Oboe
No history yet

How does AI learn?

Welcome! I'm really excited to dive into this with you. Before we sketch out our roadmap for how machine learning and artificial intelligence systems actually learn, I'd love to know a little bit more about what brings you here today.

What brings you to learning about AI today, and how familiar are you with concepts like coding or data?

I'm just curious about how it works, and I have zero coding experience.

I completely understand! A lot of people are curious about how this technology works, especially with how quickly it's changing our world. To get us started, here is our roadmap for today's session so you can see exactly where we are going.

Your path
Three Main Types of Machine Learning
Neural Networks and Deep Learning
Model Training and Refinement Process
To begin, let's look at how computers used to do things versus how they do them now. Historically, to get a computer to perform a task, a human had to write a . Think of this like a massive, incredibly detailed recipe. If you wanted a computer to identify a picture of a cat, you had to manually write rules for every single detail: 'Look for two triangles on top of a circle, look for whiskers that are this many pixels wide, and look for almond-shaped eyes.' As you can probably guess, this was a nightmare to code. If the cat was turned sideways, or if it was a fluffy Persian instead of a sleek Siamese, the recipe broke completely because the computer couldn't handle any deviation from its strict instructions.
With , we turn this entire process upside down. Instead of writing the rules ourselves, we give the computer thousands of examples of cats and thousands of examples of things that are not cats. We don't tell it what a ear or a whisker looks like. Instead, the computer's algorithm sifts through all those pictures and figures out the common patterns on its own. It learns to recognize what makes a cat look like a cat by analyzing the data, rather than following a human's step-by-step recipe.

Ты говоришь по русски?

Да, конечно! Я с удовольствием продолжу наш разговор на русском языке.

Раз уж мы выяснили, что машинное обучение переворачивает традиционное программирование с ног на голову, давайте разберем, как именно компьютер находит эти скрытые закономерности.

Как компьютер видит закономерности

Поскольку у вас нет опыта в программировании, представьте, что компьютер — это маленький ребенок, который пытается понять, что такое . Вместо того чтобы объяснять ему анатомию кошачьих, вы просто показываете ему тысячи картинок. На одних изображены кошки, на других — собаки, деревья и чашки. Для компьютера каждая картинка — это просто гигантская сетка из , где каждый пиксель имеет свой цвет и яркость, выраженные числами. Алгоритм начинает искать числовые совпадения. Он замечает, что у картинок с пометкой «кошка» в определенных местах часто встречаются группы пикселей, образующие острые углы (уши) или тонкие линии (усы). Шаг за шагом, совершая тысячи ошибок и корректируя себя, модель создает в своей «памяти» сложную математическую карту этих признаков. В итоге, когда вы покажете ей совершенно новое фото, она сравнит его со своей картой и скажет: «С вероятностью 95% это кошка!»

Спасибо за ссылку! Действительно, вакансии в сфере ИТ сейчас пестрят требованиями о понимании ИИ. Чтобы вы могли уверенно ориентироваться в этих терминах, давайте перейдем к следующему важному шагу нашей программы и разберем три главных метода, с помощью которых обучается искусственный интеллект.

Your path
Neural Networks and Deep Learning
Model Training and Refinement Process

Три пути к знаниям

Представьте, что мы воспитываем маленького робота-помощника. У нас есть три принципиально разных способа научить его выполнять задачи. Первый способ называется обучение с учителем (supervised learning). Это самый популярный метод в бизнесе. Здесь вы буквально выступаете в роли терпеливого наставника. Вы даете роботу огромное количество — то есть примеров, где уже есть и вопрос, и правильный ответ. Например, если вы хотите научить его фильтровать спам в рабочей почте, вы загружаете миллион писем, где каждое заранее помечено человеком: «спам» или «важное». Модель анализирует их, находит скрытые признаки мусорных писем (вроде частых слов «БЕСПЛАТНО» или странных ссылок) и запоминает их. В итоге, когда приходит новое письмо, ИИ сравнивает его с накопленным опытом и делает предсказание.
А как быть, если у нас нет готовых ответов? В этом случае на сцену выходит обучение без учителя (unsupervised learning). Здесь мы даем роботу полную свободу действий и ворох сырых, никак не подписанных данных. Его задача — самому найти в этом хаосе скрытую структуру и закономерности. Представьте, что вы высыпали перед роботом гору грязной посуды разной формы и ушли. Он не знает названий предметов, но чисто интуитивно начинает группировать их: плоские круглые объекты (тарелки) отправляет в одну стопку, глубокие с ручкой (кружки) — в другую, а длинные металлические (вилки и ложки) — в третью. В ИИ этот процесс называется . Именно так алгоритмы стриминговых сервисов группируют миллионы пользователей по их музыкальным вкусам, чтобы советовать вам новые треки.
Наконец, третий метод — обучение с подкреплением (reinforcement learning). Это обучение на собственном опыте методом проб и ошибок. Вы не даете роботу никаких данных вообще. Вместо этого вы помещаете его в виртуальную среду и настраиваете систему . Если мы учим робота готовить смузи, он начинает смешивать случайные ингредиенты. Сделал вкусно — получает виртуальный «плюс» (награду). Положил туда соль и горчицу — получает «минус» (штраф). Совершая миллионы таких попыток, алгоритм постепенно выстраивает идеальную стратегию поведения, чтобы максимизировать свою награду. Именно так ИИ учится побеждать чемпионов в шахматы и управлять беспилотными автомобилями.