют развитие и увеличивают риски в долгосрочной перспективе.

Вопрос​

Какие навыки важны для специалиста по ИИ помимо знания алгоритмов?

Ответ​

Важны: понимание предметной области, навыки работы с данными, проектирование систем, коммуникация с заинтересованными сторонами, знание MLOps, этическое мышление и способность формулировать правильные задачи.

Вопрос​

Что такое responsible AI?

Ответ​

Responsible AI — это подход к разработке и применению ИИ с учётом этики, справедливости, прозрачности, конфиденциальности и безопасности. Он направлен на минимизацию вреда и максимизацию общественной пользы.

Вопрос​

Как ИИ влияет на рынок труда?

Ответ​

ИИ автоматизирует рутинные задачи, повышает производительность и создаёт новые профессии, одновременно делая некоторые роли избыточными. Успешная адаптация требует непрерывного обучения и развития «мягких» навыков.

Вопрос​

Что такое human-in-the-loop?

Ответ​

Human-in-the-loop — это архитектура, в которой человек участвует в процессе принятия решений ИИ: размечает данные, проверяет спорные случаи или корректирует действия. Это повышает качество и безопасность системы.

Вопрос​

Какие ограничения у современных ИИ-систем?

Ответ​

Ограничения включают: отсутствие истинного понимания, зависимость от качества данных, уязвимость к атакам, трудности с рассуждением и планированием, проблемы с переносом знаний и отсутствие здравого смысла.

Вопрос​

Что такое embodied AI?

Ответ​

Embodied AI — это направление, в котором ИИ обучается через взаимодействие с физическим или симулированным миром, а не только на пассивных данных. Это важно для развития роботов и агентов, действующих в реальной среде.

Вопрос​

Как ИИ используется в научных исследованиях?

Ответ​

ИИ применяется для анализа больших данных (геномика, астрономия), моделирования сложных систем (климат, белки), автоматизации экспериментов, генерации гипотез и ускорения открытий, например, в материаловедении или медицине.

Вопрос​

Что будет дальше в развитии ИИ?

Ответ​

Будущее ИИ связано с повышением эффективности, интерпретируемости и надёжности моделей, развитием multimodal и embodied систем, интеграцией с робототехникой, а также усилением внимания к этике, регулированию и устойчивому развитию.

Освоение главы0%