Что такое искусственный интеллект?

Искусственный интеллект (AI — Artificial Intelligence)

Искусственный интеллект — это область компьютерных наук, которая занимается созданием систем и алгоритмов, способных выполнять задачи, требующие человеческого интеллекта. Это включает обучение из данных, распознавание закономерностей, принятие решений и адаптацию к новым ситуациям.

Уровни AI

1. Narrow AI (Узкий AI)

Специализирован на одной задаче:

• Распознавание лиц
• Игра в шахматы
• Рекомендация фильмов
• Прогнозирование цен

Это единственный уровень AI, который существует сегодня.

2. General AI (Сильный AI)

Использует общее знание для решения разных задач (как человек). Это всё ещё теория.

3. Super AI (ASI)

Превосходит человеческий интеллект. Остаётся в сфере научной фантастики.

Подходы к AI

1. Машинное обучение (Machine Learning)

# Алгоритм обучается на примерах данных
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split

# Загрузим данные
iris = load_iris()
X, y = iris.data, iris.target

# Разделим на тренировочный и тестовый наборы
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# Создадим и обучим модель
model = DecisionTreeClassifier()
model.fit(X_train, y_train)

# Предсказание
accuracy = model.score(X_test, y_test)
print(f"Точность: {accuracy:.2%}")

2. Глубокое обучение (Deep Learning)

Использует нейронные сети с множеством слоёв:

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

# Создаём простую нейронную сеть
model = keras.Sequential([
    layers.Dense(128, activation='relu', input_shape=(28*28,)),
    layers.Dropout(0.2),
    layers.Dense(64, activation='relu'),
    layers.Dropout(0.2),
    layers.Dense(10, activation='softmax')
])

model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

# Обучение на примерах
model.fit(X_train, y_train, epochs=10, validation_split=0.1)

# Предсказание
predictions = model.predict(X_test)

3. Символьный AI (Symbolic AI)

Использует явные правила и логику:

# Экспертная система
rules = {
    'fever': ['has_fever', 'temperature > 38'],
    'cold': ['runny_nose', 'cough'],
    'flu': ['fever', 'body_ache', 'fatigue']
}

def diagnose(symptoms):
    """Диагностика на основе правил"""
    diagnosis = []
    
    if symptoms.get('has_fever') and symptoms.get('temperature', 0) > 38:
        diagnosis.append('Fever')
    
    if symptoms.get('runny_nose') and symptoms.get('cough'):
        diagnosis.append('Cold')
    
    if all([symptoms.get(s) for s in ['has_fever', 'body_ache', 'fatigue']]):
        diagnosis.append('Flu')
    
    return diagnosis

# Использование
symptoms = {'has_fever': True, 'temperature': 39, 'body_ache': True, 'fatigue': True}
print(diagnose(symptoms))

Типы машинного обучения

1. Supervised Learning (Обучение с учителем)

Данные имеют правильные ответы:

# Задача: предсказать цену дома по его характеристикам
from sklearn.linear_model import LinearRegression

# Данные: (площадь, комнаты) → цена
X_train = [[100, 2], [150, 3], [200, 4], [250, 4]]
y_train = [200000, 300000, 400000, 450000]

model = LinearRegression()
model.fit(X_train, y_train)

# Предсказание цены дома 180м² с 3 комнатами
predict = model.predict([[180, 3]])
print(f"Предсказанная цена: {predict[0]:,.0f}")

2. Unsupervised Learning (Обучение без учителя)

Нет правильных ответов, система сама находит закономерности:

# Кластеризация: группировка похожих объектов
from sklearn.cluster import KMeans

X = [[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]]

kmeans = KMeans(n_clusters=2)
kmeans.fit(X)

labels = kmeans.labels_
print(labels)  # [0, 0, 0, 1, 1, 1]

3. Reinforcement Learning (Обучение с подкреплением)

Агент обучается через награды и штрафы:

import numpy as np

class QLearningAgent:
    def __init__(self, states, actions):
        self.states = states
        self.actions = actions
        # Q-таблица: сколько "хорошо" действие в каждом состоянии
        self.Q = np.zeros((states, actions))
        self.learning_rate = 0.1
        self.discount_factor = 0.95
    
    def update(self, state, action, reward, next_state):
        """Обновить Q-значение (Bellman equation)"""
        current_q = self.Q[state, action]
        max_next_q = np.max(self.Q[next_state])
        new_q = current_q + self.learning_rate * (reward + self.discount_factor * max_next_q - current_q)
        self.Q[state, action] = new_q

Практические применения AI

1. Компьютерное зрение
   - Распознавание лиц
   - Медицинская диагностика (анализ рентгена)
   - Беспилотные автомобили

2. Обработка естественного языка (NLP)
   - Чат-боты (как я!)
   - Перевод текстов
   - Анализ тональности

3. Рекомендательные системы
   - Netflix (рекомендация фильмов)
   - Amazon (рекомендация товаров)
   - Spotify (рекомендация музыки)

4. Анализ временных рядов
   - Прогнозирование цен акций
   - Прогноз погоды
   - Анализ трафика

AI в работе Python Developer

# 1. Используем готовые модели (Transfer Learning)
from transformers import pipeline

# Анализ тональности текста
sentiment = pipeline('sentiment-analysis')
result = sentiment("This movie is amazing!")
print(result)  # [{'label': 'POSITIVE', 'score': 0.9987}]

# 2. Обработка данных для ML
import pandas as pd
from sklearn.preprocessing import StandardScaler

df = pd.read_csv('data.csv')
X = df[['feature1', 'feature2']]

# Нормализация
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 3. Evaluation метрик
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

y_true = [0, 1, 1, 0, 1]
y_pred = [0, 1, 0, 0, 1]

print(f"Accuracy:  {accuracy_score(y_true, y_pred):.2%}")
print(f"Precision: {precision_score(y_true, y_pred):.2%}")
print(f"Recall:    {recall_score(y_true, y_pred):.2%}")
print(f"F1 Score:  {f1_score(y_true, y_pred):.2%}")

Ключевые моменты

• AI — создание систем, выполняющих человеческие задачи
• Narrow AI — единственный существующий уровень AI
• Machine Learning — обучение на примерах данных
• Deep Learning — нейронные сети с многими слоями
• Supervised — обучение с правильными ответами
• Unsupervised — поиск закономерностей в данных
• Reinforcement — обучение через награды и штрафы
• Практическое применение — зрение, язык, рекомендации