ai_intro

1.

Тема 1
ИИ и его возможности
Обзор ключевых архитектур и методов —
от искусственного нейрона до мультиагентных систем

2.

Немного истории

3.

Естественный vs искусственный нейрон
Модель восприятия информации нейронами называют перцептроном. Так же обычно называют простейшую
искусственную нейронную сеть. Ее расширение называют многослойным перцептроном.
Особенности — наличие целевой функции, оптимизационных подходов, функций активации и регуляризаций.

4.

Маффин или чихуахуа?
? Почему для простых моделей разделение этих объектов — сложная задача?

5.

Сверточные нейросети
Свертка — математическая операция, результатом применения которой является комбинация двух n-мерных
сигналов.

6.

Задачи компьютерного зрения
1 · Классификация
2 · Детекция + мультиклассовая классификация
3 · Семантическая сегментация
4 · Сегментация экземпляров

7.

Развитие языковых моделей

8.

Токенизация текста
? Почему лучше разбивать текст на токены разного содержания, а не фиксированно на слова или буквы?

9.

Как вы думаете, чего не хватает в такой
генерации для осмысленности?

10.

Механизм внимания
? Как вы думаете, чего не хватает в такой генерации для осмысленности?

11.

Мультимодальные сети
? Почему все нейросети для генерации контента основаны на мультимодальности?

12.

Генеративные нейросети

13.

Генеративные нейросети

14.

ИИ-агенты
ИИ-агент — это система, способная
самостоятельно планировать действия,
использовать внешние инструменты (БД, API,
кодовую базу) и достигать поставленной цели
с минимальным вмешательством человека.

15.

ИИ-агенты

16.

Мультиагентные системы
Мультиагентные системы — архитектура, в которой автономные ИИ-агенты координируют действия и совместно
достигают цели как единое целое.
Агент-менеджер
Агент-исследователь
Делит общую задачу и
распределяет роли.
Ищет информацию в сети и
проверяет факты.
Агент-программист
Пишет и тестирует код.
Агент-критик
Проверяет результаты других
агентов на ошибки и
несоответствия.

17.

Практическое задание
«Капсула времени»
• Делимся на команды по 3–4 человека
• Каждая команда выбирает тему, связанную с применением ИИ

18.

Этап 1
1
Выбрать инструмент ИИ-поиска, который вам больше по душе: Perplexity, Yandex (Алиса AI),
Google AI…
2
Найти 3 факта о сегодняшнем состоянии ИИ по выбранной теме: 1 факт — технический, 2 факт
— связанный с данными, 3 факт — о применении. Хороший пример: «Топ-1 (SOTA) LLM X на
медицинском датасете D показала метрики M». Плохой пример: «Модель Y стала лучшей
моделью для медицинских данных».
3
Проверить факты на корректность — прикрепить 1–2 подтверждающих ссылки из
независимых источников с цитатами.
4
Приложить ссылку на диалог с ИИ-поиском.

19.

Этап 2
1
Выбрать языковую модель (LLM), которая вам больше по душе: ChatGPT, DeepSeek, Qwen…
2
Попросить LLM сделать два прогноза на каждый из фактов. Прогноз должен отражать
возможное развитие технологии ИИ или его применения в соответствии с фактом.
3
Приложить ссылку на диалоги.

20.

Этап 3
Написать собственные два прогноза на каждый из фактов. Прогноз должен отражать возможное развитие
технологии ИИ или его применения в соответствии с фактом. Прогноз должен не совпадать с прогнозом LLM.
Хороший пример
«Модель X смогла решить одну из задач тысячелетия» —
можно однозначно подтвердить или опровергнуть.
Плохой пример
«Модель X стала лучше» — слишком «размыто»:
модель могла стать лучше в чём-то одном, но
обобщение стало хуже.

21.

Финал
Напишите свой собственный прогноз об использовании ИИ — по одному на каждого участника. Критерии
оценивания:
Критерий
Факты (конкретика + подтверждение)
Можно однозначно определить, сбылся прогноз или нет
Прогнозы команды не дублируют прогнозы LLM
Личные строки заполнены всеми участниками команды

22.

В конце курса подведём счёт
Люди vs ИИ
Спасибо
за внимание!